青飼大豆主要品質參數(shù)的近紅外光譜快速分析

姜 妍，蒙 何，趙熠榮，王先虛，王 遂，薛恩玉，王紹東*

1.東北農(nóng)業(yè)大學/國家大豆工程技術研究中心，黑龍江 哈爾濱 150030 2.黑龍江省綠色食品科學研究院，黑龍江 哈爾濱 150028 3.黑龍江省鄉(xiāng)村產(chǎn)業(yè)發(fā)展中心，黑龍江 哈爾濱 150036

引 言

飼料是畜牧生產(chǎn)的物質基礎，隨著畜牧業(yè)的快速發(fā)展，優(yōu)良飼草成為畜牧業(yè)生產(chǎn)的重要資源，對飼草原料和飼料產(chǎn)品營養(yǎng)價值的檢測與評估是飼料生產(chǎn)中必不可缺少的重要環(huán)節(jié)，飼料生產(chǎn)中的質量控制及其營養(yǎng)成分的快速分析越發(fā)重要。飼料品質的管理與科研的主要手段仍沿用傳統(tǒng)經(jīng)典的化學分析方法分析飼料及飼草的常規(guī)組分及營養(yǎng)成分，這些傳統(tǒng)的分析方法存在分析周期長、方法復雜、試劑消耗，污染環(huán)境和有損健康等缺點。因此，建立快速準確且簡便綠色的分析方法十分必要。

近幾年，近紅外光譜(NIRS)快速分析技術在分析化學和檢測領域得到廣泛應用。NIRS技術適合于多組分的定性和定量分析，具有制樣簡單、無污染、操作簡單、檢測速度快、穩(wěn)定性好、在線分析等優(yōu)點[1-2]?；诖龣z樣品在近紅外光譜區(qū)域的光學吸收特性，通過國標化學方法對樣品的化學成分含量與其近紅外反射光譜進行回歸分析，建立模型，從而對同類及其相似類型的未知樣品進行品質指標的檢測與分析。NIRS分析過程一般包括掃描樣本，獲得近紅外光譜數(shù)據(jù)；采用國標分析測試法測定樣本的組分或含量數(shù)據(jù)；建立并優(yōu)化兩者的函數(shù)關系，預測模型。NIRS建模的方式包括主成分分析、多元線性回歸、偏最小二乘(partial least squares，PLS)、人工神經(jīng)網(wǎng)絡(artificial neural networks，ANN)等。在眾多光譜數(shù)據(jù)分析中，PLS是利用頻次高、反演精確的一種建模方法，是在多元線性回歸的基礎上發(fā)展起來的一種回歸方法[3-4]。PLS利用全部光譜信息進行矩陣分解和回歸交互分析?；赑LS算法，衍生出多種模型，如多模型PLS、移動窗口PLS建模，及PLS與ANN聯(lián)合的PLS-BP預測模型，用來檢測飼料樣品水分、蛋白質、灰分、磷含量。

飼料檢測是NIRS技術應用最早的領域之一，且發(fā)展迅速，應用廣泛，馬蹄草營養(yǎng)成分的NIRS檢測[5]，便攜式光譜儀實時測定飼料中蛋白質、粗纖維和淀粉等組分的研究[6-7]，以及建立動物糞便中性洗滌纖維(NDF)的近紅外光譜校準方程，NIRS技術被認為是準確測定牧草化學成分和消化率參數(shù)的重要工具[8-9]。目前，關于飼料中粗蛋白(CP)含量、粗纖維、粗脂肪等NIRS快速測定已有國家標準(GB/T 18868—2002)，解決了飼料企業(yè)的品質檢測和產(chǎn)品開發(fā)的需求?，F(xiàn)有的NIRS技術主要用于玉米、豆粕、魚粉等飼料原料及濃縮飼料、配方飼料等成品飼料的常規(guī)營養(yǎng)組分的性質與含量分析，以及飼料營養(yǎng)價值的快速評定。然而，作為飼草資源的青飼大豆全株品質檢測的NIRS技術亟待開發(fā)和利用。目前，我國飼草存在產(chǎn)量低、品質差，粗蛋白質含量<15%，優(yōu)質飼草資源稀缺等問題，大豆作為短日照作物，其光周期反應較為敏感，可以利用大豆這一特性進行南種北移，作為一種新型的青飼豆科資源加以利用，有利于解決飼草蛋白含量低的問題，進一步推進二元種植結構到糧食、經(jīng)濟、飼料作物的三元結構的糧改飼政策。本研究對青飼用不同大豆品種不同時期的整個植株進行粗蛋白(CP)含量、中性洗滌纖維(NDF)含量和酸性洗滌纖維(ADF)含量進行檢測，采用不同的光譜預處理方法和變量選擇方法來優(yōu)化模型，利用近紅外光譜建立含量分析回歸模型，形成一種便于青飼大豆全株品質檢測的NIRS快速分析法。

1 實驗部分

1.1 樣品制備

利用大豆光周期的植株生長特性，選用來自于東北春夏大豆、黃淮海夏大豆、南方春大豆、南方夏大豆幾個生態(tài)區(qū)域的50個大豆品種樣本作為青飼大豆全株品質參數(shù)檢測的品種試驗，取樣時期為盛花期、鼓粒初期、鼓粒初期5 d后去莢處理三個主要青飼大豆全株的利用方式，三次重復，三種方式的地上部分植株經(jīng)65 ℃烘干至恒重后粉碎待測。每個樣品的CP,NDF和ADF含量分別按照國家標準(GB/T 6432—2018，GB/T 20806—2006)和行業(yè)標準(NY/T 1459—2007)的方法檢測，每個品質參數(shù)共得到150個數(shù)據(jù)。

1.2 近紅外光譜收集

利用近紅外光譜成像儀(DA7250，Perten，Sweden)，光譜范圍為900～1 700 nm，實際工作的光譜波長范圍為950～1 650 nm，波長精度<0.3 nm，光譜分辨率為7 nm，二極管間距(像素間距)3.1 nm·像素-1，檢測器為InGaAs，電溫控制冷處理，256像素，內(nèi)置線性參考光源?？沈寗虞d有樣本的旋轉杯，用來控制系統(tǒng)運行的計算機以及近紅外成像系統(tǒng)采集軟件。為保證獲取光譜的一致性，檢測溫度為15～25 ℃，樣品厚度一致為5 mm，濕度范圍為30%～70%，每個樣品至少掃描三次以獲得光譜數(shù)據(jù)，所有光譜曲線的波形呈現(xiàn)相同的趨勢(圖1)，在全波段范圍內(nèi)進行青飼大豆全株品質指標的模型建立。

圖1 原始光譜曲線Fig.1 Original spectral curve

1.3 光譜數(shù)據(jù)處理

建立CP，NDF和ADF含量的定量識別模型時，將150個數(shù)據(jù)集按3∶2比例劃分為校準集和驗證集。為提高光譜分辨率，去除樣品表面顆粒不均勻帶來的雜散光等，光譜預處理主要采用一階導數(shù)直接差分法求導法(NW1st)、二階導數(shù)直接差分法求導法(NW2nd)、標準正態(tài)變量變換法(standard normal variate transformation，SNV)和去趨勢算法(De-trending)的一種或幾種方法組合進行比較分析。NW1st和NW2nd對光譜進行基線校正和光譜分辨預處理；De-trending算法是為了消除漫反射光譜的基線漂移，將原始光譜的吸光度和波長擬合成一條趨勢線，再從原光譜中減掉趨勢線；SNV主要是用來消除顆粒大小不均勻和表面非特異性散射。光譜定量建模分析為多元校正，在物質濃度與光譜之間建立一種定量關聯(lián)關系。PLS集合主成分分析、典型相關分析和多元線性回歸分析3種分析方法的優(yōu)點，利用響應矩陣提取出反映數(shù)據(jù)變異的最大信息，具有預測功能，建模性能更優(yōu)越[10]。鑒于PLS的建模優(yōu)勢和所用光譜儀參數(shù)的匹配度，利用PLS法，首先對光譜數(shù)據(jù)進行運算，求取主因子或隱含變量，再根據(jù)主因子或隱含變量的累積貢獻率得分值，以及化學指標數(shù)據(jù)變量，建立模型。通過不同預處理后的全光譜結合PLS建立的模型效果圖，利用校準集和驗證集的決定系數(shù)(R2)和均方根誤差(RMSE)比較分析出適合的光譜預處理建模方法，用于青飼大豆全株主要品質指標的快速檢測。

2 結果與討論

2.1 樣品化學值分析

從表1中各指標的最大值、最小值和標準差值可以看出，作為青貯飼草資源的不同大豆品種在不同取樣時期的CP，NDF和ADF含量的變化幅度比較大，CP含量為11.21%～22.79%，NDF含量為41.02%～63.48%，ADF含量為25.00%～42.51%，數(shù)據(jù)覆蓋面較大，樣品化學值具有一定的代表性。

表1 樣品中主要飼用品質指標的含量統(tǒng)計(%)Table 1 Content statistics of main forage quality indexes in samples (%)

2.2 全波段模型效果評價

表2 不同預處理方法的青飼大豆全株主要品質指標的模型結果Table 2 Model results of main quality indexes of whole plants of forage soybean with different pretreatments

圖2 NW1st+DE-trending+SNV處理的青飼大豆品質PLS模型Fig.2 PLS model of forage soybean quality by NW1st+DE-trending+SNV treatments

圖3 NW1st+DE-trending+SNV處理的全光譜曲線圖Fig.3 The full spectrum curve after NW1st+ DE-trending+SNV treatments

3 結 論

利用近紅外光譜分析儀獲得穩(wěn)定有效光譜，通過國標法或行標法對不同品種不同處理的青飼大豆植株中三個主要飼用品質參數(shù)CP，NDF和ADF含量進行定量檢測，采用NW1st，NW2nd，DE-trending和SNV四種光譜預處理方法的不同組合建立品質預測模型，經(jīng)比較分析校準集和驗證集的R2和RMSE，得出NW1st+DE-trending+SNV+PLS方法建立的模型優(yōu)化效果好，并驗證了PLS模型的準確性及穩(wěn)定性，隨著青飼大豆資源的利用和推廣，其品質檢測數(shù)據(jù)量會隨之增加，將進一步優(yōu)化模型和補充參數(shù)，使青飼大豆品質的近紅外檢測方法更加完善。

致謝：非常感謝波通公司在模型解析中給予的指導。