CN105675538A - 一种胡麻饼养分的检测方法 - Google Patents

Abstract

本发明提供了一种胡麻饼养分的检测方法，包括：采集不同来源的胡麻饼，粉碎后得到胡麻饼样品；分别采用化学法测定各胡麻饼样品的水分、粗蛋白、粗脂肪、粗灰分和总能；分别采集各胡麻饼样品的近红外光谱数据；根据所述近红外光谱数据与所述水分、粗蛋白、粗脂肪、粗灰分和总能，分别建立定标模型；分别对所述定标模型进行验证。本发明建立的定标模型，尤其是采用改进最小二乘法(MPLS)搭配不同光谱预处理建立的定标模型，达到可实用水平，提供的方法能够简单、快速的检测胡麻饼中的主要营养成分，工作量小，且成本较低，可以克服传统的饲料营养成分测定方法繁琐、耗时，样品测定工作量大，成本高的缺点。

Description

一种胡麻饼养分的检测方法

技术领域

本发明属于检测分析技术领域，尤其涉及一种胡麻饼养分的检测方法。

背景技术

胡麻压榨后的副产物为胡麻饼，胡麻饼粗蛋白含量一般为35％～38％，粗脂肪为5％～13％，赖氨酸含量0.8％，低于大豆饼80％，蛋氨酸含量1％～5％，高出大豆饼1倍，其他氨基酸含量高于或等于大豆饼的含量。胡麻饼是优良的植物蛋白饲料，可消化能为10.45～12.54MJ/kg，在畜禽养殖中应用可以补充饲粮蛋白质资源的不足，但因胡麻种植地区的气候、土壤肥力和品种不同胡麻饼(粕)的养分含量也有很大差异。因此，必须要在畜禽饲料配制前准确测定胡麻饼的主要营养成分，但传统的饲料营养成分测定方法繁琐、耗时，样品测定工作量大，成本高。

20世纪60年代，美国Norris等首先开始应用近红外光谱(NearInfraredSpectroscopy，NIRS)技术测定谷物中的水分、蛋白质、脂肪等含量，并致力于其他农产品品质的研究。该项技术是基于对已知大量样品的近红外光谱扫描信息，通过定标模型的建立与验证，实现对未知样本的定性和定量分析，具有样品用量少、无损、分析速度快、精度高和结果稳定性好的优点。NIRS用于营养成分预测具有极大潜力。目前尚未有对胡麻饼(粕)营养成分进行NIRS定标及验证研究的报道。

发明内容

有鉴于此，本发明的目的在于提供一种胡麻饼养分的检测方法，本发明提供的检测方法简单、快速、工作量小，且成本较低。

本发明提供了一种胡麻饼养分的检测方法，包括：

采集不同来源的胡麻饼，粉碎后得到胡麻饼样品；

分别采用化学法测定各胡麻饼样品的水分、粗蛋白、粗脂肪、粗灰分和总能；

分别采集各胡麻饼样品的近红外光谱数据；

根据所述近红外光谱数据与所述水分、粗蛋白、粗脂肪、粗灰分和总能，分别建立水分定标模型、粗蛋白定标模型、粗脂肪定标模型、粗灰分定标模型和总能定标模型；

分别对所述水分定标模型、粗蛋白定标模型、粗脂肪定标模型、粗灰分定标模型和总能定标模型进行验证。

本发明采集不同来源的胡麻饼，采集样品无霉变、发酵、结块和异味，符合饲料卫生标准，优选的，采集不同来源的胡麻饼至少70个。将胡麻饼粉碎后得到胡麻饼养品，具体而言包括：每个样品粉碎后充分混合并过0.45mm孔分析筛，采用四分法取样500g左右，于干燥广口瓶密封，置于4℃冰柜中保存备用。即，所述胡麻饼样品的粒径优选为0.45mm。

采用化学法测定各胡麻饼样品的水分、粗蛋白、粗脂肪、粗灰分和总能，具体而言，水分(Moisture)采用GB/T6435-1986测定；粗蛋白(CP)采用GB/T6432-94测定；粗脂肪(EE)采用GB/T6433-94测定；粗灰分(Ash)采用GB/T6438-1992测定；总能(GE)采用德国IKAC2000全自动氧弹仪测定。

分别采集各胡麻饼样品的近红外光谱数据，可采用美国FOSS公司XDS-RCA可见/近红外光谱仪，随机配备WinISIⅢ光谱采集软件。采集各胡麻饼样品的近红外光谱数据时操作参数如下：设定参比扫描数量为32次，光谱扫描间隔2cm^-1，分辨率为8cm^-1。开机自检通过后采集样品光谱，将样品用力压实于样品杯内，在波长为400nm～2498nm范围内进行光谱扫描，每个样品重复装样扫描3次，得到一条平均近红外光谱信息，即得到胡麻饼样品的近红外光谱数据。

然后根据所述近红外光谱数据与所述水分、粗蛋白、粗脂肪、粗灰分和总能，分别建立水分定标模型、粗蛋白定标模型、粗脂肪定标模型、粗灰分定标模型和总能定标模型。

在建立定标模型时，优选采用GH(GlobalH)＝10.0，NH(NeighborhoodH)＝3.0方法剔除超常样品，采用全光谱信息，应用改进最小二乘法(MPLS)搭配不同光谱预处理建立胡麻饼近红外定标模型。

因为原始光谱除含有样品自身的化学信息外，还包含有其他无关信息，如电噪声、样品背景和杂散光等。因此，在用化学计量学方法建立模型时，要进行旨在消除光谱数据无关信息和噪声的预处理操作，现常用的谱图预处理方法有均值中心化、标准化、归一化、平滑、导数、多元散射较正等；光谱预处理方法包括无散射处理(None)、标准正常化处理(SNV)、去散射处理(DetrendOnly)、标准正常化和散射处理(SNV+Detrend)、多元散射校正(MSC)、反向多元离散校正(IMSC)和加权多元离散校正(MMSC)散射处理方法；导数处理(Derivative)分别为不做导数处理、1阶导数和2阶导数；光谱间隔点(Gap)为不做间隔点或间隔点为4nm；平滑处理间隔点(Smooth)值为1点平滑或4点平滑，且Smooth显示的数值不能大于Gap值；二次平滑间隔点(Smooth2)值为1，此设置由软件推荐，表示不做二次平滑处理。

发明人研究发现，应用改进最小二乘法(MPLS)搭配不同光谱预处理的建标效果较好，具体而言，采用改进最小二乘法搭配加权多元离散校正散射处理的光谱预处理建立水分定标模型；采用改进最小二乘法搭配加权多元离散校正散射处理的光谱预处理建立粗蛋白定标模型；采用改进最小二乘法搭配标准正常化处理的光谱预处理建立粗灰分定标模型；采用改进最小二乘法搭配标准正常化处理的光谱预处理建立粗脂肪定标模型；采用改进最小二乘法搭配加无散射处理的光谱预处理建立总能定标模型。

建立定标模型后，分别对所述水分定标模型、粗蛋白定标模型、粗脂肪定标模型、粗灰分定标模型和总能定标模型进行内部验证和外部验证。具体而言，定标模型建立后，用交叉验证相关系数(1-VR)、交叉检验标准误差(SECV)、验证集的预测值与化学测定值间的平均偏差(Bias)、定标标准分析误差(SEC)、定标决定系数(RSQ)对模型的优劣进行综合评定。交叉验证相关系数(1-VR)值最高，标准偏差平均值(SECV)值最低，同时验证集的预测值与化学测定值间的平均偏差(Bias)较小的模型，即为最佳模型。

验证集采用预测值与化学测定值间的平均偏差(Bias)、验标标准分析误差(SEP)、验标决定系数(RSQ)及实验室实测值和近红外值进行评定。RSQ值越大，同时验证集的预测值与化学测定值间的平均偏差(Bias)较小的模型，即为最佳模型。偏差的报警线为方程定标误差的0.6倍，预测标准偏差的报警线为方程误差的1.3倍，实验室数据和近红外预测数据的标准偏差值大于实验室标准偏差的20％，则标准偏差信息报警。

与现有技术相比，本发明首先采集不同来源的胡麻饼，粉碎后得到胡麻饼样品；分别采用化学法测定各胡麻饼样品的水分、粗蛋白、粗脂肪、粗灰分和总能；分别采集各胡麻饼样品的近红外光谱数据；根据所述近红外光谱数据与所述水分、粗蛋白、粗脂肪、粗灰分和总能，分别建立水分定标模型、粗蛋白定标模型、粗脂肪定标模型、粗灰分定标模型和总能定标模型；分别对所述水分定标模型、粗蛋白定标模型、粗脂肪定标模型、粗灰分定标模型和总能定标模型进行验证。本发明建立的定标模型，尤其是采用改进最小二乘法(MPLS)搭配不同光谱预处理建立的定标模型，达到可实用水平，提供的方法能够简单、快速的检测胡麻饼中的主要营养成分，工作量小，且成本较低，可以克服传统的饲料营养成分测定方法繁琐、耗时，样品测定工作量大，成本高的缺点。

附图说明

图1为本发明实施例提供的胡麻饼样品的近红外光谱图；

图2为水分内部交叉验证图；

图3为水分外部验证图；

图4为粗灰分内部交叉验证图；

图5为粗灰分外部验证图；

图6为粗蛋白内部交叉验证图；

图7为粗蛋白外部验证图；

图8为粗脂肪内部交叉验证图；

图9为粗脂肪外部验证图；

图10为总能内部交叉验证图；

图11为总能外部验证图。

具体实施方式

下面将结合本发明实施例中的附表，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

(1)胡麻饼样品采集

在甘肃、宁夏、青海、内蒙古、山东等省饲料加工企业，连续两年、多批次采集胡麻饼样品，共计70个，剔除霉变、发酵、结块和异味样品，风干，每个样品粉碎后充分混合并过0.45mm孔分析筛，采用四分法取样500g左右，于干燥广口瓶密封，置于4℃冰柜中保存备用；

(2)校正集样本和验证集样本近红外光谱的采集和光谱的聚类分析，对冗余样品的识别与剔除

由于采集的样本有可能很多是重复样本，有必要从中选择代表性强的样本建立模型，以提高模型建立速度，减小模型库的存储空间，减少样本营养品质数据分析时的费用和工作量。

近红外光谱仪采集样本近红外光谱，采用商用光谱软件WinISIⅢ，以每样本的光谱为特征值计算样本与邻近样本之间的欧式距离d_ij 根据样本分布的密集程度确定阈值(本方法为NH＝3.0)，剔除NH小于阈值的冗余样本。

对样品以光谱为特征进行聚类分析，以聚类分析所得的聚类数选择一定数量的代表性强的样本。50个用作校正集，20个用作验证集。

(3)校正集和验证集胡麻饼样本营养品质基础数据的测定

常规化学分析方法测定胡麻饼水分(Moisture)，干物质(DM)含量；测定粗蛋白(CP)；粗脂肪(EE)；粗灰分(Ash)；总能(GE)，计算定标集样本和验证集样本营养品质基础数据的标准偏差，结果见表1，表1为不同来源胡麻饼化学成分测定结果及变异度。

表1不同来源胡麻饼化学成分测定结果及变异度(干物质基础)

(4)不同来源胡麻饼近红外光谱采集

采用美国FOSS公司XDS-RCA可见/近红外光谱仪，随机配备WinISIⅢ光谱采集软件。设定参比扫描数量为32次，光谱扫描间隔2cm^-1，分辨率为8cm^-1。开机自检通过后采集样品光谱，将样品用力压实于样品杯内，在波长为400nm～2498nm范围内进行光谱扫描，每个样品重复装样扫描3次，得到一条平均近红外光谱信息，结果见图1，图1为本发明实施例提供的胡麻饼样品的近红外光谱图。

(5)定标模型的建立

将校正集样本的光谱数据与营养品质的基础数据一一对应，建立营养品质的检测模型实际上是建立光谱矩阵和浓度矩阵的数量关系。

采用GH(GlobalH)＝10.0，NH(NeighborhoodH)＝3.0方法剔除超常样品。采用全光谱信息，应用改进最小二乘法(MPLS)搭配不同光谱预处理建立胡麻饼近红外定标模型。

因为原始光谱除含有样品自身的化学信息外，还包含有其他无关信息，如电噪声、样品背景和杂散光等。因此，在用化学计量学方法建立模型时，要进行旨在消除光谱数据无关信息和噪声的预处理操作，现常用的谱图预处理方法有均值中心化、标准化、归一化、平滑、导数、多元散射较正等。本方法中光谱预处理采用ISIscan软件具备的无散射处理(None)、标准正常化处理(SNV)、去散射处理(DetrendOnly)、标准正常化和散射处理(SNV+Detrend)、多元散射校正(MSC)、反向多元离散校正(IMSC)和加权多元离散校正(MMSC)散射处理方法。导数处理(Derivative)分别为不做导数处理、1阶导数和2阶导数；光谱间隔点(Gap)为不做间隔点或间隔点为4nm；平滑处理间隔点(Smooth)值为1点平滑或4点平滑，且Smooth显示的数值不能大于Gap值；二次平滑间隔点(Smooth2)值为1，此设置由软件推荐，表示不做二次平滑处理。由以上相互搭配可得参数选择分别为0.0.1.1、1.4.4.1和2.4.4.1。

结合上述每一种光谱预处理方法，应用偏最小二乘法(PLS)建立多个胡麻饼营养品质监测模型，并对模型进行评价择优。模型建立过程中的评价参数有：

①校正标准偏差(SEC)

$SEC=\sqrt{\frac{{\mathrm{\Σ}}_{i=1}^n{(y_{i,actural}-y_{i,predicted})}^2}{n-1}}$

y_i，actural为第i样品参考方法的测定值，y_{i，predicted}为用所建模型对校正集中第i样品的预测值，n为校正集的样品数。

②交互验证的校正标准偏差(SECV)

$SECV=\sqrt{\frac{{\mathrm{\Σ}}_{i=1}^n{(y_{i,actural}-y_{i,predicted})}^2}{n-1}}$

y_i，actural为第i样品参考方法的测定值，y_{i，predicted}为校正集交互验证过程中第i样品的预测值，n为校正集的样品数。

③决定系数(R2)和相关系数R

$R^2=1-\frac{{\mathrm{\Σ}}_{i=1}^n{(y_{i,actural}-y_{i,predicted})}^2}{{\mathrm{\Σ}}_{i=1}^n{(y_{i,actural}-{\stackrel{\‾}{y}}_{i,actural})}^2}$

y_i，actural为第i样品参考方法的测定值，为校正集或验证集所有样品参考方法测定值的平均值，y_{i，predicted}为校正集或验证集预测过程中第i样品的预测值，n为校正集或验证集的样品数。

SEC和SECV越小，R越接近1，模型回归越好。

模型建立过程中，可能会出现含有极端组成(异常高或异常低)的胡麻饼样本，或会出现参考营养指标与预测值在统计学意义有差异的校正集样本，可采用主成分分析(PCA)和马式距离(MD)结合法检测并剔除MD大于3f/n的校正样本(f：主因子数；n：校正集样本数)。

得到的最优定标模型见表2，表2为本发明实施例提供的不同来源胡麻饼化学成分最优定标模型。

表2本发明实施例提供的不同来源胡麻饼化学成分最优定标模型

由表2可知，各项化学成分最优光谱预处理和参数搭配分别为：水分为MMSC和2.4.4.1，粗蛋白为DET和0.0.1.1，粗灰分为SNV和0.0.1.1，粗脂肪为SNV和0.0.1.1，总能为None和1.4.4.1。水分、粗蛋白、粗灰分、粗脂肪和总能的最优定标模型SECV和1-VR分别为：0.2367和0.9164、0.4241和0.8844、0.2447和0.9571、0.6723和0.9556和0.1199和0.8902。各项化学成分Bias最小值为-0.0719，Bias最大值为-0.4034。以上结果显示水分、粗灰分、粗蛋白、总能和粗脂肪建标效果较好。

将选定的验证集样本的光谱数据代入监测模型，将模型对验证集样本的营养品质预测值与验证集样本实验测定的营养品质数据比较，用预测标准偏差(SEP)和R²来验证模型的准确性。

$SEP=\sqrt{\frac{{\mathrm{\Σ}}_{i=1}^n{(y_{i,actural}-y_{i,predicted})}^2}{m-1}}$

y_i，actural为第i样品参考方法的测定值，y_{i，predicted}为验证集预测过程中第i样品的光谱方法预测值，m为验证集的样品数。

SEP越小，且SEP/SEC≤1.2，预测越准确，在校正集与验证集标准偏差相同的情况下，R越大，预测越准确。

结果参见表3，表3为最优定标模型的内部交叉验证和外部验证。

表3最优定标模型的内部交叉验证和外部验证

实施例2

(1)验证样品的采集与制备

采集不同来源待测胡麻饼样品20个，每个样品粉碎后充分混合并过0.45mm孔分析筛，采用四分法取样500g左右，于干燥广口瓶密封，置于4℃冰柜中保存备用。

(2)样品主要营养成分的化学测定

水分(Moisture)采用GB/T6435-1986测定；粗蛋白(CP)采用GB/T6432-94测定；粗脂肪(EE)采用GB/T6433-94测定；粗灰分(Ash)采用GB/T6438-1992测定；总能(GE)采用德国IKAC2000全自动氧弹仪测定，结果见表4，表4为外部验证集样品中化学成分含量分布。

表4外部验证集样品中化学成分含量分布

独立验标集样品为20个不同来源胡麻饼，测得外部验证集胡麻饼的化学成分含量分布范围分别为：粗蛋白为33.03％～36.55％，水分为6.63％～9.71％，总能为18.00MJ/Kg～20.05MJ/Kg，粗灰分为5.18％～8.85％，粗脂肪为3.84％～12.53％。粗蛋白、水分、总能、粗灰分和粗脂肪的极差分别为：3.55％，3.08％，2.05MJ/Kg，3.67％，9.98％。水分的平均值为8.30％，粗蛋白的平均值为35.26％，粗灰分的平均值为7.10％，总能的平均值为18.86MJ/Kg，粗脂肪的平均值为8.03％。

(3)不同来源胡麻饼近红外光谱采集

采用美国FOSS公司XDS-RCA可见/近红外光谱仪，随机配备WinISIⅢ光谱采集软件。设定参比扫描数量为32次，光谱扫描间隔2cm-1，分辨率为8cm-1。开机自检通过后采集样品光谱，将样品用力压实于样品杯内，在波长为400nm～2498nm范围内进行光谱扫描，每个样品重复装样扫描3次，得到一条平均近红外光谱信息。

(4)胡麻饼近红外模型的验证结果，结果见表5～表9，表5为水分定标模型验证结果，表6为粗灰分定标模型验证结果，表7为粗蛋白定标模型验证结果，表8为粗脂肪定标模型验证结果，表9总能定标模型验证结果。

表5水分定标模型验证结果

表6粗灰分定标模型验证结果

表7粗蛋白定标模型验证结果

表8粗脂肪定标模型验证结果

表9总能定标模型验证结果

(5)最优定标模型验证结果及验证图，结果见表10，图2～图11，表10为最优定标模型的内部交叉验证和外部验证；图2为水分内部交叉验证图，图3为水分外部验证图，图4为粗灰分内部交叉验证图，图5为粗灰分外部验证图，图6为粗蛋白内部交叉验证图，图7为粗蛋白外部验证图，图8为粗脂肪内部交叉验证图，图9为粗脂肪外部验证图，图10为总能内部交叉验证图，图11为总能外部验证图。

表10最优定标模型的内部交叉验证和外部验证

由图2到11所示胡麻饼化学成分内部交叉验证和外部验证图。横坐标为化学实验室分析的实测值，纵坐标为近红外光谱预测值。水分、粗脂肪、粗灰分、粗蛋白及总能最优定标模型1-VR值分别为，0.9164、0.9556、0.9571、0.8844和0.8902，定标模型的内部验证集RSQ值为0.941、0.982、0.968、0.927、和0.936，各项指标内部交叉验证集RSQ均在0.92以上。定标模型的外部验证集水分、粗脂肪、粗灰分、粗蛋白及总能RSQ分别为0.927、0.935、0.937、0.890和0.898，外部验证集RSQ均在0.89以上，通过内部验证集和外部验证集对所建立的定标模型进行验证，验证结果表明定标模型达到可实用水平。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种胡麻饼养分的检测方法，包括：

采集不同来源的胡麻饼，粉碎后得到胡麻饼样品；

分别采用化学法测定各胡麻饼样品的水分、粗蛋白、粗脂肪、粗灰分和总能；

分别采集各胡麻饼样品的近红外光谱数据；

根据所述近红外光谱数据与所述水分、粗蛋白、粗脂肪、粗灰分和总能，分别建立水分定标模型、粗蛋白定标模型、粗脂肪定标模型、粗灰分定标模型和总能定标模型；

分别对所述水分定标模型、粗蛋白定标模型、粗脂肪定标模型、粗灰分定标模型和总能定标模型进行验证。

2.根据权利要求1所述的检测方法，其特征在于，所述胡麻饼样品的粒径为0.45mm。

3.根据权利要求1所述的检测方法，其特征在于，所述水分采用GB/T6435-1986测定；粗蛋白采用GB/T6432-94测定；粗脂肪采用GB/T6433-94测定；粗灰分采用GB/T6438-1992测定；总能采用德国IKAC2000全自动氧弹仪测定。

4.根据权利要求1所述的检测方法，其特征在于，采集各胡麻饼样品的近红外光谱数据时操作参数如下：定参比扫描数量为32次，光谱扫描间隔2cm^-1，分辨率为8cm^-1，波长为400nm～2498nm。

5.根据权利要求1所述的检测方法，其特征在于，采用改进最小二乘法搭配加权多元离散校正散射处理的光谱预处理建立水分定标模型；

采用改进最小二乘法搭配加权多元离散校正散射处理的光谱预处理建立粗蛋白定标模型；

采用改进最小二乘法搭配标准正常化处理的光谱预处理建立粗灰分定标模型；

采用改进最小二乘法搭配标准正常化处理的光谱预处理建立粗脂肪定标模型；

采用改进最小二乘法搭配加无散射处理的光谱预处理建立总能定标模型。

6.根据权利要求1所述的检测方法，其特征在于，分别对所述水分定标模型、粗蛋白定标模型、粗脂肪定标模型、粗灰分定标模型和总能定标模型进行内部验证和外部验证。

7.根据权利要求6所述的检测方法，其特征在于，用交叉验证相关系数、交叉检验标准误差、验证集的预测值与化学测定值间的平均偏差、定标标准分析误差和定标决定系数分别对所述水分定标模型、粗蛋白定标模型、粗脂肪定标模型、粗灰分定标模型和总能定标模型的优劣进行综合评定；

验证集采用预测值与化学测定值间的平均偏差、验标标准分析误差、验标决定系数及实验室实测值和近红外值进行评定。