CN109871994A - 一种菜籽粕中猪消化能和代谢能的近红外快速预测方法 - Google Patents

Abstract

本发明提供一种菜籽粕中猪消化能和代谢能的近红外快速预测方法，包括获取待测菜籽粕的近红外光谱；根据待测菜籽粕的近红外光谱和菜籽粕猪消化能预测模型，预测待测菜籽粕中的猪消化能，菜籽粕猪消化能预测模型根据若干个菜籽粕的近红外光谱和若干个菜籽粕的猪消化能获得，以及根据待测菜籽粕的近红外光谱和菜籽粕猪代谢能预测模型，预测待测菜籽粕中的猪代谢能，菜籽粕猪代谢能预测模型根据若干个菜籽粕的近红外光谱和若干个菜籽粕的猪代谢能获得。本发明将近红外技术与菜籽粕有效能结合起来，很好地解决了传统实验方法周期长、代价昂贵、工作量大等缺陷，对于动物精准营养的实现提供了一种高效便捷的方法，具有较大应用前景。

Description

一种菜籽粕中猪消化能和代谢能的近红外快速预测方法

技术领域

本发明实施例涉及畜牧业技术领域，尤其涉及一种菜籽粕中猪消化能和代谢能的近红外快速预测方法。

背景技术

由于蛋白质饲料资源的缺乏以及豆粕为主的蛋白质饲料价格走高，其它蛋白质饲料的开发已势在必行。同时，随着饲料加工工艺和生物技术的发展，菜籽粕中限制其应用的抗营养因子含量已大大降低。菜籽粕蛋白含量较高，营养较为平衡，有较高的饲用价值，且价格相对豆粕低廉，已经成为国内外畜牧生产中较为常用的蛋白质资源。因此，作为一种常用的猪饲料原料，菜籽粕有效能的准确评定对于高效利用猪饲料原料、精准配制日粮、节约配方成本以及获得最佳生产效益等方面具有重要意义。

NRC(2012)及其它营养成分价值表提供的均为静态平均数据，并不能真实反映饲料原料营养价值的变异，若将其作为饲料配方的数据来源往往会造成较大偏差，造成饲料原料的浪费。

目前，已有研究建立了菜籽粕有效能的预测方程，预测方程一般以饲料原料常规成分作为预测因子。

预测方程法实现了对饲料原料有效能相对准确和动态评定，但仍然依赖于饲料原料常规成分的湿化学测定，相对耗时、耗力，无法实现饲料原料有效能值的实时监测。

发明内容

针对上述问题，本发明实施例提供一种菜籽粕中猪消化能和代谢能的近红外快速预测方法。

第一方面，本发明实施例提供一种菜籽粕中猪消化能的预测方法，包括：

获取待测菜籽粕的近红外光谱；

根据待测菜籽粕的近红外光谱和菜籽粕猪消化能预测模型，预测待测菜籽粕中的猪消化能，菜籽粕猪消化能预测模型根据若干个菜籽粕的近红外光谱和若干个菜籽粕的猪消化能获得。

第二方面，本发明实施例提供一种菜籽粕中猪代谢能的预测方法，包括：

获取待测菜籽粕的近红外光谱；

根据待测菜籽粕的近红外光谱和菜籽粕猪代谢能预测模型，预测待测菜籽粕中的猪代谢能，菜籽粕猪代谢能预测模型根据若干个菜籽粕的近红外光谱和若干个菜籽粕的猪代谢能获得。

本发明实施例提供的一种菜籽粕中猪消化能和代谢能的近红外快速预测方法，将近红外技术与菜籽粕有效能结合起来，很好地解决了传统实验方法时间周期长、代价昂贵、工作量大等缺陷，对于动物精准营养的实现提供了一种高效、便捷的方法，具有较大的应用前景。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种菜籽粕中猪消化能预测方法的流程图；

图2为本发明实施例中菜籽粕的原始近红外光谱图；

图3为本发明实施例中菜籽粕的原始近红外光谱经过MSC处理后的光谱图；

图4为本发明实施例中菜籽粕的原始近红外光谱经过一阶导数处理后的光谱图；

图5为本发明实施例中菜籽粕的原始近红外光谱经过一阶导数+MSC处理后的光谱图；

图6为本发明实施例中菜籽粕的原始近红外光谱经过一阶导数+SNV处理后的光谱图；

图7为本发明实施例中菜籽粕的原始近红外光谱经过二阶导数处理后的光谱图；

图8为本发明实施例提供的一种菜籽粕中猪代谢能预测方法的流程图；

图9为本发明实施例中菜籽粕猪消化能预测模型的外部验证图；

图10为本发明实施例中菜籽粕猪代谢能预测模型的外部验证图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

图1为本发明实施例提供的一种菜籽粕中猪消化能预测方法的流程图，如图1所示，本发明实施例提供了一种菜籽粕中猪消化能的预测方法，该方法包括：

S11，获取待测菜籽粕的近红外光谱；

S12，根据待测菜籽粕的近红外光谱和菜籽粕猪消化能预测模型，预测待测菜籽粕中的猪消化能，菜籽粕猪消化能预测模型根据若干个菜籽粕的近红外光谱和若干个菜籽粕的猪消化能获得。

需要说明的是，猪消化能是指猪所采食饲粮中的总能减去猪所排出粪便中的总能后的能量。亦称“表观猪消化能”。

首先获取到待测菜籽粕的近红外光谱，待测菜籽粕的近红外光谱是通过近红外光谱仪器扫描待测菜籽粕得到，然后将预先建立好的菜籽粕猪消化能预测模型分析待测菜籽粕近红外光谱，就可以得到待测菜籽粕的猪消化能。

菜籽粕猪消化能预测模型是根据一些已知菜籽粕的猪消化能和这些菜籽粕的近红外光谱建立的模型，菜籽粕的猪消化能和菜籽粕的近红外光谱之间存在着一些对应关系，菜籽粕猪消化能预测模型就是根据菜籽粕的猪消化能和菜籽粕的近红外光谱之间的对应关系建立的。

本发明实施例提供的一种菜籽粕中猪消化能的预测方法，将近红外技术与菜籽粕有效能结合起来，很好地解决了传统实验方法时间周期长、代价昂贵、工作量大等缺陷，对于动物精准营养的实现提供了一种高效、便捷的方法，具有较大的应用前景。

在上述实施例的基础上，优选地，菜籽粕猪消化能预测模型通过如下方式获得：

要获得菜籽粕猪消化能预测模型，就需要测量一些菜籽粕中的猪消化能和菜籽粕的近红外光谱，菜籽粕的近红外光谱可以通过近红外光谱仪器扫描获得，实施例菜籽粕猪消化能预测模型中265个菜籽粕的猪消化能可以通过动物试验建立的菜籽粕猪消化能预测方程获得。

将包含有菜籽粕的试验日粮来喂养试验猪，以此来说明获取菜籽粕猪消化能预测方程的具体方式。

首先，试验采用2个7×7拉丁方试验设计，其中，7个处理，7个试验期，每期每个日粮处理饲喂1头猪。用菜籽粕样品替代15％的玉米-豆粕基础日粮，应用套算法测定菜籽粕样品的猪消化能。试验共7期，每期10d，分为5d适应期和5d粪尿收集期。试验选用初始体重为35.0±2.5kg的杜×长×大三元杂交健康去势公猪14头，分别放入个体代谢笼内进行饲养。试验开始前适应7d。适应期结束后，随机分组，进入试验期。

表1为本发明实施例中试验日粮的配方，如表1所示：

表1

其中，预混料为每千克试验日粮提供：维生素A，5512IU；维生素D3，2200IU；维生素E，64IU；维生素K3，2.2mg；维生素B12，27.6μg，核黄素，5.5mg；泛酸，13.8mg；烟酸，30.3mg；胆碱，551mg；锰，40.0mg；铁，100.0mg；锌，100.0mg；铜，100.0mg；碘，0.3mg；硒，0.3mg。

需要说明的是，为了保证试验数据的可靠性和准确性，试验在某饲料工程技术研究中心动物试验基地进行。试验猪于正式试验前在代谢笼中适应一周。适应期间饲喂生长猪常规日粮，自由饮水，适应期后14头猪随机分配到2个拉丁方试验中，按试验设计以处理为单位饲喂不同的试验日粮。猪日饲喂总量为其初始体重的4％，每天8：00和17：00分两次饲喂，饲喂量相同。舍温控制在20-28℃。每日饲喂后对圈舍进行冲洗和清扫，保持猪舍环境干净卫生。试验操作均按照农业部饲料效价与安全监督检验测试中心(北京)的猪饲料营养价值评价技术规程进行。

粪样的收集采用全收粪法。收集期时，每日剩料进行两次收集、干燥、称重并记录。准确收集各试验猪每天24h所排出的粪样，随排随收，将每头猪的粪样分别放入对应塑料密封袋中，每次收集后立即放入-20℃冰箱中保存。每期试验结束后，将每头试验猪5d所取的全部粪样充分混匀，取300g粪样加入15ml 6mol/L HCL固氮，于65℃烘箱中烘72h至恒重，粉碎过60目筛，制成风干样，装袋检验。

日粮和粪样的总能量按照国际标准ISO 9831:1998推荐的方法，使用氧弹式测热仪(PARR 1281；Parr Instrument Company，Moline，IL)进行测定。

根据整个试验期内每一试验猪所采食每一试验日粮总能量、整个试验期内每一试验日粮每一试验猪所排放粪便中的总能量、整个试验期所用每一试验猪采食每一试验日粮的重量，获取每一试验猪每一试验日粮的猪消化能；

根据每一试验日粮每一试验猪的猪消化能和菜籽粕在每一试验日粮中替代基础日粮供能组成的比重，获取每一试验日粮中菜籽粕每一试验猪的猪消化能；

根据每一菜籽粕不同试验猪消化能值，获取每一菜籽粕猪消化能。

具体地，获取每一试验菜籽粕的猪消化能，具体为：

E_{试验日粮表观猪消化能}＝(E_{试验日粮总能量}-E_{粪便中的能量})/M1_{试验日粮食入重量}，

其中，E_{试验日粮表观猪消化能}表示每一试验日粮的表观猪消化能，E_{试验日粮总能量}表示每一试验动物食入试验日粮的总能量，E_{粪便中的能量}表示每一试验动物粪便中的总能量，M1_{试验日粮食入重量}表示每一试验动物食入试验日粮的重量；

E_{试验日粮表观校正猪消化能}＝E_{试验日粮表观猪消化能}/X，

其中，E_{试验日粮表观校正猪消化能}表示每一试验日粮的表观校正猪消化能，X为试验日粮中供能组分所占的比例；

E_{被测原料表观猪消化能}＝[E_{试验日粮表观校正猪消化能}-(100％-Y％)×E_{基础日粮表观校正猪消化能}]/Y％，

其中，E_{被测原料表观猪消化能}表示每一试验日粮中被测菜籽粕的表观猪消化能，Y％表示被测菜籽粕替代基础日粮供能组成百分率，E_{基础日粮表观校正猪消化能}表示基础日粮表观校正猪消化能。

试验数据采用SAS统计软件Proc CORR和Proc REG进行相关分析、一元回归分析以及多元逐步回归分析，以研究菜籽粕化学成分与菜籽粕猪消化能的关系。残差标准差作为挑选菜籽粕猪消化能预测方程的标准，残差标准差越小表明方程越适宜。以P＜0.05为差异显著标准，P＜0.01为差异极显著标准，选择出最佳的菜籽粕猪消化能预测方程。

另外地，在获取菜籽粕的近红外光谱时，具体的步骤为：

对于任一菜籽粕，利用近红外光谱仪器扫描任一菜籽粕，获取任一菜籽粕的近红外光谱，通过近红外光谱仪器扫描获得的光谱可称作原始近红外光谱；

为选择出一定数量的代表性样品光谱，提高本发明的适用性，本发明所获取的光谱来源于某公司。对某公司近十年来收集到的上千条菜籽粕近红外光谱进行主成分分析，根据主成分空间分布图，共选出265条代表性样品光谱，涵盖了上千条菜籽粕近红外光谱的光谱范围；

菜籽粕近红外光谱采集的具体过程和具体操作如下：

使用Bruker公司生产的MATRIX-I近红外仪进行光谱扫描(配备OPUS 7.8软件)，仪器使用前预热半小时，参数设置如下：波长范围为4000cm^-1-12500cm^-1，数据采样间隔1nm，光谱分辨率为10nm，扫描次数为64次。仪器配备直径8.7mm圆柱形旋转样品杯。

对于MATRIX-I近红外仪，扫描前先测定背景光谱，此后，每隔半小时测定一次背景光谱。每个样品粉碎后过40目筛，制备好的样品装载于旋转样品杯中，重复装样扫描两次，所得两次扫描光谱取平均光谱。

整个实验操作于近红外分析室内进行，可以保证整个扫描过程室温和湿度较为恒定，还可有效避免外界噪音对近红外光谱测定的干扰。样品扫描前平衡至室温，每次装样时样品杯中的装样量相近，且减少对样品的晃动，保证样品的均匀性和松紧程度相近。

菜籽粕猪消化能预测模型的建模过程在OPUS 7.8软件上进行。

菜籽粕近红外光谱的预处理方法有：

多元散射校正(简称MSC)、一阶导数、一阶导数+MSC、一阶导数+矢量归一化(简称SNV)和二阶导数。

根据所建立的菜籽粕猪消化能预测方程计算出的每一菜籽粕的猪消化能和每一菜籽粕预处理后的光谱，利用偏最小二乘算法建立菜籽粕猪消化能预测模型。

具体地，利用偏最小二乘算法建立菜籽粕猪消化能预测模型，建立预测模型的过程中包括：

通过计算马氏距离(简称MD)剔除菜籽粕猪消化能预测模型中的异常值，将异常值剔除之后的菜籽粕猪消化能预测模型重新作为菜籽粕猪消化能预测模型。

在建立菜籽粕猪消化能预测模型时，近红外光谱波长的取值范围为4000cm^-1-12500cm^-1，通过不同波长范围和不同预处理方式的组合，确定了菜籽粕最佳猪消化能预测模型。

建立了菜籽粕猪消化能预测模型后，需要评价该菜籽粕猪消化能预测模型的应用效果，评价模型应用效果的指标包括：定标决定系数(简称R²c)、定标标准差(简称RMSEC)、交互验证决定系数(简称R²cv)、交互验证标准差(简称RMSECV)、MD范围以及交互验证相对分析误差(简称RPDcv)。

对菜籽粕猪消化能预测模型进行外部验证时，利用经过动物消化试验的12个菜籽粕验证集样品对所建模型进行外部验证，验证过程在OPUS7.8软件上进行，外部验证效果的评价指标包括：验证决定系数(简称R²v)、验证标准差(简称RMSEP)以及验证相对分析误差(简称RPDv)。

图8为本发明实施例提供的一种菜籽粕中猪代谢能预测方法的流程图，如图8所示，本发明实施例提供了一种菜籽粕中猪代谢能的预测方法，该方法包括：

S21，获取待测菜籽粕的近红外光谱；

S22，根据待测菜籽粕的近红外光谱和菜籽粕猪代谢能预测模型，预测待测菜籽粕中的猪代谢能，菜籽粕猪代谢能预测模型根据若干个菜籽粕的近红外光谱和若干个菜籽粕的猪代谢能获得。

需要说明的是，猪代谢能是指猪所采食饲粮中的总能减去猪所排出粪便中的总能以及猪所排泄尿液中的总能后的能量。亦称“表观猪代谢能”。

首先获取到待测菜籽粕的近红外光谱，待测菜籽粕的近红外光谱是通过近红外光谱仪器扫描待测菜籽粕得到，然后将预先建立好的菜籽粕猪代谢能预测模型分析待测菜籽粕近红外光谱，就可以得到待测菜籽粕的猪代谢能。

菜籽粕猪代谢能预测模型是根据一些已知菜籽粕的猪代谢能和这些菜籽粕的近红外光谱建立的模型，菜籽粕的猪代谢能和菜籽粕的近红外光谱之间存在着一些对应关系，菜籽粕猪代谢能预测模型就是根据菜籽粕的猪代谢能和菜籽粕的近红外光谱之间的对应关系建立的。

本发明实施例提供的一种菜籽粕中猪代谢能的预测方法，将近红外技术与菜籽粕有效能结合起来，很好地解决了传统实验方法时间周期长、代价昂贵、工作量大等缺陷，对于动物精准营养的实现提供了一种高效、便捷的方法，具有较大的应用前景。

在上述实施例的基础上，优选地，菜籽粕猪代谢能预测模型通过如下方式获得：

要获得菜籽粕猪代谢能预测模型，就需要测量一些菜籽粕中的猪代谢能和菜籽粕的近红外光谱，菜籽粕的近红外光谱可以通过近红外光谱仪器扫描获得，实施例菜籽粕猪代谢能预测模型中265个菜籽粕的猪代谢能可以通过动物试验建立的菜籽粕猪代谢能预测方程获得。

将包含有菜籽粕的试验日粮来喂养试验猪，以此来说明获取菜籽粕猪代谢能预测方程的具体方式。

菜籽粕猪代谢能测定试验的试验设计、被测菜籽粕的品种和数量、选用的试验猪、试验日粮配方、试验地点、饲养管理方法、粪样的收集方法、日粮和粪样的总能量测定方法与菜籽粕猪消化能测定试验的试验设计、被测菜籽粕的品种和数量、选用的试验猪、试验日粮配方、试验地点、饲养管理方法、粪样的收集方法、日粮和粪样的总能量测定方法相同，详情可参考上述菜籽粕猪消化能测定试验的相关内容，本发明实施例在此不再赘述。

菜籽粕猪代谢能测定试验同菜籽粕猪消化能测定试验相比，需多测定试验猪的尿液中的能量。尿样的收集采用全收集法。收集期时，准确收集各试验猪每天24h所排尿液，称量记录体积，向收集桶中加入50mL 6mol/L HCl溶液，充分混匀后再按1/20取样，取样后放入-20℃冰箱中保存备用。每期试验结束后，将每头猪5d所取的全部尿样解冻并充分混匀，纱布过滤后装入50ml离心管，于4℃冰箱中保存待检。

尿样的总能量按照国际标准ISO 9831:1998推荐的方法，使用氧弹式测热仪(PARR1281；Parr Instrument Company，Moline，IL)进行测定。

根据整个试验期内每一试验猪所采食每一试验日粮总能量、整个试验期内每一试验日粮每一试验猪所排放粪便中的总能量、整个试验期内每一试验日粮每一试验猪所排放尿液中的总能量、整个试验期所用每一试验猪采食每一试验日粮的重量，获取每一试验猪每一试验日粮的猪代谢能；

根据每一试验日粮每一试验猪的猪代谢能和菜籽粕在每一试验日粮中替代基础日粮供能组成的比重，获取每一试验日粮中菜籽粕每一试验猪的猪代谢能；

根据每一菜籽粕不同试验猪代谢能值，获取每一菜籽粕猪代谢能；

具体地，获取每一试验菜籽粕的猪代谢能，具体为：

E_{试验日粮表观猪代谢能}＝(E_{试验日粮总能量}-E_{粪便中的能量}-E_{尿液中的能量})/M1_{试验日粮食入重量}，

其中，E_{试验日粮表观猪代谢能}表示每一试验日粮的表观猪代谢能，E_{试验日粮总能量}表示每一试验动物食入试验日粮的总能量，E_{粪便中的能量}表示每一试验动物粪便中的总能量，E_{尿液中的能量}表示每一试验动物尿液中的总能量，M1_{试验日粮食入重量}表示每一试验动物食入试验日粮的重量；

E_{试验日粮表观校正猪代谢能}＝E_{试验日粮表观猪代谢能}/X，

其中，E_{试验日粮表观校正猪代谢能}表示每一试验日粮的表观校正猪代谢能，X为试验日粮中供能组分所占的比例；

E_{被测原料表观猪代谢能}＝[E_{试验日粮表观校正猪代谢能}-(100％-Y％)×E_{基础日粮表观校正猪代谢能}]/Y％，

其中，E_{被测原料表观猪代谢能}表示每一试验日粮中被测菜籽粕的表观猪代谢能，Y％表示被测菜籽粕替代基础日粮供能组成百分率，E_{基础日粮表观校正猪代谢能}表示基础日粮表观校正猪代谢能。

菜籽粕猪代谢能数据统计分析方法与菜籽粕猪消化能数据统计分析方法相同，详情可参考上述菜籽粕猪消化能数据统计分析内容，本发明实施例在此不再赘述。

菜籽粕猪代谢能预测模型的近红外光谱来源、近红外光谱选择方法、近红外光谱采集过程、建模过程与菜籽粕猪消化能预测模型的近红外光谱来源、近红外光谱选择方法、近红外光谱采集过程、建模过程相同，详情可参考上述菜籽粕猪消化能预测模型的相关内容，本发明实施例在此不再赘述。

对菜籽粕猪代谢能预测模型进行外部验证时，利用经过动物代谢试验的12个菜籽粕验证集样品对所建模型进行外部验证，菜籽粕猪代谢能预测模型的验证过程与菜籽粕猪消化能预测模型的验证过程相同，详情可参考上述菜籽粕猪消化能预测模型的相关内容，本发明实施例在此不再赘述。

表2为所建模型所用的265个菜籽粕的化学成分描述性统计表，如表2所示，饲料原料以干物质为基础，粗蛋白、粗灰分、粗纤维和NDF的含量范围分别为17.98％-54.42％、4.95％-21.76％、3.77％-23.63％和2.50％-51.89％，平均值分别为35.97％、7.77％、12.47％和35.88％。

表2

表3为所建模型所用的265个菜籽粕的有效能描述性统计表，由表3可知，菜籽粕猪消化能、猪代谢能的含量范围分别为3.22MJ/kg-15.33MJ/kg和2.66MJ/kg-14.22MJ/kg。平均值分别为11.69MJ/kg和10.74MJ/kg。

表3

图2为本发明实施例中菜籽粕的原始近红外光谱图，如图2所示，由于样品颗粒度等因素影响，原始近红外光谱出现了一定的基线漂移和基线旋转等现象。

图3为本发明实施例中菜籽粕的原始近红外光谱经过MSC处理后的光谱图，如图3所示，MSC主要可以消除由于样品散射引起的光谱变化，例如基线漂移和旋转等；MSC处理也有效地消除了原始近红外光谱中线性平移的影响。

图4为本发明实施例中菜籽粕的原始近红外光谱经过一阶导数处理后的光谱图，如图4所示，经一阶导数处理后，消除了基线漂移的影响并平缓了背景干扰，表现出了比原始近红外光谱更高的分辨率和更清晰的光谱轮廓变化。

图5为本发明实施例中菜籽粕的原始近红外光谱经过一阶导数+MSC处理后的光谱图，如图5所示，当这两种预处理方法结合时，一方面消除了原始近红外光谱的基线漂移现象，表现出更加明显的吸收峰，另一方面校正了光谱的散射，从而获得更加理想的吸收峰。

图6为本发明实施例中菜籽粕的原始近红外光谱经过一阶导数+SNV处理后的光谱图，如图6所示，当这两种预处理方法结合时，一方面光谱展现出了更高的分辨率，另一方面校正了样品间因散射而引起的光谱的误差，消除了原始近红外光谱中线性平移的影响。

图7为本发明实施例中菜籽粕的原始近红外光谱经过二阶导数处理后的光谱图，如图7所示，二阶导数处理后则明显的消除了原始近红外光谱中基线旋转现象，同样表现出了更加明显的吸收峰。

表4为本发明实施例中菜籽粕猪消化能和代谢能预测模型的模型参数，如表4所示，菜籽粕猪消化能预测模型的最佳维数为11维，菜籽粕近红外光谱的最佳建模波长范围为5446.3cm^-1-9403.8cm^-1，对近红外光谱的最佳预处理方法是一阶导数+SNV。菜籽粕猪代谢能预测模型的最佳维数为12维，最佳建模波长范围为4242.9cm^-1-6102.0cm-¹和7498.3cm^-1-9403.8cm^-1，对近红外光谱的最佳预处理方法是一阶导数+MSC。

表4

菜籽粕猪消化能和代谢能预测模型的定标决定系数(R²c)以及交互验证决定系数(R²cv)均在0.90以上，菜籽粕猪消化能预测模型的交互验证相对分析误差(RPDcv)为6.91，菜籽粕猪代谢能预测模型的交互验证相对分析误差(RPDcv)为7.62，菜籽粕猪消化能和代谢能预测模型均表现出良好的定标效果。

模型定标完成之后，需要对模型进行外部验证，表5为菜籽粕猪消化能和代谢能预测模型的外部验证结果，由表5可知，菜籽粕猪消化能和代谢能预测模型的外部验证样品数均为12，菜籽粕猪消化能预测模型的外部验证决定系数(R²v)为0.84，菜籽粕猪代谢能预测模型的外部验证决定系数(R²v)为0.81，二者的外部验证相对分析误差(RPDv)分别为2.53和2.21。

表5

图9为本发明实施例中菜籽粕猪消化能预测模型的外部验证图，如图9所示，图中的验证点大多都在直线的两侧，说明该菜籽粕猪消化能预测模型的精度较高。

表6为菜籽粕猪消化能真实值与利用菜籽粕猪消化能预测模型分析的预测值结果的比较，从表6中可知，通过多组经动物试验获取的菜籽粕中猪消化能的真实值和利用本发明实施例中菜籽粕猪消化能预测模型分析的预测值的比较，可以发现预测值与真实值之间的误差在1.16MJ/kg及以下，充分说明了本发明实施例提出的菜籽粕猪消化能预测模型的准确性。

表6

图10为本发明实施例中菜籽粕猪代谢能预测模型的外部验证图，如图10所示，图中的验证点大多都在直线的两侧，说明该菜籽粕猪代谢能预测模型的精度较高。

表7为菜籽粕猪代谢能真实值与利用菜籽粕猪代谢能预测模型分析的预测值结果的比较表，由表7中可知，通过多组经动物试验获取的菜籽粕中猪代谢能的真实值和利用本发明实施例中菜籽粕猪代谢能预测模型分析的预测值的比较，可以发现预测值与真实值之间的误差在1.73MJ/kg及以下，充分说明了本发明实施例提出的菜籽粕猪代谢能预测模型的准确性。

表7

以上外部验证结果表明所建的菜籽粕近红外预测模型可以用于生产实践，并较准确地预测出菜籽粕中猪消化能和代谢能的含量。

本发明实施例提供的一种菜籽粕中猪消化能和代谢能的近红外快速预测方法，将近红外技术与菜籽粕有效能结合起来，很好地解决了传统实验方法时间周期长、代价昂贵、工作量大等缺陷，对于动物精准营养的实现提供了一种高效、便捷的方法，具有较大的应用前景。同时，测定可实现对菜籽粕有效能的快速检测及其品质的实时监控，且过程中不会造成环境污染。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (13)

1.一种菜籽粕中猪消化能的预测方法，其特征在于，包括：

获取待测菜籽粕的近红外光谱；

根据所述待测菜籽粕的近红外光谱和菜籽粕猪消化能预测模型，预测所述待测菜籽粕中的猪消化能，所述菜籽粕猪消化能预测模型根据若干个菜籽粕的近红外光谱和若干个菜籽粕的猪消化能获得。

2.根据权利要求1所述方法，其特征在于，所述若干个菜籽粕的猪消化能通过如下方式获得：

若干个菜籽粕的猪消化能通过动物试验建立的菜籽粕猪消化能预测方程获得，预测方程由菜籽粕猪消化能动物试验测定值和菜籽粕化学组分回归获得。

3.根据权利要求2所述方法，其特征在于，所述菜籽粕猪消化能动物试验测定值通过如下方式获得：

在若干个试验日内，利用试验日粮饲养若干个试验猪，所述试验日粮中包括菜籽粕；

收集每一试验日每一试验猪的粪便；

根据整个试验期内每一试验猪所采食每一试验日粮总能量、整个试验期内每一试验日粮每一试验猪所排放粪便中的总能量、整个试验期所用每一试验猪采食每一试验日粮的重量，获取每一试验猪每一试验日粮的猪消化能；

根据每一试验日粮每一试验猪的猪消化能和菜籽粕在每一试验日粮中替代基础日粮供能组成的比重，获取每一试验日粮中菜籽粕每一试验猪的猪消化能；

根据每一菜籽粕不同试验猪消化能值，获取每一菜籽粕猪消化能。

4.根据权利要求3所述方法，其特征在于，所述根据整个试验期内每一试验猪所采食每一试验日粮总能量、整个试验期内每一试验日粮每一试验猪所排放粪便中的总能量、整个试验期所用每一试验猪采食每一试验日粮的重量，获取每一试验猪每一试验日粮的猪消化能，具体为：

E_{试验日粮表观猪消化能}＝(E_{试验日粮总能量}-E_{粪便中的能量})/M1_{试验日粮食入重量}，

其中，E_{试验日粮表观猪消化能}表示每一试验日粮的表观猪消化能，E_{试验日粮总能量}表示每一试验动物食入试验日粮的总能量，E_{粪便中的能量}表示每一试验动物粪便中的总能量，M1_{试验日粮食入重量}表示每一试验动物食入试验日粮的重量；

E_{试验日粮表观校正猪消化能}＝E_{试验日粮表观猪消化能}/X，

其中，E_{试验日粮表观校正猪消化能}表示每一试验日粮的表观校正猪消化能，X为试验日粮中供能组分所占的比例。

5.根据权利要求3所述方法，其特征在于，所述根据每一试验日粮每一试验猪的猪消化能、菜籽粕在每一试验日粮中替代基础日粮供能组成的比重、每一菜籽粕不同试验猪消化能值，获取每一菜籽粕的猪消化能，具体包括：

E_{被测原料表观猪消化能}＝[E_{试验日粮表观校正猪消化能}-(100％-Y％)×E_{基础日粮表观校正猪消化能}]/Y％，

其中，E_{被测原料表观猪消化能}表示每一试验日粮中被测菜籽粕的表观猪消化能，Y％表示被测菜籽粕替代基础日粮供能组成百分率，E_{基础日粮表观校正猪消化能}表示基础日粮表观校正猪消化能。

6.根据权利要求1所述方法，其特征在于，所述根据若干个菜籽粕的猪消化能和若干个菜籽粕的近红外光谱，获取所述菜籽粕猪消化能预测模型，具体包括：

对于若干个菜籽粕，利用近红外光谱仪器扫描所述若干个菜籽粕，获取所述若干个菜籽粕的近红外光谱；

对所述若干个菜籽粕的近红外光谱进行预处理，获取若干个菜籽粕预处理后的光谱；

根据所述若干个菜籽粕的猪消化能和所述若干个菜籽粕预处理后的光谱，利用偏最小二乘算法建立所述菜籽粕猪消化能预测模型。

7.根据权利要求6所述方法，其特征在于，所述利用偏最小二乘算法建立所述菜籽粕猪消化能预测模型的过程中还包括：

通过计算马氏距离剔除所述菜籽粕猪消化能预测模型中的异常值，将异常值剔除之后的菜籽粕猪消化能预测模型重新作为所述菜籽粕猪消化能预测模型。

8.一种菜籽粕中猪代谢能的预测方法，其特征在于，包括：

获取待测菜籽粕的近红外光谱；

根据所述待测菜籽粕的近红外光谱和菜籽粕猪代谢能预测模型，预测所述待测菜籽粕中的猪代谢能，所述菜籽粕猪代谢能预测模型根据若干个菜籽粕的近红外光谱和若干个菜籽粕的猪代谢能获得。

9.根据权利要求8所述方法，其特征在于，所述若干个菜籽粕的猪代谢能通过如下方式获得：

若干个菜籽粕的猪代谢能通过动物试验建立的菜籽粕猪代谢能预测方程获得，预测方程由菜籽粕猪代谢能动物试验测定值和菜籽粕化学组分回归获得。

10.根据权利要求9所述方法，其特征在于，所述菜籽粕猪代谢能动物试验测定值通过如下方式获得：

在若干个试验日内，利用试验日粮饲养若干个试验猪，所述试验日粮中包括菜籽粕；

收集每一试验日每一试验猪的粪便和尿液；

根据整个试验期内每一试验猪所采食每一试验日粮总能量、整个试验期内每一试验日粮每一试验猪所排放粪便中的总能量、整个试验期内每一试验日粮每一试验猪所排放尿液中的总能量、整个试验期所用每一试验猪采食每一试验日粮的重量，获取每一试验猪每一试验日粮的猪代谢能；

根据每一试验日粮每一试验猪的猪代谢能和菜籽粕在每一试验日粮中替代基础日粮供能组成的比重，获取每一试验日粮中菜籽粕每一试验猪的猪代谢能；

根据每一菜籽粕不同试验猪代谢能值，获取每一菜籽粕猪代谢能。

11.根据权利要求10所述方法，其特征在于，所述根据整个试验期内每一试验猪所采食每一试验日粮总能量、整个试验期内每一试验日粮每一试验猪所排放粪便中的总能量、整个试验期内每一试验日粮每一试验猪所排放尿液中的总能量、整个试验期所用每一试验猪采食每一试验日粮的重量，获取每一试验猪每一试验日粮的猪代谢能，具体为：

E_{试验日粮表观猪代谢能}＝(E_{试验日粮总能量}-E_{粪便中的能量}-E_{尿液中的能量})/M1_{试验日粮食入重量}，

其中，E_{试验日粮表观猪代谢能}表示每一试验日粮的表观猪代谢能，E_{试验日粮总能量}表示每一试验动物食入试验日粮的总能量，E_{粪便中的能量}表示每一试验动物粪便中的总能量，E_{尿液中的能量}表示每一试验动物尿液中的总能量，M1_{试验日粮食入重量}表示每一试验动物食入试验日粮的重量；

E_{试验日粮表观校正猪代谢能}＝E_{试验日粮表观猪代谢能}/X，

其中，E_{试验日粮表观校正猪代谢能}表示每一试验日粮的表观校正猪代谢能，X为试验日粮中供能组分所占的比例。

12.根据权利要求10所述方法，其特征在于，所述根据每一试验日粮每一试验猪的猪代谢能、菜籽粕在每一试验日粮中替代基础日粮供能组成的比重、每一菜籽粕不同试验猪代谢能值，获取每一菜籽粕的猪代谢能，具体包括：

E_{被测原料表观猪代谢能}＝[E_{试验日粮表观校正猪代谢能}-(100％-Y％)×E_{基础日粮表观校正猪代谢能}]/Y％，

其中，E_{被测原料表观猪代谢能}表示每一试验日粮中被测菜籽粕的表观猪代谢能，Y％表示被测菜籽粕替代基础日粮供能组成百分率，E_{基础日粮表观校正猪代谢能}表示基础日粮表观校正猪代谢能。

13.根据权利要求8所述方法，其特征在于，所述根据若干个菜籽粕的猪代谢能和若干个菜籽粕的近红外光谱，获取所述菜籽粕猪代谢能预测模型，具体包括：

对于若干个菜籽粕，利用近红外光谱仪器扫描所述若干个菜籽粕，获取所述若干个菜籽粕的近红外光谱；

对所述若干个菜籽粕的近红外光谱进行预处理，获取若干个菜籽粕预处理后的光谱；

根据所述若干个菜籽粕的猪代谢能和所述若干个菜籽粕预处理后的光谱，利用偏最小二乘算法建立所述菜籽粕猪代谢能预测模型。