CN114518339B - 一种湿基发酵豆粕近红外预测模型建立方法及应用 - Google Patents
一种湿基发酵豆粕近红外预测模型建立方法及应用 Download PDFInfo
- Publication number
- CN114518339B CN114518339B CN202210170533.9A CN202210170533A CN114518339B CN 114518339 B CN114518339 B CN 114518339B CN 202210170533 A CN202210170533 A CN 202210170533A CN 114518339 B CN114518339 B CN 114518339B
- Authority
- CN
- China
- Prior art keywords
- wet
- soybean meal
- fermented soybean
- sample
- near infrared
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 235000019764 Soybean Meal Nutrition 0.000 title claims abstract description 176
- 239000004455 soybean meal Substances 0.000 title claims abstract description 176
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 52
- 238000010561 standard procedure Methods 0.000 claims abstract description 43
- 238000005259 measurement Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 230000002159 abnormal effect Effects 0.000 claims abstract description 12
- 238000002360 preparation method Methods 0.000 claims abstract description 9
- 238000012512 characterization method Methods 0.000 claims abstract description 6
- 238000001311 chemical methods and process Methods 0.000 claims abstract description 3
- 239000002253 acid Substances 0.000 claims description 72
- 238000001514 detection method Methods 0.000 claims description 49
- 102000004169 proteins and genes Human genes 0.000 claims description 41
- 108090000623 proteins and genes Proteins 0.000 claims description 41
- 235000019750 Crude protein Nutrition 0.000 claims description 36
- 108090000765 processed proteins & peptides Proteins 0.000 claims description 33
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 25
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims description 24
- 238000001228 spectrum Methods 0.000 claims description 14
- 229910021529 ammonia Inorganic materials 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 7
- 238000011049 filling Methods 0.000 claims description 6
- 238000011068 loading method Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 5
- 238000007791 dehumidification Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 abstract description 24
- 238000000855 fermentation Methods 0.000 abstract description 11
- 230000004151 fermentation Effects 0.000 abstract description 11
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 238000011282 treatment Methods 0.000 description 12
- 239000002994 raw material Substances 0.000 description 10
- 239000000126 substance Substances 0.000 description 9
- 235000010469 Glycine max Nutrition 0.000 description 7
- 244000068988 Glycine max Species 0.000 description 7
- 239000000843 powder Substances 0.000 description 7
- 230000000052 comparative effect Effects 0.000 description 6
- 238000001035 drying Methods 0.000 description 6
- 235000013305 food Nutrition 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- AFCARXCZXQIEQB-UHFFFAOYSA-N N-[3-oxo-3-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)propyl]-2-[[3-(trifluoromethoxy)phenyl]methylamino]pyrimidine-5-carboxamide Chemical compound O=C(CCNC(=O)C=1C=NC(=NC=1)NCC1=CC(=CC=C1)OC(F)(F)F)N1CC2=C(CC1)NN=N2 AFCARXCZXQIEQB-UHFFFAOYSA-N 0.000 description 4
- 150000001413 amino acids Chemical class 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 235000012041 food component Nutrition 0.000 description 4
- 235000016709 nutrition Nutrition 0.000 description 4
- 102000004196 processed proteins & peptides Human genes 0.000 description 4
- 238000002331 protein detection Methods 0.000 description 4
- 238000010563 solid-state fermentation Methods 0.000 description 4
- 238000007704 wet chemistry method Methods 0.000 description 4
- 238000007696 Kjeldahl method Methods 0.000 description 3
- 230000000433 anti-nutritional effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000005303 weighing Methods 0.000 description 3
- 238000004497 NIR spectroscopy Methods 0.000 description 2
- 238000002835 absorbance Methods 0.000 description 2
- 150000007513 acids Chemical class 0.000 description 2
- 238000009614 chemical analysis method Methods 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 238000005056 compaction Methods 0.000 description 2
- 230000029087 digestion Effects 0.000 description 2
- 238000004821 distillation Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 230000035764 nutrition Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 238000004448 titration Methods 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- IMQLKJBTEOYOSI-GPIVLXJGSA-N Inositol-hexakisphosphate Chemical compound OP(O)(=O)O[C@H]1[C@H](OP(O)(O)=O)[C@@H](OP(O)(O)=O)[C@H](OP(O)(O)=O)[C@H](OP(O)(O)=O)[C@@H]1OP(O)(O)=O IMQLKJBTEOYOSI-GPIVLXJGSA-N 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 238000007705 chemical test Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 235000002949 phytic acid Nutrition 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- YNJBWRMUSHSURL-UHFFFAOYSA-N trichloroacetic acid Chemical compound OC(=O)C(Cl)(Cl)Cl YNJBWRMUSHSURL-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3554—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for determining moisture content
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P60/00—Technologies relating to agriculture, livestock or agroalimentary industries
- Y02P60/80—Food processing, e.g. use of renewable energies or variable speed drives in handling, conveying or stacking
- Y02P60/87—Re-use of by-products of food processing for fodder production
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种湿基发酵豆粕近红外预测模型建立方法及应用，其中湿基发酵豆粕近红外预测模型建立方法，包括以下步骤：S1、样品准备：收集多个湿基发酵豆粕样品；S2、测试表征：将样品采用分析化学方法测定湿基发酵豆粕；将样品预处理，采用近红外光谱仪扫描，获得近红外光谱；S3、建立基础数据库：将国标法测定结果与近红外光谱一一对应，形成湿基发酵豆粕基础数据库；S4、建立湿基发酵豆粕预测模型：剔除基础数据库中异常值，作为湿基发酵豆粕预测模型基础库；利用偏最小二乘法建立湿基发酵豆粕预测模型。本发明预测模型用于湿基发酵豆粕检测分析，样品无需前处理即可快速检测，为调整发酵工艺、改进调整饲料生产配方提供有效参考数据。
Description
技术领域
本发明涉及一种数字检测分析技术，特别是一种湿基发酵豆粕近红外预测模型建立方法及应用，属于畜牧业。
背景技术
湿基发酵豆粕是指以豆粕为发酵基质，利用固态发酵技术，采用多种有益微生物混合发酵而成，添加到各种日粮中饲喂畜禽的蛋白饲料原料。通过发酵工艺有效保留豆粕中有益活菌数量，消除抗营养因子，降解大分子蛋白和植酸磷，使其既具备优质蛋白饲料特征又具备微生物蛋白质饲料特性。湿基发酵豆粕含有活性小肽和功能性物质，具有蛋白饲料和微生态制剂的双重特征。目前湿基发酵豆粕已成为豆粕开发生产的热点。
由于固态发酵不能随时搅拌，发酵体系内部温度、pH值、水分等都存在分布不均，无法随时调控；此外固态发酵采用批次发酵而不是连续发酵，因而批次之间存在差异，导致产品稳定性难以控制。如何快速评价湿基发酵豆粕质量是目前品控工作的重点。
湿基发酵豆粕质量评价指标包括水分、粗蛋白质、小肽、酸溶蛋白、总酸等含量。现有水分检测方法为《GB/T 6435-2014饲料中水分的测定》，粗蛋白质检测方法为《GB/T6432-2018饲料中粗蛋白质的测定凯氏定氮法》，小肽检测方法为《GB/T 22492-2008大豆肽粉》，酸溶蛋白检测方法为《NYT 801-2020饲料原料中酸溶蛋白的测定》，总酸检测方法为《GB/T 12456-2008食品中总酸的测定》。
但是，上述传统化学检测分析方法存在诸多局限。具体而言，湿基发酵豆粕水分含量高，需经初水调节后进行二次水分测定，耗时长，且初水调节过程操作繁琐，误差大。传统化学检测方法中，粗蛋白质测定需将样品进行消化、蒸馏、滴定等繁琐处理工序，耗时长，且试剂消耗多，产生大量废液；酸溶蛋白测定需要用三氯乙酸进行提取，再将提取液进行消化、蒸馏、滴定等处理，耗时长，产生大量废液；总酸测定时终点难判断，误差大。
随着湿基发酵豆粕在饲料行业广泛应用，如何快速、准确评价其质量是畜牧业面临的重难点课题。
发明内容
本发明的目的在于：针对现有技术存在的湿基发酵豆粕质量评价过程中检测耗时长，消耗试剂多，产生大量废液等问题，提供一种湿基发酵豆粕近红外快速预测方法。
为了实现上述目的，本发明采用的技术方案为：
一种湿基发酵豆粕近红外预测模型建立方法，包括以下步骤：
S1、样品准备：收集多个湿基发酵豆粕样品。
S2、测试表征：
将样品采用分析化学方法测定湿基发酵豆粕的水分、粗蛋白质、酸溶蛋白、游离氨、小肽、总酸含量中的至少一项，得到国标法测定结果。
将样品预处理，采用近红外光谱仪扫描，获得近红外光谱；近红外光波数范围3600～12500cm-1之间。
S3、建立基础数据库：将S2得到的国标法测定结果与近红外光谱一一对应，形成湿基发酵豆粕基础数据库。
S4、建立湿基发酵豆粕预测模型：
通过计算马氏距离剔除湿基发酵豆粕基础数据库中的异常值，将异常值剔除后的数据库作为湿基发酵豆粕预测模型基础库。
湿基发酵豆粕预测模型基础库中近红外光谱，采用以下方法中的一种进行预处理：多元散射校正、一阶导数、一阶导数+多元散射校正、一阶导数+失量归一化、二阶导数。
将国标法测定结果与预处理后的近红外光谱，利用偏最小二乘法建立湿基发酵豆粕预测模型。
进一步，步骤S1中，湿基发酵豆粕样品数量N＞50，优选N＞100，更优选N＞200。
本发明同时提供一种湿基发酵豆粕近红外检测方法，包括以下步骤：
R1、取湿基发酵豆粕待测样品，采用近红外光谱仪扫描，得到待测样品近红外光谱；调用上述方法获得的湿基发酵豆粕预测模型，计算得出待测样品的水分、粗蛋白质、总酸、酸溶蛋白和小肽中至少一项的含量。
作为本发明的优选方案，所述近红外光谱仪扫描是MARTIX-Ⅰ。
作为本发明的优选方案，近红外光谱仪扫描过程中参数设置如下：波数范围为3600cm-1～12500cm-1，光谱分辨率为16cm-1，扫描次数为32-128次。
优选地，扫描次数为64次。
优选地，扫描时先测定背景光谱，然后进行样品扫描。此后，每半小时测定一次背景光谱。
作为本发明的优选方案，采用近红外光谱仪扫描，在扫描前将样品平衡至室温，将样品倒入样品杯中，压平，压平后样品体积需达到样品杯体积一半以上；然后上机检测分析。
优选地，样品应呈松散、无结块状态，倒入样品杯中；若样品有结块，需将结块样品捏碎，使之呈松散、不结块状态。湿基发酵豆粕经过发酵处理，含有大量小分子蛋白、小肽等成分，富有黏性，样品容易结块，测试前将结块样品捏碎有利于样品在倒入样品杯后状态一致，提高检测结果稳定性和可靠性。
优选地，样品倒入样品杯以后，将表面压平。优选地，扫描前，观察样品杯底部样品是否有空隙，若有空隙则需要将空隙填满，若无空隙则可进行扫描；重复装样扫描两次。将样品表面压平并消除空隙，避免光源照射到无样品的地方，无法获得样品信息，影响检测准确性。更优选地，使用250mL三角瓶或烧杯将样品压平。
作为本发明的优选方案，S2中，将样品采用分析化学方法测定，优选地采用湿化学检测分析方法进行测定。
优选地，S2中，将样品采用国标法测定。优选地，所述国标法的具体测定方法如下：水分检测方法为《GB/T 6435-2014饲料中水分的测定》，粗蛋白质检测方法为《GB/T6432-2018饲料中粗蛋白质的测定凯氏定氮法》，酸溶蛋白检测方法为《NYT801-2020饲料原料中酸溶蛋白的测定》，游离氨检测方法为《GB/T 22492-2008大豆肽粉》或者《XXWZJ-034饲料原料中游离氨的测定》，小肽检测方法为《GB/T 22492-2008大豆肽粉》，总酸检测方法为《GB/T12456-2008食品中总酸的测定》。
作为本发明的优选方案，国标法测定结果中至少包括粗蛋白质、水分含量测定结果。优选包括粗蛋白质和水分含量测定结果，是湿基发酵豆粕的主要成分，相关项目测试结果是湿基发酵豆粕营养成分含量评价的关键。
优选地，国标法测定结果还包括酸溶蛋白、总酸、小肽。酸溶蛋白和总酸是湿基发酵豆粕的特征性成分，直接反映湿基发酵豆粕品质，对于其营养成分是否容易被消化吸收具有重要指导意义。国标法测定主要指标，表征湿基发酵豆粕营养价值，判断湿基发酵豆粕是否充分达到发酵目的：消除抗营养因子，提升湿基发酵豆粕的营养利用率。
作为本发明的优选方案，步骤S2中，扫描完成后，将样品倒出，重新装样再次扫描。优选地，将样品杯中样品倒出，然后装入同一取样样品的其他部分，或者将倒出的样品再次装入样品杯中。
优选地，每个样品取样200-400克，检测两次，每次倒入样品杯中80-120克进行检测。
本发明同时还提供一体化的检测方法，采用和上述工艺方法类似的做法，进行湿基发酵豆粕样品预处理分析，获得原始数据，并建立模型，然后基于近红外光谱检测仪器进行快速检测分析。具体的方法内容如下。
一种湿基发酵豆粕近红外检测方法，包括以下步骤：
S1、样品准备：收集多个湿基发酵豆粕样品。
S2、测试表征：
将样品采用国标法测定湿基发酵豆粕的水分、粗蛋白质、酸溶蛋白、游离氨、小肽、总酸含量中的至少一项，得到国标法测定结果。
将样品预处理，采用近红外光谱仪扫描，获得近红外光谱；近红外光波数范围3600～12500cm-1之间。
S3、建立基础数据库：将S2得到的国标法测定结果与近红外光谱一一对应，形成湿基发酵豆粕基础数据库。
S4、建立湿基发酵豆粕预测模型：
通过计算马氏距离剔除湿基发酵豆粕基础数据库中的异常值，将异常值剔除后的数据库作为湿基发酵豆粕预测模型基础库。
湿基发酵豆粕预测模型基础库中近红外光谱，采用以下方法中的一种进行预处理：多元散射校正、一阶导数、一阶导数+多元散射校正、一阶导数+失量归一化、二阶导数。
将国标法测定结果与预处理后的近红外光谱，利用偏最小二乘法建立湿基发酵豆粕预测模型。
S5、取湿基发酵豆粕待测样品，采用近红外光谱仪扫描，得到待测样品近红外光谱；调用湿基发酵豆粕预测模型，计算得出待测样品的水分、粗蛋白质、总酸、酸溶蛋白和小肽中至少一项的含量。
本发明湿基发酵豆粕快速预测方法利用近红外分析技术结合传统化学分析方法，将国标法检测所得结果和近红外分析图谱建立预测模型，通过积累大量检测分析数据构建预测模型。当待测湿基发酵豆粕样品进行近红外分析检测后，可以快速准确地分析其粗蛋白质、水分含量，使得湿基发酵豆粕作为饲料原料成分使用时可以更加方便快捷地进行主要控制项目品质管理。同时，还可以分析确定湿基发酵豆粕中酸溶蛋白、总酸、小肽含量，辅助指导湿基发酵豆粕原料应用，提升湿基发酵豆粕在饲料配合制备中的科学性、合理性。
在本发明快速预测方法中特别对于基础数据库中近红外图谱做异常值剔除处理，减少误差结果。预测模型中近红外光谱经过预处理，有效消除由于漫散射水平不同带来的光谱差异，提高近红外光谱和国标法检测结果的对应准确性，使得预测模型更加准确可靠。
注意：步骤S5计算待测样品水分、粗蛋白、总酸、酸溶蛋白和小肽的含量项目，全部落入步骤S2测试表征中：用国标法测定湿基发酵豆粕水分、粗蛋白质、酸溶蛋白、游离氨、小肽、总酸的含量的项目中。基于国标法预先获得样品相关项目测定结果，然后对于待测样品分析得到所需项目的结果。如果步骤S2缺少相应项目，则预测模型中无法构建近红外光谱的对应结果。
作为本发明的优选方案，所述近红外光谱仪扫描是MARTIX-Ⅰ。
作为本发明的优选方案，近红外光谱仪扫描过程中参数设置如下：波数范围为3600cm-1～12500cm-1，光谱分辨率为16cm-1，扫描次数为32-128次。
优选地，扫描次数为64次。
优选地，扫描时先测定背景光谱，然后进行样品扫描。此后，每半小时测定一次背景光谱。
作为本发明的优选方案，采用近红外光谱仪扫描，在扫描前将样品平衡至室温，将样品倒入样品杯中，压平，压平后样品体积需达到样品杯体积一半以上；然后上机检测分析。
优选地，样品应呈松散、无结块状态，倒入样品杯中；若样品有结块，需将结块样品捏碎，使之呈松散、不结块状态。湿基发酵豆粕经过发酵处理，含有大量小分子蛋白、小肽等成分，富有黏性，样品容易结块，测试前将结块样品捏碎有利于样品在倒入样品杯后状态一致，提高检测结果稳定性和可靠性。
优选地，样品倒入样品杯以后，将表面压平。优选地，扫描前，观察样品杯底部样品是否有空隙，若有空隙则需要将空隙填满，若无空隙则可进行扫描；重复装样扫描两次。将样品表面压平并消除空隙，避免光源照射到无样品的地方，无法获得样品信息，影响检测准确性。更优选地，使用250mL三角瓶或烧杯将样品压平。
作为本发明的优选方案，S2中，将样品采用分析化学方法测定，优选地采用湿化学检测分析方法进行测定。
优选地，S2中，将样品采用国标法测定。优选地，所述国标法的具体测定方法如下：水分检测方法为《GB/T 6435-2014饲料中水分的测定》；粗蛋白质检测方法为《GB/T6432-2018饲料中粗蛋白质的测定凯氏定氮法》；酸溶蛋白检测方法为《NYT801-2020饲料原料中酸溶蛋白的测定》；游离氨检测方法为《GB/T 22492-2008大豆肽粉》或者《XXWZJ-034饲料原料中游离氨的测定》；小肽检测方法为《GB/T 22492-2008大豆肽粉》；总酸检测方法为《GB/T12456-2008食品中总酸的测定》。
作为本发明的优选方案，国标法测定结果中至少包括粗蛋白质、水分含量测定结果。优选包括粗蛋白质和水分含量测定结果，是湿基发酵豆粕的主要成分，相关项目测试结果是湿基发酵豆粕营养成分含量评价的关键。
优选地，国标法测定结果还包括酸溶蛋白、总酸、小肽。酸溶蛋白和总酸是湿基发酵豆粕的特征性成分，直接反映湿基发酵豆粕品质，对于其营养成分是否容易被消化吸收具有重要指导意义。国标法测定主要指标，表征湿基发酵豆粕营养价值，判断湿基发酵豆粕是否充分达到发酵目的：消除抗营养因子，提升湿基发酵豆粕的营养利用率。
作为本发明的优选方案，步骤S2和S5中，扫描完成后，将样品倒出，重新装样再次扫描。优选地，将样品杯中样品倒出，然后装入同一取样样品的其他部分，或者将倒出的样品再次装入样品杯中。
优选地，每个样品取样200-400克，检测两次，每次倒入样品杯中80-120克进行检测。
进一步，所述湿基发酵豆粕是通过固态发酵得到的。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1、本方法湿基发酵豆粕快速检测方法以生产线生产的湿基发酵豆粕产品为对象，通过不断改进与尝试，积累数据，形成湿基发酵豆粕近红外预测模型。样品无需经过任何前处理即可实现质量指标的快速检测，缩短检测时间，监控产品质量，为调整发酵工艺与参数，为调整饲料生产配方提供有效参考数据。
2、本发明湿基豆粕快速预测方法利用近红外分析技术结合传统化学分析方法，将国标法检测结果和近红外分析图谱建立预测模型，通过积累大量检测分析数据构建预测模型。可以分析确定湿基发酵豆粕中酸溶蛋白、总酸、小肽含量，辅助指导湿基发酵豆粕原料应用，提升湿基发酵豆粕在饲料配合制备中的品质。
4、本发明快速预测方法中优选剔除近红外图谱中异常值，减少误差结果，有效消除由于散射水平不同带来的光谱差异，提高预测模型准确性。
附图说明
图1是湿基发酵豆粕近红外光谱(样品经过压实处理)。
图2是湿基发酵豆粕近红外光谱(包含样品未经压实处理的近红外光谱图)。
图3是一阶导数处理后湿基发酵豆粕近红外光谱。
图4是一阶导数+SNV处理后湿基发酵豆粕近红外光谱。
图5是一阶导数+SMC处理后湿基发酵豆粕近红外光谱。
图6是近红外光谱仪控制软件操作界面。
图7是实施例1部分样品检测分析数据结果录入软件，建立湿基发酵豆粕基础数据库。
图8是实施例1湿基发酵豆粕基础数据库中粗蛋白质预测模型，R2＝0.958。
图9是实施例1湿基发酵豆粕基础数据库中水分预测模型，R2＝0.9822。
图10是实施例1湿基发酵豆粕基础数据库中酸溶蛋白预测模型，R2＝0.9386。
图11是实施例1湿基发酵豆粕基础数据库中游离氨基酸预测模型，R2＝0.9025。
图12是对比例1基于干燥预处理湿基发酵豆粕建立总酸预测模型的结果。
图13是对比例1基于干燥预处理湿基发酵豆粕建立游离氨基酸预测模型的结果。
图14是对比例1基于干燥预处理湿基发酵豆粕建立粗蛋白质预测模型的结果。
图15是对比例1基于干燥预处理湿基发酵豆粕建立酸溶蛋白预测模型的结果。
具体实施方式
下面结合附图，对本发明作详细的说明。
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
对比例1
DS1、样品准备：收集150个湿基发酵豆粕样品。
DS2、将样品平衡至室温，样品应呈松散、无结块状态；将样品倒入样品杯中，用三角瓶压平，压平后样品体积需达到样品杯体积一半以上；观察样品杯底部样品是否有空隙，若有空隙则需要将空隙填满，若无空隙则可进行扫描，重复装样扫描两次。描采用近红外光谱仪扫描，获取近红外光谱。其中，近红外光谱仪品牌为Bruker，型号为MARTIX-Ⅰ。近红外光谱仪参数设置如下：波数范围为3600cm-1～12500cm-1，光谱分辨率为16cm-1，扫描次数为64次。扫描时先测定背景光谱，此后，每半小时测定一次背景光谱。
DS3、将S1收集的湿基发酵豆粕样品，称重记录重量w0，然后将样品由含水率30％-40％烘干成含水率10％-15％的干基发酵豆粕，称重记录重量w1，计算初水含量。将湿基发酵豆粕烘干为干基发酵豆粕大约需要花费4-7小时，各个湿基发酵豆粕样品烘干处理时不得混合烘干，需要分别烘干，以免不同湿基发酵豆粕在烘干过程中挥发性组分相互干扰。
将上述干基发酵豆粕粉碎处理得到颗粒均匀，细度为40的样品。采用国标法测定水分、粗蛋白质、酸溶蛋白、游离氨、小肽、总酸含量，得到国标法测定结果。使用国标方法如下：《GB/T 6435-2014饲料中水分的测定》、《GB/T 6432-2018饲料中粗蛋白质的测定凯氏定氮法》、《NYT 801-2020饲料原料中酸溶蛋白的测定》、《GB/T 22492-2008大豆肽粉》、《GB/T12456-2008食品中总酸的测定》。根据称重记录的w0和w1计算初水含量，并由初水含量折算得到原始湿基发酵豆粕中水分、粗蛋白质、酸溶蛋白、游离氨、小肽、总酸含量。
DS4、建立基础数据库：将S3得到的国标法测定结果与近红外光谱一一对应，形成湿基发酵豆粕基础数据库。通过计算马氏距离剔除湿基发酵豆粕基础数据库中的异常值，将异常值剔除后的数据库作为湿基发酵豆粕预测模型基础库。
DS5、建立湿基发酵豆粕预测模型：湿基发酵豆粕预测模型基础库中的近红外光谱采用一阶导数+多元散射校正、一阶导数+失量归一化进行预处理，利用偏最小二乘法建立总酸、游离氨基酸、粗蛋白和酸溶蛋白预测模型，结果如图12至图15所示，数据处理显示R2＝0.15-0.5之间，回归性极差，无法建立优秀的预测模型。
上述试验结果表明湿基发酵豆粕采用近红外光谱仪检测分析得到的近红外光谱与采用国标法测定干基发酵豆粕结果由初水含量换算为湿基状态数据难以建立有效湿基发酵豆粕预测模型。
我们认为导致该结果的原因可能是烘干处理引入了干扰因素，经过烘干处理再将成分含量折算回湿基，对应性不好。
实施例1
湿基发酵豆粕近红外快速预测方法
S1、样品的收集。收集不同地区、不同季节、不同发酵时间的湿基发酵豆粕样品。收集得到的湿基发酵豆粕不做处理，湿基发酵料不经过粉碎处理，保持其固有含水率状态。
S2、将样品平衡至室温，样品应呈松散、无结块状态；将样品倒入样品杯中，用三角瓶压平，压平后样品体积需达到样品杯体积一半以上；观察样品杯底部样品是否有空隙，若有空隙则需要将空隙填满，若无空隙则可进行扫描，重复装样扫描两次。
S3、扫描采用近红外光谱仪扫描，获取近红外光谱。其中，近红外光谱仪品牌为Bruker，型号为MARTIX-Ⅰ。近红外光谱仪参数设置如下：波数范围为3600cm-1～12500cm-1，光谱分辨率为16cm-1，扫描次数为64次。扫描时先测定背景光谱，此后，每半小时测定一次背景光谱。
S4、国标法测定湿基发酵豆粕的水分、粗蛋白质、酸溶蛋白、游离氨、小肽、总酸含量。使用国标方法如下：《GB/T 6435-2014饲料中水分的测定》、《GB/T6432-2018饲料中粗蛋白质的测定凯氏定氮法》、《NYT801-2020饲料原料中酸溶蛋白的测定》、《GB/T 22492-2008大豆肽粉》、《GB/T 12456-2008食品中总酸的测定》。
S5、建立湿基发酵豆粕近红外光谱数据库。上述测试方法S2-S5中，积累70个数据，70个湿基发酵豆粕样品的近红外光谱如图1所示。将S4所得国标法测定的化学值与S3所得样品的近红外光谱一一对应，形成湿基发酵豆粕基础数据库，结果如图7所示。近红外光谱仪控制软件操作界面示例如图6所示，通过操作软件将数据进行录入。
S6、建立湿基发酵豆粕预测模型。湿基发酵豆粕预处理后的光谱采用一阶导数处理，所得处理后的湿基发酵豆粕近红外光谱如图3所示；或者采用一阶导数+SNV处理后湿基发酵豆粕近红外光谱，结果如图4所示；或者采用一阶导数+SMC处理后湿基发酵豆粕近红外光谱，结果如图5所示。
将国标法测定的化学值与湿基发酵豆粕预处理后的光谱，利用偏最小二乘法建立湿基发酵豆粕预测模型。利用偏最小二乘法所建立湿基发酵豆粕预测模型的过程中包括通过计算马氏距离剔除湿基发酵豆粕数据库中的异常值，将异常值剔除后的湿基发酵豆粕数据库作为湿基发酵豆粕预测模型的基础库。然后，建立湿基发酵豆粕预测模型，如图8至图11所示，湿基发酵豆粕粗蛋白质、水分、酸溶蛋白、游离氨基酸的预测模型据具有良好的回归性。
S7、获取待测湿基发酵豆粕近红外光谱，测试方法同步骤S2相同，样品平衡至室温，样品应呈松散、无结块状态；将样品倒入样品杯中，压平，压平后样品体积需达到样品杯体积一半以上；观察样品杯底部样品是否有空隙，若有空隙则需要将空隙填满，若无空隙则可进行扫描，重复装样扫描两次。将所得待测湿基发酵豆粕近红外光谱，调用湿基发酵豆粕模型预测待测湿基发酵豆粕中的水分、粗蛋白质、总酸、酸溶蛋白、小肽含量。
使用上述预测模型对12个湿基发酵豆粕待测样品，进行近红外光谱扫描及结果预测，得到近红外光谱法(NIR)测定的水分、粗蛋白质、总酸、酸溶蛋白含量。同时，将12个湿基发酵豆粕样品采用国标法进行检测分析，得到湿化学测定数值。汇总NIR测定结果和国标法测定化学值，如下表所示，计算两种方法测试的绝对差值。
表1湿化学值与近红外预测结果对比
可见，本实施例中预测模型检测得到湿基发酵豆粕中的水分、粗蛋白质、酸溶蛋白的含量数值(NIR结果)和国标法检测分析结果相差较小，表明保持样品原始的湿基状态进行近红外光谱检测，具有较高的准确率，可以方便快捷的实现湿基发酵豆粕品质评估，对于指导动物饲料配制具有重要意义。
对比例2
收集湿基发酵豆粕样品，和实施例1一样采用相同的近红外光谱仪在相同的扫描参数进行扫描，获取近红外光谱。区别仅在于，样品倒入样品杯中，简单摇匀，不采用三角瓶压平。
结果所得近红外光谱显示出较高本底吸光度，将相应的图谱导入实施例1的数据库中，得到的图谱如图2所示。图2中下方近红外光谱图是实施例1的样品近红外光谱图，上方的三条曲线是样品未经压平处理的数据。可见，未经压平处理，近红外光谱具有较高的吸光度本底值，且各个图谱的本底值相差较大，影响近红外光谱预测模型的准确性。故优选将湿基发酵豆粕样品倒入样品杯以后，采用三角瓶或烧杯压平。
实施例2
采用和实施例1相同的方法，继续积累预测模型数据，原始数据达到165个，基于该基础数据库建立新的湿基发酵豆粕预测模型。使用该预测模型对10个湿基发酵豆粕样品通过近红外光谱扫描进行结果预测，NIR预测数值如下表所示。同时，对湿基发酵豆粕样品采用国标法进行化学检测分析，结果如下表(湿化学)所示。
表2湿化学值与近红外预测结果对比
将近红外光谱预测模型所得结果和湿化学测试所得结果进行计算，得到两种方法测试绝对差值。可见，NIR预测模型检测分析到的水分、粗蛋白质、总酸、小肽含量等数值具有较好的准确率，和国标法检测分析得到的结果误差较小，具有很好的指导意义。而且，由于近红外光谱法检测分析具有快速，简单易于实施的优势，可以用于湿基发酵豆粕生产过程，判断湿基发酵豆粕发酵程度，提升生产效率，节约生产能耗。
实施例3
本实施例和实施例1测试方法相同，只是近红外光谱仪改用布伦克的近红外分析仪器，测试波长范围780-2520nm。测试结果表明，更换布伦克近红外分析仪器以后，湿基发酵豆粕依然可以保持良好的可靠性，预测结果和国标法检测分析结果误差较小。
实施例4
本实施例和实施例2相同，基于165个原始数据建立的湿基发酵豆粕预测模型。只是在待测样品取样300克，检测分两次进行；先向样品杯中倒入100克样品，采用近红外光谱仪进行扫描；然后将样品杯中的待测样品倒出，然后重新装入100克待测样品，再次采用近红外光谱仪进行扫描。
采用国标法进行同步检测，比较近红外光谱仪扫描结果和国标法测试结果，两者测试结果误差较小，表明近红外光谱法测试结果具有良好的可靠性。
实施例5
本实施例和实施例4相同，只是待测样品采用近红外光谱仪扫描的时候，先扫描一次，然后将待测样品从样品杯中倒出至干净容器中，然后再从该容器重新倒入样品杯中，并用烧杯压平样品，再次进行扫描。
采用国标法进行同步检测，比较近红外光谱仪扫描结果和国标法测试结果，两者测试结果误差较小，表明近红外光谱法测试结果具有良好的可靠性。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种湿基发酵豆粕近红外预测模型建立方法，其特征在于，包括以下步骤：
S1、样品准备：收集多个湿基发酵豆粕样品，收集得到的湿基发酵豆粕不做处理，不经过粉碎处理，保持其固有含水率状态；
S2、测试表征：
将样品采用分析化学方法测定湿基发酵豆粕的水分、粗蛋白质、酸溶蛋白、游离氨、小肽、总酸含量中的至少一项，得到国标法测定结果；
将样品预处理，将样品平衡至室温，样品应呈松散、无结块状态；若样品有结块，需将结块样品捏碎，使之呈松散、不结块状态；将样品倒入样品杯中，将表面压平，压平后样品体积需达到样品杯体积一半以上；观察样品杯底部样品是否有空隙，若有空隙则需要将空隙填满；
采用近红外光谱仪扫描，获得近红外光谱；近红外光波数范围3600 ~ 12500cm-1之间；
S3、建立基础数据库：将S2得到的国标法测定结果与近红外光谱一一对应，形成湿基发酵豆粕基础数据库；
S4、建立湿基发酵豆粕预测模型：
通过计算马氏距离剔除湿基发酵豆粕基础数据库中的异常值，将异常值剔除后的数据库作为湿基发酵豆粕预测模型基础库；
湿基发酵豆粕预测模型基础库中近红外光谱，采用以下方法中的一种进行预处理：多元散射校正、一阶导数、一阶导数+多元散射校正、一阶导数+失量归一化、二阶导数；
将国标法测定结果与预处理后的近红外光谱，利用偏最小二乘法建立湿基发酵豆粕预测模型。
2.根据权利要求1所述湿基发酵豆粕近红外预测模型建立方法，其特征在于，步骤S1中，湿基发酵豆粕样品数量N＞50。
3.根据权利要求2所述湿基发酵豆粕近红外预测模型建立方法，其特征在于，N＞100。
4.根据权利要求1所述湿基发酵豆粕近红外预测模型建立方法，其特征在于，所述近红外光谱仪是Bruker® MARTIX-Ⅰ。
5.根据权利要求1所述湿基发酵豆粕近红外预测模型建立方法，其特征在于，步骤S2，近红外光谱仪扫描过程中参数设置如下：波数范围为3600 cm-1 ~ 12500 cm-1，光谱分辨率为16 cm-1，扫描次数为32-128次。
6.根据权利要求1所述湿基发酵豆粕近红外预测模型建立方法，其特征在于，扫描时先测定背景光谱，然后进行样品扫描。
7.根据权利要求1所述湿基发酵豆粕近红外预测模型建立方法，其特征在于，
重复装样扫描两次。
8.一种湿基发酵豆粕近红外检测方法，包括以下步骤：
R1、取湿基发酵豆粕待测样品，采用近红外光谱仪扫描，得到待测样品近红外光谱；调用权利要求1-7任意一项所述方法获得的湿基发酵豆粕预测模型，计算得出待测样品的水分、粗蛋白质、总酸、酸溶蛋白和小肽中至少一项的含量；
计算待测样品水分、粗蛋白、总酸、酸溶蛋白和小肽的含量项目，全部落入步骤S2测试表征中：用国标法测定湿基发酵豆粕水分、粗蛋白质、酸溶蛋白、游离氨、小肽、总酸的含量的项目中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210170533.9A CN114518339B (zh) | 2022-02-23 | 2022-02-23 | 一种湿基发酵豆粕近红外预测模型建立方法及应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210170533.9A CN114518339B (zh) | 2022-02-23 | 2022-02-23 | 一种湿基发酵豆粕近红外预测模型建立方法及应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114518339A CN114518339A (zh) | 2022-05-20 |
| CN114518339B true CN114518339B (zh) | 2023-08-01 |
Family
ID=81599718
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210170533.9A Active CN114518339B (zh) | 2022-02-23 | 2022-02-23 | 一种湿基发酵豆粕近红外预测模型建立方法及应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114518339B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115304410B (zh) * | 2022-10-12 | 2022-12-23 | 广东省农业科学院动物科学研究所 | 一种中草药固体废弃物的处理方法 |
| CN115468931B (zh) * | 2022-11-02 | 2023-04-07 | 蓝星安迪苏南京有限公司 | 豆粕质量检测模型的构建方法、豆粕质量检测方法及装置 |
| CN117368146B (zh) * | 2023-12-08 | 2024-03-12 | 苏陀科技(北京)有限公司 | 一种菌丝体蛋白含量的快速检测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106442376A (zh) * | 2016-08-31 | 2017-02-22 | 聚光科技(杭州)股份有限公司 | 化验数据质量的评估方法 |
| CN109770044A (zh) * | 2019-02-22 | 2019-05-21 | 四川新希望畜牧科技有限公司 | 一种用可移动平台生产湿基发酵豆粕的方法及在饲料中的应用 |
| CN110018134A (zh) * | 2019-04-25 | 2019-07-16 | 中国农业科学院作物科学研究所 | 一种近红外光谱法测定大豆水溶性蛋白含量的方法 |
| CN110308114A (zh) * | 2019-07-31 | 2019-10-08 | 太仓安佑生物科技有限公司 | 一种快速鉴别豆粕生熟度的近红外检测方法 |
| CN111665217A (zh) * | 2020-06-09 | 2020-09-15 | 吉林省农业科学院 | 一种大豆种子蔗糖含量的近红外光谱检测方法 |
| CN112945901A (zh) * | 2021-02-07 | 2021-06-11 | 东北农业大学 | 一种基于近红外光谱的青贮大豆品质检测方法 |
-
2022
- 2022-02-23 CN CN202210170533.9A patent/CN114518339B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106442376A (zh) * | 2016-08-31 | 2017-02-22 | 聚光科技(杭州)股份有限公司 | 化验数据质量的评估方法 |
| CN109770044A (zh) * | 2019-02-22 | 2019-05-21 | 四川新希望畜牧科技有限公司 | 一种用可移动平台生产湿基发酵豆粕的方法及在饲料中的应用 |
| CN110018134A (zh) * | 2019-04-25 | 2019-07-16 | 中国农业科学院作物科学研究所 | 一种近红外光谱法测定大豆水溶性蛋白含量的方法 |
| CN110308114A (zh) * | 2019-07-31 | 2019-10-08 | 太仓安佑生物科技有限公司 | 一种快速鉴别豆粕生熟度的近红外检测方法 |
| CN111665217A (zh) * | 2020-06-09 | 2020-09-15 | 吉林省农业科学院 | 一种大豆种子蔗糖含量的近红外光谱检测方法 |
| CN112945901A (zh) * | 2021-02-07 | 2021-06-11 | 东北农业大学 | 一种基于近红外光谱的青贮大豆品质检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114518339A (zh) | 2022-05-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114518339B (zh) | 一种湿基发酵豆粕近红外预测模型建立方法及应用 | |
| Shenk et al. | Application of NIR spectroscopy to agricultural products | |
| EP3082449B1 (en) | Systems and methods for adjusting animal feed | |
| CN109540838B (zh) | 一种快速检测发酵乳中酸度的方法 | |
| EP3082477B1 (en) | Systems and methods for computer models of animal feed | |
| CN109557014B (zh) | 一种快速检测发酵乳中乳酸菌数的方法 | |
| CN109374548A (zh) | 一种利用近红外快速测定大米中营养成分的方法 | |
| CN106018321A (zh) | 玉米单粒种子蛋白质检测模型的构建方法及其应用 | |
| He et al. | Rapid detection of adulteration of goat milk and goat infant formulas using near-infrared spectroscopy fingerprints | |
| Rukundo et al. | Comparing the use of handheld and benchtop NIR spectrometers in predicting nutritional value of forage | |
| CN105675538A (zh) | 一种胡麻饼养分的检测方法 | |
| CN109406447A (zh) | 一种高粱中单宁的近红外检测方法 | |
| CN104390928B (zh) | 一种掺杂掺假煤炭的近红外光谱识别方法 | |
| Gorla et al. | Acquisition strategies for fermentation processes with a low-cost miniaturized NIR-spectrometer from scratch: Issues and challenges | |
| CN113125378A (zh) | 基于近红外光谱的不同部位驼肉中营养成分的快速检测方法 | |
| CN113390823A (zh) | 一种维生素预混料近红外快速预测方法 | |
| CN113984683A (zh) | 一种基于高光谱的马铃薯全粉面条淀粉含量测定方法 | |
| Li et al. | Application of siSVR-Vis/NIR to the nondestructive determination of acid detergent fiber content in corn straw | |
| CN104515749B (zh) | 煤炭样品中内水的快速检测方法 | |
| CN109886481A (zh) | 玉米蛋白粉中猪消化能和代谢能的近红外快速预测方法 | |
| CN104390936B (zh) | 煤炭样品中挥发分的快速检测方法 | |
| CN104535525B (zh) | 煤炭样品中的固定碳的快速检测方法 | |
| CN104568821B (zh) | 一种同时检测煤炭样品中7项指标的方法 | |
| CN111077104A (zh) | 一种发酵饲料中总酸含量的快速测定方法 | |
| CN116660205A (zh) | 一种检测粪便中养分含量的方法及其应用 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |