CN114720421A - 一种基于近红外光谱的燕麦相对饲用价值的检测方法 - Google Patents
一种基于近红外光谱的燕麦相对饲用价值的检测方法 Download PDFInfo
- Publication number
- CN114720421A CN114720421A CN202210327847.5A CN202210327847A CN114720421A CN 114720421 A CN114720421 A CN 114720421A CN 202210327847 A CN202210327847 A CN 202210327847A CN 114720421 A CN114720421 A CN 114720421A
- Authority
- CN
- China
- Prior art keywords
- oat
- processing
- whole
- samples
- relative
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title abstract description 12
- 238000002329 infrared spectrum Methods 0.000 title abstract description 11
- 235000007319 Avena orientalis Nutrition 0.000 claims abstract description 74
- 238000000034 method Methods 0.000 claims abstract description 60
- 239000000835 fiber Substances 0.000 claims abstract description 23
- 241000196324 Embryophyta Species 0.000 claims abstract description 22
- 241000209761 Avena Species 0.000 claims abstract description 19
- 239000003599 detergent Substances 0.000 claims abstract description 13
- 238000012795 verification Methods 0.000 claims abstract description 12
- 230000007935 neutral effect Effects 0.000 claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims abstract description 8
- 230000002378 acidificating effect Effects 0.000 claims abstract description 4
- 241000209763 Avena sativa Species 0.000 claims abstract 17
- 238000012545 processing Methods 0.000 claims description 38
- 238000001228 spectrum Methods 0.000 claims description 20
- 238000011282 treatment Methods 0.000 claims description 17
- 238000009499 grossing Methods 0.000 claims description 12
- 238000002790 cross-validation Methods 0.000 claims description 11
- 238000001035 drying Methods 0.000 claims description 7
- 238000012628 principal component regression Methods 0.000 claims description 6
- OBMBUODDCOAJQP-UHFFFAOYSA-N 2-chloro-4-phenylquinoline Chemical compound C=12C=CC=CC2=NC(Cl)=CC=1C1=CC=CC=C1 OBMBUODDCOAJQP-UHFFFAOYSA-N 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 235000019621 digestibility Nutrition 0.000 claims description 3
- 235000021050 feed intake Nutrition 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000007621 cluster analysis Methods 0.000 claims description 2
- 239000000463 material Substances 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 244000075850 Avena orientalis Species 0.000 description 49
- 238000004458 analytical method Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 11
- 238000004497 NIR spectroscopy Methods 0.000 description 8
- 239000000126 substance Substances 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 238000009614 chemical analysis method Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000003672 processing method Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 239000004459 forage Substances 0.000 description 4
- 244000144972 livestock Species 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000003306 harvesting Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 235000007558 Avena sp Nutrition 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 2
- 235000019750 Crude protein Nutrition 0.000 description 2
- 241000209504 Poaceae Species 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 235000021049 nutrient content Nutrition 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 235000005781 Avena Nutrition 0.000 description 1
- 208000007976 Ketosis Diseases 0.000 description 1
- 229910002651 NO3 Inorganic materials 0.000 description 1
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 235000019784 crude fat Nutrition 0.000 description 1
- 235000013365 dairy product Nutrition 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004140 ketosis Effects 0.000 description 1
- 238000012417 linear regression Methods 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
- 230000000050 nutritive effect Effects 0.000 description 1
- 235000019629 palatability Nutrition 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- 230000032696 parturition Effects 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 238000010298 pulverizing process Methods 0.000 description 1
- 238000000985 reflectance spectrum Methods 0.000 description 1
- 238000007873 sieving Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
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
- G01N21/3563—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Immunology (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pathology (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Biochemistry (AREA)
- Mathematical Physics (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于近红外光谱的燕麦相对饲用价值的检测方法。本发明方法包括如下步骤：(1)采集N份不同品种燕麦全株样品，获取N份燕麦全株干样；(2)分别测定中性洗涤纤维和酸性洗涤纤维含量，计算相对饲用价值；(3)将N份燕麦全株干样中每个样品进行三次重复扫描，获取3N份近红外光谱图；(4)剔除近红外光谱图中异常样本，以剔除异常样本后剩余的全株干样为定标集，以随机抽取的全株干样为验证集；(5)构建定标模型；(6)获取待检测燕麦全株干样的近红外光谱图，根据定标模型，即可得到待检测燕麦全株的相对饲用价值。本发明方法提高了相对饲用价值检测的效率和准确性，填补了燕麦干草相对饲用价值近红外检测的空白。
Description
技术领域
本发明属于饲草检测领域，尤其涉及一种基于近红外光谱的燕麦相对饲用价值的检测方法。
背景技术
燕麦(Avena sative)是一种优良的禾本科(Gramineae)饲草，具有较高的营养价值与饲用价值，改善粗饲料的消化利用率，是家畜重要的饲料来源，对缓解家畜矛盾、提供均衡饲料、维持草地畜牧业可持续发展和生态建设起到了至关重要的作用。燕麦干草适口性好，具有可消化纤维含量高以及钾和硝酸盐含量低等特点，除了可以提高家畜的生产性能外，还能降低在某些时期疾病的发生，例如降低奶牛产后酮病的发生等。
在燕麦收获季节，将燕麦植株制成干草以备其他季节使用，是各畜牧单位常用的方法，其营养品质主要取决于粗蛋白(CP)、中性洗涤纤维(NDF)、酸性洗涤纤维含量(ADF)和粗脂肪(EE)含量等，作为粗饲料的主要来源，相对饲用价值是作为评价燕麦干草的重要参数。然而燕麦干草品质易受品种、产地、收获时期、加工方式等因素的影响。目前国内对这些营养指标的测定普遍采用常规的化学测定方法，其优点是准确度和精确度高，但这些测定方法不仅周期长，成本高、局限性强、操作麻烦、不利于进行实时监测。而且使用危险的化学药品，对检测员与环境造成一定的危害。
发明内容
本发明的目的是提供一种基于近红外光谱的燕麦相对饲用价值的检测方法，提高实际生产中相对饲用价值检测的效率和准确性，检测更加高效、绿色，可以实时监测，填补了燕麦干草相对饲用价值近红外检测的空白。
本发明提供的一种燕麦相对饲用价值的检测方法，包括如下步骤：
(1)采集N份不同品种的燕麦全株样品，N为50～150间的任意整数，烘干后粉碎，得到N份燕麦全株干样；
(2)分别测定所述N份燕麦全株干样中的中性洗涤纤维的含量和酸性洗涤纤维的含量，按照如下公式(1)-(3)分别计算所述N份燕麦全株干样的相对饲用价值；
RFV＝DDM×DMI/1.29 (1)
DDM＝88.9－0.779ADF (2)
DMI＝120/NDF (3)
其中，RFV表示相对饲用价值，DDM表示干物质消化率，DMI表示干物质采食量，NDF表示干物质中的中性洗涤纤维的质量百分含量，ADF表示干物质中的酸性洗涤纤维的质量百分含量；
(3)将所述N份燕麦全株干样中每个样品进行三次重复扫描，获取3N份近红外光谱图；
(4)剔除所述3N份燕麦全株干样中的异常样本，以剔除异常样本后剩余的全株干样为定标集，以随机抽取的全株干样为验证集；
(5)对步骤(2)中计算得到的所述定标集的相对饲用价值和步骤(3)得到的所述定标集的近红外光谱图进行关联，构建定标模型；
利用所述定标模型对步骤(4)中所述验证集进行预测，以验证所述定标模型；
(6)将待检测的燕麦全株烘干后粉碎，得到待检测的燕麦全株干样；获取所述待检测的燕麦全株干样的近红外光谱图，根据所述定标模型，即可得到所述待检测的燕麦全株的相对饲用价值。
上述的燕麦相对饲用价值的检测方法，步骤(1)中，N为83；所述不同品种可为采自不同国家(中国、美国、加拿大)的83个品种，如表1所示；
步骤(4)中，以随机抽取的35份燕麦品种作为验证集。
上述的燕麦相对饲用价值的检测方法，步骤(1)和步骤(6)中，所述烘干可在 60℃下进行，所述粉碎后可过1mm的筛。
上述的燕麦相对饲用价值的检测方法，步骤(2)中，利用化学分析方法分别测定所述N份燕麦全株干样中的中性洗涤纤维的含量和酸性洗涤纤维的含量，具体可采用全自动纤维分析仪(如ANKOM 2000i全自动纤维分析仪)进行测定。在本发明的具体实施例中，中性洗涤纤维(NDF)含量参照GB/T 20806-2006方法测定；酸性洗涤纤维(ADF)含量参照NY/T1459-2007方法测定。
上述的燕麦相对饲用价值的检测方法，步骤(3)中，所述近红外光谱图的扫描条件可如下：温度为26℃，扫描波长范围为1100nm～2492.8nm，波长间隔2nm，扫描次数32次。
上述的燕麦相对饲用价值的检测方法，步骤(4)中，所述剔除中聚类分析方式采用主成分分析，以马氏距离法中GH>3和T检验法中T>2.5剔除标准。
上述的燕麦相对饲用价值的检测方法，步骤(5)中，所述构建定标模型中采用不同光谱处理、不同数学处理和不同回归方法，以校正标准误差、交叉验证误差、定标相关系数和交叉验证决定系数为筛选标准确定最佳建模方法(以具有最低的SEC、 SECV和最高的RSQ和1-VR模型为最佳建模方法)；
所述不同光谱处理可为无散射预处理、标准化处理、去趋势化处理、标准化处理 +去趋势化处理、标准化多元散射处理、加权多元散射处理和反向多元散射处理；
所述不同数学处理可为导数处理和平滑处理；
所述不同回归方法可为改进局部偏最小二乘法、偏最小二乘法和主成分回归；
优选地，所述最佳建模方法如下：光谱处理为标准化处理+去趋势化处理，数学处理为1阶求导光谱间隔4个点第一次平滑处理间隔4个点第二次平滑处理间隔2个点，回归方法为改进偏最小二乘法。
上述的燕麦相对饲用价值的检测方法，步骤(5)中，具体可以外部验证决定系数(RSQv)、预测标准误差(RESEP)和预测相对标准误差(RPD)为衡量参数对所述验证集进行预测，如RPD大于3.0时模型具有较好的预测效果。
本发明近红外光谱的燕麦相对饲用价值的检测方法具有以下特点：
1、样品来源分布广，品种数目多，分析结果更加全面。本试验中所采集的燕麦干草样品分别来自不同地区、年限、生长期，并且样品的常规养分含量变化幅度大，覆盖面广泛，时间跨度较长，有利于NIRS模型的构建与优化；样品间的离散程度大符合正态分布，表明所选样品分布广泛，且具有良好的代表性。
2、NIRS与化学分析方法联用，包括光谱预处理、变量选择、数学处理、多元校正和模型转移，一定程度上能够提高模型预测的准确性和可靠程度。采用NIRS与多元线性回归法(MLR)、主成分回归法(PCR)、改进偏最小二乘回归法(MPLS)和偏最小二乘回归法(PLS)相结合使预测的结果更为可靠。
3、在建立燕麦干草相对饲用价值鉴定近红外预测模型中，对不同营养成分含量对应的光谱图进行了不同预处理以及数学处理，在此基础上再结合MPLS分析，将燕麦干草的光谱图和对应的通过化学分析方法测定的燕麦干草相对饲用价值进行关联，通过交叉验证评价模型预测效果，最终得到准确度较高的相对饲用价值(RFV)预测模型。
本发明基于近红外光谱的燕麦干草相对饲用价值的检测方法，提高实际生产中相对饲用价值检测的效率和准确性。降低了分析过程中不必要的时间和成本上的浪费以及与危化品接触的危险性，使检测更加高效、绿色，可以实时监测，填补了燕麦干草相对饲用价值近红外检测的空白。因此研究应用近红外光谱(NIRS)快速、准确测定燕麦干草相对饲用价值的方法，对我国饲草行业的发展和提供优质牧草，起到了关键的作用。
附图说明
图1为本发明实施例1中基于近红外光谱检测燕麦相对饲用价值的技术路线图。
图2为本发明实施例1中83个燕麦品种的干草中RFV的化学测定结果。
图3为本发明实施例1中FOSS NIRSsystem500型近红外光谱仪的照片。
图4为本发明实施例1中249个燕麦样品的近红外漫反射光谱图曲线。
图5为本发明实施例1中RFV测定值与预测值相关性结果。
具体实施方式
下面结合具体实施方式对本发明进行进一步的详细描述，给出的实施例仅为了阐明本发明，而不是为了限制本发明的范围。以下提供的实施例可作为本技术领域普通技术人员进行进一步改进的指南，并不以任何方式构成对本发明的限制。
下述实施例中所使用的实验方法如无特殊说明，均为常规方法；所用的材料、试剂等，如无特殊说明，均可从商业途径得到。
实施例1、基于近红外光谱检测燕麦相对饲用价值
按照图1所示技术路线图检测燕麦干草相对饲用价值方法，具体步骤如下：
(1)样品的采集
采集不同品种和生育时期的燕麦干草样品。为确保模型具有说服力，此次定标样品采自2020-2021年宁夏地区种植的83份燕麦种植资源，品种分别来自中国、美国、加拿大(品种名称见表1)，刈割收获得到83份燕麦全株样品。在60℃下烘干至恒重，剪碎，混匀、用高速粉碎机进行粉碎，然后过1mm的筛，得到83份燕麦全株干样。
表1、83份品种名称
(2)化学分析方法的测定
取上述83份燕麦全株干样，利用化学分析方法测定其相对饲用价值。为了确保实测值的准确，每个干样进行三次试验重复，最后取平均值。试验方法如下：中性洗涤纤维(NDF)含量参照GB/T 20806——2006方法(ANKOM 2000i全自动纤维分析仪)测定；酸性洗涤纤维(ADF)含量参照NY/T 1459——2007方法(ANKOM 2000i 全自动纤维分析仪)测定。
相对饲用价值计算公式如下：
RFV＝DDM×DMI/1.29 (1)
DDM(％)＝88.9－0.779ADF(％DM) (2)
DMI(％)＝120/NDF(％DM) (3)
公式(1)-(3)中，RFV为相对饲用价值，DDM为干物质消化率，DMI为干物质采食量，DM为干物质。
如图2所示是83种燕麦干草中RFV的化学测定结果。含量范围91.7～131.1。样品指标变化幅度大，分布较广，符合正态分布，其变化范围基本覆盖当前生产上不同生育时期推广品种和选育中可能出现的RFV值。因此所选样品可以很好的建立燕麦干草相对饲用价值(RFV)的近红外光谱预测模型。
(3)近红外光谱的获取与分析
扫描83份燕麦样品的近红外光谱图，每个样品重复扫描三次。试验采用FOSS 公司生产的NIRSsystem500型近红外光谱仪(图3)，工作条件为室温26℃，扫描波长范围1100nm-2492.8nm，波长间隔2nm，扫描次数32次计算得到平均光谱。图4 是249个近红外漫反射光谱图曲线，从中可以看出近红外区内燕麦干草的光谱反映很好，每个样品的吸收波段很相似却不会完全重合，这表明不同样本之间的重现性良好，又存在差异。样品之间的差异也有可能是因为不同样品表面的粗糙程度不同、电噪声和操作的影响，所以需要进一步对光谱进行预处理。
(4)奇异样本的剔除及分集
仪器噪音即使用者操作失误等均会产生奇异样本，使整个分析数据的结果受到影响。本次试验通过聚类分析方式采用主成分分析(PCA)，计算得分，利用马氏距离法(GH>3)和T检验(T>2.5)剔除异常值，发现并剔除6个异常样本，最终得到 243个燕麦干草样品的光谱图建立预测燕麦干草品质的近红外模型。
(5)光谱图分析与选择
为了消除仪器和环境的干扰，提高信噪比，进行光谱预处理，采用无散射预处理(None)、标准化处理(SNV)、去趋势化处理(Detrend)、SNV+Detrend、标准化多元散射处理(SMSC)、加权多元散射处理(WMSC)、反向多元散射处理(IMSC)处理方法；数学处理包含导数处理和平滑处理；回归方法包括改进局部偏最小二乘法 (MPLS)、偏最小二乘法(PLS)、主成分回归(PCR)。
通过定标软件WinISI III分别对相对饲用价值(RFV)定标集的燕麦干草样品进行最佳光谱处理和最优数学处理方法以及最适合的回归方法的筛选。建立校正标准误差和交叉验证误差最小，定标相关系数最大的校正模型。得到了相对饲用价值(RFV) 的最佳近红外建模数据。采用MPLS分别对经过不同光谱和数学预处理后的光谱进行建模分析，并通过交叉验证的方式进行预测，具有最低的SEC、SECV和最高的RSQ 和1-VR模型为最优模型。
表2、不同光谱处理方法对建模效果的影响
表3、不同数学处理方法对建模效果的影响
表4、不同回归方法对建模效果的影响
最终输出模型选取光谱处理为标准化处理+去趋势化处理，数学处理为1阶求导光谱间隔4个点第一次平滑处理间隔4个点第二次平滑处理间隔2个点，回归方法为改进偏最小二乘法。由表1可以看出RFV的定标相关系数和交叉验证决定系数分别为0.888和0.750，校正标准误和交叉验证误差分别为2.379和3.570。接近化学分析的精确度。
表5RFV标定的优化结果
Table1 optimization results for the calibration of RFV
注：SNV：标准化处理；Detrend:去趋势化处理；数学处理方法中四位数字分别表示求导阶数，光谱间隔点数，第一次平滑处理间隔点数，第二次平滑处理间隔点数；MPLS：改进偏最小二乘法；SEC：校正标准误；SECV：交叉验证误差；RSQ定标相关系数；1-VR：交叉验证决定系数.
(6)模型的检验
为评价输出模型预测效果，本试验采用燕麦样品验证集来进一步检验，本次试验采用随机抽取的35份燕麦品种作为验证集来进一步检验校正模型的预测效果。衡量参数选用RSQv外部验证决定系数，RESEP预测标准误差，RPD预测相对标准误差。由表2看出RFV的外部验证决定系数和预测标准误差为0.891和4.506(外部验证系数(RSQ)接近1，预测标准误差(RESEP)较小)。根据报道当RPD(SD/RMSESV) 大于2.5时模型能用于近红外预测，大于3.0时模型具有较好的预测效果，小于2.0 时，定标模型受到限制，不能用于预测。本次试验中RFV的预测相对标准误差(RPD) 为3.08，大于3说明本次建立的模型具有很好的预测效果。
表6用验证集对校准模型进行评估
Table2 The evaluation of the calibration models with validation sets
通过对比实测值与近红外模型预测值如图5所示，化学分析值与近红外预测值之间的相关系数为0.891，说明本次模型有良好的预测效果。
以上对本发明进行了详述。对于本领域技术人员来说，在不脱离本发明的宗旨和范围，以及无需进行不必要的实验情况下，可在较宽范围内实施本发明。虽然本发明给出了特殊的实施例，应该理解为，可以对本发明作进一步的改进。总之，按本发明的原理，本申请欲包括任何变更、用途或对本发明的改进，包括脱离了本申请中已公开范围，而用本领域已知的常规技术进行的改变。
Claims (7)
1.一种燕麦相对饲用价值的检测方法，包括如下步骤：
(1)采集N份不同品种的燕麦全株样品，N为50～150间的任意整数，烘干后粉碎，得到N份燕麦全株干样；
(2)分别测定所述N份燕麦全株干样中的中性洗涤纤维的含量和酸性洗涤纤维的含量，按照如下公式(1)-(3)分别计算所述N份燕麦全株干样的相对饲用价值；
RFV＝DDM×DMI/1.29 (1)
DDM＝88.9－0.779ADF (2)
DMI＝120/NDF (3)
其中，RFV表示相对饲用价值，DDM表示干物质消化率，DMI表示干物质采食量，NDF表示干物质中的中性洗涤纤维的质量百分含量，ADF表示干物质中的酸性洗涤纤维的质量百分含量；
(3)将所述N份燕麦全株干样中每个样品进行三次重复扫描，获取3N份近红外光谱图；
(4)剔除所述3N份燕麦全株干样中的异常样本，以剔除异常样本后剩余的全株干样为定标集，以随机抽取的全株干样为验证集；
(5)对步骤(2)中计算得到的所述定标集的相对饲用价值和步骤(3)得到的所述定标集的近红外光谱图进行关联，构建定标模型；
利用所述定标模型对步骤(4)中所述验证集进行预测，以验证所述定标模型；
(6)将待检测的燕麦全株烘干后粉碎，得到待检测的燕麦全株干样；获取所述待检测的燕麦全株干样的近红外光谱图，根据所述定标模型，即可得到所述待检测的燕麦全株的相对饲用价值。
2.根据权利要求1所述的燕麦相对饲用价值的检测方法，其特征在于：步骤(1)中，N为83；
步骤(4)中，以随机抽取的35份燕麦品种作为验证集。
3.根据权利要求1或2所述的燕麦相对饲用价值的检测方法，其特征在于：步骤(1)和步骤(6)中，所述烘干在60℃下进行，所述粉碎后过1mm的筛。
4.根据权利要求1-3中任一项所述的燕麦相对饲用价值的检测方法，其特征在于：步骤(3)中，所述近红外光谱图的扫描条件如下：温度为26℃，扫描波长范围为1100nm～2492.8nm，波长间隔2nm，扫描次数32次。
5.根据权利要求1-4中任一项所述的燕麦相对饲用价值的检测方法，其特征在于：步骤(4)中，所述剔除中聚类分析方式采用主成分分析，以马氏距离法中GH>3和T检验法中T>2.5剔除标准。
6.根据权利要求1-5中任一项所述的燕麦相对饲用价值的检测方法，其特征在于：步骤(5)中，所述构建定标模型中采用不同光谱处理、不同数学处理和不同回归方法，以校正标准误差、交叉验证误差、定标相关系数和交叉验证决定系数为筛选标准确定最佳建模方法；
所述不同光谱处理为无散射预处理、标准化处理、去趋势化处理、标准化处理+去趋势化处理、标准化多元散射处理、加权多元散射处理和反向多元散射处理；
所述不同数学处理为导数处理和平滑处理；
所述不同回归方法为改进局部偏最小二乘法、偏最小二乘法和主成分回归；
所述最佳建模方法如下：光谱处理为标准化处理+去趋势化处理，数学处理为1阶求导光谱间隔4个点第一次平滑处理间隔4个点第二次平滑处理间隔2个点，回归方法为改进偏最小二乘法。
7.根据权利要求1-6中任一项所述的燕麦相对饲用价值的检测方法，其特征在于：步骤(5)中，以外部验证决定系数、预测标准误差和预测相对标准误差为衡量参数对所述验证集进行预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210327847.5A CN114720421B (zh) | 2022-03-30 | 一种基于近红外光谱的燕麦相对饲用价值的检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210327847.5A CN114720421B (zh) | 2022-03-30 | 一种基于近红外光谱的燕麦相对饲用价值的检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114720421A true CN114720421A (zh) | 2022-07-08 |
| CN114720421B CN114720421B (zh) | 2024-06-28 |
Family
ID=
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115541342A (zh) * | 2022-10-15 | 2022-12-30 | 东北农业大学 | 基于青贮玉米和大豆混配的养殖饲料品质测定系统和测定方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115541342A (zh) * | 2022-10-15 | 2022-12-30 | 东北农业大学 | 基于青贮玉米和大豆混配的养殖饲料品质测定系统和测定方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Development and validation of near-infrared spectroscopy for the prediction of forage quality parameters in Lolium multiflorum | |
| Smith et al. | Monitoring the performance of a broad-based calibration for measuring the nutritive value of two independent populations of pasture using near infrared reflectance (NIR) spectroscopy | |
| Park et al. | The use of near infrared reflectance spectroscopy on dried samples to predict biological parameters of grass silage | |
| Raymond et al. | Nondestructive sampling of Eucalyptus globulus and E. nitens for wood properties. III. Predicted pulp yield using near infrared reflectance analysis | |
| CN102539375A (zh) | 基于近红外光谱秸秆固态发酵过程参数软测量方法及装置 | |
| Patel et al. | Performance of different portable and hand-held near-infrared spectrometers for predicting beef composition and quality characteristics in the abattoir without meat sampling | |
| Bittante et al. | Invited review: A comprehensive review of visible and near-infrared spectroscopy for predicting the chemical composition of cheese | |
| Herrero et al. | Prediction of the in vitro gas production and chemical composition of kikuyu grass by near-infrared reflectance spectroscopy | |
| Belanche et al. | Measurement of rumen dry matter and neutral detergent fiber degradability of feeds by Fourier-transform infrared spectroscopy | |
| Nie et al. | Near-infrared reflectance spectroscopy prediction of neutral detergent-soluble carbohydrates in timothy and alfalfa | |
| CN116297249A (zh) | 一种青贮玉米饲料品质分级方法、装置及存储介质 | |
| García et al. | Use of near infrared reflectance (NIR) spectroscopy to predict chemical composition of forages in broad-based calibration models | |
| Perez et al. | Authentication of green asparagus varieties by near‐infrared reflectance spectroscopy | |
| CN114092839A (zh) | 基于无人机遥感的大豆收获期成熟度的判断方法 | |
| Chen et al. | Evaluation of Leymus chinensis quality using near-infrared reflectance spectroscopy with three different statistical analyses | |
| CN112213281A (zh) | 一种基于透射近红外光谱快速测定淡水鱼新鲜度综合评价的方法 | |
| CN114720421B (zh) | 一种基于近红外光谱的燕麦相对饲用价值的检测方法 | |
| CN114720421A (zh) | 一种基于近红外光谱的燕麦相对饲用价值的检测方法 | |
| Park et al. | The development of near infrared reflectance spectroscopy calibrations for undried grass silage and their transfer to another instrument using multiple and single sample standardisation | |
| Canaza-Cayo et al. | Prediction of alpaca fibre quality by near-infrared reflectance spectroscopy | |
| JP2000501186A (ja) | 飼料の質の測定法 | |
| Refat et al. | Evaluation of prediction of indigestible fiber fraction (iNDF) of whole-crop barley silage by using non-destructive spectroscopic techniques as a fast-screening method: comparison between FTIR vs. NIR | |
| CN110609011A (zh) | 单籽粒玉米种子淀粉含量近红外高光谱检测方法及系统 | |
| Keim et al. | Prediction of crude protein and neutral detergent fibre concentration in residues of in situ ruminal degradation of pasture samples by near-infrared spectroscopy (NIRS) | |
| KR102141154B1 (ko) | 근적외선 및 케모메트릭스를 이용한 고구마의 비파괴 품질평가 방법 |
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 |