基于近紅外光譜法的魚粉快速判別

宋 濤，宋 軍，劉耀敏，米學林，饒瑾瑜，趙 艷，范秀麗

（通威股份有限公司，水產畜禽營養與健康養殖農業部重點實驗室，四川 成都　　6100 41）

基于近紅外光譜法的魚粉快速判別

宋 濤，宋 軍，劉耀敏，米學林，饒瑾瑜，趙 艷，范秀麗

（通威股份有限公司，水產畜禽營養與健康養殖農業部重點實驗室，四川 成都6100 41）

基于近紅外漫反射光譜分析技術對市場上常見的淡水魚粉、進口魚粉和國產魚粉3 類商品化的魚粉樣品進行自動化判別實驗。通過分析魚粉樣品光譜之間的差異，采用主成分分析法建立魚粉種類的定性判別的分類模型，光譜范圍為波長1 100～2 498 nm，交互定標決定系數為0.913 5，交互定標標準誤差為0.133 8。通過對驗證樣品的分析，建立的判別模型預判準確 率達到84.6%，外部驗證準確率達到100%。結果表明，近紅外光譜技術結合化學計量學法可以作為一種快速、無損、可靠的方法用于魚粉種類的判別。

近紅外光譜；魚粉；判別；種類；主成分分析

魚粉是飼料企業重要的蛋白、能量原料，目前在水產、畜禽飼料中的應用比較廣泛，主要用于平衡日糧中的氨基酸與蛋白質，同時也 能平衡礦物質，同時含有一些未知的促生長因子［1］。我國年消費魚粉100多萬 t，占世界消費量的1/5，年進口41萬～98萬 t，是世界最大的魚粉消費國和進口國。

市場常見的有山東、浙江、秘魯、智利的紅魚粉和美國、波蘭、新西蘭、俄羅斯的白魚粉。按照養殖地域、捕撈方式等的不同，可以將魚粉分為淡水魚粉和海水魚粉，而海水魚粉又可細分為進口魚粉和國產魚粉2 類。

不同類別的魚粉之間，在組織成分含量上都有較大的區別［1］。具體體現在色澤、氣味等感官指標及粗蛋白、粗灰分、鈣、總磷、酸價、揮發性鹽基氮、賴氨酸、蛋氨酸等營養指標上［2］。因此，市場價格差異較明顯。隨著國際漁業資源的變化及期貨市場的變動，進口魚粉的價格變化較為劇烈。為了有效區分淡水魚粉與海水魚粉、國產魚粉與進口魚粉，避免不必要的損失，廣大企業需要切實有效的手段對魚粉的類別加以識別。

隨著近紅外技術的不斷發展與普及，廣大技術人員不再局限于滿足得到水分等常規性理化指標，不斷拓展近紅外技術的應用范圍，結合化學計量學［3］的方法開始使用近紅外做定性分類［4］及種類［5］、產地［6］的鑒別，在藥品［7］、紡織物［8］、茶葉［9］、植物油［10］、酒類［11］、煙草［12］等許多方面都得到了比較好的結果。在魚粉的研究方面，王丹紅等［13］研究了如何區分進口白魚粉與紅魚粉，但是如何快速有效區分淡水魚粉與海水魚粉、進口魚粉與國產魚粉的研究鮮見報道。本研究探討了市場上常見的2 種分類方式的3 類魚粉近紅外光譜法的分類判別方法［14］，為有效識別商業化的不同種類的魚粉提供了一種實用的新方法。

1　　材料與方法

1.1材料

原始樣品：2009—2014年間收集的進口魚粉樣品（主要為秘魯魚粉和智利魚粉）1 349個，國產魚粉樣品1 671 個，淡水魚粉（主要為羅非魚粉）559 個，總計3 751 個。

2014年間收集的不包括原始樣品中的進口魚粉樣品123 個，國產魚粉樣品155 個，淡水魚粉樣品34 個，共312 個。

1.2儀器與設備

TR-3750系列MODEL 5000光柵型近紅外飼料分析儀、漫反射套件丹麥FOSS公司；L8900型全自動氨基酸分析儀日本日立公司。

1.3樣品氨基酸質量分數測定

本實驗中所用所有樣品，均使用全自動氨基酸分析儀，按照GB/T 18246—2000《飼料中氨基酸的測定》中的離子色譜法進行測定得到氨基酸質量分數。

2　　結果與分析

2.1樣品氨基酸質量分數測定結果

2.1.1建模樣品集

對2009—2014年間收集的進口魚粉樣品、國產魚粉樣品、淡水魚粉樣品進行氨基酸質量分數測定，見表1。

表1　建模集魚粉樣品氨基酸質量分數TTaabbllee 11 　　AAmmiinnoo aacciidd ccoonntteennttss ooff ffi i sshh mmeeaall iinn mmooddeelliinngg sseett %

2.1.2驗證樣品集

對2014年間收集的不包括原始樣品集中的進口魚粉樣品、國產魚粉樣品、淡水魚粉樣品進行氨基酸質量分數測定，見表2。

表2　驗證集魚粉樣品氨基酸質量分數TTaabbllee 22 　　AAmmiinnoo aacciidd ccoonntteennttss ooff ffi i sshh mmeeaall iinn tteessttiinngg sseett %

2.2魚粉樣品掃描

將建模樣品集和驗證樣品集的魚粉樣品，采用ISISCAN 4.6軟件漫反射掃描模式，使用樣品杯（1/4 CUP），每個樣品重復裝樣2 次進行掃描，掃描區間波長為1 100～2 498 nm，光譜數據采集間隔為2 nm，導出標準化的光譜，再進行光譜預處理［15］。3 類魚粉的平均光譜見圖1。

圖 1　TR3750-5000型近紅外分析儀掃描不同種類魚粉得到的近紅外平均光譜Fig.1　Near infrared refl ectance spectra of different fi sh meal samples by TR3750-5000 spectrometer

2.3魚粉樣品的篩選

為了去除來自高頻隨機噪音、基線漂移和樣品不均勻等造成的影響［16］，需先將光譜平均化，即將同一樣品的光譜進行平均化處理［17］（圖1）之后，利用WinISI軟件提供的“Create Score File From Spectre File”（創建得分文件）功能，選擇主成分分析（principal component analysis，PCA）法，進行異常樣品的剔除［18］，將馬氏距離超過3.0的異常樣品從定標樣品中剔除［19］。將剔除異常樣品后余下1 321 個進口魚粉、1 641 個國產魚粉、553 個淡水魚粉作為訓練樣品集，共3 515 個樣品，見圖2。

圖 2　　主成分得分散點圖Fig.2　　Score scatter plot of principal components

2.4建立判斷模型

利用WinISI Ⅲ軟件的“Discriminant Equations”功能，使用3 種魚粉的訓練樣品集樣品，建立魚粉類別判斷模型（PSD文件）。通過選擇全光譜范圍［20］，優選光譜散射處理方法、導數處理方法［21］、數據間隔點、平滑處理間隔點、二次平滑處理間隔點等條件，采取軟件內置的交叉驗證算法得到不同的模型，如表3所示，分析得到的交互定標決定系數（1 minus the variance ratio，1-VR）和交互定標標準誤差（standard error if cross validation，SECV）。

表3　不同光譜預處理方法對定標結果的影響TTaabbllee 33 　　EEffffeeccttss ooff ddiiffffeerreenntt ssppeeccttrraall pprreettrreeaattmmeenntt mmeetthhooddss oonn calibration r　esuullttss

根據1-VR值越大越好，SECV值越小越好［22］的原則，選擇排序前4的判別模型（代號為F、H、J、L），模型會計算每個建模樣品在每類魚粉條件下的得分，得到判斷的結果，具體判別準則為：1）建模類別條件下得分在1.70～2.30之間，另外2 種建模類別的得分均在1.25以下的樣品，即為可準確判斷的樣品；2）建模類別條件下得分雖然小于1.70，但在3 個得分中最高，而另外2 種建模類別的得分均在1.25以下的樣品，即為模糊判斷的樣品；3）建模類別條件下的得分雖然在3 個得分中最高，但共有超過2 個的得分大于1.25的樣品，即為模糊判斷的樣品；4）建模類別得分比在其他類別條件下的得分小的樣品，即為錯判樣品；5）建模類別得分超過2.30的樣品，即為錯判樣品，如表4所示。

表 4　模型判斷規則Taabbllee 44 　　TThhee ddeecciissiioonn rruulleess ooff ddiissccrriimmiinnaattiioonn mmooddeellss

表5　4 個判斷模型的錯判率Taabbllee 55 　　TThhee mmiissjjuuddggmmeenntt rraatteess ooff ffoouurr ddiissccrriimmiinnaattiioonn mmooddeellss%

計算各模型預判結果的判斷誤差率，見表5，綜合錯判比率與模糊判斷比率的結果，選擇代號為H（光譜處理方式在軟件中表示為：標準正常化處理、2）、3）、3）、1）的判斷模型作為最優的判斷模型［23］。

2.5驗證判斷模型

利用WinISI Ⅲ軟件的“Discriminant groups”功能，用建立的判斷模型文件對驗證集樣品進行分析，見表6。

表6　　驗證樣品集預判結果Table 6　　Results obtained for testing set samples

本預判模型正確率僅達到84.6%，在對所有錯判的樣品進行感官檢驗后，發現這些錯判的樣品在不同程度上存在顆粒粗細差別較大、含有蝦蟹成分等雜質較多及氨基酸比例不正常等問題，另外，國產魚粉樣品中錯判為進口魚粉的樣品顏色偏紅，且顆粒細度較一致，咸腥味較重，應為質量較好的國產魚粉，且氨基酸質量與進口魚粉基本相當。以國產魚粉樣品076（預判為淡水魚粉）、國產魚粉樣品035（預判為進口魚粉）、進口魚粉樣品021（預判為國產魚粉）的氨基酸數據為例，如表7所示，結合表1中所列3 種魚粉的氨基酸含量的平均值，對3 個樣品進行氨基酸分析。發現國產魚粉樣品076的谷氨酸（9.37%）很高，遠超國產魚粉的平均值8.51%，靠近淡水魚粉的平均值8.93%；精氨酸（2.68%）很低，遠低于國產魚粉的平均值3.24%，靠近淡水魚粉的平均值2.94%；蘇氨酸（2.64%）減去絲氨酸（2.28%）的值為0.36%，高于國產魚粉的平均值0.27%，靠近淡水魚粉的平均值0.43%；再考慮到其賴氨酸含量高達5.06%，結合感官檢驗：魚腥味較淡，細粉狀的樣品顆粒較多，綜合判斷該魚粉（標識國產魚粉076）實際主要為淡水魚粉。國產魚粉樣品035，其谷氨酸（8.68%）、纈氨酸（3.13%）、脯氨酸（2.71%）、賴氨酸（5.08%）、蛋氨酸（1.89%）等氨基酸指標均比較符合進口魚粉的特點，再結合感官檢驗：魚肉纖維較多、較長，骨質、蝦蟹殼等明顯，比較干燥，口感較咸，綜合判斷該魚粉（標識國產魚粉035）實際質量與進口魚粉質量相當。而進口魚粉樣品021，谷氨酸（8.07%）、賴氨酸（4.59%）、精氨酸（3.17%）、亮氨酸（4.51%）等氨基酸指標均比較符合國產魚粉的特點，再結合感官檢驗：魚肉纖維偏短，骨質成分較多，顏色偏淺等，綜合判斷該魚粉（標識進口魚粉021）實際質量與國產魚粉相當，懷疑其內摻雜了大量國產魚粉。從以上3 個樣品的分析可以看出，通過氨基酸數據的分析再結合感官檢驗，可以基本確認預判模型的錯判結果（與魚粉的商品標識不一致）其實是真實反映了這些魚粉的實際內在質量問題（與感官檢驗、氨基酸質量分析的結果一致）。

表7　錯判樣品氨基酸數據Taabbllee 77 　　AAmmiinnoo aacciidd ccoonntteennttss ooff tthhee mmiissjjuuddggeedd ffi i sshh mmeeaall %

2.6實際樣品判定及分析

為驗證實際使用效果，在ISISCAN 4.6軟件中導入建立的判斷模型，建立魚粉種類的判別產品組。通過1 個月時間收集了68 個實際樣品，經過氨基酸分析及感官檢驗，將樣品分為2 類，一類是正常樣品，計有12 個淡水魚粉、23 個國產魚粉、18 個進口魚粉，共53 個正常樣品，經過近紅外掃描檢測，判定結果全部準確，沒有出現錯判現象；另一類是異常樣品，計有4 個國產魚粉、11 個進口魚粉，共15 個異常樣品，經過近紅外掃描檢測，判定結果全部“錯判”且“錯判”的結果全部符合氨基酸分析與感官檢驗的結論。據此，實際樣品的近紅外判定結果全部準確。

3　　結 論

本研究應用近紅外法進行魚粉種類的分類判斷是可行的，預判準確率達到84.6%，外部樣品驗證準確率達到100%。

由于本研究收集的淡水魚粉、進口魚粉與國產魚粉均是商品名稱，無法從名稱上核實產地等信息。因此，在對驗證集進行預判的時候，雖然出現了一定數量未能準確判斷的樣品，但經過了氨基酸分析和感官檢驗后，這些判斷不準確的樣品應該屬于非正常樣品，即“偽”樣品。而恰恰是對這些非正常樣品的“錯誤”判斷，表明本預判模型在一定程度上起到了識別摻假魚粉的作用。

［1］LISA D， SARA G， CARL F， et al. Feeding aquaculture grow th through globalization: exploitation of marine ecosystems for fish meal［J］. Global Environmental Change， 2007， 17（2）: 238-249.

［2］黃家明， 邱代飛. 越南淡水魚排粉與南美全魚粉的 特性比較與評價［J］.廣東飼料， 2014， 22（4）： 38-40.

［3］BALABIN R M， SAFI EVA R Z. Capabilities of near infrared spectroscop y for the determination of petroleum macromolecule cont ent in aromatic solutions［J］. Journal of Near Infrared Spectroscopy，2007， 15（6）： 343-349.

［4］曹 吾， 李 衛軍， 王平， 等. 近紅外定性分析模型的穩健性與適應性分析［J］. 光譜學與光譜分析， 2014， 34（6）： 1506-1511.

［5］朱斌， 蔣平， 馬淑艷， 等. NIRDRS指紋圖譜庫用于三種中藥 材的定性鑒別［J］. 中國藥師， 2006， 9（11）： 990-992.

［6］韓仲志， 萬劍華， 張洪生， 等. 基于玉米籽粒近紅外光譜的品種與產地識別研究［J］. 中國糧油學報， 2014， 29（1）： 21-25.

［7］曲如燕. 近紅外光譜在藥品快速鑒別中的應用［J］. 實用醫技雜志，2010， 17（7）： 649-650.

［8］王戈， 黃安民， 胡小霞， 等. 利用近紅外光譜鑒別紡織用竹纖維和麻纖維［J］. 光譜學與光譜分析， 2010， 30（9）： 2365-2367.

［9］林新， 牛智有. 基于近紅外光譜茶葉種類的快速識別［J］. 華中農業大學學報， 2008， 27（2）： 326-330.

［10］ 楊佳， 武彥文， 李冰寧， 等. 近紅外光譜結合化學計量學研究芝麻油的真偽與摻偽［J］. 中國糧油學報， 2014， 29（3）： 114-119.

［11］ 郭海霞， 王濤， 劉洋， 等. 基于可見-近紅外光譜技術的葡萄酒真偽鑒別的研究［J］. 光譜 學與光譜分析， 2011， 31（12）： 3269-3272.

［12］ HANA M， MCCLURE W F. Applying artifi cial neural networks： part Ⅱ. Using near in frared data to classify tobacco types and identify native grown tobacco［J］. Journal of Near Infrared Spectroscopy， 1997，5（1）： 19-25.

［13］ 王丹紅， 吳文晞. 近紅外反射光譜與 化學模式識別結合鑒別魚粉類別［J］. 檢驗檢疫科學， 2002， 12（6）： 24-25.

［14］ ANDRéS O， JUAN M G， JAVIER R， et al. LVQ-SVM based CAD tool applied to structur al MRI for the diagnosis of the alzheimer's disease［J］. Pattern Recognition Letters， 2013， 34（14）： 17-25.

［15］ 馬本學， 饒秀勤， 應義斌， 等. 基于近紅外漫反射光譜的香梨類別定性分析［J］. 光譜學與光譜分析， 2009， 29（12）： 3288-3290.

［16］ 李娟， 范璐， 鄧德文， 等. 近紅外光譜法主成分分析6 種植物油脂的研究［J］. 河南工業大學學報： 自然科學版， 2008， 29（5）： 18-21.

［17］ 劉星， 毛丹卓， 王正武， 等. 薏仁種類的近紅外光譜技術快速鑒別［J］.光譜學與光譜分析， 2014， 34（5）： 1259-1263.

［18］ 翁欣欣， 陸峰， 王傳現， 等. 近紅外光譜-BP神經網絡-PLS法用于橄欖油摻雜分析［J］. 光譜學與光譜分析， 2009， 29（ 12）： 3283-3286.

［19］ 石光濤， 韓魯佳， 楊增玲， 等. 魚粉中摻雜豆粕的可見和近紅外反射光譜分析研究［J］. 光譜學與光譜分析， 2010， 29（2）： 362-366.

［20］ BALABIN R M， SMIRNOV S V. Variable selection in near-infrared spectroscopy： benchmarking of feature selection methods on biodiesel data［J］. Analytica Chimica Acta， 2011， 692（1/2）： 63-72.

［21］ 劉小莉， 賈剛， 王康寧， 等. 應用傅利葉近紅外光譜定性、定量檢測魚粉中摻雜三聚氰胺的研究［J］. 動物營養學報， 2010， 22（3）：741-749.

［22］ 李維莉， 張亞平. 近紅外光譜的主成分分析： 馬氏距離分類法應用于品牌卷煙煙絲的快速鑒別［J］. 云南農業大學學報， 2010， 25（2）：268-272.

［23］ 楊增玲， 韓魯佳， 李瓊飛， 等. 反芻動物精料補充料中肉骨粉快速檢測近紅外光譜法［J］. 光譜學與光譜分析， 2008， 28（6）： 1278-1282.

Rapid Discrimination of Different Fishmeals with Near-Infrared Spectroscopy

SONG Tao， SONG Jun， LIU Yaomin， MI Xuelin， RAO Jinyu， ZHAO Yan， FAN Xiuli
（Key Laboratory of Aquatic， Livestock， Poultry Nutrition and Healthy Culturing， Ministry of Agriculture，Tongwei Co. Ltd.， Chengdu610041， China）

A method was established for the automatic discrimination of three varieties of fi shmeal by means of near infrared spectroscopy （NIRS）. Through analysis of the spectral differences of fi shmeal samples， a discrimination model for different types of fi shmeal was developed by using t principal component analysis （PCA）. The spectra were scanned from 1 100 nm to 2 498 nm. The 1 minus variance ratio （1-VR） was 0.913 5 and the standard error of cross validation （SECV） was 0.133 8. The accuracy rates of discriminate for calibration and external validation were 84.6% and 100%， respectively. The results of the study indicate that NIRS combined with chemometrics is rapid， nondestructive， reliable and suitable for the discrimination of three varieties of fi shmeal.

near-infrared spect roscopy； fi shmeal； discrimination； varieties； principal component analysis

S379

A

1002-6630（2015）24-0260-05

10.7506/spkx1002-6630-201524048

2015-03-24

四川省科技支撐計劃項目（2011NZ0071）

宋濤（1980—），男，高級工程師，碩士，研究方向為飼料營養及質量安全評價。E-mail：songt@tongwei.com