基于近紅外光譜技術評估大豆皮纖維含量的研究

向娜娜 趙江濤 陳 麗 夏超篤 王曉瓊 陳 林 紀昌正

(溫氏食品集團股份有限公司，云浮527400)

大豆皮作為大豆加工副產品之一，主要由纖維和果膠組成，幾乎不含淀粉[1]。大豆皮水分含量約10%，干物質的80%是碳水化合物，其中非纖維性碳水化合物(NFC)含量約占20%，且木質素含量低、適口性好、消化率高[2]。對單胃動物來說，大豆皮由于纖維素和半纖維素含量較高，能夠在盲腸發(fā)酵為揮發(fā)性脂肪酸為動物供能，故大豆皮是很好的纖維飼料原料，而且具有價格低、產量大的優(yōu)勢，可以降低養(yǎng)豬成本、提高養(yǎng)豬效益[3]。大豆皮在反芻動物中的應用，可以增加其唾液的分泌，促進瘤胃蠕動及乙酸的產生，提高脂肪和蛋白質含量[4-5]。我國大豆皮資源豐富，其不僅可以代替粗飼料，還能替代部分玉米和小麥等谷物飼料，且價格低廉。因此，大豆皮作為動物飼料資源有著廣闊的應用前景。

近紅外光譜(NIR)技術作為目前發(fā)展最快和最具前景的過程分析技術之一，具有無損、快速、準確、無污染等優(yōu)點，已被廣泛應用于不同的科學研究領域。目前，在畜禽飼料營養(yǎng)評定方面，NIR技術被越來越廣泛的應用。在飼料原料營養(yǎng)成分評定方面，關于玉米、小麥、稻谷、高粱及豆粕等營養(yǎng)成分含量的NIR檢測已有報道[6-9]，此外在飼料成品的評定以及畜禽飼料消化率預測等方面也有研究。王勇生等[10]應用NIR技術建立了高粱中粗蛋白質(CP)、水分含量近紅外模型，模型的相對分析誤差(RPD)分別為8.41、12.20；交互驗證相對分析誤差分別為4.97、7.97；外部驗證RPD分別為3.32、5.36，表明該模型具有精確地評估高粱中CP和水分含量的應用效果。Nirea等[11]利用NIR技術準確地預測糞便的化學成分和營養(yǎng)物質含量，如有機物(OM)、CP含量及總能的表觀總消化率(ATTD)。王旭峰[12]研究了飼料成品中水分、CP、粗纖維(CF)和粗脂肪(EE)含量等近紅外模型的建立，模型的決定系數(shù)(R2)分別為0.911、0.867、0.945和0.917，具有較好的預測效果。而對于飼料原料纖維等營養(yǎng)指標的報道較少，尤其在大豆皮CF、中性洗滌纖維(NDF)及酸性洗滌纖維(ADF)含量方面的研究，因此，本研究主要針對目前飼用大豆皮纖維相關指標，應用NIR技術進行圖譜采集、模型建立及驗證，以期為大豆皮的快速無損檢測提供參考。

1 材料與方法

1.1 試驗材料

1.1.1 樣品收集與處理

選擇飼料用大豆皮，大豆皮樣品來自于國內不同地區(qū)，共106份單個樣品。將大豆皮樣品用萊馳粉碎機(ZM 200型，德國)粉碎，過40目標準篩。過篩后，將樣品混合均勻，采用四分法取樣，取相對的2份混合，然后再平分，直到達到分樣要求。樣品分為2個重復，裝入自封袋中，干燥避光處存放，并對樣品進行NIR掃描，掃描的同時采用濕化學分析法測定大豆皮纖維相關指標含量。

1.1.2 主要儀器及試劑。

主要儀器：NIR儀(BRUKER，MATRIX-I)、全自動纖維浸提儀(Gerhardt, FT12)、脂肪分析儀(ANKOM,XT10)、天平(METTLER,ML204T)及馬弗爐(上海一恒，SX2-4-10)、烘箱(上海一恒，DHG-9075A)等。

試劑：石油醚、丙酮、四硼酸鈉、無水磷酸氫二鈉、乙二胺四乙酸二鈉、硫酸、氫氧化鉀、十二烷基硫酸鈉等(廣州化學試劑廠)；十六烷基三甲基溴化銨(天津大茂)；正辛醇、乙二醇乙醚(國藥)。

1.2 試驗方法

1.2.1 大豆皮中水分、CF、NDF及ADF含量測定

分別采用GB/T 5009.3—2016、GB/T 6434—2006、GB/T 20806—2006及NY/T 1459—2007方法測定大豆皮中水分、CF、NDF及ADF含量。

1.2.2 大豆皮NIR采集

本實驗室利用BRUKER公司MATRIX-I傅里葉變換NIR儀，采集106份大豆皮樣品的光譜。光譜采集范圍為4 000～11 500 cm-1，分辨率為16 cm-1，掃描次數(shù)64，樣品重復裝樣掃描3次，取3次掃描光譜作為樣本的原始光譜，大豆皮近紅外掃描光譜見圖1。

1.3 數(shù)據處理

1.3.1 近紅外圖譜數(shù)據處理

大豆皮近紅外預測結果及濕化學數(shù)據采用SPSS 21.0進行統(tǒng)計分析。采集的大豆皮樣品光譜，利用MATRIX-I傅里葉變換NIR儀中OPUS 8.1軟件的各種光譜數(shù)據預處理技術和統(tǒng)計方法進行校正，根據檢驗結果確定最佳的定標參數(shù)設置。光譜基線校正：使用矢量歸一化(SNV)和多元散射校正(MSC)等；數(shù)學處理：使用導數(shù)處理和平滑處理2種方法。導數(shù)處理又分一階導數(shù)和二階導數(shù)處理；平滑處理又分移動窗口平滑和S-G卷積平滑。定標模型的驗證：采用內部驗證和外部驗證(將樣品按7∶3的比例隨機分為定標集和驗證集)2種方法，根據R2、內部驗證均方根誤差(RMSECV)、外部驗證均方根誤差(RMSECP)及RPD等評價定標模型的可行性。

圖1 大豆皮原始近紅外掃描光譜圖

1.3.2 定標模型評估指標

定標模型對各指標的評估，如果RPD≥3.0，說明定標效果良好，建立的定標模型可以用于實際檢測；如果2.5≤RPD<3.0，說明利用NIR掃描對該成分進行定量分析是可行的；如果RPD<2.5，則說明該成分不適合進行NIR定量分析。

2 結果與分析

2.1 大豆皮纖維相關指標的測定

采用國標濕化學方法，檢測了106份大豆皮樣本中水分、CF、NDF及ADF含量，并計算其平均值、標準偏差及變異系數(shù)，檢測結果見表1。

2.2 大豆皮近紅外建模參數(shù)及模型構建

近紅外建模過程中參數(shù)的選擇，包括譜區(qū)范圍、預處理方法(基線校正、數(shù)學處理)及最優(yōu)主因子數(shù)等，均會影響近紅外模型構建的質量。本試驗大豆皮采用偏最小二乘法(PLS)化學計量學方法進行建模，水分含量參與建模樣品71個，預測集30個，5個為剔除值，主因子數(shù)為7；CF含量采用PLS化學計量學方法進行建模，參與建模樣品69個，預測集29個，8個為剔除值，主因子數(shù)為8；NDF和ADF含量均采用PLS化學計量學方法進行建模，光譜處理方式均選擇一階導數(shù)+SNV，保證建模的穩(wěn)定性，參與建模樣品68個，預測集28個，10個為剔除值，預測模型的建模參數(shù)見表2。

表1 大豆皮纖維相關指標檢測結果

表2 大豆皮纖維相關指標預測模型的建模參數(shù)

2.3 大豆皮纖維相關指標近紅外模型的評估

2.3.1 評估指標

本研究利用OPUS 8.1定標軟件，通過內部交叉驗證及外部驗證2種方法，對大豆皮3種纖維指標的近紅外模型進行評估。從表3可以看出，大豆皮水分及3種纖維指標模型決定系數(shù)均接近于1，且模型的RPD均大于3，均方根誤差<0.6，表明該模型具有較好的穩(wěn)定性及預測能力，用該模型預測類似樣品可以得到較好的預測效果。

表3 大豆皮纖維相關指標預測模型的評估指標

2.3.2 內部交叉驗證

大豆皮纖維相關指標內部交叉驗證的結果分別見圖2至圖5，內部交叉驗證得到各化學組分交叉驗證RMSECV較小，且模型的R2均大于0.9，RPD均大于3.0，說明整體樣品分布均勻，比較集中地分布在中心線附近，定標效果良好，建立的定標模型可以用于實際檢測。其中大豆皮水分含量的模型較好，RPD>13.6，且RMSECV為0.07，而纖維指標中CF、NDF及ADF含量模型的RPD分別為3.62、4.82及3.37，R2分別為0.92、0.95及0.91，這表明模型預測值與實測值比較接近，模型的精確性高，具有較好的應用效果。

圖2 水分含量預處理光譜圖及內部交叉驗證結果

圖3 CF含量預處理光譜圖及內部交叉驗證結果

圖4 NDF含量預處理光譜圖及內部交叉驗證結果

圖5 ADF含量預處理光譜圖及內部交叉驗證結果

2.3.3 外部驗證

為了更直觀地考察大豆皮纖維相關指標近紅外模型的預測能力、準確性及重現(xiàn)性，本試驗同時對近紅外模型進行了外部驗證。由驗證結果圖6～圖9可知，大豆皮纖維相關指標的外部驗證結果RPD低于內部交叉檢驗，但RPD均大于3，且模型的R2均大于0.9，表明模型的預測能力準確性高、重現(xiàn)性較好。定標模型建立后，按梯度選擇10份大豆皮樣本來驗證模型的準確性，并同化學測定值進行比較，結果見表4。通過比較發(fā)現(xiàn)，水分含量化學值與近紅外預測值絕對偏差均小于0.2%，滿足國標要求(水分含量<15%的樣品絕對差值<0.2%)，相對偏差均≤1.3%，3種纖維指標相對偏差均小于3%，滿足國標要求。因此，本試驗建立的大豆皮3種纖維含量的近紅外模型預測效果較好，能夠用來評估大豆皮樣品中纖維的含量。

圖6 水分含量外部驗證結果

圖7 CF含量外部驗證結果

圖8 NDF含量外部驗證結果

3 討 論

NIR技術的應用前景十分廣闊，尤其是在飼料原料及飼料養(yǎng)分預測、營養(yǎng)價值評定、質量監(jiān)測等方面。目前在NIR技術應用方面，不局限于快速檢測水分、CP、EE、灰分等這些常規(guī)指標，同時也可檢測許多功能性指標，包括淀粉、氨基酸、能值及消化率等[13-14]。常冬等[15]利用NIR技術測定玉米、豆粕、干酒糟及其可溶物(DDGS)等飼料原料中淀粉含量，結果表明麩皮和菜籽粕含量預測模型效果最好，噴漿玉米皮、DDGS、玉米次之，豆粕、棉籽粕等淀粉含量較低的原料預測效果相對較差，但模型的R2除棉籽粕外均大于0.9。何云等[16]利用NIR技術建立了苜蓿干草常規(guī)營養(yǎng)成分包括干物質(DM)、CP、NDF和ADF含量的近紅外預測模型，且模型的預測決定系數(shù)(RSQV)均大于0.80，外部驗證相對分析誤差(RPDV)均大于2.50，建模效果較好，可用于實際含量的測定。李軍濤[17]使用NIR技術快速測定了生長豬玉米的可消化能(DE)和代謝能(ME)，其中消化能實測值近紅外校正、交叉檢驗及外部驗證決定系數(shù)分別為0.89、0.87和0.86，代謝能分別為0.87、0.86和0.86，具有較好的預測效果。

圖9 ADF含量外部驗證結果

表4 10份大豆皮樣品纖維相關指標化學值與近紅外預測值結果對比

關于近紅外預測模型驗證指標的評估方面，主要包含模型的R2、RPD及均方根誤差等。Chen等[18]研究指出，當RPD≥3.0時，定標模型能精確預測相關成分含量，定標模型的預測效果較理想。同時需要兼顧模型的均方根誤差值及R2，一般R2值越接近于1，均方根誤差越小，模型的穩(wěn)定性及適用性越高。本試驗研究的大豆皮纖維相關指標的近紅外模型，RPD>3.0，且模型的R2>0.9，RMSEE、RMSECV及RMSECP均<0.6，表明建立的模型精確性高，具有較好的應用效果。

確保建立的近紅外預測模型的穩(wěn)定性及準確性，同時需要保證收集樣品的代表性、近紅外儀器的穩(wěn)定性、建模參數(shù)選擇的合理性以及濕化學數(shù)據檢測的準確性[19]。定標集樣品應該在區(qū)域較廣的范圍內進行選擇，要具有代表性。近紅外儀器的穩(wěn)定性會引起預測結果的誤差，如儀器波長的準確性、基線的飄逸、噪聲等。建模參數(shù)的選擇，包括波長范圍、光譜預處理方法及建模方法均會影響模型的準確性。同時實驗室人員的操作能力也會影響整個建模過程的可行性，包括樣品的取樣、粉碎、濕化學檢測及樣品的掃描等。本試驗在研究過程中，嚴格按照近紅外定標的操作流程，保證取樣的代表性、規(guī)范制樣和粉碎過程、控制合理的儀器環(huán)境溫濕度和掃描前校準、保證濕化學數(shù)據的準確性和重復性，降低試驗誤差的產生。

4 結 論

① 大豆皮纖維相關指標的近紅外預測模型均采用一階導數(shù)+SNV光譜預處理方法。SNV是散射校正技術之一，光譜經過SNV處理后，減少了非線性彎曲作用而產生的偏差；一階導數(shù)處理，提高光譜的精細度，減小基線的不穩(wěn)定，消除基線漂移，減小顆粒度變化對光譜的影響，提高近紅外預測模型的穩(wěn)定性和準確性。