宋 濤，宋 軍，劉耀敏，米學(xué)林，饒瑾瑜，趙 艷，范秀麗

（通威股份有限公司，水產(chǎn)畜禽營(yíng)養(yǎng)與健康養(yǎng)殖農(nóng)業(yè)部重點(diǎn)實(shí)驗(yàn)室，四川 成都　　6100 41）

基于近紅外光譜法的魚(yú)粉快速判別

宋 濤，宋 軍，劉耀敏，米學(xué)林，饒瑾瑜，趙 艷，范秀麗

（通威股份有限公司，水產(chǎn)畜禽營(yíng)養(yǎng)與健康養(yǎng)殖農(nóng)業(yè)部重點(diǎn)實(shí)驗(yàn)室，四川 成都6100 41）

基于近紅外漫反射光譜分析技術(shù)對(duì)市場(chǎng)上常見(jiàn)的淡水魚(yú)粉、進(jìn)口魚(yú)粉和國(guó)產(chǎn)魚(yú)粉3 類商品化的魚(yú)粉樣品進(jìn)行自動(dòng)化判別實(shí)驗(yàn)。通過(guò)分析魚(yú)粉樣品光譜之間的差異，采用主成分分析法建立魚(yú)粉種類的定性判別的分類模型，光譜范圍為波長(zhǎng)1 100～2 498 nm，交互定標(biāo)決定系數(shù)為0.913 5，交互定標(biāo)標(biāo)準(zhǔn)誤差為0.133 8。通過(guò)對(duì)驗(yàn)證樣品的分析，建立的判別模型預(yù)判準(zhǔn)確 率達(dá)到84.6%，外部驗(yàn)證準(zhǔn)確率達(dá)到100%。結(jié)果表明，近紅外光譜技術(shù)結(jié)合化學(xué)計(jì)量學(xué)法可以作為一種快速、無(wú)損、可靠的方法用于魚(yú)粉種類的判別。

近紅外光譜；魚(yú)粉；判別；種類；主成分分析

魚(yú)粉是飼料企業(yè)重要的蛋白、能量原料，目前在水產(chǎn)、畜禽飼料中的應(yīng)用比較廣泛，主要用于平衡日糧中的氨基酸與蛋白質(zhì)，同時(shí)也 能平衡礦物質(zhì)，同時(shí)含有一些未知的促生長(zhǎng)因子［1］。我國(guó)年消費(fèi)魚(yú)粉100多萬(wàn) t，占世界消費(fèi)量的1/5，年進(jìn)口41萬(wàn)～98萬(wàn) t，是世界最大的魚(yú)粉消費(fèi)國(guó)和進(jìn)口國(guó)。

市場(chǎng)常見(jiàn)的有山東、浙江、秘魯、智利的紅魚(yú)粉和美國(guó)、波蘭、新西蘭、俄羅斯的白魚(yú)粉。按照養(yǎng)殖地域、捕撈方式等的不同，可以將魚(yú)粉分為淡水魚(yú)粉和海水魚(yú)粉，而海水魚(yú)粉又可細(xì)分為進(jìn)口魚(yú)粉和國(guó)產(chǎn)魚(yú)粉2 類。

不同類別的魚(yú)粉之間，在組織成分含量上都有較大的區(qū)別［1］。具體體現(xiàn)在色澤、氣味等感官指標(biāo)及粗蛋白、粗灰分、鈣、總磷、酸價(jià)、揮發(fā)性鹽基氮、賴氨酸、蛋氨酸等營(yíng)養(yǎng)指標(biāo)上［2］。因此，市場(chǎng)價(jià)格差異較明顯。隨著國(guó)際漁業(yè)資源的變化及期貨市場(chǎng)的變動(dòng)，進(jìn)口魚(yú)粉的價(jià)格變化較為劇烈。為了有效區(qū)分淡水魚(yú)粉與海水魚(yú)粉、國(guó)產(chǎn)魚(yú)粉與進(jìn)口魚(yú)粉，避免不必要的損失，廣大企業(yè)需要切實(shí)有效的手段對(duì)魚(yú)粉的類別加以識(shí)別。

隨著近紅外技術(shù)的不斷發(fā)展與普及，廣大技術(shù)人員不再局限于滿足得到水分等常規(guī)性理化指標(biāo)，不斷拓展近紅外技術(shù)的應(yīng)用范圍，結(jié)合化學(xué)計(jì)量學(xué)［3］的方法開(kāi)始使用近紅外做定性分類［4］及種類［5］、產(chǎn)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(jié)果。在魚(yú)粉的研究方面，王丹紅等［13］研究了如何區(qū)分進(jìn)口白魚(yú)粉與紅魚(yú)粉，但是如何快速有效區(qū)分淡水魚(yú)粉與海水魚(yú)粉、進(jìn)口魚(yú)粉與國(guó)產(chǎn)魚(yú)粉的研究鮮見(jiàn)報(bào)道。本研究探討了市場(chǎng)上常見(jiàn)的2 種分類方式的3 類魚(yú)粉近紅外光譜法的分類判別方法［14］，為有效識(shí)別商業(yè)化的不同種類的魚(yú)粉提供了一種實(shí)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(jìn)口魚(yú)粉樣品（主要為秘魯魚(yú)粉和智利魚(yú)粉）1 349個(gè)，國(guó)產(chǎn)魚(yú)粉樣品1 671 個(gè)，淡水魚(yú)粉（主要為羅非魚(yú)粉）559 個(gè)，總計(jì)3 751 個(gè)。

2014年間收集的不包括原始樣品中的進(jìn)口魚(yú)粉樣品123 個(gè)，國(guó)產(chǎn)魚(yú)粉樣品155 個(gè)，淡水魚(yú)粉樣品34 個(gè)，共312 個(gè)。

1.2儀器與設(shè)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(dòng)氨基酸分析儀日本日立公司。

1.3樣品氨基酸質(zhì)量分?jǐn)?shù)測(cè)定

本實(shí)驗(yàn)中所用所有樣品，均使用全自動(dòng)氨基酸分析儀，按照GB/T 18246—2000《飼料中氨基酸的測(cè)定》中的離子色譜法進(jìn)行測(cè)定得到氨基酸質(zhì)量分?jǐn)?shù)。

2　　結(jié)果與分析

2.1樣品氨基酸質(zhì)量分?jǐn)?shù)測(cè)定結(jié)果

2.1.1建模樣品集

對(duì)2009—2014年間收集的進(jìn)口魚(yú)粉樣品、國(guó)產(chǎn)魚(yú)粉樣品、淡水魚(yú)粉樣品進(jìn)行氨基酸質(zhì)量分?jǐn)?shù)測(cè)定，見(jiàn)表1。

表1　建模集魚(yú)粉樣品氨基酸質(zhì)量分?jǐn)?shù)TTaabbllee 11 　　AAmmiinnoo aacciidd ccoonntteennttss ooff ffi i sshh mmeeaall iinn mmooddeelliinngg sseett %

2.1.2驗(yàn)證樣品集

對(duì)2014年間收集的不包括原始樣品集中的進(jìn)口魚(yú)粉樣品、國(guó)產(chǎn)魚(yú)粉樣品、淡水魚(yú)粉樣品進(jìn)行氨基酸質(zhì)量分?jǐn)?shù)測(cè)定，見(jiàn)表2。

表2　驗(yàn)證集魚(yú)粉樣品氨基酸質(zhì)量分?jǐn)?shù)TTaabbllee 22 　　AAmmiinnoo aacciidd ccoonntteennttss ooff ffi i sshh mmeeaall iinn tteessttiinngg sseett %

2.2魚(yú)粉樣品掃描

將建模樣品集和驗(yàn)證樣品集的魚(yú)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(gè)樣品重復(fù)裝樣2 次進(jìn)行掃描，掃描區(qū)間波長(zhǎng)為1 100～2 498 nm，光譜數(shù)據(jù)采集間隔為2 nm，導(dǎo)出標(biāo)準(zhǔn)化的光譜，再進(jìn)行光譜預(yù)處理［15］。3 類魚(yú)粉的平均光譜見(jiàn)圖1。

圖 1　TR3750-5000型近紅外分析儀掃描不同種類魚(yú)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(yú)粉樣品的篩選

為了去除來(lái)自高頻隨機(jī)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(jìn)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(chuàng)建得分文件）功能，選擇主成分分析（principal component analysis，PCA）法，進(jìn)行異常樣品的剔除［18］，將馬氏距離超過(guò)3.0的異常樣品從定標(biāo)樣品中剔除［19］。將剔除異常樣品后余下1 321 個(gè)進(jìn)口魚(yú)粉、1 641 個(gè)國(guó)產(chǎn)魚(yú)粉、553 個(gè)淡水魚(yú)粉作為訓(xùn)練樣品集，共3 515 個(gè)樣品，見(jiàn)圖2。

圖 2　　主成分得分散點(diǎn)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(yú)粉的訓(xùn)練樣品集樣品，建立魚(yú)粉類別判斷模型（PSD文件）。通過(guò)選擇全光譜范圍［20］，優(yōu)選光譜散射處理方法、導(dǎo)數(shù)處理方法［21］、數(shù)據(jù)間隔點(diǎn)、平滑處理間隔點(diǎn)、二次平滑處理間隔點(diǎn)等條件，采取軟件內(nèi)置的交叉驗(yàn)證算法得到不同的模型，如表3所示，分析得到的交互定標(biāo)決定系數(shù)（1 minus the variance ratio，1-VR）和交互定標(biāo)標(biāo)準(zhǔn)誤差（standard error if cross validation，SECV）。

表3　不同光譜預(yù)處理方法對(duì)定標(biāo)結(jié)果的影響TTaabbllee 33 　　EEffffeeccttss ooff ddiiffffeerreenntt ssppeeccttrraall pprreettrreeaattmmeenntt mmeetthhooddss oonn calibration r　esuullttss

根據(jù)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(hào)為F、H、J、L），模型會(huì)計(jì)算每個(gè)建模樣品在每類魚(yú)粉條件下的得分，得到判斷的結(jié)果，具體判別準(zhǔn)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(zhǔn)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(gè)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(gè)得分中最高，但共有超過(guò)2 個(gè)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(cuò)判樣品；5）建模類別得分超過(guò)2.30的樣品，即為錯(cuò)判樣品，如表4所示。

表 4　模型判斷規(guī)則Taabbllee 44 　　TThhee ddeecciissiioonn rruulleess ooff ddiissccrriimmiinnaattiioonn mmooddeellss

表5　4 個(gè)判斷模型的錯(cuò)判率Taabbllee 55 　　TThhee mmiissjjuuddggmmeenntt rraatteess ooff ffoouurr ddiissccrriimmiinnaattiioonn mmooddeellss%

計(jì)算各模型預(yù)判結(jié)果的判斷誤差率，見(jiàn)表5，綜合錯(cuò)判比率與模糊判斷比率的結(jié)果，選擇代號(hào)為H（光譜處理方式在軟件中表示為：標(biāo)準(zhǔn)正?；幚怼?）、3）、3）、1）的判斷模型作為最優(yōu)的判斷模型［23］。

2.5驗(yàn)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(duì)驗(yàn)證集樣品進(jìn)行分析，見(jiàn)表6。

表6　　驗(yàn)證樣品集預(yù)判結(jié)果Table 6　　Results obtained for testing set samples

本預(yù)判模型正確率僅達(dá)到84.6%，在對(duì)所有錯(cuò)判的樣品進(jìn)行感官檢驗(yàn)后，發(fā)現(xiàn)這些錯(cuò)判的樣品在不同程度上存在顆粒粗細(xì)差別較大、含有蝦蟹成分等雜質(zhì)較多及氨基酸比例不正常等問(wèn)題，另外，國(guó)產(chǎn)魚(yú)粉樣品中錯(cuò)判為進(jìn)口魚(yú)粉的樣品顏色偏紅，且顆粒細(xì)度較一致，咸腥味較重，應(yīng)為質(zhì)量較好的國(guó)產(chǎn)魚(yú)粉，且氨基酸質(zhì)量與進(jìn)口魚(yú)粉基本相當(dāng)。以國(guó)產(chǎn)魚(yú)粉樣品076（預(yù)判為淡水魚(yú)粉）、國(guó)產(chǎn)魚(yú)粉樣品035（預(yù)判為進(jìn)口魚(yú)粉）、進(jìn)口魚(yú)粉樣品021（預(yù)判為國(guó)產(chǎn)魚(yú)粉）的氨基酸數(shù)據(jù)為例，如表7所示，結(jié)合表1中所列3 種魚(yú)粉的氨基酸含量的平均值，對(duì)3 個(gè)樣品進(jìn)行氨基酸分析。發(fā)現(xiàn)國(guó)產(chǎn)魚(yú)粉樣品076的谷氨酸（9.37%）很高，遠(yuǎn)超國(guó)產(chǎn)魚(yú)粉的平均值8.51%，靠近淡水魚(yú)粉的平均值8.93%；精氨酸（2.68%）很低，遠(yuǎn)低于國(guó)產(chǎn)魚(yú)粉的平均值3.24%，靠近淡水魚(yú)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(guó)產(chǎn)魚(yú)粉的平均值0.27%，靠近淡水魚(yú)粉的平均值0.43%；再考慮到其賴氨酸含量高達(dá)5.06%，結(jié)合感官檢驗(yàn)：魚(yú)腥味較淡，細(xì)粉狀的樣品顆粒較多，綜合判斷該魚(yú)粉（標(biāo)識(shí)國(guó)產(chǎn)魚(yú)粉076）實(shí)際主要為淡水魚(yú)粉。國(guó)產(chǎn)魚(yú)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(biāo)均比較符合進(jìn)口魚(yú)粉的特點(diǎn)，再結(jié)合感官檢驗(yàn)：魚(yú)肉纖維較多、較長(zhǎng)，骨質(zhì)、蝦蟹殼等明顯，比較干燥，口感較咸，綜合判斷該魚(yú)粉（標(biāo)識(shí)國(guó)產(chǎn)魚(yú)粉035）實(shí)際質(zhì)量與進(jìn)口魚(yú)粉質(zhì)量相當(dāng)。而進(jìn)口魚(yú)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(biāo)均比較符合國(guó)產(chǎn)魚(yú)粉的特點(diǎn)，再結(jié)合感官檢驗(yàn)：魚(yú)肉纖維偏短，骨質(zhì)成分較多，顏色偏淺等，綜合判斷該魚(yú)粉（標(biāo)識(shí)進(jìn)口魚(yú)粉021）實(shí)際質(zhì)量與國(guó)產(chǎn)魚(yú)粉相當(dāng)，懷疑其內(nèi)摻雜了大量國(guó)產(chǎn)魚(yú)粉。從以上3 個(gè)樣品的分析可以看出，通過(guò)氨基酸數(shù)據(jù)的分析再結(jié)合感官檢驗(yàn)，可以基本確認(rèn)預(yù)判模型的錯(cuò)判結(jié)果（與魚(yú)粉的商品標(biāo)識(shí)不一致）其實(shí)是真實(shí)反映了這些魚(yú)粉的實(shí)際內(nèi)在質(zhì)量問(wèn)題（與感官檢驗(yàn)、氨基酸質(zhì)量分析的結(jié)果一致）。

表7　錯(cuò)判樣品氨基酸數(shù)據(jù)Taabbllee 77 　　AAmmiinnoo aacciidd ccoonntteennttss ooff tthhee mmiissjjuuddggeedd ffi i sshh mmeeaall %

2.6實(shí)際樣品判定及分析

為驗(yàn)證實(shí)際使用效果，在ISISCAN 4.6軟件中導(dǎo)入建立的判斷模型，建立魚(yú)粉種類的判別產(chǎn)品組。通過(guò)1 個(gè)月時(shí)間收集了68 個(gè)實(shí)際樣品，經(jīng)過(guò)氨基酸分析及感官檢驗(yàn)，將樣品分為2 類，一類是正常樣品，計(jì)有12 個(gè)淡水魚(yú)粉、23 個(gè)國(guó)產(chǎn)魚(yú)粉、18 個(gè)進(jìn)口魚(yú)粉，共53 個(gè)正常樣品，經(jīng)過(guò)近紅外掃描檢測(cè)，判定結(jié)果全部準(zhǔn)確，沒(méi)有出現(xiàn)錯(cuò)判現(xiàn)象；另一類是異常樣品，計(jì)有4 個(gè)國(guó)產(chǎn)魚(yú)粉、11 個(gè)進(jìn)口魚(yú)粉，共15 個(gè)異常樣品，經(jīng)過(guò)近紅外掃描檢測(cè)，判定結(jié)果全部“錯(cuò)判”且“錯(cuò)判”的結(jié)果全部符合氨基酸分析與感官檢驗(yàn)的結(jié)論。據(jù)此，實(shí)際樣品的近紅外判定結(jié)果全部準(zhǔn)確。

3　　結(jié) 論

本研究應(yīng)用近紅外法進(jìn)行魚(yú)粉種類的分類判斷是可行的，預(yù)判準(zhǔn)確率達(dá)到84.6%，外部樣品驗(yàn)證準(zhǔn)確率達(dá)到100%。

由于本研究收集的淡水魚(yú)粉、進(jìn)口魚(yú)粉與國(guó)產(chǎn)魚(yú)粉均是商品名稱，無(wú)法從名稱上核實(shí)產(chǎn)地等信息。因此，在對(duì)驗(yàn)證集進(jìn)行預(yù)判的時(shí)候，雖然出現(xiàn)了一定數(shù)量未能準(zhǔn)確判斷的樣品，但經(jīng)過(guò)了氨基酸分析和感官檢驗(yàn)后，這些判斷不準(zhǔn)確的樣品應(yīng)該屬于非正常樣品，即“偽”樣品。而恰恰是對(duì)這些非正常樣品的“錯(cuò)誤”判斷，表明本預(yù)判模型在一定程度上起到了識(shí)別摻假魚(yú)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(yú)排粉與南美全魚(yú)粉的 特性比較與評(píng)價(jià)［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(wèi)軍， 王平， 等. 近紅外定性分析模型的穩(wěn)健性與適應(yīng)性分析［J］. 光譜學(xué)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(kù)用于三種中藥 材的定性鑒別［J］. 中國(guó)藥師， 2006， 9（11）： 990-992.

［6］韓仲志， 萬(wàn)劍華， 張洪生， 等. 基于玉米籽粒近紅外光譜的品種與產(chǎn)地識(shí)別研究［J］. 中國(guó)糧油學(xué)報(bào)， 2014， 29（1）： 21-25.

［7］曲如燕. 近紅外光譜在藥品快速鑒別中的應(yīng)用［J］. 實(shí)用醫(yī)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(xué)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(shí)別［J］. 華中農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2008， 27（2）： 326-330.

［10］ 楊佳， 武彥文， 李冰寧， 等. 近紅外光譜結(jié)合化學(xué)計(jì)量學(xué)研究芝麻油的真?zhèn)闻c摻偽［J］. 中國(guó)糧油學(xué)報(bào)， 2014， 29（3）： 114-119.

［11］ 郭海霞， 王濤， 劉洋， 等. 基于可見(jiàn)-近紅外光譜技術(shù)的葡萄酒真?zhèn)舞b別的研究［J］. 光譜 學(xué)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(xué)模式識(shí)別結(jié)合鑒別魚(yú)粉類別［J］. 檢驗(yàn)檢疫科學(xué)， 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(xué)， 饒秀勤， 應(yīng)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(xué)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(yè)大學(xué)學(xué)報(bào)： 自然科學(xué)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(shù)快速鑒別［J］.光譜學(xué)與光譜分析， 2014， 34（5）： 1259-1263.

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

［19］ 石光濤， 韓魯佳， 楊增玲， 等. 魚(yú)粉中摻雜豆粕的可見(jiàn)和近紅外反射光譜分析研究［J］. 光譜學(xué)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(yīng)用傅利葉近紅外光譜定性、定量檢測(cè)魚(yú)粉中摻雜三聚氰胺的研究［J］. 動(dòng)物營(yíng)養(yǎng)學(xué)報(bào)， 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(yīng)用于品牌卷煙煙絲的快速鑒別［J］. 云南農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2010， 25（2）：268-272.

［23］ 楊增玲， 韓魯佳， 李瓊飛， 等. 反芻動(dòng)物精料補(bǔ)充料中肉骨粉快速檢測(cè)近紅外光譜法［J］. 光譜學(xué)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(jì)劃項(xiàng)目（2011NZ0071）

宋濤（1980—），男，高級(jí)工程師，碩士，研究方向?yàn)轱暳蠣I(yíng)養(yǎng)及質(zhì)量安全評(píng)價(jià)。E-mail：songt@tongwei.com