郝 勇，吳文輝，商慶園

華東交通大學(xué)機電與車輛工程學(xué)院，江西 南昌 330013

引 言

飼料營養(yǎng)的精準配制不僅可以提高飼料的質(zhì)量，還可以節(jié)約成本。粗脂肪和粗纖維是飼料主要成分，其含量檢測是飼料精準配制的重要環(huán)節(jié)，傳統(tǒng)的飼料成分方法為濕化學(xué)檢測方法其靈敏度和精確度高，但操作復(fù)雜、檢測時間長、成本高。近紅外技術(shù)作為一種快速無污染的檢測方法廣泛應(yīng)用于農(nóng)業(yè)、林業(yè)、化工、制藥等行業(yè)。如Sagrario Modrono等運用便攜式光譜儀實現(xiàn)了飼料中蛋白質(zhì)、粗纖維和淀粉等組分的實時測定[1]； Patrica A.Harris等運用近紅外光譜分析方法準確分析了馬蹄草的營養(yǎng)成分[2]； Lusia Mandrile等運用近紅外光譜進行飼料中蟲類蛋白含量的檢測等[3]。

本文利用近紅外光譜實現(xiàn)對飼料的粗脂肪和粗纖維的含量檢測，在利用近紅外光譜建立含量分析回歸模型前，采用光譜預(yù)處理方法和變量選擇方法來簡化模型，以提高模型分析精度。

1 實驗部分

1.1 樣本

收集了不同廠家不同時期生產(chǎn)的飼料樣本325個，包括乳豬飼料、中豬飼料和大豬飼料。在采集近紅外光譜前先將樣本利用高速萬能粉碎機(FW135)粉碎，過40目篩，制成粉末狀樣本。飼料的粗脂肪和粗纖維的實際含量按照國家標(biāo)準GB/T 6433—2006和GB/T 6434—2006確定。

1.2 近紅外光譜的采集

使用瑞士步琦公司NIR-Flex N-500傅里葉近紅外光譜儀，其波數(shù)范圍為10 000～4 000 cm-1。為了保證光譜儀的正常運行和所獲光譜的一致性，飼料樣本的厚度統(tǒng)一為4 mm，實驗室溫度為10～30 ℃，濕度為30%RH～70%RH。本文共獲取352條飼料光譜，每條光譜由1 501個變量組成。

1.3 近紅外光譜預(yù)處理方法

建立飼料粗脂肪和粗纖維定量識別模型時，352個樣本光譜根據(jù)x-y聯(lián)合距離劃分樣本集算法(sample set partitioning based on joint x-y distance，SPXY)按照2∶1比例劃分為校正集和預(yù)測集，校正集有235個樣本，預(yù)測集含有117個樣本[4]。

為消除背景噪聲的影響需要對原始光譜進行預(yù)處理。常用的光譜預(yù)處理方法主要分為兩大類： 光譜導(dǎo)數(shù)法和散射校正法，其中Norris-Williams導(dǎo)數(shù)法(Norris-Williams derivation，NW)和多元散射校正法(multiplicative scatter correction，MSC)有較好的光譜預(yù)處理效果[5-6]。

1.4 近紅外光譜變量選擇方法

每條飼料的近紅外光譜有1 501個變量，其包含了飼料的全部信息。變量選擇方法通過選擇有用變量去除冗余信息來簡化模型，提高模型精度。變量選擇方法有很多，本文采用蒙特卡羅無信息變量消除法[7-9](Monte carlo based uninformative variable elimination，MCUVE)、變量組合集群分析法[10-12](variables combination population analysis，VCPA)和區(qū)間變量迭代空間收縮法[13-14](interval variable iterative space shrinkage approach，iVISSA)進行變量選擇并比較結(jié)果，從而確定最優(yōu)的變量選擇方法。

1.5 模型的評價

光譜經(jīng)過預(yù)處理和變量選擇后，利用校正集樣品建立飼料粗脂肪和粗纖維含量模型，再利用預(yù)測集樣品來對模型進行驗證，確定模型能否達到粗脂肪和粗纖維的含量分析要求。采用校正集相關(guān)系數(shù)Rc、預(yù)測集相關(guān)系數(shù)Rp、交叉驗證均方根誤差RMSECV、預(yù)測集均方根誤差RMSEP等指標(biāo)來評價模型的預(yù)測精度和穩(wěn)健性[15-17]。

2 結(jié)果與討論

2.1 光譜預(yù)處理方法的結(jié)果分析

飼料中粗脂肪和粗纖維的實際含量統(tǒng)計信息如表1所示。

表1 飼料中粗脂肪和粗纖維含量統(tǒng)計表(單位： %)

Table1Statisticaltableofcrudefatandcorasefibercontentinfeed(unitofcontent: %)

類別最大值最小值均值標(biāo)準差粗脂肪4.182.623.460.42粗纖維4.661.913.190.68

采用NW導(dǎo)數(shù)和MSC對光譜進行預(yù)處理。其中NW導(dǎo)數(shù)包括平滑法(NW0th)、一階導(dǎo)數(shù)法(NW1st)和二階導(dǎo)數(shù)法(NW2nd)三種方法，同時還利用NW1st-MSC方法來進行預(yù)處理。如表2所示為不同預(yù)處理方法的飼料粗脂肪和粗纖維含量模型結(jié)果。

表2 不同預(yù)處理方法的飼料粗脂肪和粗纖維含量模型結(jié)果

通過表2可以看出，相比與原始光譜的PLS模型，經(jīng)NW0th，NW1st和NW2nd三種方法處理后的模型都沒起到明顯的效果。而MSC與NW1st-MSC方法對飼料噪聲去除有明顯效果，對粗脂肪模型精度有明顯的提升。在粗脂肪模型中，相比于NW1st-MSC方法，單獨使用MSC預(yù)處理方法能夠更好的實現(xiàn)光譜的信息提取，校正集的RMSECV由0.74下降到0.64，Rc由0.84提高到0.87。在粗纖維模型中，MSC的RMSEP相比于未經(jīng)處理的有著0.01的提升，而RMSECV與Rc基本相同； NW1st-MSC處理后的效果與原始光譜模型一致。因此，針對飼料的粗脂肪和粗纖維含量分析的光譜預(yù)處理采用MSC方法。圖1為飼料的原始近紅外光譜和經(jīng)過MSC預(yù)處理后的光譜。MSC修正了光譜間的相對基線平移和偏移，使光譜更為緊密。

圖1 飼料的近紅外光譜與MSC預(yù)處理后的光譜

2.2 飼料粗脂肪模型分析

飼料光譜經(jīng)過MSC預(yù)處理后，分別利用MCUVE，VCPA和iVISSA三種變量選擇方法結(jié)合PLS建立飼料粗脂肪含量分析模型。圖2為不同變量選擇方法的脂肪含量分析PLS模型校正和測試相關(guān)圖。

圖2(a)為利用經(jīng)過MSC預(yù)處理的光譜建立的PLS模型，其校正集和測試集的回歸直線基本重合，相關(guān)系數(shù)Rc和Rp分別為0.87和0.88。模型的RMSECV和RMSEP分別為0.21和0.20。圖2(b)為MSC-MCUVE-PLS模型，圖中可以看出校正集與測試集相比與MSC-PLS模型分布更為緊密，Rc為0.92，RMSECV為0.17。相比于全譜的模型其校正模型更為穩(wěn)定，精度更高。同時，Rp相較于MSC-PLS模型提高了0.01，且RMSEP降低了0.01，變量數(shù)Vn為400，大幅度降低。圖2(c)為MSC-VCPA-PLS模型，在校正模型中Rc為0.87，RMSECV為0.21與全譜的PLS模型相同，而Rp為0.81，RMSEP為0.25，與MSC-PLS模型相比起預(yù)測結(jié)果相差較多。Vn為12個，小于全譜變量數(shù)和MCUVE篩選后的變量數(shù)。圖2(d)為MSC-iVISSA-PLS模型，在此模型中Rc為0.86，RMSECV為0.21與全譜的校正集模型相同，同時預(yù)測集的Rp為0.87，RMSEP為0.20且與全譜的預(yù)測值相同，Vn為20與VCPA選擇的變量數(shù)近似。

圖2 不同變量選擇方法的飼料粗脂肪含量分析PLS模型校正和測試相關(guān)圖

通過圖2可以看出三種變量選擇方法中，經(jīng)MCUVE方法變量選擇后，其模型的各個參數(shù)都優(yōu)于全譜模型。經(jīng)VCPA和iVISSA方法選擇后都以極少的變量建立檢測模型且與全譜模型幾乎相同。若精度要求不高時，可以選擇VCPA和iVISSA方法進行變量選擇，建立更簡潔的模型； 若要提升精度，MCUVE則是最好的選擇。

2.3 飼料粗纖維模型分析

如圖3為經(jīng)不同變量選擇方法的粗纖維定量分析模型相關(guān)圖。圖3(a)為經(jīng)MSC預(yù)處理后由全譜1501個變量建立的PLS模型，其校正集相關(guān)系數(shù)Rc為0.91，RMSECV為0.28，在測試集中Rp為0.95，RMSEP為0.25。圖3(b)為經(jīng)過MCUVE變量選擇后的模型，選擇后剩余740個變量用于模型分析，其Rc和Rp分別為0.95和0.94，較全譜模型的校正集Rc提高了0.04。同時RMSECV為0.23，較全譜模型降低了0.05，RMSEP降低了0.02，Vn為740，由此可知MCUVE變量選擇法有效地選擇了有用變量，提高了模型的精度。

圖3(c)為經(jīng)過VCPA變量選擇后建立的PLS模型，由圖可知，經(jīng)過VCPA選擇了11個變量來建立模型，相比與全譜和MCUVE方法，VCPA用極少的變量實現(xiàn)了幾乎相同的結(jié)果，其校正集Rc為0.91，RMSECV為0.27略好于全譜校正模型，預(yù)測集Rp和RMSEP都差于全譜。圖3(d)為iVISSA變量選擇后的飼料粗纖維檢測模型，模型的建立基于20個變量，其Rc為0.90，RMSECV為0.29，Rp為0.93，RMSEP為0.27相比與全譜和MCUVE模型較差，但較于VCPA模型更好。

對比三種變量選擇方法，可以看出MCUVE變量選擇方法校正集模型參數(shù)優(yōu)于全譜模型，而預(yù)測集的參數(shù)與全譜預(yù)測集參數(shù)幾乎一致，因其變量數(shù)少于全譜，則模型更為簡潔。利用VCPA和iVISSA進行變量選擇后，都剩余極少變量，部分有用信息變量被剔除，因而其模型參數(shù)較全譜都稍差一些，其優(yōu)點是模型簡單。

圖3 不同變量選擇方法的飼料粗纖維含量分析PLS模型校正和測試相關(guān)圖

3 結(jié) 論

近紅外光譜分析方法用于飼料中粗脂肪和粗纖維的定量分析，采用不同的光譜預(yù)處理方法和光譜變量選擇方法對光譜模型進行優(yōu)化。結(jié)果表明，在飼料粗脂肪定量分析中，MSC預(yù)處理方法結(jié)合MCUVE變量選擇方法可以建立最優(yōu)粗脂肪分析模型，模型變量數(shù)由1 501降低到400，RMSEP和RMSECV分別降低為0.19和0.17，Rp和Rc提高到0.89和0.92； 在飼料粗纖維定量分析中，利用MSC預(yù)處理方法和MCUVE變量選擇方法可以實現(xiàn)最優(yōu)的粗纖維定量分析模型，模型變量數(shù)為740，模型的RMSEP和RMSECV分別為0.23和0.23，Rp和Rc分別為0.94和0.95。因此，基于近紅外光譜建立的MSC-MCUVE-PLS模型可以有效的進行飼料的粗脂肪和粗纖維的定量分析，其精度高，穩(wěn)定性好且更簡潔。