鄭一航，宋 濤，張 順，郭麗君，張鳳枰*

(1.四川威爾檢測技術股份有限公司，四川 成都 610041；2.通威股份有限公司 水產畜禽營養(yǎng)與健康養(yǎng)殖農業(yè)農村部重點實驗室，四川 成都 610093；3.通威股份有限公司 水產健康養(yǎng)殖四川省重點實驗室，四川 成都 610093)

魚粉是全魚或分割的魚體經蒸煮、壓榨、干燥、粉碎獲得的產品，具有蛋白質含量高、適口性好等特點，富含賴氨酸、蛋氨酸等必需氨基酸，且磷、鈣和硒含量高，是水產飼料最重要的蛋白原料。魚粉質量直接影響水產飼料的品質和養(yǎng)殖效果，因此加強魚粉營養(yǎng)成分分析對于把控水產飼料品質至關重要。采用傳統(tǒng)化學分析方法檢測其營養(yǎng)組分耗時耗力，效率較低，很難滿足現(xiàn)代飼料生產的要求。與傳統(tǒng)化學分析技術相比，近紅外光譜(Near-infrared spectroscopy，NIRS)分析技術在分析速度、檢測成本、易操作性、摻假識別能力等主要檢測性能方面具有顯著優(yōu)勢，已被飼料企業(yè)廣泛應用于飼料原料品質的快速測定[1-5]。在實際應用中，建立可靠的預測模型是近紅外光譜分析技術成功應用的前提和關鍵，而建模需要大量具有代表性且化學值已知的樣品，對于存在不同型號近紅外分析儀的應用場景，則具有投入大、耗時長、成本高的不足。因此，建立良好的NIRS定量分析預測模型并能實現(xiàn)不同型號近紅外分析儀間的傳遞共享顯得尤為重要。

國內外學者已在農業(yè)[6-10]、工業(yè)[11-12]和模型傳遞方法[13-15]等不同領域開展了模型轉移研究，取得了良好效果，但有關魚粉營養(yǎng)成分NIRS預測模型傳遞的研究卻很少。本文通過開展國產魚粉營養(yǎng)成分預測模型在不同型號近紅外分析儀之間的傳遞研究，旨在為飼料生產企業(yè)進行近紅外分析儀升級換代提供依據(jù)，降低近紅外分析儀的運行成本，提高使用效率。

1 實驗部分

1.1 樣品采集與制備

采集2019～2020年國產魚粉樣品150個，樣品來自通威股份有限公司華東、華南、華西、華北、華中等地區(qū)飼料分公司。所有樣品均采用FW100型高速萬能粉碎機(天津市泰斯特儀器有限公司)粉碎，過40目篩，混合均勻，裝入密閉容器中于2～4 ℃保存。其中每個片區(qū)各抽取87%為校正集樣品，13%為外部驗證集樣品(見表1)。

表1 國產魚粉樣品來源Table 1 Source of domestic fish meal samples

1.2 營養(yǎng)組分含量分析

水分：GB/T 6435-2014直接干燥法[16]，101-1AB型電熱鼓風干燥箱(北京中興偉業(yè)儀器有限公司)；粗蛋白質：GB/T 6432-2018[17]，Kjeltec 2300全自動凱氏定氮儀(丹麥FOSS公司)；粗脂肪：GB/T 6433-2006[18]，Soxtec 2055脂肪測定儀(丹麥FOSS公司)；氨基酸：GB/T 18246-2000酸水解法[19]，S-433D全自動氨基酸分析儀(德國SYKAM公司)。

每種化學組分含量檢測均做雙平行試驗，以2次實驗結果的算術平均值為最終測定結果。

1.3 近紅外光譜數(shù)據(jù)采集

取出國產魚粉樣品置于室溫下平衡24 h，分別用MPA型近紅外分析儀(德國 Bruker公司，簡稱MPA)、DS2500F型近紅外分析儀(丹麥FOSS公司，簡稱2500F)采集近紅外光譜數(shù)據(jù)，每個樣品均掃描2次，取其平均光譜。主要參數(shù)見表2。

表2 近紅外分析儀的主要參數(shù)Table 2 Instrument parameters of near-infrared spectrometer

1.4 近紅外光譜差異分析與轉換

以MPA型近紅外分析儀為目標儀器，DS2500F型近紅外分析儀為源儀器，樣品經兩種儀器掃描獲得近紅外光譜后需研究兩者的差異性。歐式距離(D)能直觀定量反映不同儀器間的光譜差異性大小[20],計算公式如下：

(1)

由于兩種型號的儀器測量原理不同，近紅外光譜格式不一致，根據(jù)1 nm=107/cm-1進行對等換算，利用OPUS軟件將FOSS近紅外光譜轉換為Bruker格式，并用OPUS軟件中剪切功能將轉換為Bruker格式的FOSS光譜截取波段(10 000～4 000 cm-1)，使之與Bruker原始光譜波段范圍一致。

1.5 近紅外光譜傳遞方法

本文將光柵型近紅外分析儀(2500F)光譜傳遞到傅里葉變換近紅外分析儀(MPA)，采用分段直接校正(Piecewise direct standardization，PDS)方法進行模型傳遞[21]。PDS算法是一種多元光譜標準化方法，通過傳遞矩陣系數(shù)b將源儀器光譜矩陣As轉換成目標儀器光譜矩陣Am，減小As與Am之間的差異，使二者匹配。其中矩陣系數(shù)b為源、目標儀器光譜下的響應差異。

PDS算法具體步驟為：

(1)對應于目標儀器標樣光譜矩陣Ams,i，在源儀器標樣光譜矩陣Ass選取窗口為(k+j+1)大小的光譜段Ass，k+j+1，組成矩陣As,i=[Ass,i-j，Ass,i-j+1，…，Ass,i+k-1，Ass,i+k]。

(2)將Ams,i與As,i進行關聯(lián)，Ams,i=As,ibi，轉換系數(shù)bi可由主成分回歸法(Principal component regression，PCR)或偏最小二乘法(Partial least squares，PLS)求出。

(3)循環(huán)i求出所有的bi，i=1，2，…，m，m為波長點數(shù)。

(4)對源儀器校正集光譜As,un經固定窗口分段，由轉換系數(shù)bi循環(huán)得到與目標儀器Am,un相一致的光譜As,unp。對于As,un兩端，窗口大小的波長范圍(1 tojandm-ktom)不能轉換，一般舍去，也可通過外推法獲得。

式中Ams,i為目標儀器的標準光譜矩陣；k、j分別代表與i波長點的前后間隔。

1.6 預測模型建立與評價

分別用化學分析法和建立的近紅外模型測定外部驗證樣品，首先根據(jù)樣品光譜的MD對模型光譜匹配度做判斷，當外部樣品光譜MDt大于定標MDv閾值(MDt>MDv,max)時，光譜報警，表明外部樣品與定標模型的光譜匹配度低，則預測模型不可用；當MDt≤MDv,max時，表明光譜匹配度高，預測模型可用；再采用預測均方根誤差(Root mean square error of prediction，RMSEP)和相對分析誤差(Relative prediction deviation，RPD)對預測模型的準確度做進一步判斷，當RPD>3時，模型的預測效果良好；當2.25≤RPD≤3時，模型的預測效果基本可用；當RPD<2.25時，模型不可用[26-27]。

2 結果與討論

2.1 國產魚粉營養(yǎng)成分含量的化學分析結果

按照上述方法測定國產魚粉樣品的營養(yǎng)成分含量，校正集、外部驗證集樣品的水分、粗蛋白質、粗脂肪、蛋氨酸、賴氨酸測定結果見表3。

表3 國產魚粉樣品營養(yǎng)成分含量的測定結果Table 3 Determination results of nutrient contents of domestic fish meal samples

2.2 國產魚粉的原始光譜與傳遞光譜

按照上述儀器參數(shù)掃描國產魚粉校正集樣品，分別獲得MPA和2500F儀器的原始NIR光譜，并將2500F儀器的NIR光譜格式轉換為Bruker格式(以下2500F原始NIR光譜均為僅轉換為Bruker格式的NIR光譜)。選取10個具有代表性的國產魚粉樣品分別在2500F和MPA儀器上掃描獲得標準光譜，利用OPUS軟件的建立轉移模型功能，經反復測試選擇最佳窗口為7，建立2500F儀器的NIR光譜傳遞到MPA儀器的方法(PDS方法)。

圖1 MPA、2500F、2500F傳遞到MPA樣本的平均光譜圖對比Fig.1 Comparison of average spectrum of MPA,2500F and 2500F transferred to MPA samples

圖2 2500F、2500F 傳遞到MPA的平均NIR光譜與MPA的歐式距離差異分布Fig.2 Euclidean distance of average spectrum of MPA,2500F and 2500F transferred to MPA samples

由于MPA和2500F的測量原理、檢測器、波數(shù)精度不同，MPA原始NIR光譜的吸光度明顯高于2500F原始NIR光譜，與2500F傳遞到MPA儀器上的NIR光譜吸光度基本一致(見圖1)。圖2為2500F儀器NIR光譜和2500F傳遞到MPA儀器上NIR光譜分別與MPA儀器原始NIR光譜平均光譜間的歐式距離差異分布情況，原始光譜均經過歸一化處理。由圖2可知，MPA原始NIR光譜與2500F傳遞到MPA儀器上NIR光譜的歐式距離在0.01范圍內，與2500F儀器NIR光譜的歐式距離在0.02～0.10范圍內，前者較后者的差異小。表明MPA與2500F的原始NIR光譜匹配度低，與傳遞后的NIR光譜匹配度高，即相似度高。說明實現(xiàn)2500F和MPA儀器的預測模型共享具有可行性。

2.3 國產魚粉預測模型的建立

按照上述方法對MPA原始NIR光譜的水分、粗蛋白質、粗脂肪、蛋氨酸和賴氨酸進行建模，波段選擇范圍均為10 000～4 000 cm-1，各預測模型的參數(shù)見表4。由表4可知，選擇矢量歸一化+一階導數(shù)(VN+1stDER)、平滑點17為最佳光譜預處理方法，剔除光譜和化學異常值建立原始預測模型，同理建立2500F原始預測模型和2500F傳遞到MPA上NIR光譜的預測模型。

表4 3種NIR光譜所建預測模型的參數(shù)Table 4 Parameters of prediction models established by three kinds of NIR spectra

2.4 外部樣品集驗證

由表5可知，外部樣品驗證MPA預測模型時，僅粗脂肪和賴氨酸各有1個樣品報警(MDt>MDv,max)，其他均未報警(MDt≤MDv,max)；2500F預測模型基本全部報警，不能應用于日常分析，主要原因是兩種儀器的測量參數(shù)不同，導致兩種原始NIR光譜的匹配度較低；2500F光譜傳遞到MPA儀器上所建的NIR預測模型，僅粗脂肪有3個樣品報警，其他均未報警，表明通過PDS方法傳遞的光譜與MPA基本一致，再次說明2500F傳遞到MPA儀器的NIR光譜與MPA儀器的匹配度較高。由于2500F預測模型在MPA儀器上不能應用于日常分析，因此只能通過光譜傳遞實現(xiàn)模型共享，且無需統(tǒng)計2500F預測模型的其他驗證參數(shù)。通過Bias和RMSEP來看，MPA原始預測模型和2500F傳遞到MPA儀器上NIR光譜所建模型的預測效果基本一致；通過RPD來看，兩種預測模型除了蛋氨酸組分基本可用(2.25≤RPD≤3)外，其他組分的預測效果均良好(RPD>3)。綜上，2500F儀器的NIR光譜傳遞到MPA后，所建國產魚粉的水分、粗蛋白質、粗脂肪、蛋氨酸、賴氨酸預測模型可以替代MPA原始預測模型。

表5 外部樣品驗證3種預測模型的參數(shù)Table 5 Parameters of external samples verified by three kinds of predictive models

3 結 論