检测燕麦干草主要营养成分含量的近红外光谱分析模型

为探索NIRS技术在测定燕麦(Avena sative)干草品质上的应用,试验于2020—2021年收集了249份不同品种、年限和生长时期的燕麦干草,通过WinISI III定标软件建立燕麦干草主要营养成分的近红外光谱模型。结果显示：粗蛋白(CP)、中性洗涤纤维(NDF)和粗脂肪(EE)预测模型的定标系数(RSQ)和外部验证决定系数(RSQv)均在0.83以上,校正标准误(SEC)、交叉验证误差(SECV)和预测标准误差(RMSEP)均小于0.02,相对标准误差(RPD)均大于3,预测值逼近化学分析的精度具有良好的预测效果。酸性洗涤纤维含量(ADF)建模效果较差,定标系数和外部验证决定系数分别为0.83和0.84,校正标准误(SEC)、交叉验证误差(SECV)和预测标准误差(RMSEP)均小于0.01,接近化学分析精度,且RPD大于2.50。因此,所建ADF模型也可用于近红外预测。     

基于近红外光谱技术评估高粱中粗蛋白质、水分含量的研究

本研究旨在探讨利用近红外光谱技术评估高粱中粗蛋白质、水分含量的可行性。以收集的110份高粱样品作为研究对象,采用GB/T 6432—1994、GB/T 6435—2014中方法分别对粗蛋白质、水分含量进行测定,利用傅里叶变换近红外光谱仪采集样品的近红外漫反射光谱,光谱扫描范围4 000～12 800 cm~(-1),分辨率16 cm~(-1),样品重复装样扫描4次,每次扫描64次获得平均光谱,取4次扫描光谱作为样本的原始光谱。分别选取矢量归一化、最小-最大归一化、一阶导数、二阶导数、多元散射校正、一阶导数+减去一条直线、一阶导数+矢量归一化、一阶导数+多元散射校正探索适用于高粱中粗蛋白质、水分含量的光谱预处理方法。利用定标集样品光谱数据,采用偏最小二乘方法结合全交互验证手段来防止过拟合现象,建立定标模型。在此基础上,利用定标决定系数、定标均分根误差、定标相对分析误差、交互验证决定系数、交互验证均方根误差、交互验证相对分析误差确定最优模型。结果显示:粗蛋白质含量扫描光谱采用一阶导数+多元散射校正光谱预处理,光谱范围为9 401.9～5 443.6 cm~(-1)与4 603.0～4 243.9 cm~(-1)。水分含量扫描光谱采用一阶导数+减去一条直线,光谱范围为7 500. 3～6 096. 5 cm~(-1)与5 451. 8～4 243.9 cm~(-1)。高粱中粗蛋白质、水分含量的近红外光谱预测模型定标相对分析误差分别为8.41、12.20;交互验证相对分析误差分别为4.97、7.97;外部验证相对分析误差分别为3.32、5.36。由结果可知,本研究建立的高粱中粗蛋白质和水分含量的近红外光谱预测模型的相对分析误差均大于评估值,具有精确地评估高粱中粗蛋白质和水分含量的应用效果。     

傅立叶变换近红外光谱技术快速测定玉米DDGS营养成分

为实现玉米DDGS营养指标的快速检测,本实验采用傅立叶变换近红外光谱技术,建立玉米DDGS水分、粗蛋白质、粗脂肪、粗灰分和氨基酸定量分析模型。收集全国范围内230个玉米DDGS样品,随机分为215个校正样品和15个验证样品,通过对不同组分独立进行光谱的预处理、交互检验计算和优化定标,得到的水分、粗蛋白质和粗脂肪定标方程决定系数R~2均在0.9以上,交互验证均方根误差(RMSECV)在0.30以内,相对分析误差RPD>3;粗灰分R~2为0.81,RMSECV为0.12,RPD为2.3,盲样验证结果均满足GB/T 18868要求,模型均有较好的准确性和稳定性;氨基酸组分建模和验证效果也较好。结果表明,采用傅立叶变换近红外光谱技术能够实现对玉米DDGS的快速检测。     

可见/近红外漫反射光谱分析法测定牧草营养成分研究

选用新疆伊犁昭苏草原5~10月份的5种单一品种牧草及混合牧草样品共252份,利用可见/近红外漫反射全谱扫描技术结合实验室检测数据进行粗蛋白(CP)、干物质(DM)、粗脂肪(EE)和磷(P)的定标和检校。结果表明:CP采用改进偏最小二乘法(ModifiedPLS)和(SNV+Detrend;2,4,4,1)的数学转换方法定标结果最好,其定标决定系数(RSQ=0.960)和交叉验证相关系数(1-VR=0.9836)最高,定标标准分析误差(SEC=0.5155)和交叉校验定标标准分析误差(SECV=0.5859)最小,其交叉验证相对分析误差(RPD=8.5782)和外部验证相对分析误差(RPD=5.0575)均大于3;DM采用ModifiedPLS和(SNV+Detrend;1,4,4,1)的数学转换方法定标结果最好,其RSQ和1-VR分别为0.904和0.8878,SEC和SECV分别为0.1789和0.1990,其交叉验证和外部验证RPD分别为2.9385和3.0359;EE采用最小二乘法(PLS)和(SNV+Detrend;1,4,4,1)的数学转换方法定标结果最好,但是RSQ和1-VR值较低,分别为0.192和0.3715,SEC和SECV分别为1.4526和1.5122,其交叉验证和外部验证RPD分别为1.4363和0.5911;P采用Modified PLS和(SNV+Detrend;2,4,4,1)的数学转换方法定标结果最好,其RSQ和1-VR分别为0.748和0.8213,SEC和SECV分别为0.0168和0.0188,其交叉验证和外部验证RPD分别为2.0179和1.7647。以上结果说明利用可见/近红外光谱结合化学计量学手段对混合或单一牧草的CP进行快速检测是可行的,DM的预测模型需要进一步校正,而EE和P的分析误差较大,需要进一步提高实验室测定的精确度和增加样品含量来进一步校正模型。     

应用锦羊粪便的近红外光谱方程评定其日粮的粗蛋白

利用近红外光谱法 (NIRS)对绵羊粪便的扫描值和日粮粗蛋白的化学测定值来建立定标方程式。试验以绵羊为试验动物 ,日粮主要由各种牧草、作物秸秆和棉花籽壳组成 ,试验动物日粮设计了 78个蛋白水平。在 2 0 0 2年和 2 0 0 3年分别用 15只和 2 0只成熟母羊 (体重为 5 5± 2 .4kg)进行了为期 7周的试验。用凯式定氮法测定日粮的粗蛋白 (CP)水平是从 4 .3%到 2 3.5 % ,日粮粗蛋白的定标方程式决定系数R2 =0 .95 ,定标标准误差 (SEC) =1.0 8。用 12只饲喂美国北部大平原饲草的成年母羊的粪便光谱扫描值和与粪便对应的日粮粗蛋白的化学分析数据来校验粗蛋白预测方程式的有效性 ,结果显示 ,决定系数 (R2 ) =0 .81,预测标准误差 (SEP) =1.5 1,斜率 =0 .89,表明利用近红外光谱法 (NIRS)发展的粪便近红外光谱方程可以有效预测绵羊日粮的粗蛋白含量。     

饲料添加剂L-赖氨酸硫酸盐中L-赖氨酸含量近红外速测方法研究

为了探讨利用近红外漫反射光谱技术(NIDRS)快速定量分析饲料添加剂L-赖氨酸硫酸盐中L-赖氨酸含量的可行性,本试验在全国范围内收集了具有代表性的L-赖氨酸硫酸盐添加剂76个,采用国家标准方法对样品中的L-赖氨酸含量进行化学赋值;用光栅型近红外光谱仪扫描L-赖氨酸硫酸盐样品,获取了不同物理状态下样品的近红外光谱图。依据L-赖氨酸含量将样品分为定标集和验证集,运用适当的光谱预处理方法,采用竞争性自适应重加权(CARS)算法结合偏最小二乘法(PLS)建立了L-赖氨酸硫酸盐的近红外定标分析模型,并将该模型与全波长模型进行了比较。结果表明:用烘干、60目粉碎后的样品结合CARS算法建立的定标模型最优,定标集校正决定系数(R2C)为0.954,校正集标准偏差(SEC)为0.510,交互验证标准偏差(SECV)为0.659;验证集预测决定系数(R2P)为0.952,预测标准偏差(SEP)为0.554,相对分析误差(RPD)值为3.83。由此可见,NIDRS定量分析L-赖氨酸硫酸盐具有一定可行性,对于丰富我国氨基酸盐及其他氨基酸制品的快速检测方法具有实际的应用意义。     

近红外光谱技术预测玉米代谢能值定标模型的研究

研究建立了近红外光谱技术(NIRS)预测玉米代谢能值的定标模型。采用套算法(60%基础日粮+40%玉米)测定了55个玉米样品的肉仔鸡表观代谢能和氮校正表观代谢能。在此基础上,采用不同光谱预处理方法和偏最小二乘法建立了玉米代谢能值的近红外定标模型。最优校正模型结果显示,玉米表观代谢能(AME)和氮校正表观代谢能(AMEn)校正决定系数(R2cal)均在0.99以上,验证决定系数(R2val)均在0.81以上,表明研究所建立的定标模型可用于预测玉米代谢能值。     

利用近红外光谱法快速测定青贮玉米饲料中NDF与ADF含量

本试验应用近红外漫反射光谱(NIRS)技术,采用偏最小二乘回归法(PLS),在国内首次建立了适合不同品种、适配范围广的近红外漫反射光谱测定青贮玉米中性洗涤纤维(NDF)和酸性洗涤纤维(ADF)含量的稳定的校正模型。本试验选取132种青贮玉米样品,采用中心化+一阶导数+多元散射校正预处理方法,谱区为950～1650nm,建立了青贮玉米NDF和ADF校正模型。其校正决定系数(R2cal)分别达到0.9781和0.9905,交叉验证决定系数(R2val)分别为0.9745和0.9806,交叉验证误差(SECV)分别为1.55和1.03。因此,此模型可以用来快速准确的测定青贮玉米饲料中NDF和ADF的含量。     

应用绵羊粪便的近红外光谱方程评定其日粮的粗蛋白

利用近红外光谱法(NIRS)对绵羊粪便的扫描值和日粮粗蛋白的化学测定值来建立定标方程式.试验以绵羊为试验动物,日粮主要由各种牧草、作物秸秆和棉花籽壳组成,试验动物日粮设计了78个蛋白水平.在2002年和2003年分别用15只和20只成熟母羊(体重为55±2.4 kg)进行了为期7周的试验.用凯式定氮法测定日粮的粗蛋白(CP)水平是从4.3 %到23.5 %,日粮粗蛋白的定标方程式决定系数R2=0.95,定标标准误差(SEC)=1.08.用12只饲喂美国北部大平原饲草的成年母羊的粪便光谱扫描值和与粪便对应的日粮粗蛋白的化学分析数据来校验粗蛋白预测方程式的有效性,结果显示,决定系数(R2)=0.81,预测标准误差(SEP)=1.51,斜率=0.89,表明利用近红外光谱法(NIRS)发展的粪便近红外光谱方程可以有效预测绵羊日粮的粗蛋白含量.     

近红外反射光谱(NIRS)技术分析奶粉品质的研究

奶粉中蛋白质和脂肪是影响奶粉营养品质的主要因素,利用近红外反射光谱分析技术对来自国内不同地区的奶粉共900份样品进行蛋白质和脂肪成分测定分析。研究了不同的样品数日、光谱预处理和散射校正技术对发展奶粉近红外测定定标模型的影响。结果表明．在样品数目为200—400范围内建立的定标分析模型较理想;数学预处理中以一阶导数较好,且以“1,4,4,1”的处理组合最为理想;光谱散射校正中采用“标准正态变量转换(SNV) 趋势变换法(De—trending)”的组合建立回归方程效果较好。利用改进最小二乘法回归技术(Modified PLS)建立多种定标模型,并进行交叉验证(cross—Validation)来分析各种因素对定标模型的影响。同时筛选出较理想的蛋白质和脂肪定标分析回归方程,其中蛋白质和脂肪含量的相关系数高速0．973和0．850。探讨了NIRS技术在建模应用中的一些影响因素,以及由NIRS技术建立奶粉分析模型用于快速分析和在线检测的可行性。     

近红外反射光谱法(NIRS)分析奶牛精料补充料营养成分的研究

采用滤光片型8620近红外光谱技术(NIRS),结合主成分回归法,以105个不同的奶牛精料补充料样品建立了常规化学成分以及可消化总养分(TDN)含量的近红外定量分析校正模型。常规化学成分中,粗蛋白、粗脂肪、粗灰分、中性洗涤纤维、酸性洗涤纤维、酸性洗涤木质素和可消化总养分含量的校正模型决定系数R2分别为0.9132、0.9016、0.9220、0.9171、0.8928、0.7083和0.8346;研究发现除酸性洗涤木质素之外,其他成分含量的相对分析误差RPD(SD/SEP)均大于2.5,因此除酸性洗涤木质素之外,所建近红外预测模型对奶牛精料补充料常规营养成分以及TDN含量的快速测定具有重要的实际意义。     

Energy evaluation of extruded compound foods for dogs by near-infrared spectroscopy

Near-infrared reflectance spectroscopy (NIRS) was used to predict the chemical composition, apparent digestibility and digestible nutrients and energy content of commercial extruded compound foods for dogs. Fifty-six foods of known chemical composition and in vivo apparent digestibility were analysed overall and 51 foods were used to predict gross energy digestibility and digestible energy content. Modified partial least square calibration models were developed for organic matter (OM), crude protein (CP), ether extract (EE), crude fibre (CF), nitrogen free extracts (NFE) and gross energy (GE) content, the apparent digestibility (OMD, CPD, EED, NFED and GED) and the digestible nutrient and energy content (DOM, DCP, DEE, DNFE and DE) of foods. The calibration equations obtained were evaluated by the standard error and the determination coefficient of cross-validation. The cross-validation coefficients of determination (R) were 0.61, 0.99, 0.91, 0.96, 0.94 and 0.92 for OM, CP, EE, CF, NFE and GE, the corresponding standard error of cross-validation (SECV) being 5.80, 3.51, 13.35, 3.64 and 16.95 g/kg dry matter (DM) and 0.29 MJ/kg DM respectively. The prediction of apparent digestibility was slightly less accurate, but NIRS prediction of digestible nutrient (g/kg DM) and DE (MJ/kg DM) gave satisfactory results, with high R (0.93, 0.97, 0.93, 0.83 and 0.93 for DOM, DCP, DEE, DNFE and DE respectively) and relatively low SECV (11.55, 6.85, 12.14 and 22.98 g/kg DM and 0.47 MJ/kg DM). It is concluded that the precision of NIRS in predicting the energy value of compound extruded foods for dogs is similar or better than by proximate analysis, as well as being faster and more accurate.     

玉米干酒糟及其可溶物有效能值估测模型中定标样品选择方法的研究

本试验旨在探讨玉米干酒糟及其可溶物(DDGS)有效能值估测模型中定标样品的选择原则。从23个玉米DDGS样品(定义为全样品库)中按酶水解物能值(EHGE)相差0.21 MJ/kg左右的梯度选择9个定标玉米DDGS样品,定义为选择性样品库;将剩余的14个玉米DDGS样品定义为非选择性样品库。然后,比较选择性样品库与非选择性样品库化学成分含量及变异的差异,以及通过全样品库和选择性样品库分别建立其化学成分对EHGE之间的回归模型,比较根据回归模型计算得到的非选择性样品库EHGE的差异。结果表明,选择性样品库和非选择性样品库的玉米DDGS在粗蛋白质(CP)、粗灰分(Ash)、粗脂肪(EE)、粗纤维(CF)、中性洗涤纤维(NDF)、酸性洗涤纤维(ADF)含量及EHGE平均值上均无显著性差异(P0.05),CP、Ash、EE、CF、ADF、NDF含量及EHGE变异的方差上均无显著性差异(P0.05)。选择性样品库和非选择性样品库化学成分含量在第一、二主成分得分载荷分布上,选择性样品库中仅1个玉米DDGS样品未与非选择性样品库的分布范围重叠。以选择性样品库样品建立的EHGE预测模型为EHGE=(3 566+53.94×EE-32.68×NDF)×4.184/1 000(R2=0.798 1,RSD=0.43 MJ/kg);以全样品库样品建立的预测模型为EHGE=(3 742+29.67×EE-29.71×NDF)×4.184/1 000(R2=0.535 0,RSD=0.44 MJ/kg)。由2个模型获得的非选择性样品库(n=14)玉米DDGS的EHGE计算值与其实测值的绝对残差平均值分别为0.47和0.33 MJ/kg,差异不显著(P0.05)。综上所述,在玉米DDGS有效能值的估测建模中,以EHGE作为定标样品的选择依据是可行的。     

近红外反射光谱技术评定棉籽粕营养价值和蛋公鸡代谢能

本试验旨在探讨利用近红外反射光谱技术测定棉籽粕常规营养成分含量和蛋公鸡代谢能的可行性。从全国范围内收集76个不同产地、年份、加工方式的棉籽粕样品,测定其常规营养成分含量,并通过蛋公鸡强饲试验测定其表观代谢能和真代谢能。随机选取定标集(n=56)和外部验证集(n=20)样品,建立近红外定标模型。结果表明:1)不同来源棉籽粕的营养成分和蛋公鸡代谢能变异较大,变异系数为2.52%~84.75%,其中水分、粗脂肪、粗纤维、表观代谢能和真代谢能的变异系数超过10%;粗蛋白质、粗灰分和总能的变异系数分别为9.58%、9.81%和2.52%。2)水分、粗蛋白质、粗脂肪、粗纤维、粗灰分和总能的定标决定系数为0.923 5~0.975 8,交互验证决定系数为0.824 7~0.930 3,外部验证决定系数为0.879~0.896;表观代谢能和真代谢能的定标决定系数为0.969 0和0.926 8,交互验证决定系数为0.917 0和0.905 7,外部验证决定系数为0.911和0.892。因此,常规营养成分和代谢能的定标方程均可用于日常分析。     

近红外漫反射光谱定量分析天然牧草营养成分

为了快速测定内蒙古锡林郭勒盟草原天然牧草的营养成分,试验选用内蒙古锡林郭勒盟草原2016年5-11月份的主要牧草及混合牧草样品共407份,研究利用近红外漫反射全光谱扫描技术结合实验室检测数据,用修正偏最小二乘法（MPLS）,进行粗蛋白（CP）、中性洗涤纤维（NDF）、酸性洗涤纤维（ADF）、木质素（ADL）、粗灰分（Ash）、粗脂肪（EE）、钙（Ca）、磷（P）的定标和验证。结果表明：Ca、NDF、DM、CP、Ash的外部验证相对分析误差RPD（SD/SEP）均 > 3,NIRS预测值与化学值的相关系数RSQ均在0.9以上,说明这5个指标的定标效果较好, 建立的定标模型可以用于实际检测;ADF外部验证相对分析误差2.5     

Prediction of protein and amino acid composition and digestibility in individual feedstuffs and mixed diets for pigs using near-infrared spectroscopy

Knowledge of the amounts and digestibility of amino acids in pig feedstuffs is essential for calculating the appropriate inclusion level in a complete diet. Wet chemical analysis and in vivo digestibility trials are time-consuming and costly and cannot be used for routine assessment. Near-infrared spectroscopy (NIRS) offers a rapid, cost effective and environmentally friendly method for evaluating feedstuffs. Calibrations models were developed using NIRS to predict the content of crude protein and 18 amino acids from a wide range of feedstuffs used in pig production (n = 607). The samples ranged from single feed ingredients (containing amino acids from 0.3 to 129.8 g/kg of dry matter) to feed mixtures (containing amino acids from 1.2 to 53.2 g/kg of dry matter). The predictive ability of the calibrations was tested with an independent dataset (n = 150) and with cross-validation. Furthermore, we compare these calibrations with calibrations developed on more narrowly defined groups of samples and with predictions from regression analysis of crude protein. The models were able to predict the concentrations of crude protein and 18 amino acids with good levels of precision and high coefficients of determination for calibration (RSQ ^CAL) from 0.91 to 0.99 and validation (RSQ^VAL) from 0.87 to 0.97. Calibration models were able to predict all amino acids except tryptophan and valine with greater accuracy than those from protein regression. We also developed calibration models to predict the apparent ileal and total tract digestibility of protein and amino acids. With the exception of tryptophan, RSQ values (>0.7) and standard error of cross validation (SECV) values (<5%) were obtained for the digestibility of most of the amino acids. In conclusion, NIRS can be used to predict crude protein and amino acid concentrations from a wide range of single ingredients and feed mixtures used for pig diets without separate models for each feedstuff. The digestibility of protein and amino acids can be predicted with an acceptable accuracy to be useful in formulating pig diets.     

The correlationship between the metabolizable energy content,chemical composition and color score in different sources of corn DDGS

Background： This study was conducted to evaluate the apparent metabolizable energy （AME） and true metabolizable energy （TME） contents in 30 sources of corn distillers dried grains with solubles （DDGS） in adult roosters, and establish the prediction equations to estimate the AME and TME value based on its chemical composition and color score. Methods： Twenty-eight sources of corn DDGS made from several processing plants in 11 provinces of China and others imported from the United States. DDGS were analyzed for their metabolizable energy （ME） contents, measured for color score and chemical composition （crude protein, crude fat, ash, neutral detergent fiber, acid detergent fiber）, to predict the equation of ME in DDGS. A precision-fed rooster assay was used, each DDGS sample was tube fed （50 g） to adult roosters. The experiment was conducted as a randomized incomplete block design with 3 periods. Ninety-five adult roosters were used in each period, with 90 being fed the DDGS samples and 5 being fasted to estimate basal endogenous energy losses. Results： Results showed that the AME ranged from 5.93 to 12.19 MJ/kg, TME ranged from 7.28 to 13.54 MJ/kg. Correlations were found between ME and ash content （-0.64, P 〈 0.0]） and between ME and yellowness score （0.39, P 〈 0.05） of the DDGS samples. Furthermore, the best-fit regression equation for AME content of DDGS based on chemical composition and color score was AME = 6.57111 ＋ 0.5]475 GE - 0.10003 NDF ＋ 0.1 3380 ADF ＋ 0.07057 fat - 0.57029 ash - 0.02437 L （R^2 = 0.70）. The best-fit regression equation for TME content of DDGS was TME = 7.92283 ＋ 0.51475 GE - 0.10003 NDF ＋ 0.13380 ADF ＋ 0.07057 fat - 0.57029 ash - 0.02437 L （R2 = 0.70）. Conclusions： This experiment suggested that measuring the chemical composition and color score of a corn DDGS sample may provide a quality parameter for identifying corn DDGS sources energy digestibility and metabolizable energy content.     

近红外光谱分析技术在黑麦草粉粗蛋白测定中的应用

选取河北省吴桥试区不同品种、不同熟期、不同地块的黑麦草样品65份 ,用凯氏定N法进行了常规粗蛋白含量的测定。从中选出30个粗蛋白含量不同的样品作为近红外漫反射技术(NIR技术)测定的定标样品集。结果指出 :用NIR法得到的预测值与用凯氏定N法得到的测定值间的复相关系数达到R2=0.99 ,定标标样的标准误均方RMSEC=0.34 % ;用21个样品作检测样品集 ,凯氏定N法得到的测定值与NIR预测值间的复相关系数为R2=0.98 ,检测集样品预测标准误均方RMSEP=0.42 %。这一结果表明NIR作为一种黑麦草粉粗蛋白快速分析的技术是可行的