近红外(NIRS)和粗蛋白预测氨基酸含量的精度比较研究

本试验使用同一套饲料样品进行NIRS的定标方程、本实验的粗蛋白（CP）一元回归方程、NRC的CP一元回归方程、田河山的CP一元回归方程之间的精度比较研究。研究结果表明，用粗蛋白为指标建立的预测豆粕和玉米氨基酸的3种方程（本试验建立的预测方程、田河山的预测方程、NRC的预测方程）取得了比较一致的预测结果，经F检验达到了显著或极显著的程度，但R值都不高，大部分在0.40～0.70之间，远低于NIRS的预测方程。NIRS预测豆粕氨基酸定标方程的相关系数中，除蛋氨酸、胱氨酸、苏氨酸外，都在0.90以上，蛋氨酸、胱氨酸、苏氨酸相关系数分别为0.823、0.887、0.883，而且粗蛋白进行预测的相关系数在0.39、0.52、0.68。显然NIRS预测的结果要好于用粗蛋白预测的效果，从标准差上看，用粗蛋白含量预测氨基酸的标准差一般为NIRS的2～6倍，NIRS的预测精度显然好于用粗蛋白预测的精度。     

近红外反射光谱快速检测滇南小耳猪肉中水分、粗脂肪及粗蛋白含量的研究

应用近红外反射光谱技术(NIRS)对滇南小耳猪热鲜均质肉糜和绝干粉的水分、粗脂肪、粗蛋白含量进行建模研究,并筛选出最优的光谱预处理方法。采集11 000~4 300 cm-1范围内43份猪肉样品光谱数据,在多元散射校正(MSC)、二阶导数(Second derivative)、变量标准化校正(SNV)不同组合方式的光谱预处理基础上,采用偏最小二乘法(PLS),建立滇南小耳猪猪肉的水分、粗脂肪、粗蛋白质3个化学组分的近红外预测模型,筛选最佳的光谱预处理方法和主成分数。水分预测较好的是匀质肉糜原始光谱预测,R2为0.981,RMSEC为0.177,RMSEP为0.810,最佳主成分数为7;粗脂肪和粗蛋白预测效果较好的均是绝干粉的原始光谱,R2分别为0.986、0.976,RMSEC分别为0.567、0.765,RMSEP分别为2.325、2.697,最佳主成分数均为7。因此,近红外光谱分析方法能够很好地检测滇南小耳猪猪肉中的水分、粗脂肪和粗蛋白。     

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.     

预混料中维生素E的近红外光谱定量分析模型定标参考值选取

本研究旨在比较以检测值为定标参考值和以理论值为定标参考值2类近红外光谱(NIRS)定量分析模型的预测精准度差异。试验制备了225个维生素预混料样品,利用傅里叶变换近红外光谱仪采集样品在10 000～4 000 cm^-1内的NIRS,基于同一维生素预混料定标集,分别以检测值、理论值为定标参考值,借助偏最小二乘方法,筛选最优光谱预处理方式,构建维生素E的NIRS定量分析模型,并根据F-检验,采用同一独立验证集,评价NIRS定量分析模型的预测效果。结果表明：维生素E的NIRS定量分析模型A(Model-A),以检测值为定标参考值,最优光谱预处理方式为多元散射校正,定标集决定系数(R²)为0.992,最小交互验证标准误差(RMSECV)为4.50×10³IU/kg,相对分析误差(RPD)为11.2;维生素E的NIRS定量分析模型B(Model-B),以理论值为定标参考值,最优光谱预处理方式为变量标准化,定标集R²为0.991,RMSECV为4.94×10³IU/kg,RPD为10.6。...     

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。     

高寒草原天然牧草营养品质近红外光谱预测模型的建立

本研究旨在探讨近红外光谱(NIRS)技术在定量分析高寒草原天然牧草营养品质的可行性。试验于2015—2018年,每年6—9月份,从青藏高原高寒草原放牧研究样地收集不同放牧强度(0、3.6、5.3、7.6只/hm2)的混合和4个优势种(莎草科矮生嵩草、蓼科珠芽蓼、蔷薇科金露梅和豆科锦鸡儿)牧草样品共计1 280份,随机分为定标样品集(n=854)和预测样品集(n=426),建立天然牧草干物质(DM)、粗脂肪(EE)、粗蛋白质(CP)、酸性洗涤纤维(ADF)、中性洗涤纤维(NDF)含量及体外干物质消化率(IVDMD)和估算代谢能(EME)营养品质近红外光谱(NIRS)预测模型,实现天然牧草营养品质的快速和准确评估。结果显示:牧草DM、CP、EE、ADF、NDF含量及IVDMD和ME变异较大;DM、CP、ADF、NDF含量及IVDMD和EME的NIRS预测模型的验证决定系数(R2CV)为0.992～0.999,外部验证相对分析误差(RPD)为3.82～5.97,取得了最佳的定标效果,且定标方程均具较好的预测能力,能够成功应用于日常分析。EE含量的NIRS预测模型的R2CV为0.837,外部RPD为2.30,定标效果不理想,定标模型虽不能用于准确的定量分析测定,但仍能应用于牧草EE含量的粗略测定。综上所述,本研究建立的高寒草原天然牧草DM、CP、ADF、NDF含量及IVDMD和EME的NIRS预测模型能够成功应用于日常分析。     

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     

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。     

近红外光谱技术(NIRS)测定玉米粉碎粒度的研究

试验研究了近红外光谱技术(NIRS)快速测定玉米粉碎粒度的应用。建立的近红外定量预测模型定标决定系数(RC2)为0.9463,相对标准差(RSD)为6.5619%,相对分析误差(RPD)为4.3771,定标结果较好;并对模型的预测能力进行了验证,其中验证决定系数(RV2)为0.9186,相对标准差为6.8646%,相对分析误差为4.0856,预测能力较好,表明近红外技术具有较高的准确度。实验研究结果对饲料生产过程中粉碎粒度的控制具有重要的实际意义。     

宁夏玉米营养成分近红外分析模型建立与应用

研究采集宁夏区内各市县(固原、海原、同心、中卫、中宁、永宁、平罗)抽取玉米样品120批,用近红外分析仪扫描定标样品集获得玉米近红外光谱图,利用偏最小二乘法建立模型,并分别经过无预处理、均值中心化、标准正态变量转换、一阶导数、标准正态变量转换结合去趋势校正(SNV+D)预处理光谱,获得水分、粗蛋白、粗脂肪、粗纤维预测模型,分别是经过MC、SNV+D、SNV+D、SNV+D光谱预处理后效果最好。预测决定系数R² _p分别为0.951、0.976、0.728、0.897,相对分析误差RPD除粗脂肪为2.62外,其他均大于3的近红外预测模型,通过预测模型验证集验证后,并对模型预测值与实测值进行U检验,结果为差异不显著(P>0.05)。该近红外预测模型对玉米中水分、粗蛋白、粗纤维具有较佳预测效果,粗脂肪的预测精度有待进一步提高。     

黄土高原13种栽培牧草营养成分NIRS模型分析

对2012-2013年黄土高原种植的13个牧草品种、780份干草样品的营养成分建立了近红外光谱(near infrared reflectance spectroscopy,NIRS)的检测模型。豆科牧草的粗脂肪(EE)、酸性洗涤纤维(ADF)和粗灰分(Ash)建模结果最好,其定标决定系数(RSQ)0.94,交叉验证相关系数(1-VR)0.7最高,定标标准分析误差(SEC)在0.071~0.713,交叉校验定标标准分析误差(SECV)在0.160~2.751。禾本科牧草的EE和可溶性糖(WSC)建模结果最好,RSQ分别达0.916和0.859,1-VR分别为0.609和0.810,SEC和SECV分别是0.250、1.488和0.505、3.172。菊科和车前科牧草的模型,除ADF外,其它指标预测的稳定性和准确性较为理想,RSQ在0.85以上,1-VR在0.70以上,SEC和SECV分别在0.361~3.557和0.495~4.602。NIRS对豆科粗蛋白(CP)和WSC的数值预测较差,RSQ仅0.55,对禾本科CP、ADF、中性洗涤纤维(NDF)、Ash及菊科和车前科的ADF的预测稍差,RSQ0.7。     

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。     

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。     

样品集的数据分布特征对建立玉米粗蛋白近红外预测模型的影响

本实验旨在研究当建模样品集的数据分布分别呈正态分布与均匀分布时对构建玉米粗蛋白的傅立叶近红外预测模型的影响,探讨建立近红外光谱预测模型的快速方法。本试验组建3个不同定标集,且其粗蛋白含量的数据分布分别呈现均匀分布(10.00,0.85)、正态分布1(10.02,0.692)、正态分布2(10.01,0.692)特征,建立粗蛋白的近红外预测模型。结果表明:均匀分布、正态分布1和正态分布2所对应的模型的R2分别为0.9879、0.9858、0.9862,RMSECV分别为0.1055、0.1079、0.1069,RSD%分别为1.06、1.08、1.07;均匀分布模型在预测各个范围的粗蛋白时其误差均在0.04以内,而正态分布1模型的误差依次为0.09、0.06、0.02、0.01、0.07、0.10。结果显示,在相同定标样品数下,定标集呈均匀分布时所建预测模型的预测误差变异小,并且在预测含量偏离平均数较大的样品时效果好于正态分布,而正态分布则是在预测含量在接近平均数的样品时有优势;同时在减少一定数量的定标样品后,使用均匀分布的定标集仍然可以保持所建预测模型的准确性。     

膨化料水分控制研究

膨化料水分控制对于饲料品质和饲料企业的出品率有着重要影响。许多企业,尤其是中小企业都面临这样的问题。研究通过对膨化料生产过程中各个阶段的水分含量进行检查,分析水分的散失情况及不同粒径的膨化料在生产过程中水分散失的差异,旨在为膨化料水分控制提供参考依据。     

近红外模型转移技术在饲料生产中的应用

研究建立应用于饲料生产线上的近红外预测模型,该模型同时应用于实验室的离线近红外检测。以豆粕和玉米粉为例,获取37个豆粕和49个玉米粉样品的离线光谱,并获取其中22个豆粕和26个玉米粉样品的在线光谱,建模方法采用偏最小二乘法(Partial least squares, PLS),首先用离线光谱和在线光谱分别建立近红外定量分析模型,之后基于光谱共享法的模型转移技术,建立光谱共享模型,将三种模型的建模结果进行比较。结果表明,光谱共享模型预测效果最好,其中,豆粕水分和粗蛋白模型的验证集相关系数(Correlation coefficient of validation set, R_P)分别为0.942和0.959,模型改善率(Model improvement rate, R_i)为17.4%和68.4%,预测残差绝对值的方差S²为0.075和0.003;玉米粉水分和粗蛋白模型R_P分别为0.944和0.994,R_i为0.6%和80.9%,S²为0.042和0.01...     

单螺杆挤压沉性膨化饲料的工艺研究

沉性膨化饲料具有较好的耐水性。本文研究了使用单螺杆挤压机生产沉性膨化料的挤压工艺条件,研究了物料水分、机筒温度、螺杆转速对饲料颗粒性质的影响。对于粗蛋白40.6%的河蟹饲料,适宜的挤压条件为:调质后物料水分29%,螺杆转速190r/min,揉和区和熟化区机筒温度分别为120℃和40℃,挤压得饲料颗粒沉降速度0.0546m/s,水浸1h干物质损失率9.32%,耐水时间大于24h,糊化度97.12%,原料中用生大豆粉代替豆粕可改善颗粒耐水性。     

二次制粒加工教槽料对哺乳仔猪小肠的影响

40头LY(长×大)母猪所产乳猪按7日龄窝重一致的原则分为4个处理组,每组10窝,饲喂不同加工处理的乳猪试验教槽料。处理组1乳猪饲喂的教槽料采用普通一次制粒,并使用未膨化的玉米和豆粕原料;处理组2乳猪教槽料采用一次制粒,使用膨化玉米和膨化豆粕;处理组3乳猪教槽料采用二次制粒工艺、未膨化玉米和豆粕原料;处理组4乳猪教槽料采用二次制粒、膨化玉米和豆粕。结果表明:处理组4乳猪十二指肠黏膜麦芽糖酶活性和R NA含量指标,显著大于处理组1(P<0.05)。处理组4乳猪空肠黏膜麦芽糖酶活性、DNA和R NA含量等指标显著大于其他3个处理组。而处理组4空肠黏膜乳糖酶活性显著小于处理组1,处理组2和3之间无差异(P>0.05)。本试验证明,在选择膨化玉米与膨化豆粕优质饲料原料的基础上,采用二次制粒工艺生产的教槽料有利于哺乳仔猪生长与肠道发育。     

近红外光谱法预测燕麦干草蛋白组分的研究

本试验采集燕麦干草样品138份,依据康奈尔净蛋白质和碳水化合物体系(CNCPS)划分燕麦干草的蛋白组分,建立燕麦干草粗蛋白(CP)和CNCPS蛋白组分A、B1、B2、B3和C的近红外光谱(NIRS)预测模型。结果表明,CP和蛋白组分A、B2的交互验证决定系数(R2cv)、外部验证决定系数(R2val)均大于0.9,外部验证集标准差(SD)与预测标准差(RMSEP)的比值(RPD)均大于3.0。综上所述,NIRS技术可以准确预测燕麦干草CP、A和B2的含量。蛋白组分B1、B3和C的决定系数和RPD值较低,难以准确预测。     

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。