与其他动物油脂相比, 饲用鱼油的营养价值高、 产量低、 提炼工艺复杂, 其真实性的鉴定有利于市场的正常运行和消费者权益的保障。 本研究提出一种基于红外光谱的连续分类策略, 并将其应用于饲用鱼油中违法掺假陆生动物油脂的鉴别分析。 实验收集动物油脂样品共50个(鱼油12个、 猪脂10个、 鸡油9个、 牛脂10个、 羊脂9个), 采用均匀混合法制备饲用鱼油中掺加陆生动物油脂的样品160个。 采用主成分分析(PCA)方法进行用饲用鱼油中掺假陆生动物油脂红外光谱鉴别分析的可行性分析。 结果表明: 纯鱼油和掺假陆生动物油脂鱼油之间得到了较好的区分; 其他掺假陆生动物油脂鱼油之间有一定的鉴别分析潜力。 基于偏最小二乘判别分析(PLS-DA)和单类别偏最小二乘法(OC-PLS), 第一步, 建立检测鱼油真实性的单类别筛查模型; 第二步, 建立多类别陆生动物油脂掺假的鉴别模型, 探讨了两种陆生动物油脂类别划分方式对鉴别模型的影响。 研究表明: 单类别筛查模型成功区分了纯鱼油和掺假鱼油, 识别率和拒绝率均为100%, 误判率为0%; 按照纯鱼油、 猪脂掺假鱼油、 鸡油掺假鱼油、 牛脂掺假鱼油和羊脂掺假鱼油进行分类, 多类别鉴别模型的识别率和拒绝率均大于80%, 误判率均在15%以下; 按照纯鱼油、 非反刍动物油脂掺假和反刍动物油脂掺假进行分类, 多类别鉴别模型的识别率和拒绝率均提升至90%以上, 误判率减小至7%以下。 在提出的连续分类策略中, 中红外光谱技术结合化学计量学可以用于高效筛查鱼油中是否掺假陆生动物油脂, 并且可以进一步确证掺假陆生动物油脂种属源。 该方法作为一种快速筛查与确证分析工具可满足大样本量鱼油中陆生动物油脂掺假的检测需求。
连续分类策略 饲用鱼油 红外光谱 定性判别 Sequential classification strategy Feeding fish oil Infrared spectroscopy Discriminant analysis 光谱学与光谱分析
2021, 41(8): 2427
为有效应对违法掺加导致的饲料安全隐患, 完善饲用油脂的高效检测手段, 满足饲料质量安全的监管需求, 以来源可靠的不同种属动物油脂为研究对象, 通过在非反刍动物油脂中掺加不同比例(1%, 5%, 10%, 20%, 30%和40% W/W)的反刍动物油脂获得试验样品, 首次系统应用傅里叶变换红外光谱结合化学计量学方法探讨了陆生动物油脂中掺加反刍成分的鉴别分析方法与模型。 研究表明基于掺加比例1%～40%样品集, 偏最小二乘判别分析模型正确判别率为100%, 无假阳性和假阴性样品; 进一步研究发现, 基于陆生动物油脂中反刍成分低掺加比例0.1%～40%, 0.2%～40%, 0.4%～40%, 0.6%～40%和0.8%～40%样品集, 偏最小二乘判别分析模型的正确判别率均低于100%。 且随着最低掺加比例的降低, 假阳性与假阴性样品数明显增多, 其正确判别率逐步降低。 因此, 陆生动物油脂中掺加反刍成分判别分析检量限约为1%; 进一步通过脂肪酸组成与差异性分析、 红外光谱特征波段和特征化学键对比分析探讨其判别分析机理。 非反刍动物油脂光谱3 006 cm-1处吸收峰(代表CH(cis-)的拉伸振动)和914 cm-1处吸收峰(代表HCCH(cis-)的弯曲振动)明显高于反刍动物油脂样品, 主要表征了顺式脂肪酸和不饱和脂肪酸的显著差异。 非反刍动物油脂光谱965 cm-1处吸收峰(代表HCCH(trans-)的弯曲振动)明显低于反刍动物油脂样品, 主要表征了反式脂肪酸和饱和脂肪酸的显著差异。 掺加比例为1%的混合样品中反式CC键含量显著高于其他低掺加比例的样品, 而不同掺加比例样品的顺式CC键含量和C—H(—CH2—)键含量均无显著性差异。 因此, 基于红外光谱的陆生动物油脂中反刍动物成分鉴别分析主要是基于反式CC键结构的信息表征。 综上所述, 红外光谱可作为一种兼顾检测效率与检测精度的技术应用于陆生动物油脂中反刍成分的鉴别分析。
饲用动物油脂 反刍动物油脂 红外光谱 判别分析 Feeding animal fat and oils Ruminant fat and oils Infrared spectroscopy Discriminant analysis 光谱学与光谱分析
2019, 39(10): 3189
建立良好的蛋白饲料近红外光谱定量分析模型及实现在不同仪器间的模型共享, 能极大提高模型的利用效率, 满足饲料行业快速发展的需要。 针对蛋白饲料原料粗蛋白含量近红外分析模型适用性问题, 首次采用光谱差值转移、 直接校正和分段直接校正法进行了三台不同类型的近红外光谱仪之间的模型转移研究。 实验样品为四种蛋白饲料原料： 玉米蛋白粉、 菜粕、 酒糟和鱼粉。 实验仪器包括MATRIX-Ⅰ傅里叶变换型近红外光谱仪（主仪器）, Spectrum 400傅里叶变换型近红外光谱仪（从仪器1）和SupNIR-2750光栅扫描型近红外光谱仪（从仪器2）。 研究表明, 同一样品体系在主仪器和从仪器2上所得光谱数据的差异性相对较小, 且均与从仪器1所得光谱数据的差异性相对较大。 除分段直接校正法对玉米蛋白粉从仪器2的预测结果无促进作用之外, 其他模型的预测均方根误差和系统偏差均明显低于转移前。 玉米蛋白粉、 菜粕和酒糟样品采用三种方法转移后的模型预测相对分析误差（RPD）均大于3.0, 预测效果良好。 鱼粉样品模型转移后的预测RPD均大于2.5, 预测效果较好。 三种方法对于蛋白饲料原料不同仪器间的光谱差异进行了有效校正。 该研究结果对于蛋白饲料品质近红外快速分析模型的广泛应用具有重要意义。
蛋白饲料 粗蛋白 近红外光谱 模型转移 Protein feed Crude protein Near infrared reflectance spectroscopy Calibration transfer 光谱学与光谱分析
2016, 36(5): 1334
1 中国农业大学 工学院，北京 100083
2 中国农业机械化科学研究院，北京 100083
3 农业部农业机械试验鉴定总站，北京 100122
水分和热值是与秸秆能源转化利用相关的重要特性指标，采用近红外光谱技术结合LOCAL算法来予测秸杆 水份和热值.首先将样品分别按水分含量和热值大小均分为高、中、低三个子集分段建模，结果高、中、低含量样品 建立的模型的交互验证标准差(SECV)几乎都小于全部样品模型的SECV，表明了秸秆水分和热值变幅对近红外光 谱模型的预测精度有较大的影响.针对化学值变幅对模型精度的影响，引入LOCAL算法实现近红外光谱技术预 测，快速分析测定秸秆的水分和热值.研究结果表明，LOCAL算法为每个预测样品选择合理的定标集，与常规的PLS 和MPLS模型相比，有效提高了近红外光谱技术预测精度，在秸秆近红外光谱定量分析中有着广阔的应用前景.
近红外光谱 LOCAL算法 水分 热值 near infrared spectroscopy LOCAL algorithm moisture calorific value
从全国24个省(市)收集到222个秸秆样品, 包括172个稻秸样品和50个麦秸样品。 采用近红外光谱技术, 结合主成分回归、 偏最小二乘回归和改进的偏最小二乘回归建立了秸秆热值的定量分析校正模型。 近红外光谱模型的建立与优化过程中使用了不同的散射校正方法和光谱导数处理来帮助改善模型精度。 对得到的54个模型采用统计学的方法分析外部验证的结果, 通过比较外部验证的系统偏差(Bias)和Bias校正的预测标准差(SEP(C)), 考察了不同光谱预处理和回归方法对秸秆热值的近红外模型预测性能的影响。 结果表明： 近红外光谱技术能够快速、 准确地分析秸秆的热值, 模型的SEP(C)在134～178 J·g-1之间； 对外部验证结果的统计分析, 能够有效地选择较好的建模方法, 确定较优模型。
近红外光谱 外部验证 热值 统计比较 Near infrared spectroscopy Independent validation Calorific value Statistical comparison 光谱学与光谱分析
2009, 29(5): 1264
工业分析是生物质热化学工程技术中的一项常规应用分析。 文章探讨了近红外光谱技术(NIRS)在秸秆工业组成分析上的应用, 并利用近红外光谱技术预测了秸秆中挥发分和固定碳含量。 利用Foss 6500光栅型近红外光谱仪在1 108～2 492 nm光谱范围内分别对直接切短秸秆样品中水分、 灰分、 挥发分和固定碳以及干燥粉碎样品中灰分、 挥发分和固定碳的近红外光谱建立了预测模型。 对于直接切短秸秆样品, 水分、 灰分、 挥发分和固定碳校正模型外部验证的R2V(SEP)分别为0.92(0.76%), 0.94(0.84%), 0.88(0.82%)和0.75(0.65%)。 干燥粉碎样品中灰分、 挥发分和固定碳的近红外光谱模型外部验证的R2V(SEP)分别为0.98(0.54%), 0.95(0.57%)和0.78(0.61%)。 实验结果表明, 近红外光谱技术能实现秸秆的快速分析和多组分同时测定, 从而可降低秸秆工业分析的成本。
秸秆 近红外光谱 工业分析 Straw Near infrared spectroscopy (NIRS) Proximate analysis
1 中国农业大学 工学院,北京 100083
2 现代精细农业系统集成研究教育部重点实验室,北京 100083
探讨了基于可见和近红外反射光谱分析技术检测鱼粉中是否掺有植物饼粕的可行性。收集了我国常用的鱼粉和豆粕,将豆粕按不同浓度掺杂到鱼粉中制备试验样本,分别进行了定性和定量分析研究。定性分析用206个样本作为校正集,103个样本作为检验集,选择合适的光谱预处理方法和光谱范围建立了定性判别分析模型,模型对外部检验集的正确判断率为96.12％。定量分析用掺杂有豆粕的130个鱼粉样本作为校正集,65个鱼粉样本作为检验集,采用偏最小二乘法(PLS)建立了定量分析模型。以变量标准化处理(SNV)与二阶导数(2,4,4,1)相结合处理效果最佳,其预测值和测量值的决定系数R2和标准差SEC分别为0.989 0和1.539 0;检验集进行外部验证的决定系数R2和标准差SEP分别为0.988 8和1.786 0,RPD为8.61。结果表明,利用近红外光谱分析技术可以成功检测鱼粉中豆粕的存在和含量。
近红外反射光谱 偏最小二乘法 定性分析 定量分析 鱼粉 豆粕 Near infrared reflectance spectroscopy Partial least-squares Qualitative discriminant analysis Quantitative analysis Fish meal Soybean meal
1 中国农业大学 工学院,北京 100083
2 动物营养学国家重点实验室,北京 100083
为了研究近红外光谱模型的优化方法,提高模型的精度,利用遗传算法对64个掺加了肉骨粉的鱼粉样品近红外光谱进行变量筛选,采用偏最小二乘法回归建模,并用21个样品进行外部验证。遗传算法共选取310个波长变量,相对于全谱的1556个变量减少了80%,与全谱范围的偏最小二乘法相比,交互验证相关系数(RCV)从0.80提高到0.90,交互验证均方根误差从5.22%降低到3.62%,预测相关系数(RV)从0.91提高到0.96,预测均方根误差从3.85%降低到2.95%,模型的稳健性和预测精度都显著提高。试验结果表明遗传算法可以改善近红外光谱法预测鱼粉中肉骨粉含量的效果。
测量 近红外光谱学 遗传算法 鱼粉 肉骨粉
