王紅英 常楚晨 金 楠 陳媛媛 雷逸群 譚 宇

(1.中國農(nóng)業(yè)大學(xué)工學(xué)院，北京100083；2.湖南偉業(yè)動物營養(yǎng)集團股份有限公司，湖南長沙410000)

我國作為飼料第一大國，近年來對飼料品質(zhì)的要求逐漸提高，飼料品質(zhì)高低和利用效率直接影響畜禽產(chǎn)品的安全[1-2]。采用近紅外在線分析技術(shù)實時檢測飼料原料成分，可動態(tài)監(jiān)控配制過程，實現(xiàn)精準(zhǔn)營養(yǎng)，保證飼料品質(zhì)和利用效率。豆粕是產(chǎn)量最大、使用范圍最廣的植物性蛋白飼料原料[3]；玉米粉能量居谷實類飼料之首，在配合飼料中的用量高達(dá)50%～65%。在飼料生產(chǎn)中對作為飼料原料的豆粕和玉米粉進(jìn)行快速檢測，降低生產(chǎn)過程中飼料成分含量的波動引起的配方失真，尤其是水分和粗蛋白的含量，具有重要的現(xiàn)實意義。

目前飼料領(lǐng)域中，關(guān)于采用離線光譜建立近紅外模型的研究已較為廣泛，但生產(chǎn)線檢測環(huán)境惡劣，獲取的在線光譜與離線光譜差異較大，無法在生產(chǎn)線上直接使用離線近紅外模型。而僅用在線光譜建模，模型的穩(wěn)定性不佳，且無法通用于離線近紅外檢測。當(dāng)檢測環(huán)境發(fā)生變化時，模型也要隨之改變,需耗費巨大的人力物力重新建模[4]，近紅外模型轉(zhuǎn)移技術(shù)可很好的解決以上問題。目前的近紅外模型轉(zhuǎn)移方法有斜率∕截距校正、樣品擴充[5]、差值轉(zhuǎn)移、直接校正、分段直接校正[6]、Shenk 法[7]、雙競爭自適應(yīng)加權(quán)采樣法[8]等。但針對離線與在線近紅外設(shè)備之間的模型轉(zhuǎn)移研究較少，關(guān)于離線與非接觸式的在線近紅外設(shè)備之間的模型轉(zhuǎn)移研究更少。近紅外建模要求大樣本量且樣本的化學(xué)值分布范圍廣，但飼料企業(yè)受配方和控制的需求限制，原料來源單一，樣品數(shù)量少，營養(yǎng)成分含量分布范圍窄。較大規(guī)模的飼料生產(chǎn)企業(yè)，不僅有在線監(jiān)控飼料營養(yǎng)成分的需求，還有在實驗室進(jìn)行飼料營養(yǎng)成分質(zhì)檢的需求，對模型在離線與在線檢測間的通用性要求也很高。

本研究采用基于光譜共享法的近紅外模型轉(zhuǎn)移技術(shù)，該方法能用于小樣本量、窄化學(xué)值范圍樣品條件下的近紅外建模，且所建模型能在實驗室與飼料生產(chǎn)線之間通用，成本低、快速便捷。將離線和在線光譜相結(jié)合建立光譜共享模型，對比了僅用離線光譜或在線光譜建模的效果，并評估了光譜共享模型的穩(wěn)定性和通用性。

1 材料與方法

1.1 樣品和光譜的采集

本研究采用在線非接觸式傅里葉近紅外檢測儀MATRIX-F（Bruker 光譜儀器公司，德國）獲取在線光譜，光譜范圍12 800～4 000 cm-1，波數(shù)準(zhǔn)確度優(yōu)于0.05 cm-1，波數(shù)精度優(yōu)于0.1 cm-1[9]。使用中國農(nóng)業(yè)大學(xué)自主設(shè)計的近紅外在線檢測平臺[10]配合非接觸式在線近紅外探頭采集連續(xù)有效的光譜，該裝置安裝在湖南偉業(yè)公司飼料生產(chǎn)線上粉碎-配料運輸系統(tǒng)的下料溜管處（圖1）。為滿足光譜共享法對獲取在線和離線光譜樣品的一致性需求，用于獲取離線光譜的樣品也在此處取樣。在下料溜管處獲取22個豆粕樣品和26個玉米粉樣品的在線光譜，每20 s采集一次在線光譜，同時進(jìn)行人工取樣，在實驗室采用傅立葉變換近紅外光譜儀MATRIX-I（布魯克光譜儀器公司，德國）獲得22 個豆粕樣品和26 個玉米粉樣品的離線光譜，儀器參數(shù)為：光譜范圍：4 000～12 800 cm-1，分辨率4 cm-1，為降低由于樣品裝杯時不均勻?qū)е碌恼`差，每個樣品掃描兩次[11]。樣本量過小無法成功建模，為滿足建模需求，再額外人工獲取15個豆粕樣品和23 個玉米粉樣品的離線光譜，共取37 個豆粕樣品和49個玉米粉樣品的離線光譜。

1.2 樣品化學(xué)成分分析

以豆粕和玉米粉樣品的濕化學(xué)法檢測結(jié)果為基準(zhǔn)校正近紅外模型，按照GB∕T 6435—2014 和GB∕T 6432—2018測定水分和粗蛋白的化學(xué)值，每個樣品測兩次平行，取平均值作為定量分析模型的參考值。

1.3 模型的建立與評價

圖1 飼料生產(chǎn)工藝流程及在線近紅外探頭安裝位置示意圖

按照3∶1 的比例隔三取一地對樣品進(jìn)行分集，且保證校正集和檢驗集的平均值相差不大，檢驗集的數(shù)據(jù)范圍包含在校正集的數(shù)據(jù)范圍內(nèi)。采用馬氏距離法判別異常光譜，采用化學(xué)值絕對誤差的F檢驗法判別化學(xué)值的異常，并將異常樣品剔除。采用平滑校正、導(dǎo)數(shù)校正[12]、多元散射校正[13]、標(biāo)準(zhǔn)正態(tài)變換[14]等光譜預(yù)處理方法降低無關(guān)信息和噪聲信號對建模的干擾[15]。之后使用偏最小二乘(Partial least squares，PLS)法建立近紅外定量分析模型[16-17]。首先使用離線光譜建立離線光譜模型，受樣品數(shù)量少和樣品來源單一的影響，建模效果較差，無法用于在線檢測，故本文不予以討論。之后采用在線光譜和共享后的光譜建立近紅外模型，建模結(jié)果在下文進(jìn)行詳細(xì)分析。采用以下指標(biāo)綜合對模型進(jìn)行評價：模型校正集相關(guān)系數(shù)RC和驗證集相關(guān)系數(shù)RP，校正均方根誤差RMSEC、預(yù)測均方根誤差RMSEP，相對分析誤差RPD[18]，模型改善率Ri。

模型轉(zhuǎn)移后模型預(yù)測能力有所提升，本研究定義模型改善率Ri評價模型轉(zhuǎn)移的效果，其含義是與離線光譜模型相比，光譜共享模型的RPD 提高的百分比。Ri的計算公式為：

式中：RPD——相對分析誤差(%)；

Ri——模型改善率(%)。

采用所建立的近紅外模型進(jìn)行在線預(yù)測，通過預(yù)測殘差絕對值的方差S2評價預(yù)測的穩(wěn)定性。預(yù)測殘差絕對值的方差越小，說明模型的預(yù)測穩(wěn)定性越好。

式中：Δy——預(yù)測殘差；

n——校正集或驗證集中樣品個數(shù)；

yi,a——第i個樣品的實測值；

yi,p——第i個樣品的預(yù)測值；

S2——預(yù)測殘差絕對值的方差。

1.4 基于光譜共享法的近紅外模型轉(zhuǎn)移技術(shù)

模型轉(zhuǎn)移是避免模型在不同儀器間預(yù)測失效、實現(xiàn)模型通用的有效手段[19]。實際生產(chǎn)環(huán)境復(fù)雜，采集到的在線光譜與離線光譜偏差很大。圖2 為豆粕和玉米粉的離線和在線光譜曲線，紅色為離線譜線，其余為在線譜線，由于使用了在線近紅外檢測平臺采集在線光譜，光譜質(zhì)量較高，譜線平滑，趨勢合理，在線譜線走向與離線譜線的基本一致，但在線譜線的吸光度明顯高于離線譜線。

根據(jù)比爾定律[20]，對于同一樣品來說，吸光度的差異僅由光程不定引起。比爾定律的表達(dá)式為：

A=εbC

式中：A——吸光度[L∕(g·cm)]；

ε——待測成分的摩爾吸光系數(shù)；

b——光程(cm)；

C——待測成分的物質(zhì)的量的濃度(g∕L)。

豆粕和玉米粉由斗式提升機拋出后有較大的初速度，在溜管中主要依靠重力作用運動，其速度高達(dá)2 m∕s 左右，物料間的空隙較大且無法均勻流過近紅外探頭檢測位置，而且物料顆粒大小存在差異，故入射光照投射到樣品后反射到光纖探頭的光程變大，導(dǎo)致樣品的吸光度升高。

圖2 豆粕和玉米粉的離線和在線光譜

本研究采用光譜共享方法進(jìn)行模型轉(zhuǎn)移[21]，降低吸光度整體偏移的影響。光譜共享法的具體做法為：首先在現(xiàn)場采集不同生產(chǎn)批次的樣品和光譜，然后在實驗室獲取樣品的離線光譜，并進(jìn)行化學(xué)值的測量，最后使用離線和在線光譜共同進(jìn)行建模，以消除生產(chǎn)線在線檢測條件的不同帶來的誤差，增加定標(biāo)模型的穩(wěn)健性，并且對不同應(yīng)用場合的儀器具有通用性。采用同一樣品的在線和離線光譜共同建模，即采用吸光度不同但其他光譜特征和化學(xué)值相同的光譜共同建模，可使吸光度與光程的偏差對濃度值的影響降低，消除飼料生產(chǎn)線實際條件對在線近紅外檢測效果的影響。該方法操作簡單，無需其他算法或校正方法，適合推廣應(yīng)用于飼料企業(yè)。

1.5 數(shù)據(jù)處理

采用OPUS7.0（Bruker，德國）軟件進(jìn)行異常值剔除、波段選擇、光譜預(yù)處理和模型構(gòu)建等，采用Excel軟件進(jìn)行數(shù)據(jù)分析和繪圖。

2 結(jié)果與討論

2.1 離線光譜與在線光譜建模結(jié)果

使用離線光譜和在線光譜分別建立豆粕和玉米粉的近紅外模型，光譜預(yù)處理方法及模型結(jié)果如表1和表2 所示。表1 可見，離線光譜模型的相關(guān)系數(shù)過低，玉米粉粗蛋白的離線光譜模型RP僅0.563；RMSEC與RMSEP差值最高達(dá)0.142%，差值越大，模型的預(yù)測誤差波動越大，穩(wěn)定性越差，達(dá)不到建模要求，故采用小樣本量的離線光譜建立近紅外模型不可行。在線光譜模型的RP在0.8以上，均方根誤差RMSEC、RMSEP在0.25%以下，達(dá)到近紅外建模的要求。小樣本量的在線光譜建模效果優(yōu)于離線光譜建模效果，但建模效果仍有優(yōu)化空間。下文采用模型轉(zhuǎn)移技術(shù)，以提高近紅外建模的效果并實現(xiàn)離線和在線檢測間的通用。

表1 豆粕和玉米粉離線光譜建模結(jié)果

表2 豆粕和玉米粉在線光譜建模結(jié)果

2.2 基于光譜共享法的模型轉(zhuǎn)移結(jié)果

本研究采用光譜共享方法，利用在實驗室采集的37個豆粕樣品和49個玉米粉樣品的離線光譜與其中22個豆粕樣品和26個玉米粉樣品的在線光譜同時建模，即采用樣品的所有光譜建模，以提高模型預(yù)測效果和穩(wěn)定性。光譜共享后的建模結(jié)果見表3，豆粕和玉米粉樣品水分和粗蛋白模型的各評價指標(biāo)皆較優(yōu)。相關(guān)系數(shù)皆在0.94 以上，均方根誤差RMSEC、RMSEP在0.19%以下，且校正和預(yù)測均方根誤差的差值小，說明模型預(yù)測誤差的波動小，模型穩(wěn)定性較好。根據(jù)評價指標(biāo)綜合衡量，光譜共享模型的建模效果好于離線和在線光譜模型，模型改善率均大于0，其中，粗蛋白指標(biāo)的模型改善率均超過60%，說明光譜共享法對粗蛋白指標(biāo)的優(yōu)化效果更明顯。為直觀地反映建模效果，本研究繪制了散點圖，以1∶1 線為基準(zhǔn)，點和擬合線與1∶1 線的重合度越高，模型效果越好。由圖3 可知，點和擬合線與1∶1 線重合度很高，光譜共享對模型有明顯的優(yōu)化功能。

表3 豆粕和玉米粉光譜共享模型建模結(jié)果

圖3 光譜共享近紅外定量分析模型預(yù)測散點圖

近紅外檢測的重現(xiàn)性在實際應(yīng)用中也是至關(guān)重要的[22]，這就需要預(yù)測結(jié)果具有良好的穩(wěn)定性，分別使用離線光譜模型、在線光譜模型和光譜共享模型重新預(yù)測豆粕和玉米粉樣品的水分和粗蛋白含量。使用離線模型對獲取的在線譜線進(jìn)行預(yù)測，水分和粗蛋白含量的預(yù)測殘差絕對值皆較大，預(yù)測殘差平均值高達(dá)7.45%，無法實現(xiàn)在線準(zhǔn)確檢測，故此處不對離線模型的預(yù)測殘差予以討論，只比較在線光譜和光譜共享模型對在線譜線的預(yù)測殘差。由圖4 可知，光譜共享模型的預(yù)測殘差絕對值的方差S2均小于在線模型，即光譜共享后模型的預(yù)測性能和穩(wěn)定性均優(yōu)于在線光譜。

圖4 在線光譜預(yù)測殘差圖

除了實時在線監(jiān)控生產(chǎn)線外，飼料企業(yè)對飼料的離線近紅外檢測也有需求，因此近紅外模型的通用性是非常重要的[23]。將光譜共享模型應(yīng)用于離線光譜的預(yù)測，預(yù)測殘差絕對值的平均值為0.3，可用于離線檢測。建立離線近紅外模型通常需要高昂的建模成本，包括化學(xué)試劑的消耗，時間的耗費，技術(shù)人員對化學(xué)成分的測定，大量樣品的采集，光譜共享模型只需采集少量樣品即可同時用于在線檢測和離線檢測，適合在飼料企業(yè)推廣。

3 結(jié)論

①本文獲取37 個豆粕樣品和49 個玉米粉樣品的離線光譜，并獲取其中22 個豆粕樣品和26 個玉米粉樣品的在線光譜，建立了基于光譜共享法的近紅外豆粕、玉米粉在線定量分析模型。

②光譜共享模型的建模效果優(yōu)于離線光譜和在線光譜模型，預(yù)測穩(wěn)定性最佳。既可用于在線檢測也可用于離線檢測，有較好的通用性。豆粕樣品的水分和粗蛋白模型的相關(guān)系數(shù)Rp分別為0.942和0.959，預(yù)測殘差絕對值的方差S2為0.075和0.003；玉米粉樣品的水分和粗蛋白模型相關(guān)系數(shù)Rp分別為0.944 和0.994，預(yù)測殘差絕對值的方差S2為0.042和0.011。

③應(yīng)用基于光譜共享法的模型轉(zhuǎn)移技術(shù)，實現(xiàn)對豆粕和玉米粉成分含量的在線實時檢測和離線檢測，且適用于小樣本量和窄化學(xué)值范圍條件，為應(yīng)用在線近紅外檢測技術(shù)在飼料生產(chǎn)線上實現(xiàn)動態(tài)調(diào)整配方、精準(zhǔn)飼料營養(yǎng)提供新方法。