近红外光谱分析法来检测饲料混合均匀度的方法,畜牧兽医论文

近红外光谱分析法来检测饲料混合均匀度的方法,畜牧兽医论文饲料混合均匀度是衡量饲料加工工艺的重要指标，混合均匀与否关系到动物采食饲料能否获得全面、足够的养分;而对于占据我们国家饲料产品构造百分之八十(2018年)以上的配合饲料来讲，组分的均匀性更关系到动物发育生长及食用肉质的安全性。当前，我们国家对于饲料混合均匀度的检测主要根据混合经过中饲料组分变异系数的化学试验值CV值来确定。一般的检测方式方法大多依靠试验室的化学分析，如沉淀法需利用四氯化碳对样本化学分离，甲基紫法需对示踪物甲基紫化学测定，摩尔法需配置碱性溶液、做滴定试验等。这些方式方法不仅经过相对繁琐，对操作专业性与试验环境条件的要求较高，使得检测的难度与成本上升了很多，导致很多饲料厂只能通过延长混合时间或延缓检测周期来保证生产效率，降低成本。因而，在我们国家饲料工业飞速发展的背景下，需要有一种准确、简易、无损的新型饲料混合均匀度检测方式方法来克制传统方式方法的缺陷。近红外(Nearinfrared，NIR)光谱分析技术具有采样简单、数据分析快、无损检测等优点，近年来被广泛应用于农牧业、食品、药品及石化等多个行业。就饲料工业而言，近红外检测的应用主要集中在饲料营养成分的测定、营养价值的评价、饲料矿物质、微量元素及其他次生物物质的测定。在混合均匀度测定方面，近红外已经有被应用于药物均匀度检测的研究案例。而关于营养价值评价当中的饲料均匀度检测所做的研究工作还极为有限。由于配合饲料各组分对光谱反射特性的差异，本研究提出利用近红外光谱分析法来检测饲料混合均匀度，通过对配合饲料在混合不同阶段的样本分析，获得了光谱及均匀度变化的信息，并比照了3种不同的近红外定性分析法对均匀度判别的效果。1、仪器与设备光谱信息收集分析仪器，美国ASD生产的Quali-tySpecProVNIR/SWIR15070型可见近红外光谱仪;光纤(垂直测量角度:125)白板;铅蓄电池，CAMO公司的UnscramblerX化学计量学软件;仿丹麦4KB型锤片式饲料粉碎混合机。化学试验多用的仪器试剂有:HITACHIU－1200分光光度计、甲基紫粉末、无水乙醇、5mm比色皿、100m标准筛及电子天平等。2、原理与方式方法2．1近红外检测原理有机分子的含氢基团吸收光照时会改变本身的振动能态构成各种频率的吸收谱带，根据比尔定律:对于同一物质，其浓度与对光吸收峰的强度成正比。由于饲料混合经过中每一组份的浓度都在变化使得样品产生一系列不同的光谱，将对应的光谱信息与试验真值进行关联后，就能直接通过光谱来确定其混合程度。2．2试验研究方式方法近红外试验方案基本流程如此图1所示。1)采样方式方法:依小型卧式混合机充满系数0．6，根据某育肥羊配合饲料配比，以35∶12∶3的比例准备玉米粉、豆粕和预混料共约50kg。将测定用的甲基紫混匀并充分研磨，使其全部过100m标准筛，根据配合饲料成品量十万分之一的用量，即每50kg饲料中添加0．5g甲基紫，将其与预混料混合后一起参加混合机。混合机转速控制在15r/min，参加原料与甲基紫示踪物，从电机启动开场计算，每工作30s采样一批，每批采集10份样本，每份50g左右，混合机工作4min(采样时间不计入)，共获得8批、80个饲料样本。同时，将光纤与光源固定在混合机开口上距混合物垂直距离约10cm的位置，光谱仪设置为启动后每隔2s自动采集一次光谱(采样时暂停扫描);参数设置:扫描时间为100ms，分辨率为10nm，4min共收集120张图谱。2)数据处理方式方法:预处理。在饲料组分光谱信息采集时，往往会遭到多种因素的影响，使得信息中包含一些与待测样品性质无关的干扰。其内在因素有:样品的状态、光谱仪的稳定性及光谱仪静电噪声等;外在因素有:光线的大幅度变化、温度及湿度的骤变及光的散射、杂散光等，这些会导致干扰。因而，在数据建模分析前，需要对光谱信号进行预处理。本试验通过反复研究，根据预实验结果对样本进行9点移动平均线(movingaverage)平滑、多元散射校正(MSC)预处理，消除光谱的基线漂移并减小噪声与镜面反射，再剔除噪声较大的波段，选择560～1000nm和1480～1800nm这两个波段进行计算。所选频段对于主成分分析模型的影响如此图2所示。通过观察发现对PCA模型奉献率在90%以上的频段在所选频段中到达了80%以上的占有率，讲明所选频段所包含的样本有效均匀度信息的绝大部分，能够作为建模集的信息来源。建模方式方法:本试验采用了3种不同的近红外定性分析方式方法，分别为簇类独立软形式(SIMCA)法、线性判别法(LDA)和支持向量机(SVM)。SIMCA法在化学形式辨别中被广泛应用。首先两类样本光谱建立主成分分析模型，再将未知数据与模型进行拟合，实现辨别。LDA同样是一种有监督形式辨别方式方法，区别在于其不需要预测前的PCA建模，而是直接将高维形式样本投影到最佳鉴别矢量空间进行判别。SVM的一般步骤为:选择适当的核函数(本试验选用line-ar);求解优化方程以获得支持向量及相应的Lagrange算子;得出最优分类面;对样本分类。3、试验结果与讨论3．1化学测定结果样品的混合度化学测定按照(GB/T59182008饲料产品混合均匀度的测定〕，其结果如表1所示，其变化情况如此图3所示。通过表1能够看出，在混合时间3min测得的样品CV值为9．1%，到达了均匀要求(10%);在4min(混合终点)的CV值为7．1%。因而，以180～240s采集的30个光谱样本中不同批次共24个作为建模代表均匀状态的训练集，以0～180s采集的90个光谱样本中不同批次共72个作为建模代表未均匀状态的训练集。图5参加了原料纯净物的光谱，可见玉米、豆粕和预混料与混合物料在全波段范围的近红外光谱有明显不同，十分是在波长范围560～1000nm和1480～1800nm随时间的变动愈加显著，证明了在混合物的光谱信息中包含了均匀度随时间变化的信息。3．3光谱建模结果1)SIMCA法建立的分类模型对训练集共96个样品进行判别的模型正确率为88．3%。当临界概率水平为0．05时，均匀类与未均匀类的类间距离(inter-classdistance)为5．42，均匀类类间距离(criticaldis-tance)为0．0017，未均匀类的类间距离为0．0032，类间距离明显大于类内距离。均匀类对本身24个训练集的样品全部正确辨别，但是额外接收了5个未均匀样品，未均匀类对本身72个训练集的辨别率到达93．3%，对均匀样品全部拒绝，结果如此图6所示。2)LDA无需建立样本的PCA模型，通过线性鉴别分析对数据进行特征抽取，使样本类间分布矩阵最大，同时类内分布矩阵最小。本试验LDA法对训练集96个样本进行均匀度归类的准确率为98．96%，结果如此图7所示。对验证集24个样本进行模型的外部检验，辨别率为91．7%(93号与96号样本辨别错误)。3)SVM在建立预测模型时需要建立数据的类型变量库(categoryvariables)并对数据归类，即将两类样本分别定义，计算所用的核函数(KernelFunction)为Linear函数，模型的检测准确度为94．79%(ValidationAccuracy)，结果如此图8所示。验证集的检测准确度为87．5%(60号、93号和96号样本辨别错误)。以上3种定性分析法在饲料混合均匀度的检测当中辨别度均到达了85%以上;LDA与SVM的判别原理类似，并且能够直接对样本进行分类判别不需要主成分分析，建模愈加快速;3种方式方法均对样本进行了两类区分，当样本足够全面时可进行更为细化的多类辨别。两类检测方式方法中，甲基紫法80个样本所用的化学分析时间在2h左右，采样时混合机需暂停工作，甲基紫作为失踪物参加后饲料无法继续被利用，样本无法继续被利用;近红外检测法120个样本数据的建模分析时间约5min，能够在混合进行时采样，对饲料性质没有任何影响，且除均匀度以外样本的光谱包含其它丰富的可被检测的理化信息，如含水率、含糖率等。4、结论1)本试验利用近红外光谱技术检测了配合饲料混合均匀度，判别精度较好，消除了人为的重复性误差，是一种准确、快速、无损检测方式方法;2)饲料的主要营养成分如蛋白质、脂肪、纤维等都具有丰富的含氢基团，在近红外区域有最为广泛的吸收光谱。3)假如模型适当，同一次扫描的光谱还能够检测样本的其他理化性质，对配合料的分析带来的附加信息。以下为参考文献:［1］王军，黄晓翔，张涛．磷含量法与甲基紫法测定配合饲料混合均匀度的比拟［J］．当代农业科技，2018(13):37．［2］GB/T5918－2008，饲料产品混合均匀度的测定［S］．［3］范平君．影响饲料混合均匀度的因素分析［J］．广东饲料，2018，18(7):36．［4］严衍禄，陈斌，朱大洲．近红外光谱分析的原理、技术与应用［M］．北京:中国轻工业出版社，2020．［5］韩耀全．提高配合饲料混合均匀度