向娜娜 赵江涛 陈 丽 夏超笃 王晓琼 陈 林 纪昌正

(温氏食品集团股份有限公司，云浮527400)

大豆皮作为大豆加工副产品之一，主要由纤维和果胶组成，几乎不含淀粉[1]。大豆皮水分含量约10%，干物质的80%是碳水化合物，其中非纤维性碳水化合物(NFC)含量约占20%，且木质素含量低、适口性好、消化率高[2]。对单胃动物来说，大豆皮由于纤维素和半纤维素含量较高，能够在盲肠发酵为挥发性脂肪酸为动物供能，故大豆皮是很好的纤维饲料原料，而且具有价格低、产量大的优势，可以降低养猪成本、提高养猪效益[3]。大豆皮在反刍动物中的应用，可以增加其唾液的分泌，促进瘤胃蠕动及乙酸的产生，提高脂肪和蛋白质含量[4-5]。我国大豆皮资源丰富，其不仅可以代替粗饲料，还能替代部分玉米和小麦等谷物饲料，且价格低廉。因此，大豆皮作为动物饲料资源有着广阔的应用前景。

近红外光谱(NIR)技术作为目前发展最快和最具前景的过程分析技术之一，具有无损、快速、准确、无污染等优点，已被广泛应用于不同的科学研究领域。目前，在畜禽饲料营养评定方面，NIR技术被越来越广泛的应用。在饲料原料营养成分评定方面，关于玉米、小麦、稻谷、高粱及豆粕等营养成分含量的NIR检测已有报道[6-9]，此外在饲料成品的评定以及畜禽饲料消化率预测等方面也有研究。王勇生等[10]应用NIR技术建立了高粱中粗蛋白质(CP)、水分含量近红外模型，模型的相对分析误差(RPD)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RPD分别为3.32、5.36，表明该模型具有精确地评估高粱中CP和水分含量的应用效果。Nirea等[11]利用NIR技术准确地预测粪便的化学成分和营养物质含量，如有机物(OM)、CP含量及总能的表观总消化率(ATTD)。王旭峰[12]研究了饲料成品中水分、CP、粗纤维(CF)和粗脂肪(EE)含量等近红外模型的建立，模型的决定系数(R2)分别为0.911、0.867、0.945和0.917，具有较好的预测效果。而对于饲料原料纤维等营养指标的报道较少，尤其在大豆皮CF、中性洗涤纤维(NDF)及酸性洗涤纤维(ADF)含量方面的研究，因此，本研究主要针对目前饲用大豆皮纤维相关指标，应用NIR技术进行图谱采集、模型建立及验证，以期为大豆皮的快速无损检测提供参考。

1 材料与方法

1.1 试验材料

1.1.1 样品收集与处理

选择饲料用大豆皮，大豆皮样品来自于国内不同地区，共106份单个样品。将大豆皮样品用莱驰粉碎机(ZM 200型，德国)粉碎，过40目标准筛。过筛后，将样品混合均匀，采用四分法取样，取相对的2份混合，然后再平分，直到达到分样要求。样品分为2个重复，装入自封袋中，干燥避光处存放，并对样品进行NIR扫描，扫描的同时采用湿化学分析法测定大豆皮纤维相关指标含量。

1.1.2 主要仪器及试剂。

主要仪器：NIR仪(BRUKER，MATRIX-I)、全自动纤维浸提仪(Gerhardt, FT12)、脂肪分析仪(ANKOM,XT10)、天平(METTLER,ML204T)及马弗炉(上海一恒，SX2-4-10)、烘箱(上海一恒，DHG-9075A)等。

试剂：石油醚、丙酮、四硼酸钠、无水磷酸氢二钠、乙二胺四乙酸二钠、硫酸、氢氧化钾、十二烷基硫酸钠等(广州化学试剂厂)；十六烷基三甲基溴化铵(天津大茂)；正辛醇、乙二醇乙醚(国药)。

1.2 试验方法

1.2.1 大豆皮中水分、CF、NDF及ADF含量测定

分别采用GB/T 5009.3—2016、GB/T 6434—2006、GB/T 20806—2006及NY/T 1459—2007方法测定大豆皮中水分、CF、NDF及ADF含量。

1.2.2 大豆皮NIR采集

本实验室利用BRUKER公司MATRIX-I傅里叶变换NIR仪，采集106份大豆皮样品的光谱。光谱采集范围为4 000～11 500 cm-1，分辨率为16 cm-1，扫描次数64，样品重复装样扫描3次，取3次扫描光谱作为样本的原始光谱，大豆皮近红外扫描光谱见图1。

1.3 数据处理

1.3.1 近红外图谱数据处理

大豆皮近红外预测结果及湿化学数据采用SPSS 21.0进行统计分析。采集的大豆皮样品光谱，利用MATRIX-I傅里叶变换NIR仪中OPUS 8.1软件的各种光谱数据预处理技术和统计方法进行校正，根据检验结果确定最佳的定标参数设置。光谱基线校正：使用矢量归一化(SNV)和多元散射校正(MSC)等；数学处理：使用导数处理和平滑处理2种方法。导数处理又分一阶导数和二阶导数处理；平滑处理又分移动窗口平滑和S-G卷积平滑。定标模型的验证：采用内部验证和外部验证(将样品按7∶3的比例随机分为定标集和验证集)2种方法，根据R2、内部验证均方根误差(RMSECV)、外部验证均方根误差(RMSECP)及RPD等评价定标模型的可行性。

图1 大豆皮原始近红外扫描光谱图

1.3.2 定标模型评估指标

定标模型对各指标的评估，如果RPD≥3.0，说明定标效果良好，建立的定标模型可以用于实际检测；如果2.5≤RPD<3.0，说明利用NIR扫描对该成分进行定量分析是可行的；如果RPD<2.5，则说明该成分不适合进行NIR定量分析。

2 结果与分析

2.1 大豆皮纤维相关指标的测定

采用国标湿化学方法，检测了106份大豆皮样本中水分、CF、NDF及ADF含量，并计算其平均值、标准偏差及变异系数，检测结果见表1。

2.2 大豆皮近红外建模参数及模型构建

近红外建模过程中参数的选择，包括谱区范围、预处理方法(基线校正、数学处理)及最优主因子数等，均会影响近红外模型构建的质量。本试验大豆皮采用偏最小二乘法(PLS)化学计量学方法进行建模，水分含量参与建模样品71个，预测集30个，5个为剔除值，主因子数为7；CF含量采用PLS化学计量学方法进行建模，参与建模样品69个，预测集29个，8个为剔除值，主因子数为8；NDF和ADF含量均采用PLS化学计量学方法进行建模，光谱处理方式均选择一阶导数+SNV，保证建模的稳定性，参与建模样品68个，预测集28个，10个为剔除值，预测模型的建模参数见表2。

表1 大豆皮纤维相关指标检测结果

表2 大豆皮纤维相关指标预测模型的建模参数

2.3 大豆皮纤维相关指标近红外模型的评估

2.3.1 评估指标

本研究利用OPUS 8.1定标软件，通过内部交叉验证及外部验证2种方法，对大豆皮3种纤维指标的近红外模型进行评估。从表3可以看出，大豆皮水分及3种纤维指标模型决定系数均接近于1，且模型的RPD均大于3，均方根误差<0.6，表明该模型具有较好的稳定性及预测能力，用该模型预测类似样品可以得到较好的预测效果。

表3 大豆皮纤维相关指标预测模型的评估指标

2.3.2 内部交叉验证

大豆皮纤维相关指标内部交叉验证的结果分别见图2至图5，内部交叉验证得到各化学组分交叉验证RMSECV较小，且模型的R2均大于0.9，RPD均大于3.0，说明整体样品分布均匀，比较集中地分布在中心线附近，定标效果良好，建立的定标模型可以用于实际检测。其中大豆皮水分含量的模型较好，RPD>13.6，且RMSECV为0.07，而纤维指标中CF、NDF及ADF含量模型的RPD分别为3.62、4.82及3.37，R2分别为0.92、0.95及0.91，这表明模型预测值与实测值比较接近，模型的精确性高，具有较好的应用效果。

图2 水分含量预处理光谱图及内部交叉验证结果

图3 CF含量预处理光谱图及内部交叉验证结果

图4 NDF含量预处理光谱图及内部交叉验证结果

图5 ADF含量预处理光谱图及内部交叉验证结果

2.3.3 外部验证

为了更直观地考察大豆皮纤维相关指标近红外模型的预测能力、准确性及重现性，本试验同时对近红外模型进行了外部验证。由验证结果图6～图9可知，大豆皮纤维相关指标的外部验证结果RPD低于内部交叉检验，但RPD均大于3，且模型的R2均大于0.9，表明模型的预测能力准确性高、重现性较好。定标模型建立后，按梯度选择10份大豆皮样本来验证模型的准确性，并同化学测定值进行比较，结果见表4。通过比较发现，水分含量化学值与近红外预测值绝对偏差均小于0.2%，满足国标要求(水分含量<15%的样品绝对差值<0.2%)，相对偏差均≤1.3%，3种纤维指标相对偏差均小于3%，满足国标要求。因此，本试验建立的大豆皮3种纤维含量的近红外模型预测效果较好，能够用来评估大豆皮样品中纤维的含量。

图6 水分含量外部验证结果

图7 CF含量外部验证结果

图8 NDF含量外部验证结果

3 讨 论

NIR技术的应用前景十分广阔，尤其是在饲料原料及饲料养分预测、营养价值评定、质量监测等方面。目前在NIR技术应用方面，不局限于快速检测水分、CP、EE、灰分等这些常规指标，同时也可检测许多功能性指标，包括淀粉、氨基酸、能值及消化率等[13-14]。常冬等[15]利用NIR技术测定玉米、豆粕、干酒糟及其可溶物(DDGS)等饲料原料中淀粉含量，结果表明麸皮和菜籽粕含量预测模型效果最好，喷浆玉米皮、DDGS、玉米次之，豆粕、棉籽粕等淀粉含量较低的原料预测效果相对较差，但模型的R2除棉籽粕外均大于0.9。何云等[16]利用NIR技术建立了苜蓿干草常规营养成分包括干物质(DM)、CP、NDF和ADF含量的近红外预测模型，且模型的预测决定系数(RSQV)均大于0.80，外部验证相对分析误差(RPDV)均大于2.50，建模效果较好，可用于实际含量的测定。李军涛[17]使用NIR技术快速测定了生长猪玉米的可消化能(DE)和代谢能(ME)，其中消化能实测值近红外校正、交叉检验及外部验证决定系数分别为0.89、0.87和0.86，代谢能分别为0.87、0.86和0.86，具有较好的预测效果。

图9 ADF含量外部验证结果

表4 10份大豆皮样品纤维相关指标化学值与近红外预测值结果对比

关于近红外预测模型验证指标的评估方面，主要包含模型的R2、RPD及均方根误差等。Chen等[18]研究指出，当RPD≥3.0时，定标模型能精确预测相关成分含量，定标模型的预测效果较理想。同时需要兼顾模型的均方根误差值及R2，一般R2值越接近于1，均方根误差越小，模型的稳定性及适用性越高。本试验研究的大豆皮纤维相关指标的近红外模型，RPD>3.0，且模型的R2>0.9，RMSEE、RMSECV及RMSECP均<0.6，表明建立的模型精确性高，具有较好的应用效果。

确保建立的近红外预测模型的稳定性及准确性，同时需要保证收集样品的代表性、近红外仪器的稳定性、建模参数选择的合理性以及湿化学数据检测的准确性[19]。定标集样品应该在区域较广的范围内进行选择，要具有代表性。近红外仪器的稳定性会引起预测结果的误差，如仪器波长的准确性、基线的飘逸、噪声等。建模参数的选择，包括波长范围、光谱预处理方法及建模方法均会影响模型的准确性。同时实验室人员的操作能力也会影响整个建模过程的可行性，包括样品的取样、粉碎、湿化学检测及样品的扫描等。本试验在研究过程中，严格按照近红外定标的操作流程，保证取样的代表性、规范制样和粉碎过程、控制合理的仪器环境温湿度和扫描前校准、保证湿化学数据的准确性和重复性，降低试验误差的产生。

4 结 论

① 大豆皮纤维相关指标的近红外预测模型均采用一阶导数+SNV光谱预处理方法。SNV是散射校正技术之一，光谱经过SNV处理后，减少了非线性弯曲作用而产生的偏差；一阶导数处理，提高光谱的精细度，减小基线的不稳定，消除基线漂移，减小颗粒度变化对光谱的影响，提高近红外预测模型的稳定性和准确性。