一种基于近红外光谱的青贮大豆品质检测方法

技术领域

本发明涉及青贮大豆品质检测技术领域，特别是涉及一种基于近红外光谱的青贮大豆品质检测方法。

背景技术

大豆是一种蛋白质和脂肪含量较为丰富的粮油作物，籽粒中营养物质丰富，压榨浸提后的豆粕是优质的植物蛋白饲料。利用其高蛋白的营养特性，大豆植株可作为青贮饲料解决饲料中高蛋白短缺的问题。然而，青贮大豆品质的检测成为一项重要的研究内容和亟待解决的问题，现有的饲料品质指标的检测方法大多数还是通过国家标准或行业标准等常规化学检测，其中，粗蛋白含量采用国标法GB/T 6432-2018(凯氏定氮法)测定，中性洗涤纤维采用国家标准GB/T 20806-2006方法测定，酸性洗涤纤维国家行业标准NY/T 1459-2007方法测定，操作成本高，耗费时间和人力，对于检测样品量大的试验或任务，检测过程繁琐，容易存在误差，检测工作量大；同时，试剂耗费量大，易造成环境污染，损害人员身体健康。

近几年，NIRS(Near Infrared Spectroscopy，近红外光谱)法以其快速、简便、无损、绿色等诸多优点,在各行各业越来越受到青睐。在饲料分析方面,不仅能用于饲料常量成分分析,还能用于饲料营养价值的评价。目前，大豆用作饲料主要以豆粕为主，其青贮型大豆作为青贮饲用资源的新成员，NIRS用于检测青贮大豆饲用品质评价属于新内容，因此，有必要提供一种基于近红外光谱的青贮大豆品质检测方法，以能促进青贮大豆在饲草研究和应用上的发展和利用。

发明内容

本发明的目的是提供一种基于近红外光谱的青贮大豆品质检测方法，以解决现有技术中存在的技术问题，能够大大提高青贮大豆饲用品质的检测效率及检测结果的精准性，检测过程简洁、高效、绿色，填补了青贮大豆植株品质近红外检测的空白。

为实现上述目的，本发明提供了如下方案：本发明提供一种基于近红外光谱的青贮大豆品质检测方法，包括：

S1、收集不同品种青贮饲用型大豆在不同生长期的地上植株部分，对收集的植株进行处理后，在预设温度下烘干至恒重后粉碎，作为待测样品；

S2、对所述步骤S1收集的待测样品进行理化指标测定，并将所述待测样品的理化指标测定结果划分为校准集和验证集；

S3、对所述步骤S1收集的待测样品进行近红外光谱扫描，得到对应的吸光值；

S4、对所述步骤S3得到的吸光值进行数据预处理；

S5、基于所述校准集数据预处理后的吸光值以及理化指标测定结果，采用偏最小二乘法PLS分别构建不同理化指标的青贮大豆品质预测模型；

S6、基于所述验证集对不同理化指标的青贮大豆品质预测模型进行校验，基于校验结果获取各理化指标所对应的最优青贮大豆品质预测模型；

S7、将待测青贮大豆近红外光谱扫描的吸光值分别输入至各理化指标所对应的最优青贮大豆品质预测模型，完成青贮大豆品质检测。

优选地，所述步骤S1中，不同生长期包括盛花期、鼓粒初期、鼓粒中期；各生长期的植株的处理方式分别为：盛花期、鼓粒初期对全株进行取样，鼓粒中期对去荚处理后的植株进行取样。

优选地，所述步骤S2中，所述理化指标包括粗蛋白CP、中性洗涤纤维NDF、酸性洗涤纤维ADF。

优选地，所述步骤S2中，所述理化指标采用国家标准或行业标准进行测定。

优选地，所述步骤S3中，近红外光谱扫描的光谱范围为900-1700nm。

优选地，所述步骤S4中，所述数据预处理包括：一阶求导NW

优选地，所述步骤S5中，每个所述理化指标对应的青贮大豆品质预测模型包括基于NW

优选地，每个所述理化指标对应的青贮大豆品质预测模型采用NW

优选地，所述步骤S6中，对不同理化指标的青贮大豆品质预测模型进行校验的指标包括决定系数R

本发明公开了以下技术效果：

本发明采用国标法测定青贮饲用型大豆的理化指标，并对青贮饲用型大豆待测样品进行近红外光谱扫描，基于近红外光谱的吸光值变化规律与饲用大豆理化指标数值的相关性，利用偏最小二乘法构建青贮大豆品质预测模型，基于决定系数和均方根误差对青贮大豆品质预测模型进行优选，将待测样品的近红外光谱的吸光值输入最优青贮大豆品质预测模型即能够实现对青贮大豆品质的快速准确检测，从而大大提高了青贮大豆饲用品质的检测效率及检测结果的精准性，检测过程简洁、高效、绿色，填补了青贮大豆植株品质近红外检测的空白。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于近红外光谱的青贮大豆品质检测方法流程图；

图2为本发明实施例中近红外扫描的原始光谱示意图；

图3为本发明实施例中NW

图4为本发明实施例中NW

图5为本发明实施例中NW

图6为本发明实施例中粗蛋白含量预测值与参考值的分布曲线图；其中，图6(a)为三组值模型，图6(b)为两组值模型；

图7为本发明实施例中NDF含量预测值与参考值的分布曲线图；其中，图7(a)为三组值模型，图7(b)为两组值模型；

图8为本发明实施例中ADF含量预测值与参考值的分布曲线图；其中，图8(a)为三组值模型，图8(b)为两组值模型。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

参照图1所示，本实施例提供一种基于近红外光谱的青贮大豆品质检测方法，包括如下步骤：

S1、收集不同品种青贮饲用型大豆在不同生长期的地上植株部分，对收集的植株进行处理后，在预设温度下烘干至恒重后粉碎，作为待测样品；

本实施例中，分别对25个大豆品种在盛花期、鼓粒初期、鼓粒中期进行取样，各生长期的植株的处理方式分别为：盛花期、鼓粒初期对全株进行取样，鼓粒中期对去荚处理后的植株进行取样，具体大豆品种如表1所示：

表1

按表1中三个取样时期和不同处理方式对植株进行取样后，将样品植株经65℃烘干至恒重后，粉碎待测，共收集57个样本。

S2、对所述步骤S1收集的待测样品进行理化指标测定，并将所述待测样品的理化指标测定结果划分为校准集和验证集；

所述理化指标包括CP(Crude Protein，粗蛋白)、NDF(Neutral Detergent Fiber，中性洗涤纤维)、ADF(Acid Detergent Fiber，酸性洗涤纤维)三个主要的青贮饲用品质指标；每个样品的理化指标分别按照国家标准或行业标准进行三次重复检测，57个待测样品进行理化指标测定共得到171个化学值，以确保数据获得的准确性。

其中，CP按照国家标准的检测方法GB/T 6432-2018进行检测，NDF按照国家标准的检测方法GB/T 20806-2006进行检测，酸洗涤纤维按照行业标准的检测方法NY/T 1459-2007进行检测。

S3、对所述步骤S1收集的待测样品进行近红外光谱扫描，得到对应的吸光值；

其中，近红外光谱扫描过程中，样品采用自然装样方式，用手直接码匀，每个待测样品在同等环境条件下，分别采用三次旋转扫描和三次重装后扫描，并取平均的方式，进行近红外光谱收集，以克服样品的不均匀性，共收集到171个光谱；其中，所述重装为重新从样品中取粉，码平且厚度一致。

扫描参数如下：利用近红外光谱成像仪(DA7250，Perten，Sweden)，光谱范围为900-1700nm，波长精度<0.3nm，光谱分辨率为7nm，二极管间距(像素间距)3.1nm/像素，检测器为InGaAs，电温控制冷处理，256像素。可驱动载有样本的旋转杯，用来控制系统运行的计算机以及近红外成像系统采集软件。为保证获取光谱的一致性，检测温度为15-25℃，样品厚度一致为5mm，湿度范围为30％-70％。

S4、对所述步骤S3得到的吸光值进行数据预处理；所述数据预处理包括：一阶求导NW

S5、基于所述校准集数据预处理后的吸光值以及理化指标测定结果，采用偏最小二乘法(PLS，Partial Least Squares)分别构建不同理化指标的青贮大豆品质预测模型；

具体为：基于数据预处理后的光谱的吸光值变化规律与饲用大豆品质指标数值的增大有良好的相关性，利用偏最小二乘法构建青贮大豆品质预测模型。

偏最小二乘法是一种数学优化技术，其通过最小化误差的平方和找到一组数据的最佳函数匹配，用最简化的方法求得一些绝对不可知的真值，而令误差平方之和为最小。

每个所述理化指标对应的青贮大豆品质预测模型包括基于NW

S6、基于所述验证集对不同理化指标的青贮大豆品质预测模型进行校验，验证饲用大豆品质预测模型的准确性，基于验证结果获取最优青贮大豆品质预测模型。

模型评价指标：分别通过决定系数R

本实施例中，57份待测样品中粗蛋白含量、NDF含量、ADF含量的基本统计数据分别如表2、表3、表4所示：

表2

表3

表4

57份待测样品的近红外扫描的原始光谱如图2所示，进行一阶求导预处理后的光谱如图3所示，再进行去趋势算法预处理后的光谱如图4所示，再结合标准正态变量变换方法预处理后的光谱如图5所示，处理后的光谱曲线较原始光谱曲线光滑。

本实施例中，将57份待测样品的理化指标测定结果划分为校准集和验证集，其中，校准集和验证集的决定系数分别表示为R

表5

由表5以及图2-图5可知，采用NW

化学值的准确度和样品的代表性是建立精准模型的基础，因此，按照国标算法计算相对偏差，三个化学数值中合适值的确定为如果三个化学数值相差不大(即标准差小于20％)，则取平均值，如相差大(即标准差大于或等于20％)，则按与相对偏差最小的那个值。两个化学数值的确定为相近两个结果的平均值。本实施例以三组值和两组值为代表分别计算后并带入到数据库中进行比较分析，并进一步验证模型。

对于粗蛋白含量，通过对三组值和两组值的PLS校准和验证模型比较，在青饲大豆植株样品的光谱数据中，三组值校准集和随机交互验证集R

对于NDF含量，三组值的校准集和随机交互验证集的R

对于ADF含量，三组值的校准集和验证集R

通过统计数据显示，三组值和两组值的模型差异不显著，反而验证了测量化学值的准确性。后期，随着样本量的增加，还会对校准模型进行修正，对新增的样品进行化学测试、近红外扫描、预处理，并按照步骤进行近红外检测值进行模型预测和验证。

S7、将待测青贮大豆近红外光谱扫描的吸光值分别输入至各理化指标所对应的最优青贮大豆品质预测模型，完成青贮大豆品质检测。

对于待测青贮大豆，按照步骤S1对植株进行处理及烘干粉碎后，进行红外光谱扫描，得到对应的吸光值，将吸光值按照步骤S4方法进行数据预处理后分别输入至各理化指标所对应的最优青贮大豆品质预测模型，完成青贮大豆品质检测。

本发明具有如下技术效果：

本发明采用国标法测定青贮饲用型大豆的理化指标，并对青贮饲用型大豆待测样品进行近红外光谱扫描，基于近红外光谱的吸光值变化规律与饲用大豆理化指标数值的相关性，利用偏最小二乘法构建青贮大豆品质预测模型，基于决定系数和均方根误差对青贮大豆品质预测模型进行优选，将待测样品的近红外光谱的吸光值输入最优青贮大豆品质预测模型即能够实现对青贮大豆品质的快速准确检测，从而大大提高了青贮大豆饲用品质的检测效率及检测结果的精准性，检测过程简洁、高效、绿色，填补了青贮大豆植株品质近红外检测的空白。

以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。