近红外光谱技术在鱼粉掺假检测中的应用

论文模版

近红外光谱技术在鱼粉掺假检测中的应用

杨增玲，韩鲁佳*，湛小梅，石光涛

（中国农业大学工学院，北京100083）

摘要：目前鱼粉市场掺假现象较为普遍，常见掺假物的种类有：植物性饲料成分如棉籽粕和菜籽粕等，动物性饲料成分如肉骨粉等。本文以鱼粉为研究对象，基于近红外反射光谱（NIRS）技术，建立了鱼粉中动植物掺假成分的DPLS定性判别分析模型，并采用不同的变量筛选方法对模型进行优化；建立了鱼粉中动植物掺假成分的PLS定量分析模型，并采用移动窗口偏最小二乘法和不同的变量筛选方法对模型进行优化；建立了鱼粉中掺假成分定量分析模型的传递方法。研究结果表明利用NIRS可以快速而准确的定性鉴别和定量分析鱼粉中的动植物掺假成分。

关键词：近红外反射光谱（NIRS）；鱼粉；掺假；识别；定量

中图分类号：S87

0引言

鱼粉是重要的蛋白饲料来源，其蛋白质含量高、氨基酸种类齐全、消化率高。但由于中国鱼粉资源相对匮乏、供需缺口大、市场价格持续走高。据中国饲料行业信息网数据显示，截止2010年4月，普通鱼粉的价格达1.4万元/吨，比2008年的价格翻了一倍。为了牟取暴利，目前鱼粉市场掺假现象较为普遍，常见掺假物的种类有：植物性饲料成分如棉籽粕和菜籽粕等，动物性饲料成分如肉骨粉、水解羽毛粉、血粉等。由于大量掺假鱼粉充斥市场，以次充好，以假乱真，给许多畜牧业生产单位尤其是养殖专业户造成了严重损失，甚至存在安全隐患，比如疯牛病的蔓延等。

本文探讨NIRS技术在鱼粉掺假识别中的应用，为丰富鱼粉质量检测方法提供技术支撑。∗

1材料与方法

1.1样品的收集与制备

样品均采用旋风磨（型号ZM100，Retsch GmbH & Co. KG，德国）粉碎，过1mm筛。

1.1.1掺有植物饼粕的鱼粉样品

收集我国常用的鱼粉样本174个，其中国产82个，进口鱼粉92个；豆粕样本74个，菜籽粕样本44个，棉籽粕样本92个，花生粕样本21个。

用电子分析天平（AB204-E型）准确称量，将豆粕、菜籽粕、棉籽粕和花生粕分别按照2：3：2：1，4：3：2：1，3：2：2：1，2：2：3：1和1：1：1：1五种比

∗收稿日期：修订日期：

项目基金：国家自然基金（31072062），欧盟第七框架项目（FP7-265702）

作者简介：杨增玲（1977—），女（汉），山东，副教授，工学博士，生物质资源的开发与利用。北京市海淀区清华东路17号，100083。

Email:yangzengling@

通讯作者：韩鲁佳（1964—），女（汉），山东，教授，工学博士，生物质资源的开发与利用。北京市海淀区清华东路17号，100083。Email:hanlj@ 例混合均匀，各制备20个混合植物饼粕样本，共计100个混合植物饼粕样本。在鱼粉中随机掺入浓度为0.5%～20%，浓度间隔为0.5％的混合植物饼粕，共制备174个含植物饼粕的鱼粉样本。

1.1.2掺有肉骨粉的鱼粉样品

共收集76个纯鱼粉样品和7个肉骨粉样品。用电子天平称量，在纯鱼粉中随机掺入不同比例的肉骨粉，配制成90个肉骨粉含量为1%~30%的掺假鱼粉样品，每个含量3个不同样品。

1.2近红外光谱的采集

所用仪器为傅立叶变换型近红外光谱仪（Nicolet ANTARIS）和光栅型近红外光谱仪(Foss 6500)。

傅立叶变换型近红外光谱仪：光谱范围10000~4000cm-1（1000~2500nm），附件选用漫反射积分球，旋转式石英样品池。仪器分辨率选用8cm-1，扫描32次。

光栅型近红外光谱仪：波长范围400~2500nm，扫描样品池为仪器配套之1/4矩形样品池。设定数据扫描间隔为2nm，扫描32次。

1.2方法

定性分析方法：采用偏最小二乘判别分析方法（DPLS）建立定性判别模型[1-4]。

定量分析方法：采用主成分回归（PCR）、偏最小二乘回归（PLS）、改进的偏最小二乘回归（MPLS）[4-6]和移动窗口偏最小二乘（MWPLS）[7-9]回归，建立定量分析模型。

变量筛选方法：采用相关系数法、间隔偏最小二乘法和遗传算法对定性、定量分析模型进行优化，其中间隔偏最小二乘法以10个波长为一个间隔进行回归，遗传算法控制参数设定为：种群大小64，窗口宽度10个波长，两点交叉方式，适应度比例方法选择染色体，基本位变异算子，变异概率0.05，适用度函数选用交互验证均方根误差，收敛判据选用遗传迭代次数，设定最大遗

传迭代次数100，在第70代时开始收敛[10]。

模型转移方法：采用正交信号校正算法（OSC）[11]、斜率/截距方法（Slope/bias）[12]、直接校正算法（DS）[13]和分段直接校正算法（PDS）[13]进行模型转移研究。

定标过程采用全交互验证，最优的定标模型根据交互验证预测误差（SECV）最小的原则选出。

2结果与讨论

2.1鱼粉掺假的NIRS定性分析研究

2.1.1鱼粉中植物饼粕的定性判别分析研究

将含植物饼粕的174个鱼粉样本剔除异常样本4个，将余下的170个样本根据Kennard-Stone算法确定校正集样本113个和检验集样本57个。纯鱼粉的174个样本中，随机选取136个样本作为校正集，38个样本作为检验集。

选择二阶导数4点平滑作为最优预处理方法，建立的DPLS判别分析模型交互验证标准差（SEC）为0.1274，交互验证标准差（SECV）为0.1558，相关系数均大于0.9。

用95个独立的检验集对上述所建立的定性判别分析模型进行验证，如图1所示。含植物饼粕的鱼粉样本聚集在2.0附近，而纯鱼粉样本聚集在1.0附近，两类的分界线为1.5。位于两条虚线之间的样本，即得分在（1.5±2*SECV/2）之内的为不确定样本。判别结果显示有2个不确定样本、没有误判样本。

2.1.2鱼粉中肉骨粉的定性判别分析研究

采用Kennard-Stone方法划分样品集，Norris导数预处理光谱，建立了鱼粉中肉骨粉的NIRS定性判别模型，取得了较好的结果：正确分类122个定标样品中的104个，18个不确定样品，没有误判；正确分类40个验证样品中的36个，不确定4个，没有误判，如表1所示。

以建立的DPLS判别分析模型为基础进行变量筛选，结果显示相关系数法、间隔偏最小二乘法和遗传算法均可提高模型的定标和验证效果，其中相关系数法和间隔偏最小二乘法效果更好，定标不确定样品数分别减少为0和4，外部验证不确定样品数分别减少0和1。经相关系数法和间隔偏最小二乘法筛选变量后的模型具有较高的精度。

表1不同变量筛选方法对DPLS定性判别模型的影响

Table 1 The effect of variable selection on DPLS discriminant model

定标集n=122(n1=54,n2=68) 验证集n=40(n1=18,n2=22)

变量筛选方法

波长数 PLS因子R CV2 SECV 不确定数误判数正确数R V2 SEP 不确定数误判数正确数筛选前1556 14 0.861 0.186 18 0 1040.920

0.151 4 0 36

相关系数333 11 0.939 0.123 0 0 1220.904

0.1630 0 40 间隔偏最小二乘190 17 0.899 0.159 4 0 1180.929

0.135 1 0 39

遗传算法466 16 0.874 0.176 9 2 1110.927

0.137 2 0 38

2.2鱼粉掺假的NIRS定量分析研究

2.2.1鱼粉中植物饼粕的定量分析研究

在制备的掺假鱼粉样品中选取植物饼粕总含量≥5%的136个样本用于鱼粉中豆粕、菜籽粕、棉籽粕和花生粕各成分的NIRS定量分析研究，根据Kennard-Stone方法选取校正集样本102个和检验集样本34个，其校正集和检验集的统计结果见表2和3。

建模过程中考虑了不同的回归方法（PLS、MPLS 和PCR）、不同的数学处理方法（原始光谱、一阶导数、二阶导数）和散射校正方法（SNV、MSC、Detrend等）对定量分析模型的影响，最终选择MPLS方法为最优的回归方法，建立的不同植物饼粕含量的定量分析模型如表3所示，同时用独立的检验集对所建立的NIRS定量分析模型进行了验证，其预测标准差分别为SEP为0.952%、0.761%、0.687%和0.834%（表4）。

此外采用移动窗口偏最小二乘回归法对模型的的波长选择进行了优选，见表4。分析MPLS模型与MWPLS模型，可以看出，经移动窗口选择最优区间后的模型的预测能力比全谱的MPLS模型好，SECV和SEP 均有不同程度的下降。

图1 鱼粉中植物饼粕定性判别分析的检验结果

Fig.1 V alidation result of discriminating the plant original

material added to fishmeal

得

分