一种基于近红外光谱技术快速检测赖氨酸含量的方法与流程

本发明属于饲料检测
技术领域：
，具体涉及一种基于近红外光谱技术快速检测饲料添加剂l-赖氨酸硫酸盐中赖氨酸含量的方法。
背景技术：
：饲料添加剂是指在饲料生产加工、使用过程中添加的少量或微量物质，虽然用量很少但作用却显著。饲料添加剂是现代饲料工业必然使用的原料，对强化基础饲料营养价值、提高动物生产性能、保证动物健康、节省饲料成本、以及改善畜产品品质等方面有明显的效果。l-赖氨酸是人和动物体内必需而自身又不能合成的八种必需氨基酸之一，人和动物体内赖氨酸缺乏会造成机体代谢紊乱，引发某些生理机能性疾病。动物饲养中，经常需要在饲料中添加l-赖氨酸作为外源氨基酸。l-赖氨酸属于有机物的一种，为了维持物质的稳定以及便于运输使用，经常需要制成盐使用，而赖氨酸盐分子中的无机成分不会破坏物质的有机结构，在保留l-赖氨酸功能的情况下，更易于保存和运输。l-赖氨酸硫酸盐是目前动物生产中应用最为广泛的氨基酸类添加剂之一，其不仅可以提高饲料中蛋白质的利用率，还能提高动物饲料转化率，可以为动物生长提供更加全面均衡的营养。l-赖氨酸硫酸盐为黄褐色流动性粉末，有特异性气味和吸潮性，其通过生物发酵法制得，并经过喷干制成的65％l-赖氨酸硫酸盐，其中，l-赖氨酸的含量对l-赖氨酸硫酸盐饲料添加剂的效果具有很重要的影响。目前，关于l-赖氨酸硫酸盐添加剂中l-赖氨酸总含量的测定还没有统一的国家或行业标准，企业多采用《饲料中氨基酸的测定》(gb/t18246-2000)中的酸水解法测定产品中赖氨酸总含量，酸水解法需要将样品在6mol/l盐酸、110℃的环境中水解22-24h。该方法虽然精密度相对较高，平行检测样相对偏差＜5％，但检测过程中却存在样品水解时间长、仪器成本昂贵且对检测员操作水平要求高等缺陷，尤其是单样检测耗时大约需要2d的时间，导致分析速度较慢，不适用于大批量样品的快速检测分析。另外，由于各企业生产工艺的不同，导致产品质量标准的不统一，容易造成出厂产品在组成成分、l-赖氨酸含量、颗粒大小、产品颜色等方面参差不齐，同时l-赖氨酸硫酸盐在运输、储藏过程中容易潮解结块、甚至变质，这些都会成为限制l-赖氨酸硫酸盐中l-赖氨酸含量检测的不利因素，并严重影响检测结果的准确性。近红外光谱分析技术可利用有机化学物质在近红外光谱区的光学特性快速估测样品中的一项或多项化学成分含量，具有快速、方便、准确、可同时分析多组分的优点。由于近红外分析只是取得样品的光谱信号，有时甚至可以在原容器中进行测定，不需要其它试剂，因此，测试过程中不会产生任何污染，属于绿色环保的检测方法。近年来，国内外专家应用近红外光谱技术对食品、饲料中氨基酸成分的检测进行了较为广泛的研究，但氨基酸盐及其制品的相关研究还未见报道。本发明正是在利用近红外光谱特性的基础上，开展了快速测定l-赖氨酸硫酸盐饲料添加剂中l-赖氨酸含量的方法研究。技术实现要素：为此，本发明所要解决的技术问题在于提供一种基于近红外光谱技术快速检测饲料添加剂中l-赖氨酸含量的方法，以解决现有技术中l-赖氨酸检测周期较长及检测准确性不稳定的问题。为解决上述技术问题，本发明所述的一种基于近红外光谱技术快速检测赖氨酸含量的模型建立方法，包括如下步骤：(1)收集不同来源的含赖氨酸样品，经处理制得不同物料状态下的待测样品；(2)以现有技术方法分别测定各待测样品的水分含量及烘干后的赖氨酸含量；(3)分别对步骤(1)中制得的不同物料状态下的待测样本进行近红外光谱信息采集，得到校正集样本光谱数据；(4)对步骤(3)中不同物料状态校正集光谱数据进行预处理，建立不同物料状态下的定量分析模型，并筛选出最优样品处理方法；(5)对步骤(4)中所得最优物料状态下的定量分析模型光谱进行预处理，并对预处理后的光谱数据进行特征信息数据的提取，以建立校正模型；(6)验证建立的所述校正模型的准确性。所述步骤(1)中，所述物料状态包括：未粉碎未烘干态、粉碎未烘干态、未粉碎烘干态、粉碎烘干态。所述步骤(3)中，所述近红外光谱信息采集的步骤为采用近红外漫反射方式对各待测样品进行扫描以获取光谱数据；所述扫描方式为连续波长近红外扫描，光谱波长范围为1000nm-2500nm，光谱仪分辨率为10nm，扫描次数32次，每个样品采集三次光谱然后取平均，每个所述待测样品的扫描时间为1min。所述步骤(4)中，所述光谱预处理步骤为采用变量标准化处理和去散射处理、变量标准化、多元散射校正、二阶导数方法中至少一种。所述步骤(4)中建立定量分析模型的步骤和所述步骤(5)中建立校正模型的步骤中，所采用的化学计量学方法为偏最小二乘法。所述步骤(4)中，所述光谱数据进行特征信息数据提取步骤采用竞争性自适应重加权算法(cars)进行提取特征信息数据，具体包括如下步骤：(a)取样：基于蒙特卡罗采样法(montecarlosampling，mcs)对模型进行取样，并在每次cars采样中，都需要从样品集中随机抽取一定量的样品作为校正集，以建立pls模型；(b)基于指数衰减函数(exponentiallydecreasingfunction，edp)去除变量：假定所测样本光谱阵为x(m×p)，m为样本数，p为变量数，ssc真实值矩阵为y(m×1)，则pls回归模型为：y＝xb+e；式中，b表示一个p维的系数向量，e表示预测残差；其中，b＝wc＝[b1，b2，…，bp]t，w表示得分矩阵和x的线性组合系数，b中第i个元素的绝对值|bi|(1≤i≤p)表示第i个变量对ssc值的贡献，该值越大表示所对应变量在ssc的预测中越重要；利用指数衰减函数强行去除|bi|值相对较小的波长点，并采用mc采样，在第i次采样运算后，变量点的保存率通过如下指数函数计算：ri＝ae-ki；式中，a和k表示常数分别在第1次和第n次mcs时，样本集中全部p个变量和仅2变量参与建模，即r1＝1且rn＝2/p，从而a和k的计算公式如下：a＝(2/p)1/(n-1)；式中，ln表示自然对数，变量数p为1499，设定mc采样50次；(c)基于自适应重加权采样技术(adaptivereweightedsampling，ars)进一步对变量进行筛选，通过评价每个变量点的权重wi进行变量筛选，权重值的计算如下：；(d)通过计算并比较每次产生的新的变量子集的rmsecv值，以rmsecv值最小的变量子集作为最优变量子集；并以此对全光谱数据与光谱特征信息数据构建校正模型进行优选。所述步骤(6)中，所述验证步骤包括：采集一组验证集样品，利用所建立的校正模型获得验证集赖氨酸含量的预测值，并与现有技术方法测定的实际值进行对比评价，计算预测值与实际值的相关系数和方差，以此评价所述校正模型的准确性。本发明还公开了所述的模型建立方法在检测饲料添加剂中赖氨酸含量领域中的应用。本发明还公开了一种基于近红外光谱技术快速检测赖氨酸含量的方法，即包括所述的模型建立方法，以及在该条件下对含赖氨酸样品进行含量检测的步骤。所述含赖氨酸样品为l-赖氨酸硫酸盐饲料添加剂。本发明所述快速检测赖氨酸含量的方法，基于近红外光谱技术进行检测，通过适宜的方法建立适宜于赖氨酸检测的近红外光谱模型，能快速、高效、准确的检测饲料添加剂l-赖氨酸硫酸盐中赖氨酸的含量。并且利用近红外光谱技术具有分析时间短且操作简单的优势，更适用于大批量样品的分析检测；同时分析过程不使用化学试剂，还大大节约了检测成本，明显改善了标准《饲料中氨基酸的测定》(gb/t18246-2000)中酸水解法测定氨基酸耗时长、高消耗、仪器操作要求高的缺点，具有高效、绿色环保的优势。附图说明为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中，图1为未粉碎未烘干态l-赖氨酸硫酸盐样品的近红外原始光谱图；图2为粉碎未烘干态l-赖氨酸硫酸盐样品的近红外原始光谱图；图3为未粉碎烘干态l-赖氨酸硫酸盐样品的近红外原始光谱图；图4为粉碎烘干态l-赖氨酸硫酸盐样品的近红外原始光谱图；图5为经竞争性自适应重加权算法(cars)提取的光谱特征信息数据；图6为验证集待测样品预测值与实际值相关性散点图。具体实施方式实施例1本实施例利用近红外光谱技术检测饲料添加剂l-赖氨酸硫酸盐样本中赖氨酸的含量。本实施例所述基于近红外光谱技术快速检测赖氨酸含量的模型建立方法，具体包括如下步骤：(1)样本收集与制备取59份已知来源的饲料添加剂l-赖氨酸硫酸盐样本，该样本均来自企业。将每份样本均平均分成两部分，其中一份留作原始未粉碎态样品，另一份采用旋风磨进行粉碎后过60目筛，即为粉碎态样品；然后再分别将上述未粉碎态和粉碎态样品平均分成两部分，其中一份留存为未烘干态样品，另一份置于105℃烘箱中处理5h进行烘干，即为烘干态样品。所述饲料添加剂l-赖氨酸硫酸盐样本分别形成了未粉碎未烘干态、粉碎未烘干态、未粉碎烘干态、粉碎烘干态四种不同物料状态的样品，每种形态的样品均为59份。(2)样本赖氨酸与水分含量的测定样品水分含量的测定按照《饲料中水分的测定》(gb/t6435-2014)，然后将烘干后的样品按照《饲料中氨基酸的测定》(gb/t18246-2000)中的酸水解法测定赖氨酸的含量，可根据烘干基样品中赖氨酸的含量与水分含量换算出原始样品中赖氨酸含量；(3)样本近红外光谱采集采用supnir-2700型光栅近红外光谱仪(聚光科技股份有限公司生产)对上述制得的不同物料状态下的l-赖氨酸硫酸盐样品进行光谱采集。于25℃下开启近红外光谱仪预热30min，每次扫样前以空气光谱为背景光谱。其中，所述近红外光谱仪采集方式为漫反射采集，光谱波长范围为1000nm-2500nm，光谱仪分辨率为10nm，扫描次数为32次。装样时，每个样品的高度要与样品池的边缘持平，以保证装样量一致，每个样品重复扫描3次，求其平均光谱曲线。所述未粉碎未烘干态、粉碎未烘干态、未粉碎烘干态以及粉碎烘干态样品所采集的光谱曲线分别如图1-4所示。(4)近红外光谱预处理与模型构建采用变量标准化处理和去散射处理(snvdt)、变量标准化(snv)、多元散射校正(msc)、二阶导数法对步骤(3)中得到的不同物料状态校正集光谱进行预处理。随后采用偏最小二乘法(pls)结合步骤(2)中测定的赖氨酸含量构建了四种不同物料状态的赖氨酸定量分析模型，具体结果如表1所示。本实施例中涉及的光谱预处理及模型的构建方法均是运用pls_toolbox进行，而pls_toolbox及特征信息数据提取程序都是基于matlab运行的。表1不同物料状态样品的近红外模型结果从表1中可以看出，所述样品在经过60目粉碎烘干后获取的光谱，结合derivate、msc预处理方法建立的模型效果最佳，计算其r2为0.925，明显优于样品经其他预处理建立的模型，且结果表明校正模型对定量分析赖氨酸含量具有较高的可行性。(5)样品光谱特征信息数据的提取与模型构建采用竞争性自适应重加权算法(cars)提取了步骤(4)中粉碎烘干基样品预处理后光谱数据中的特征信息，从每条光谱1499个波长数据点中提取了31个，提取结果如图5所示，具体提取步骤包括：(a)取样：基于蒙特卡罗采样法(montecarlosampling，mcs)对模型进行取样，并在每次cars采样中，都需要从样品集中随机抽取一定量的样品作为校正集，以建立pls模型；(b)基于指数衰减函数(exponentiallydecreasingfunction，edp)去除变量：假定所测样本光谱阵为x(m×p)，m为样本数，p为变量数，ssc真实值矩阵为y(m×1)，则pls回归模型为：y＝xb+e；式中，b表示一个p维的系数向量，e表示预测残差；其中，b＝wc＝[b1，b2，…，bp]t(w表示得分矩阵和x的线性组合系数)，b中第i个元素的绝对值|bi|(1≤i≤p)表示第i个变量对ssc值的贡献，该值越大表示所对应变量在ssc的预测中越重要；利用指数衰减函数强行去除|bi|值相对较小的波长点，并采用mc采样，在第i次采样运算后，变量点的保存率通过如下指数函数计算：ri＝ae-ki；式中，a和k表示常数分别在第1次和第n次mcs时，样本集中全部p个变量和仅2变量参与建模，即r1＝1且rn＝2/p，从而a和k的计算公式如下：a＝(2/p)1/(n-1)；式中，ln表示自然对数，变量数p为1499，设定mc采样50次；(c)基于自适应重加权采样技术(adaptivereweightedsampling，ars)进一步对变量进行筛选，该技术模拟达尔文进化论中的“适者生存”的法则，通过评价每个变量点的权重wi进行变量筛选，权重值的计算如下：；(d)通过计算并比较每次产生的新的变量子集的rmsecv值，以rmsecv值最小的变量子集作为最优变量子集；并以此对全光谱数据与光谱特征信息数据构建校正模型进行优选。所述光谱预处理与特征信息数据提取，均是在matlab及pls_toolbox软件中运行的。利用提取后的光谱特征信息数据结合偏最小二乘法(pls)构建了校正模型，与步骤(4)中利用粉碎烘干基样品光谱数据构建的校正模型比较，比较结果如下表2所示。表2不同光谱数据量对模型效果的影响从表2可以看出，用竞争性自适应重加权算法(cars)提取光谱特征信息数据后构建模型，不仅降低了建模数据量，提高了建模效率，还提高了模型的准确度和适用性。(6)校正模型的验证与样本测定取其他待测样本，将样品置于105℃的烘箱中处理5h，然后将烘干后的样品按照《饲料中氨基酸的测定》(gb/t18246-2000)进行赖氨酸含量测定。同时采集17个其他验证集样本，重复步骤(1)至(3)，并利用步骤(5)所建立的校正集模型预测验证集样本赖氨酸含量，具体验证结果如下表3所示，l-赖氨酸硫酸盐定量分析模型验证集预测结果见下表4，验证集待测样品预测值与实际值相关性散点图见附图6所示。表3l-赖氨酸硫酸盐定量分析模型验证结果表4l-赖氨酸硫酸盐定量分析模型验证集预测结果样品编号真实值预测值误差151.8751.820.05252.6452.030.61353.0353.26-0.23454.1153.830.28554.6155.31-0.70654.9155.23-0.32756.3456.72-0.38856.7757.36-0.59957.0357.30-0.271057.4456.460.981157.7257.580.141257.8358.09-0.261358.1558.69-0.541458.5458.310.231558.7258.600.121659.360.25-0.951760.3360.040.29从表3结果中可以看出，本发明构建的l-赖氨酸硫酸盐中赖氨酸含量近红外定量分析模型具有较高的准确度，可以用于赖氨酸的含量检测。显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。当前第1页12