奶牛粪便成分含量预测方法及装置

1.本发明涉及成分分析技术领域，尤其涉及一种奶牛粪便成分含量预测方法及装置。


背景技术：

2.奶牛粪便及奶牛未能消化吸收而排泄的饲料残渣及废弃物，其中的包含有水分、饲料残渣、胃肠道微生物、胃肠道黏膜细胞以及自身分泌物等，因此奶牛粪便承载了饲料摄入情况、饲料消化率以及自身健康状况等大量信息，为生产上的高效饲养提供了丰富可靠的数据。
3.目前常规粪便营养评价需要通过实验室湿化学分析方法进行。各种营养成分的湿化学分析方法各不相同，通常在操作过程中会添加各种化学试剂，并伴随有灼烧、加热等危险操作，操作流程复杂、难度高、工作量大，对操作人员的素质要求较高。且在分析过程中需要使用大量的化学试剂，不仅造成了巨大的浪费，提高了分析成本，而且还会对环境造成污染，有些具有毒害的试剂甚至会影响操作人员的身体健康。难以做到在生产中推广使用。
4.近红外光谱分析技术是一种通过近红外光谱扫描的方式快速预测有机物质含量的技术手段，进行一个样本的扫描仅需要几分钟。而实验室传统的湿化学分析方式，耗时费力，通常测定出所有成分的含量需要几十个小时的测定时间以及上百元的测定费用。该技术在饲料原料等农产品上已经有了很成熟的应用，但在畜禽粪便上的运用还比较少。


技术实现要素：

5.本发明提供一种奶牛粪便成分含量预测方法及装置，用以解决现有技术中舍饲条件下奶牛粪便成分复杂难以预测的缺陷，实现准确测量。
6.本发明提供一种奶牛粪便成分含量预测方法，包括：
7.获取待测样本的光谱数据；
8.将所述待测样本的光谱数据输入奶牛粪便成分含量预测模型，得到所述奶牛粪便成分含量预测模型输出的所述待测样本的成分含量；
9.其中，所述奶牛粪便成分含量预测模型是根据光谱数据集和成分含量标签集回归分析得到的，所述光谱数据集包括多个子集，所述子集与所述成分含量标签集的标签一一对应。
10.根据本发明提供的一种奶牛粪便成分含量预测方法，所述根据光谱数据集和成分含量标签集进行回归分析，包括：
11.根据所述光谱数据集包含的子集和所述子集对应的成分含量标签依次对奶牛粪便成分含量预测模型进行回归分析，回归方法选用偏最小二乘法。
12.根据本发明提供的一种奶牛粪便成分含量预测方法，所述子集是根据原始光谱数据进行光谱预处理后得到的。
13.根据本发明提供的一种奶牛粪便成分含量预测方法，所述光谱预处理包括导数处
理和以下至少之一：
14.去趋势、标准正态校正和标准多元散射校正。
15.根据本发明提供的一种奶牛粪便成分含量预测方法，所述导数处理方法为一阶导数处理，光谱间隔点为4nm或8nm，一次平滑间隔值为4或8，二次平滑间隔点值为1。
16.根据本发明提供的一种奶牛粪便成分含量预测方法，成分含量标签包括：干物质、粗蛋白、粗脂肪、中性洗涤纤维、酸性洗涤纤维和淀粉。
17.本发明还提供一种奶牛粪便成分含量预测装置，包括：
18.采集模块，用于获取待测样本的光谱数据；
19.预测模块，用于将所述待测样本的光谱数据输入奶牛粪便成分含量预测模型，得到所述奶牛粪便成分含量预测模型输出的所述待测样本的成分含量；
20.其中，所述奶牛粪便成分含量预测模型是根据光谱数据集和成分含量标签集回归分析得到的，所述光谱数据集包括多个子集，所述子集与所述成分含量标签集的标签一一对应。
21.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述奶牛粪便成分含量预测方法。
22.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述奶牛粪便成分含量预测方法。
23.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述奶牛粪便成分含量预测方法。
24.本发明提供的奶牛粪便成分含量预测方法及装置，通过近红外技术快速预测奶牛粪便成分含量，根据粪便中的各成分含量，可以更加快速、便捷地计算出奶牛的消化率，判断奶牛的身体状况，进而针对每头奶牛的饲料配方做出实时修改，减少饲料浪费，提高生产效益。针对每一个个体进行精准饲喂，而不是通过传统的分群方式将奶牛按不同阶段的群体进行饲养，让奶牛养殖生产从之前的群体饲喂到个体饲喂、从静态营养到动态营养逐渐发生转变。
附图说明
25.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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。
26.图1是本发明提供的奶牛粪便成分含量预测的流程示意图；
27.图2是本发明提供的奶牛粪便样品近红外扫描原始光谱数据图；
28.图3是本发明提供的奶牛粪便成分含量预测装置的结构示意图；
29.图4是本发明提供的电子设备的结构示意图。
具体实施方式
30.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本
发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
31.下面结合图1-描述本发明的一种奶牛粪便成分含量预测方法，包括：
32.步骤101、获取待测样本的光谱数据；
33.步骤102、将所述待测样本的光谱数据输入奶牛粪便成分含量预测模型，得到所述奶牛粪便成分含量预测模型输出的所述待测样本的成分含量；
34.其中，所述奶牛粪便成分含量预测模型是根据光谱数据集和成分含量标签集回归分析得到的，所述光谱数据集包括多个子集，所述子集与所述成分含量标签集的标签一一对应。
35.本发明实施例的奶牛粪便成分含量预测方法能够通过对待测样本的近红外光谱数据进行识别进而预测出待测样本各组分含量。从而可以快速预测奶牛消化率，判断奶牛的状况，进而及时的调整饲料配比。相比于采用传统湿化学方法测定粪便组分含量后计算奶牛消化率的方法，本方法可以节省大量时间，做到对奶牛营养的实时调控、精准饲喂，做到“一牛一方”，增加饲料的利用效率，提高生产效益。
36.需要说明的是，由于不同的奶牛场、不同阶段的奶牛，所使用的饲料有较大差异，因此不同的奶牛粪便变异较大。因此想要建立一套适用于大部分牛场各阶段成母牛的预测模型，需要大量不同牛场不同阶段的奶牛粪便样品作为支撑。故本发明实施例的光谱数据集从全国各地区不同的牛场、不同阶段的成母牛中进行筛选，保证了数据的代表性和广泛性。
37.在本发明的至少一个实施例中，所述根据光谱数据集和成分含量标签集进行回归分析，包括：
38.根据所述光谱数据集包含的子集和所述子集对应的成分含量标签依次对奶牛粪便成分含量预测模型进行回归分析，建立定标模型。回归分析采用偏最小二乘法进行。
39.需要说明的是，对光谱数据的预处理包括：选取样品集内gh＞10.0、nh＜2.5的样品为异常样品并剔除，剔除后的其他样品形成新的样品集。
40.在本发明的至少一个实施例中，所述子集是根据原始光谱数据进行光谱预处理后得到的。
41.在本发明的至少一个实施例中，所述光谱预处理包括导数处理和以下至少之一：
42.去趋势、标准正态校正、标准多元散射校正或无散射处理。
43.在本发明的至少一个实施例中，导数处理方法为一阶导数处理，光谱间隔点为4nm或8nm，一次平滑间隔为值4或8，二次平滑间隔点值为1。
44.干物质定标模型光谱预处理方法采用去趋势(detrend)处理，导数处理采用1阶导数，光谱间隔点为8nm，平滑处理间隔点值为8点平滑，二次平滑间隔点值为1；粗蛋白定标模型光谱预处理方法采用标准正态校正(snv)处理，导数处理采用1阶导数，光谱间隔点为4nm，平滑处理间隔点值为4点平滑，二次平滑间隔点值为1；粗脂肪定标模型光谱预处理方法采用标准多元散射校正(msc)处理，导数处理采用1阶导数，光谱间隔点为4nm，平滑处理间隔点值为4点平滑，二次平滑间隔点值为1；中性洗涤纤维定标模型光谱预处理方法采用标准正态校正(snv)处理，导数处理采用1阶导数，光谱间隔点为8nm，平滑处理间隔点值为8
点平滑，二次平滑间隔点值为1；酸性洗涤纤维定标模型光谱预处理方法采用标准正态校正(snv)和去趋势(detrend)处理，导数处理采用1阶导数，光谱间隔点为4nm，平滑处理间隔点值为4点平滑，二次平滑间隔点值为1；淀粉定标模型光谱预处理方法采用去趋势(detrend)处理，导数处理采用1阶导数，光谱间隔点为4nm，平滑处理间隔点值为4点平滑，二次平滑间隔点值为1。并且均采用偏最小二乘法进行光谱数据与湿化学成分进行回归，建立奶牛粪便成分含量近红外预测模型。
45.定标完成后，对定标结果进行验证，分别可以通过定标标准分析误差(sec)、定标决定系数(rsq)、交叉检验标准误差(secv)、交叉验证相关系数(1-vr)对模型的准确性及稳定性进行评定。sec和secv越小，rsq和1-vr越接近1，模型回归越好。
46.在本发明的至少一个实施例中，成分含量标签包括：干物质(dm)、粗蛋白(cp)、粗脂肪(ee)、中性洗涤纤维(ndf)、酸性洗涤纤维(adf)和淀粉。
47.在本发明的至少一个实施例中，给出舍饲条件下可以通过近红外技术建立奶牛粪便成分含量预测模型的全过程：
48.步骤201、奶牛饲料样品采集；
49.采集奶牛采食的对应不同全混合日粮(tmr)，将样品存-20℃冷冻保存，试验结束后置于65℃烘箱中烘48h，烘干后置于室温回潮24h，使用微型粉碎机粉碎后制成风干样品，保存待测。
50.步骤202、奶牛粪便样品采集
51.采用直肠取粪法采集粪便，每次采集250g，总共12次，将样品存-20℃冷冻保存。采样结束后解冻粪样，将同一头牛的粪样混合均匀，取400g，加入10％的酒石酸100g，之后将粪便样品置于65℃烘箱中烘48h，烘干后置于室温回潮24h，使用微型粉碎机粉碎后制成风干样品，保存待测。
52.步骤203、测定奶牛饲料与粪便样品常规养分含量；
53.利用实验室湿化学法测定奶牛饲料样品和粪便样品干物质(dm)、粗蛋白(cp)、粗脂肪(ee)、中性洗涤纤维(ndf)、酸性洗涤纤维(adf)、淀粉(starch)的含量。详见表1。
54.表1实验室湿化学测定养分方法
[0055][0056]
步骤204、奶牛粪便样品光谱数据的采集；
[0057]
利用foss nirs ds 2500f对粪便样品进行近红外光谱扫描，将预处理后的奶牛粪便样品均匀的放入foss专用样品杯中，杯中装入约占杯体积1/2的样品，开始扫描。光谱扫描波段范围为850～2500nm，波长准确度2nm。得到奶牛粪便样品近红外扫描原始光谱图如图1所示。
[0058]
如图2所示，在牛粪便样品近红外扫描原始数据光谱图中，每个样品代表一条曲线，可见各个样品的吸收光谱趋势相同，吸收峰的组成也比较接近；吸收光谱曲线存在上下波动。因此说明粪便样品组成成分相似，但成分含量变异较大。
[0059]
步骤205、建立奶牛粪便成分含量预测模型；
[0060]
利用winisiⅲ分析软件，将光谱数据集与实验室湿化学法测定的各项数据进行对比和回归分析，建立奶牛粪便成分含量预测模型。该模型可直接用于近红外光谱分析仪，快速预测奶牛粪便中的干物质、粗蛋白、粗脂肪、中性洗涤纤维、酸性洗涤纤维和淀粉。
[0061]
表2奶牛粪便成分含量预测的最优定标模型
[0062][0063]
由表2可知，奶牛粪便成分含量预测模型，定标验证结果分别为：
[0064]
干物质的sec为0.3364、secv为0.3939、rsq为0.9809、1-vr为0.9737；粗蛋白的sec为0.6937、secv为0.7761、rsq为0.9255、1-vr为0.9063；中性洗涤纤维的sec为2.4412、secv为2.6024、rsq为0.8148、1-vr为0.7897；酸性洗涤纤维的sec为0.8874、secv为1.2103、rsq为0.7416、1-vr为0.5565；粗脂肪的sec为0.2622、secv为0.2909、rsq为0.9140、1-vr为0.8936；淀粉的sec为0.1012、secv为0.1219、rsq为0.7924、1-vr为0.6978。干物质、粗蛋白、粗脂肪的定标模型效果很好，中性洗涤纤维、酸性洗涤纤维、淀粉的定标效果较好。
[0065]
下面对本发明提供的奶牛粪便成分含量预测装置进行描述，下文描述的奶牛粪便成分含量预测装置与上文描述的奶牛粪便成分含量预测方法可相互对应参照。
[0066]
如图3所示，本发明实施例公开了一种奶牛粪便成分含量预测装置，包括：
[0067]
采集模块301，用于获取待测样本的光谱数据；
[0068]
预测模块302，用于将所述待测样本的光谱数据输入奶牛粪便成分含量预测模型，得到所述奶牛粪便成分含量预测模型输出的所述待测样本的成分含量；
[0069]
其中，所述奶牛粪便成分含量预测模型是根据光谱数据集和成分含量标签集回归分析得到的，所述光谱数据集包括多个子集，所述子集与所述成分含量标签集的标签一一对应。
[0070]
本发明实施例的奶牛粪便成分含量预测装置能够通过对待测样本的近红外光谱数据进行识别进而预测出待测样本的成分及各组分含量。从而可以预测消化率，判断奶牛的状况，进而及时的调整饲料配比，提高生产效益。
[0071]
在本发明的至少一个实施例中，所述根据光谱数据集和成分含量标签集进行回归分析，包括：
[0072]
根据所述光谱数据集包含的子集和所述子集对应的成分含量标签依次对奶牛粪便成分含量预测模型进行回归分析。
[0073]
在本发明的至少一个实施例中，所述子集是根据原始光谱数据进行光谱预处理后得到的。
[0074]
在本发明的至少一个实施例中，所述光谱预处理包括偏最小二乘法和以下至少之
一：
[0075]
去趋势、标准正态校正和标准多元散射校正。
[0076]
在本发明的至少一个实施例中，成分含量标签包括：干物质、粗蛋白、粗脂肪、中性洗涤纤维、酸性洗涤纤维和淀粉。
[0077]
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(communications interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行奶牛粪便成分含量预测方法，该方法包括：
[0078]
获取待测样本的光谱数据；
[0079]
将所述待测样本的光谱数据输入奶牛粪便成分含量预测模型，得到所述奶牛粪便成分含量预测模型输出的所述待测样本的成分含量；
[0080]
其中，所述奶牛粪便成分含量预测模型是根据光谱数据集和成分含量标签集回归分析得到的，所述光谱数据集包括多个子集，所述子集与所述成分含量标签集的标签一一对应。
[0081]
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0082]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的奶牛粪便成分含量预测方法，该方法包括：
[0083]
获取待测样本的光谱数据；
[0084]
将所述待测样本的光谱数据输入奶牛粪便成分含量预测模型，得到所述奶牛粪便成分含量预测模型输出的所述待测样本的成分含量；
[0085]
其中，所述奶牛粪便成分含量预测模型是根据光谱数据集和成分含量标签集回归分析得到的，所述光谱数据集包括多个子集，所述子集与所述成分含量标签集的标签一一对应。
[0086]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的奶牛粪便成分含量预测方法，该方法包括：
[0087]
获取待测样本的光谱数据；
[0088]
将所述待测样本的光谱数据输入奶牛粪便成分含量预测模型，得到所述奶牛粪便成分含量预测模型输出的所述待测样本的成分含量；
[0089]
其中，所述奶牛粪便成分含量预测模型是根据光谱数据集和成分含量标签集回归
分析得到的，所述光谱数据集包括多个子集，所述子集与所述成分含量标签集的标签一一对应。
[0090]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0091]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0092]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。