论文部分内容阅读
本文用傅立叶近红外光谱分析技术预测蛋白质饲料豆粕、菜籽粕常规化学成分，并分析了粒度对模型的影响。试验采用79个豆粕、73个菜籽粕分别建立了过40和过60目绝干状态下的粗蛋白模型，针对这两种原料确定了合适粒度；然后在风干状态40目建立了的豆粕、菜籽粕的CP、H2O、EE、Ash、ADF和NDF的近红外预测模型，同时通过内部交叉和外部检验考察了所建模型的预测效果；并用风干状态下所建的模型预测不粉碎、粉碎过20、40、60、80目的5个豆粕和5个菜籽粕的常规养分，考察模型对粒度的适用性，结果表明：1：在绝干状态下，豆粕粉碎过40目和60目建立的CP模型没有差异，菜籽粕的过60目的稍微好于40目的模型。豆粕定标模型的决定系数（R2）分别为97.87和97.45，矫正均方差（RMSEE）和相对标准偏差（RSD）分别为0.335、0.359和0.669、0.723，内部交叉检验的R2和RSD分别为96.18、96.53和0.810、0.786。菜籽粕的过40目和过60目的定标模型的R2和RSD分别为95.33、98.0和0.565、0.388，内部交叉检验的R2和RSD分别为87.81、94.86和0.808、0.549。豆粕、菜籽粕外部检验发现过40和过60目的模型预测相同粒度下的样品效果较好，（R2分别为98.53、98.68和91.77、91.83，RSD分别为0.479、0.447和0.564、0.672）交叉预测的准确性有所下降（R2分别为96.76、96.32和89.25、91.25，RSD分别为0.707、0.771和0.561、0.749），但是并没有显著差异。2：豆粕40目风干状态下建立的H2O、CP、EE、NDF和ADF的定标模型很好，R2分别为98.9、99.0、99.07、97.93和97.00，RMSEE分别为0.07、0.21、0.07、0.34和0.25，RSD分别为0.62、0.47、6.37、2.92和3.12，交叉检验和外部检验决定系数都达到95以上，各项RSD除脂肪（6.49、6.86）外都很小；Ash定标模型的R2和RSD分别为90.69、1.09，预测效果有待提高。菜籽粕的H2O、Ash、NDF和ADF的定标模型的R2分别为98.07、96.57、98.09、和97.73，RMSEE分别为0.096、0.135、0.821和0.901，RSD分别为0.91、1.79、0.82、和0.90，内部交叉检验和外部检验的R2除Ash（93.59）外都达到了第95以上，各项标准差（RMSECV、RMSEP：0.10～1.2）和RSD（0.81～4.55）也很小，说明预测效果很好。菜籽粕的CP、EE的定标模型的决定系数分别为96.16和99.00，RSD分别为0.71和9.21，剔除极值后定标R2也达到了85以上，交叉检验和外部检验后说明所建立的模型也可以预测同样前处理下的未知样品CP和EE的含量，但是预测效果有所降低。3：用所建立的豆粕、菜籽粕的模型分别预测不同粒度下的同一样品，各粒度的近红外预测值与化学分析值配对T检验表明所建立的模型可以预测过40和60目的粒度样品。所有成分的化学分析值中，豆粕与粉碎过40目的预测值（r=1.000、P=0.111）、菜籽粕与粉碎过60目的预测值最为接近（r=0.999、P=0.533）。豆粕、菜籽粕的各种化学分析值和不粉碎组、粉碎过20目组相比，配对T检验差异显著（P：0.000～0.019）；与粉碎过80目的相比，相关系数有不同程度的提高（r：0.981～1.000）。以上的研究结果表明，豆粕、菜籽粕粉碎过40目预测效果较好，进一步粉碎到60目对模型改善不大；在40目的粒度下建立的常规养分的定标模型除了豆粕的灰分、菜籽粕的粗蛋白、粗脂肪之外，模型的预测效果较好（R2＞95，RSD＜3.7）。外部检验说明此模型可以对40目和60目之间的样品进行分析。