一种多花黑麦草酸性洗涤纤维含量的测定方法技术

本发明专利技术公开了一种能够快速测定多花黑麦草酸性洗涤纤维含量的多花黑麦草酸性洗涤纤维含量的测定方法。该测定方法提供了一种基于近红外光谱技术的多花黑麦草中酸性洗涤纤维真实含量的预测模型，在已知大量样品真实含量的基础上，采集样品的近红外原始光谱，建立基于近红外光谱技术和化学计量学方法的多花黑麦草酸性洗涤纤维含量的定量分析预测模型，接着，只需要将待测的多花黑麦草样品经过预处理后得到待测多花黑麦草样品粉末；并采集其近红外原始光谱图，光谱采集过程时间短，在采集近红外光谱后就可以进行检测，具有操作简单、检测迅速、检测效率高、检测精度高等特点。适合在牧草营养品质评价领域推广应用。

Method for determination of acid washing fiber content of Ryegrass

The invention discloses a method for determining the content of acid washing fiber of Lolium multiflorum lam. This method provides a prediction model of near infrared spectroscopy in ryegrass ADF real content based on a large number of samples based on known real content, original near infrared spectra of samples, establish the quantitative method of near infrared spectroscopy and chemical measurement of ryegrass ADF content analysis based on prediction model, then only need to be tested by Ryegrass samples after pretreatment by ryegrass powder samples to be tested; and collecting the original near infrared spectra, spectral acquisition time is short, the acquisition of near infrared spectroscopy can be performed after the detection, has the advantages of simple operation, rapid detection, high detection efficiency, detection high precision. It is suitable for the application of Forage Nutrition Quality evaluation.

【技术实现步骤摘要】

本专利技术涉及牧草营养品质评价领域，具体涉及一种多花黑麦草酸性洗涤纤维含量的测定方法。
技术介绍
多花黑麦草(LoliummultiflorumLam.)为禾本科黑麦草属一年生或越年生牧草，适于生长在气候温暖湿润地区，是具世界栽培意义的优良牧草之一，在我国南方多省(市)均有较大面积的栽培。近年来，随着国家农业产业结构的调整，草食畜牧业快速发展，多花黑麦草因其产量高、冬春季生长旺盛、适应性强、营养价值丰富等优点，解决了我国南方冬春季家畜饲草不足的问题，在我国南方地区粮草轮作中发挥了极其重要的作用，尤其是草产量高、营养品质好的优良多花黑麦草品种对畜牧业生产尤为重要。在多花黑麦草育种工作中，不仅要培育产量高的品种，同时还要兼顾牧草的品质。酸性洗涤纤维(Aciddetergentfiber，ADF)是植物材料或含有植物材料的饲料中，不溶于酸性洗涤剂的化合物，主要包含纤维素、木质素和硅酸盐。牧草中ADF的含量是影响牧草营养品质的重要因素，ADF含量高，其中的木质素难以被家畜消化，因此研究ADF在多花黑麦草中含量的动态变化对于饲草生产、育种具有重要指导意义。目前国内对于牧草ADF测定主要以传统湿化学方法为主，存在操作复杂、误差较大、成本高、耗时长、有毒有害化学药品污染环境等突出问题，难以从大量的多花黑麦草品种(系)或样品中筛选出ADF含量适当的品种(系)或样品，因此找出一种能够快速测定多花黑麦草中ADF含量的方法，对多花黑麦草育种和牧草品质控制具有重要的意义。
技术实现思路
本专利技术所要解决的技术问题是提供一种能够快速测定多花黑麦草酸性洗涤纤维含量的多花黑麦草酸性洗涤纤维含量的测定方法。本专利技术解决其技术问题所采用的技术方案为：该多花黑麦草酸性洗涤纤维含量的测定方法，包括以下步骤：A、建立多花黑麦草酸性洗涤纤维含量近红外预测模型；所述多花黑麦草酸性洗涤纤维含量近红外预测模型采用如下方法建立，具体包括如下步骤：a、采集多花黑麦草样品，所述多花黑麦草样品包括不同品种、不同品系、不同生育期、不同栽培方式和不同部位的鲜草样品，分别将上述采集的多花黑麦草样品进行预处理，所述预处理的方法如下所述：将采集的多花黑麦草样品先在105℃的环境中杀青20min，然后在65℃的环境中烘干后，在微型粉碎机中粉碎成粉末并过40目筛得到多花黑麦草样品粉末；b、将步骤a得到的多花黑麦草样品粉末分别进行近红外光谱采集得到每个多花黑麦草样品粉末的近红外原始光谱图；c、采用PCA算法对所有多花黑麦草样品粉末的近红外原始光谱进行分析，剔除具有相似光谱的多花黑麦草样品，剩余的多花黑麦草样品为代表性多花黑麦草样品；d、采用VanSoest方法对步骤c得到的代表性多花黑麦草样品逐个进行酸性洗涤纤维含量进行测定得到每个代表性多花黑麦草样品酸性洗涤纤维含量值；e、依据代表性多花黑麦草样品酸性洗涤纤维含量值将代表性多花黑麦草样品分为校正集和验证集两部分，具体方法如下：首先将得到的代表性多花黑麦草酸性洗涤纤维含量值从小到大进行排序，然后每隔3个取1个作为验证集，其余作为校正集，并且调整代表性多花黑麦草中酸性洗涤纤维含量的最小值和最大值，使之划归为校正集；f、将校正集样品的近红外光谱图和校正集样品的酸性洗涤纤维含量值的导入BrukerOPUS/QUENT5.5商用光谱定量分析软件中，首先，在全谱范围内对校正集样品的近红外光谱进行预处理，接着采用偏最小二乘回归法结合交互验证对校正集样品建立预测校正模型，根据近红外定量校正模型的参数对预测校正模型进行评价，对预测校正模型进行评价的近红外定量校正模型参数包括决定系数R2、交互验证决定系数R2cv、交互验证均方根误差RMSECV，其决定系数R2为94.49％、交互验证决定系数R2cv为92.46％，交互验证均方根误差RMSECV为1.68，确定最佳光谱预处理为一阶导数，最佳建模光谱区为6101.9～5446.2cm-1和4601.5～4246.7cm-1，最佳因子数为6，在评价过程中根据马氏距离、主因素分析图、光谱残差图以及化学分析值残差图结果剔除异常的多花黑麦草校正集样品，从而得到最佳的多花黑麦草酸性洗涤纤维含量最佳近红外预测校正模型；接着，将验证集样品的近红外光谱和验证集样品的酸性洗涤纤维含量导入建立的预测校正模型中进行分析验证得到预测验证模型；接着，利用近红外定量验证模型的参数对所得的预测验证模型进行评价，对预测验证模型进行评价的近红外定量验证模型的参数包括外部验证决定系数R2ev和验证均方根误差RMSEP，其外部验证决定系数R2ev为94.82％，验证均方根误差RMSEP为1.32，在评价过程中根据马氏距离、主因素分析图、光谱残差图以及化学分析值残差图结果剔除异常的多花黑麦草验证集样品，从而得到最佳多花黑麦草酸性洗涤纤维含量近红外预测模型；B、将待测的多花黑麦草样品按照步骤a所述的预处理方法处理后得到待测多花黑麦草样品粉末；C、将步骤B得到的待测多花黑麦草样品粉末进行近红外光谱采集得到待测多花黑麦草样品粉末的近红外原始光谱图；D、将待测多花黑麦草样品粉末的近红外原始光谱图和步骤f中得到的多花黑麦草酸性洗涤纤维含量近红外预测模型导入到BrukerOPUS/QUENT5.5商用光谱定量分析软件中，通过模型运算分析，即可得到待测多花黑麦草样品中酸性洗涤纤维的含量。进一步的是，所述多花黑麦草的生育期包括分蘖期、拔节期、孕穗期、抽穗期、开花期、结实期、成熟期。进一步的是，所述多花黑麦草的栽培方式包括撒播栽培方式、育苗移栽栽培方式、施用氮肥栽培方式。进一步的是，所述多花黑麦草的采集部位包括茎、叶、全株。进一步的是，在步骤b中，采用如下所述的方法对多花黑麦草样品粉末分别进行近红外光谱采集，具体的，取适量多花黑麦草样品粉末，放入BrukerMPA型傅里叶变换NIRS仪样品杯中，使样品自然摊平，设定仪器工作参数，在温度为25±0.5℃条件下采集样品近红外光谱，得到该样品的第一次近红外光谱值，接着，将样品杯中的样品取出后再放入样品杯中，使样品自然摊平，再次采集样品近红外光谱，得到该样品的第二次近红外光谱值，然后对第一次近红外光谱值和第二次近红外光谱值进行平均，得到该多花黑麦草样品的近红外原始光谱图。进一步的是，所述BrukerMPA型傅里叶变换NIRS仪器工作参数设定为：谱区范围4000～12500cm-1，分辨率8cm-1，扫描次数64次。进一步的是，采用BrukerOPUS/QUENT5.5商用光谱定量分析软件对第一次近红外光谱值和第二次近红外光谱值进行平均，得到多花黑麦草样品的近红外原始光谱图。进一步的是，在步骤d中，采用VanSoest方法的代表性多花黑麦草样品逐个进行酸性洗涤纤维含量进行测定得到每个代表性多花黑麦草样品酸性洗涤纤维含量值；进一步的是，在步骤f中，在全谱范围内对校正集样品的近红外光谱采用一阶导数、二阶导数、减去一条直线、一阶导数+MSC(多元散射校正)、一阶导数+减去一条直线、一阶导数+矢量归一化、没有光谱预处理、最小-最大归一化、矢量归一化、消除常量偏移量和多元散射校正11种光谱预处理方法。本专利技术的有益效果在于：本专利技术所述的多花黑麦草酸性洗涤纤维含量的测定方法提供了一种基于近红外光谱技术的多花黑麦草中本文档来自技高网...

【技术保护点】
一种多花黑麦草酸性洗涤纤维含量的测定方法，其特征在于包括以下步骤：A、建立多花黑麦草酸性洗涤纤维含量近红外预测模型；所述多花黑麦草酸性洗涤纤维含量近红外预测模型采用如下方法建立，具体包括如下步骤：a、采集多花黑麦草样品，所述多花黑麦草样品包括不同品种、不同品系、不同生育期、不同栽培方式和不同部位的鲜草样品，分别将上述采集的多花黑麦草样品进行预处理，所述预处理的方法如下所述：将采集的多花黑麦草样品先在105℃的环境中杀青20min，然后在65℃的环境中烘干后，在微型粉碎机中粉碎成粉末并过40目筛得到多花黑麦草样品粉末；b、将步骤a得到的多花黑麦草样品粉末分别进行近红外光谱采集得到每个多花黑麦草样品粉末的近红外原始光谱图；c、采用PCA算法对所有多花黑麦草样品粉末的近红外原始光谱进行分析，剔除具有相似光谱的多花黑麦草样品，剩余的多花黑麦草样品为代表性多花黑麦草样品；d、采用Van Soest方法对步骤c得到的代表性多花黑麦草样品逐个进行酸性洗涤纤维含量进行测定得到每个代表性多花黑麦草样品酸性洗涤纤维含量值；e、依据代表性多花黑麦草样品酸性洗涤纤维含量值将代表性多花黑麦草样品分为校正集和验证集两部分，具体方法如下：首先将得到的代表性多花黑麦草酸性洗涤纤维含量值从小到大进行排序，然后每隔3个取1个作为验证集，其余作为校正集，并且调整代表性多花黑麦草中酸性洗涤纤维含量的最小值和最大值，使之划归为校正集；f、将校正集样品的近红外光谱图和校正集样品的酸性洗涤纤维含量值的导入Bruker OPUS/QUENT 5.5商用光谱定量分析软件中，首先，在全谱范围内对校正集样品的近红外光谱进行预处理，接着采用偏最小二乘回归法结合交互验证对校正集样品建立预测校正模型，根据近红外定量校正模型的参数对预测校正模型进行评价，对预测校正模型进行评价的近红外定量校正模型参数包括决定系数R2、交互验证决定系数R2cv、交互验证均方根误差RMSECV，其决定系数R2为94.49％、交互验证决定系数R2cv为92.46％，交互验证均方根误差RMSECV为1.68，确定最佳光谱预处理为一阶导数，最佳建模光谱区为6101.9～5446.2cm‑1和4601.5～4246.7cm‑1，最佳因子数为6，在评价过程中根据马氏距离、主因素分析图、光谱残差图以及化学分析值残差图结果剔除异常的多花黑麦草校正集样品，从而得到最佳的多花黑麦草酸性洗涤纤维含量最佳近红外预测校正模型；接着，将验证集样品的近红外光谱和验证集样品的酸性洗涤纤维含量导入建立的预测校正模型中进行分析验证得到预测验证模型；接着，利用近红外定量验证模型的参数对所得的预测验证模型进行评价，对预测验证模型进行评价的近红外定量验证模型的参数包括外部验证决定系数R2ev和验证均方根误差RMSEP，其外部验证决定系数R2ev为94.82％，验证均方根误差RMSEP为1.32，在评价过程中根据马氏距离、主因素分析图、光谱残差图以及化学分析值残差图结果剔除异常的多花黑麦草验证集样品，从而得到最佳多花黑麦草酸性洗涤纤维含量近红外预测模型；B、将待测的多花黑麦草样品按照步骤a所述的预处理方法处理后得到待测多花黑麦草样品粉末；C、将步骤B得到的待测多花黑麦草样品粉末进行近红外光谱采集得到待测多花黑麦草样品粉末的近红外原始光谱图；D、将待测多花黑麦草样品粉末的近红外原始光谱图和步骤f中得到的多花黑麦草酸性洗涤纤维含量近红外预测模型导入到Bruker OPUS/QUENT 5.5商用光谱定量分析软件中，通过模型运算分析，即可得到待测多花黑麦草样品中酸性洗涤纤维的含量。...

【技术特征摘要】
1.一种多花黑麦草酸性洗涤纤维含量的测定方法，其特征在于包括以下步骤：A、建立多花黑麦草酸性洗涤纤维含量近红外预测模型；所述多花黑麦草酸性洗涤纤维含量近红外预测模型采用如下方法建立，具体包括如下步骤：a、采集多花黑麦草样品，所述多花黑麦草样品包括不同品种、不同品系、不同生育期、不同栽培方式和不同部位的鲜草样品，分别将上述采集的多花黑麦草样品进行预处理，所述预处理的方法如下所述：将采集的多花黑麦草样品先在105℃的环境中杀青20min，然后在65℃的环境中烘干后，在微型粉碎机中粉碎成粉末并过40目筛得到多花黑麦草样品粉末；b、将步骤a得到的多花黑麦草样品粉末分别进行近红外光谱采集得到每个多花黑麦草样品粉末的近红外原始光谱图；c、采用PCA算法对所有多花黑麦草样品粉末的近红外原始光谱进行分析，剔除具有相似光谱的多花黑麦草样品，剩余的多花黑麦草样品为代表性多花黑麦草样品；d、采用VanSoest方法对步骤c得到的代表性多花黑麦草样品逐个进行酸性洗涤纤维含量进行测定得到每个代表性多花黑麦草样品酸性洗涤纤维含量值；e、依据代表性多花黑麦草样品酸性洗涤纤维含量值将代表性多花黑麦草样品分为校正集和验证集两部分，具体方法如下：首先将得到的代表性多花黑麦草酸性洗涤纤维含量值从小到大进行排序，然后每隔3个取1个作为验证集，其余作为校正集，并且调整代表性多花黑麦草中酸性洗涤纤维含量的最小值和最大值，使之划归为校正集；f、将校正集样品的近红外光谱图和校正集样品的酸性洗涤纤维含量值的导入BrukerOPUS/QUENT5.5商用光谱定量分析软件中，首先，在全谱范围内对校正集样品的近红外光谱进行预处理，接着采用偏最小二乘回归法结合交互验证对校正集样品建立预测校正模型，根据近红外定量校正模型的参数对预测校正模型进行评价，对预测校正模型进行评价的近红外定量校正模型参数包括决定系数R2、交互验证决定系数R2cv、交互验证均方根误差RMSECV，其决定系数R2为94.49％、交互验证决定系数R2cv为92.46％，交互验证均方根误差RMSECV为1.68，确定最佳光谱预处理为一阶导数，最佳建模光谱区为6101.9～5446.2cm-1和4601.5～4246.7cm-1，最佳因子数为6，在评价过程中根据马氏距离、主因素分析图、光谱残差图以及化学分析值残差图结果剔除异常的多花黑麦草校正集样品，从而得到最佳的多花黑麦草酸性洗涤纤维含量最佳近红外预测校正模型；接着，将验证集样品的近红外光谱和验证集样品的酸性洗涤纤维含量导入建立的预测校正模型中进行分析验证得到预测验证模型；接着，利用近红外定量验证模型的参数对所得的预测验证模型进行评价，对预测验证模型进行评价的近红外定量验证模型的参数包括外部验证决定系数R2ev和验证均方根误差RMSEP，其外部验证决定系数R2ev为94.82％，验证均方根误差RMSEP为1.32，在评价过程中根据马氏距离、主因素分析图、光谱残差图以及化学分析值残差...

【专利技术属性】
技术研发人员：张新全，杨忠富，黄琳凯，马啸，汪霞，黄婷，张玉，李平，
申请(专利权)人：四川农业大学，
类型：发明
国别省市：四川;51