基于近红外光谱法的鱼粉快速判别

（通威股份有限公司，水产畜禽营养与健康养殖农业部重点实验室，四川成都　　6100 41）

摘要：基于近红外漫反射光谱分析技术对市场上常见的淡水鱼粉、进口鱼粉和国产鱼粉3 类商品化的鱼粉样品进行自动化判别实验。通过分析鱼粉样品光谱之间的差异，采用主成分分析法建立鱼粉种类的定性判别的分类模型，光谱范围为波长1 100～2 498 nm，交互定标决定系数为0.913 5，交互定标标准误差为0.133 8。通过对验证样品的分析，建立的判别模型预判准确率达到84.6%，外部验证准确率达到100%。结果表明，近红外光谱技术结合化学计量学法可以作为一种快速、无损、可靠的方法用于鱼粉种类的判别。

鱼粉是饲料企业重要的蛋白、能量原料，目前在水产、畜禽饲料中的应用比较广泛，主要用于平衡日粮中的氨基酸与蛋白质，同时也能平衡矿物质，同时含有一些未知的促生长因子［1］。我国年消费鱼粉100多万 t，占世界消费量的1/5，年进口41万～98万 t，是世界最大的鱼粉消费国和进口国。

市场常见的有山东、浙江、秘鲁、智利的红鱼粉和美国、波兰、新西兰、俄罗斯的白鱼粉。按照养殖地域、捕捞方式等的不同，可以将鱼粉分为淡水鱼粉和海水鱼粉，而海水鱼粉又可细分为进口鱼粉和国产鱼粉2 类。

不同类别的鱼粉之间，在组织成分含量上都有较大的区别［1］。具体体现在色泽、气味等感官指标及粗蛋白、粗灰分、钙、总磷、酸价、挥发性盐基氮、赖氨酸、蛋氨酸等营养指标上［2］。因此，市场价格差异较明显。随着国际渔业资源的变化及期货市场的变动，进口鱼粉的价格变化较为剧烈。为了有效区分淡水鱼粉与海水鱼粉、国产鱼粉与进口鱼粉，避免不必要的损失，广大企业需要切实有效的手段对鱼粉的类别加以识别。

随着近红外技术的不断发展与普及，广大技术人员不再局限于满足得到水分等常规性理化指标，不断拓展近红外技术的应用范围，结合化学计量学［3］的方法开始使用近红外做定性分类［4］及种类［5］、产地［6］的鉴别，在药品［7］、纺织物［8］、茶叶［9］、植物油［10］、酒类［11］、烟草［12］等许多方面都得到了比较好的结果。在鱼粉的研究方面，王丹红等［13］研究了如何区分进口白鱼粉与红鱼粉，但是如何快速有效区分淡水鱼粉与海水鱼粉、进口鱼粉与国产鱼粉的研究鲜见报道。本研究探讨了市场上常见的2 种分类方式的3 类鱼粉近红外光谱法的分类判别方法［14］，为有效识别商业化的不同种类的鱼粉提供了一种实用的新方法。

1　　材料与方法

原始样品：2009—2014年间收集的进口鱼粉样品（主要为秘鲁鱼粉和智利鱼粉）1 349个，国产鱼粉样品1 671 个，淡水鱼粉（主要为罗非鱼粉）559 个，总计3 751 个。

2014年间收集的不包括原始样品中的进口鱼粉样品123 个，国产鱼粉样品155 个，淡水鱼粉样品34 个，共312 个。

TR-3750系列MODEL 5000光栅型近红外饲料分析仪、漫反射套件　　丹麦FOSS公司；L8900型全自动氨基酸分析仪　　日本日立公司。

本实验中所用所有样品，均使用全自动氨基酸分析仪，按照GB/T 18246—2000《饲料中氨基酸的测定》中的离子色谱法进行测定得到氨基酸质量分数。

2　　结果与分析

对2009—2014年间收集的进口鱼粉样品、国产鱼粉样品、淡水鱼粉样品进行氨基酸质量分数测定，见表1。

表1　建模集鱼粉样品氨基酸质量分数
TTaabbllee 11 　　AAmmiinnoo aacciidd ccoonntteennttss ooff ffi i sshh mmeeaall iinn mmooddeelliinngg sseett %

氨基酸　　进口鱼粉（1 349 个）　　国产鱼粉（1 671 个）　　　淡水鱼粉（559 个）平均值　　　标准差　　　平均值　　　标准差　　　平均值　　　标准差天冬氨酸　　5.83　0.241　5.58　0.214　5.88　0.210苏氨酸　　2.73　0.193　2.57　0.153　2.67　0.149丝氨酸　　2.53　0.245　2.30　0.188　2.23　0.193谷氨酸　　8.51　0.263　8.40　0.243　8.93　0.208甘氨酸　　4.08　0.293　3.63　0.206　3.84　0.186丙氨酸　　4.12　0.137　3.86　0.123　4.05　0.095胱氨酸　　0.76　0.690　0.60　0.103　0.51　0.133缬氨酸　　3.17　0.251　3.01　0.182　2.97　0.167蛋氨酸　　1.91　0.119　1.84　0.118　2.03　0.037异亮氨酸　　2.56　0.200　2.49　0.163　2.55　0.135亮氨酸　　4.78　0.277　4.54　0.192　4.76　0.186酪氨酸　　2.26　0.320　2.07　0.367　1.89　0.263苯丙氨酸　　2.92　0.397　2.66　0.341　2.92　0.283赖氨酸　　4.96　0.318　4.68　0.230　5.05　0.209氨　　0.91　0.104　0.92　0.122　1.19　0.085组氨酸　　1.93　0.292　1.57　0.165　1.16　0.224精氨酸　　3.59　0.282　3.24　0.210　2.94　0.166脯氨酸　　2.55　0.310　2.35　0.390　2.47　0.259氨基酸总量　　59.93　2.231　55.00　1.882　56.83　1.280

对2014年间收集的不包括原始样品集中的进口鱼粉样品、国产鱼粉样品、淡水鱼粉样品进行氨基酸质量分数测定，见表2。

表2　验证集鱼粉样品氨基酸质量分数
TTaabbllee 22 　　AAmmiinnoo aacciidd ccoonntteennttss ooff ffi i sshh mmeeaall iinn tteessttiinngg sseett %

氨基酸　　进口鱼粉（123 个）　　国产鱼粉（155 个）　　淡水鱼粉（34 个）最小值　　最大值　　　最小值　　最大值　　　最小值　　最大值天冬氨酸　　4.89　6.39　4.55　6.18　5.57　6.06苏氨酸　　2.28　3.13　2.14　2.88　2.46　2.87丝氨酸　　2.03　3.35　1.80　2.76　1.98　2.49谷氨酸　　7.56　9.27　7.08　9.37　8.68　9.09甘氨酸　　3.54　5.51　3.07　4.77　3.57　4.19丙氨酸　　3.65　4.38　3.33　4.28　3.71　4.22胱氨酸　　0.33　0.99　0.26　0.78　0.41　0.62缬氨酸　　2.38　3.80　2.43　3.71　2.61　3.19蛋氨酸　　1.48　2.12　1.52　2.14　1.93　2.10异亮氨酸　　1.97　2.99　2.07　2.82　2.40　2.73亮氨酸　　3.82　5.46　3.93　5.02　4.41　4.92酪氨酸　　1.10　2.86　1.33　3.04　1.65　2.14苯丙氨酸　　2.14　3.53　2.05　3.68　2.62　3.19赖氨酸　　3.94　5.94　3.81　5.09　4.47　5.63氨　　0.41　1.23　0.53　1.34　0.94　1.35组氨酸　　1.09　2.05　1.15　2.01　0.46　1.79精氨酸　　2.45　4.17　2.54　3.99　2.49　3.28脯氨酸　　2.00　3.88　1.76　3.13　2.05　2.82氨基酸总量　　51.93　62.39　46.19　58.81　53.44　59.16

将建模样品集和验证样品集的鱼粉样品，采用ISISCAN 4.6软件漫反射扫描模式，使用样品杯（1/4 CUP），每个样品重复装样2 次进行扫描，扫描区间波长为1 100～2 498 nm，光谱数据采集间隔为2 nm，导出标准化的光谱，再进行光谱预处理［15］。3 类鱼粉的平均光谱见图1。

为了去除来自高频随机噪音、基线漂移和样品不均匀等造成的影响［16］，需先将光谱平均化，即将同一样品的光谱进行平均化处理［17］（图1）之后，利用WinISI软件提供的“Create Score File From Spectre File”（创建得分文件）功能，选择主成分分析（principal component analysis，PCA）法，进行异常样品的剔除［18］，将马氏距离超过3.0的异常样品从定标样品中剔除［19］。将剔除异常样品后余下1 321 个进口鱼粉、1 641 个国产鱼粉、553 个淡水鱼粉作为训练样品集，共3 515 个样品，见图2。

利用WinISI Ⅲ软件的“Discriminant Equations”功能，使用3 种鱼粉的训练样品集样品，建立鱼粉类别判断模型（PSD文件）。通过选择全光谱范围［20］，优选光谱散射处理方法、导数处理方法［21］、数据间隔点、平滑处理间隔点、二次平滑处理间隔点等条件，采取软件内置的交叉验证算法得到不同的模型，如表3所示，分析得到的交互定标决定系数（1 minus the variance ratio，1-VR）和交互定标标准误差（standard error if cross validation，SECV）。

表3　不同光谱预处理方法对定标结果的影响
TTaabbllee 33 　　EEffffeeccttss ooff ddiiffffeerreenntt ssppeeccttrraall pprreettrreeaattmmeenntt mmeetthhooddss oonn calibration r　esuullttss

导数处理　数据间　平滑处理　二次平滑处　交互定标　交互定标代号　　　光谱散射处理　　　方法　隔点　间隔点　理间隔点　标准误差决定系数A不处理　　0　0　1　1　0.220 1　0.763 3 B不处理　　1　4　4　1　0.178 7　0.852 6 C不处理　　2　4　4　1　0.145 1　0.899 6 D不处理　　2　3　3　1　0.141 7　0.903 8 E不处理　　2　2　2　1　0.143 9　0.901 1 F　标准正常化处理+散射处理　　2　3　3　1　0.133 9　0.913 3 G　　标准正常化处理+散射处理　　1　4　4　1　0.157 1　0.882 3 H　　　标准正常化处理　　2　3　3　1　0.133 8　0.913 5 I散射处理　　2　3　3　1　0.142 1　0.903 5 J　　标准多元离散校正　　2　3　3　1　0.133 9　0.913 4 K　　　加权多元离散校正　　2　3　3　1　0.135 9　0.910 1 L　　反相多元离散校正　　2　3　3　1　0.133 7　0.913 7

根据1-VR值越大越好，SECV值越小越好［22］的原则，选择排序前4的判别模型（代号为F、H、J、L），模型会计算每个建模样品在每类鱼粉条件下的得分，得到判断的结果，具体判别准则为：1）建模类别条件下得分在1.70～2.30之间，另外2 种建模类别的得分均在1.25以下的样品，即为可准确判断的样品；2）建模类别条件下得分虽然小于1.70，但在3 个得分中最高，而另外2 种建模类别的得分均在1.25以下的样品，即为模糊判断的样品；3）建模类别条件下的得分虽然在3 个得分中最高，但共有超过2 个的得分大于1.25的样品，即为模糊判断的样品；4）建模类别得分比在其他类别条件下的得分小的样品，即为错判样品；5）建模类别得分超过2.30的样品，即为错判样品，如表4所示。

表5　4 个判断模型的错判率
Taabbllee 55 　　TThhee mmiissjjuuddggmmeenntt rraatteess ooff ffoouurr ddiissccrriimmiinnaattiioonn mmooddeellss
%

比率　　　类别　　F　H　　J　L错判率淡水鱼粉　　0.00　0.00　0.00　0.00国产鱼粉　　0.12　0.12　0.12　0.12进口鱼粉　　1.59　1.59　1.51　1.59模糊判断率淡水鱼粉　　1.27　1.27　1.27　1.27国产鱼粉　　7.07　6.95　7.13　7.01进口鱼粉　　3.79　3.79　3.86　3.79

计算各模型预判结果的判断误差率，见表5，综合错判比率与模糊判断比率的结果，选择代号为H（光谱处理方式在软件中表示为：标准正常化处理、2）、3）、3）、1）的判断模型作为最优的判断模型［23］。

利用WinISI Ⅲ软件的“Discriminant groups”功能，用建立的判断模型文件对验证集样品进行分析，见表6。

表6　　验证样品集预判结果
Table 6　　Results obtained for testing set samples

类别　　　总数　　　判断为淡水鱼粉判断为国产鱼粉判断为进口鱼粉错判比率/%淡水鱼粉　　34　34　0　0　0国产鱼粉　　155　11　130　14　16.1进口鱼粉　　123　0　23　100　18.7

本预判模型正确率仅达到84.6%，在对所有错判的样品进行感官检验后，发现这些错判的样品在不同程度上存在颗粒粗细差别较大、含有虾蟹成分等杂质较多及氨基酸比例不正常等问题，另外，国产鱼粉样品中错判为进口鱼粉的样品颜色偏红，且颗粒细度较一致，咸腥味较重，应为质量较好的国产鱼粉，且氨基酸质量与进口鱼粉基本相当。以国产鱼粉样品076（预判为淡水鱼粉）、国产鱼粉样品035（预判为进口鱼粉）、进口鱼粉样品021（预判为国产鱼粉）的氨基酸数据为例，如表7所示，结合表1中所列3 种鱼粉的氨基酸含量的平均值，对3 个样品进行氨基酸分析。发现国产鱼粉样品076的谷氨酸（9.37%）很高，远超国产鱼粉的平均值8.51%，靠近淡水鱼粉的平均值8.93%；精氨酸（2.68%）很低，远低于国产鱼粉的平均值3.24%，靠近淡水鱼粉的平均值2.94%；苏氨酸（2.64%）减去丝氨酸（2.28%）的值为0.36%，高于国产鱼粉的平均值0.27%，靠近淡水鱼粉的平均值0.43%；再考虑到其赖氨酸含量高达5.06%，结合感官检验：鱼腥味较淡，细粉状的样品颗粒较多，综合判断该鱼粉（标识国产鱼粉076）实际主要为淡水鱼粉。国产鱼粉样品035，其谷氨酸（8.68%）、缬氨酸（3.13%）、脯氨酸（2.71%）、赖氨酸（5.08%）、蛋氨酸（1.89%）等氨基酸指标均比较符合进口鱼粉的特点，再结合感官检验：鱼肉纤维较多、较长，骨质、虾蟹壳等明显，比较干燥，口感较咸，综合判断该鱼粉（标识国产鱼粉035）实际质量与进口鱼粉质量相当。而进口鱼粉样品021，谷氨酸（8.07%）、赖氨酸（4.59%）、精氨酸（3.17%）、亮氨酸（4.51%）等氨基酸指标均比较符合国产鱼粉的特点，再结合感官检验：鱼肉纤维偏短，骨质成分较多，颜色偏浅等，综合判断该鱼粉（标识进口鱼粉021）实际质量与国产鱼粉相当，怀疑其内掺杂了大量国产鱼粉。从以上3 个样品的分析可以看出，通过氨基酸数据的分析再结合感官检验，可以基本确认预判模型的错判结果（与鱼粉的商品标识不一致）其实是真实反映了这些鱼粉的实际内在质量问题（与感官检验、氨基酸质量分析的结果一致）。

表7　错判样品氨基酸数据
Taabbllee 77 　　AAmmiinnoo aacciidd ccoonntteennttss ooff tthhee mmiissjjuuddggeedd ffi i sshh mmeeaall %

氨基酸　　　国产鱼粉076　　　国产鱼粉035　　　进口鱼粉021天冬氨酸　　6.01　　5.91　　5.45苏氨酸　　2.64　　2.70　　2.60丝氨酸　　2.28　　2.39　　2.54谷氨酸　　9.37　　8.68　　8.07甘氨酸　　4.00　　4.00　　4.00丙氨酸　　3.69　　3.99　　3.83胱氨酸　　0.52　　0.52　　0.74缬氨酸　　2.96　　3.13　　2.95蛋氨酸　　1.80　　1.89　　1.79异亮氨酸　　2.76　　2.64　　2.23亮氨酸　　4.86　　4.68　　4.51酪氨酸　　2.01　　1.93　　2.17苯丙氨酸　　2.63　　2.62　　3.39赖氨酸　　5.06　　5.08　　4.59 氨0.99　　1.09　　0.88组氨酸　　1.54　　1.74　　1.55精氨酸　　2.68　　3.72　　3.17脯氨酸　　2.38　　2.71　　2.28氨基酸总量　　57.19　　58.33　　55.86

为验证实际使用效果，在ISISCAN 4.6软件中导入建立的判断模型，建立鱼粉种类的判别产品组。通过1 个月时间收集了68 个实际样品，经过氨基酸分析及感官检验，将样品分为2 类，一类是正常样品，计有12 个淡水鱼粉、23 个国产鱼粉、18 个进口鱼粉，共53 个正常样品，经过近红外扫描检测，判定结果全部准确，没有出现错判现象；另一类是异常样品，计有4 个国产鱼粉、11 个进口鱼粉，共15 个异常样品，经过近红外扫描检测，判定结果全部“错判”且“错判”的结果全部符合氨基酸分析与感官检验的结论。据此，实际样品的近红外判定结果全部准确。

3　　结论

本研究应用近红外法进行鱼粉种类的分类判断是可行的，预判准确率达到84.6%，外部样品验证准确率达到100%。

由于本研究收集的淡水鱼粉、进口鱼粉与国产鱼粉均是商品名称，无法从名称上核实产地等信息。因此，在对验证集进行预判的时候，虽然出现了一定数量未能准确判断的样品，但经过了氨基酸分析和感官检验后，这些判断不准确的样品应该属于非正常样品，即“伪”样品。而恰恰是对这些非正常样品的“错误”判断，表明本预判模型在一定程度上起到了识别掺假鱼粉的作用。

［1］　　LISA D， SARA G， CARL F， et al. Feeding aquaculture grow th through globalization: exploitation of marine ecosystems for fish meal［J］. Global Environmental Change， 2007， 17（2）: 238-249.

［2］　　黄家明，邱代飞. 越南淡水鱼排粉与南美全鱼粉的特性比较与评价［J］.广东饲料， 2014， 22（4）： 38-40.

［3］　　BALABIN R M， SAFI EVA R Z. Capabilities of near infrared spectroscop y for the determination of petroleum macromolecule cont ent in aromatic solutions［J］. Journal of Near Infrared Spectroscopy，2007， 15（6）： 343-349.

［4］　　曹吾，李卫军，王平，等. 近红外定性分析模型的稳健性与适应性分析［J］. 光谱学与光谱分析， 2014， 34（6）： 1506-1511.

［5］　　朱斌，蒋平，马淑艳，等. NIRDRS指纹图谱库用于三种中药材的定性鉴别［J］. 中国药师， 2006， 9（11）： 990-992.

［6］　　韩仲志，万剑华，张洪生，等. 基于玉米籽粒近红外光谱的品种与产地识别研究［J］. 中国粮油学报， 2014， 29（1）： 21-25.

［7］　　曲如燕. 近红外光谱在药品快速鉴别中的应用［J］. 实用医技杂志，2010， 17（7）： 649-650.

［8］　　王戈，黄安民，胡小霞，等. 利用近红外光谱鉴别纺织用竹纤维和麻纤维［J］. 光谱学与光谱分析， 2010， 30（9）： 2365-2367.

［9］　　林新，牛智有. 基于近红外光谱茶叶种类的快速识别［J］. 华中农业大学学报， 2008， 27（2）： 326-330.

［10］杨佳，武彦文，李冰宁，等. 近红外光谱结合化学计量学研究芝麻油的真伪与掺伪［J］. 中国粮油学报， 2014， 29（3）： 114-119.

［11］郭海霞，王涛，刘洋，等. 基于可见-近红外光谱技术的葡萄酒真伪鉴别的研究［J］. 光谱学与光谱分析， 2011， 31（12）： 3269-3272.

［12］ HANA M， MCCLURE W F. Applying artifi cial neural networks： part Ⅱ. Using near in frared data to classify tobacco types and identify native grown tobacco［J］. Journal of Near Infrared Spectroscopy， 1997，5（1）： 19-25.

［13］王丹红，吴文晞. 近红外反射光谱与化学模式识别结合鉴别鱼粉类别［J］. 检验检疫科学， 2002， 12（6）： 24-25.

［14］ ANDRÉS O， JUAN M G， JAVIER R， et al. LVQ-SVM based CAD tool applied to structur al MRI for the diagnosis of the alzheimer's disease［J］. Pattern Recognition Letters， 2013， 34（14）： 17-25.

［15］马本学，饶秀勤，应义斌，等. 基于近红外漫反射光谱的香梨类别定性分析［J］. 光谱学与光谱分析， 2009， 29（12）： 3288-3290.

［16］李娟，范璐，邓德文，等. 近红外光谱法主成分分析6 种植物油脂的研究［J］. 河南工业大学学报：自然科学版， 2008， 29（5）： 18-21.

［17］刘星，毛丹卓，王正武，等. 薏仁种类的近红外光谱技术快速鉴别［J］.光谱学与光谱分析， 2014， 34（5）： 1259-1263.

［18］翁欣欣，陆峰，王传现，等. 近红外光谱-BP神经网络-PLS法用于橄榄油掺杂分析［J］. 光谱学与光谱分析， 2009， 29（ 12）： 3283-3286.

［19］石光涛，韩鲁佳，杨增玲，等. 鱼粉中掺杂豆粕的可见和近红外反射光谱分析研究［J］. 光谱学与光谱分析， 2010， 29（2）： 362-366.

［20］ BALABIN R M， SMIRNOV S V. Variable selection in near-infrared spectroscopy： benchmarking of feature selection methods on biodiesel data［J］. Analytica Chimica Acta， 2011， 692（1/2）： 63-72.

［21］刘小莉，贾刚，王康宁，等. 应用傅利叶近红外光谱定性、定量检测鱼粉中掺杂三聚氰胺的研究［J］. 动物营养学报， 2010， 22（3）：741-749.

［22］李维莉，张亚平. 近红外光谱的主成分分析：马氏距离分类法应用于品牌卷烟烟丝的快速鉴别［J］. 云南农业大学学报， 2010， 25（2）：268-272.

［23］杨增玲，韩鲁佳，李琼飞，等. 反刍动物精料补充料中肉骨粉快速检测近红外光谱法［J］. 光谱学与光谱分析， 2008， 28（6）： 1278-1282.

SONG Tao， SONG Jun， LIU Yaomin， MI Xuelin， RAO Jinyu， ZHAO Yan， FAN Xiuli
（Key Laboratory of Aquatic， Livestock， Poultry Nutrition and Healthy Culturing， Ministry of Agriculture，Tongwei Co. Ltd.， Chengdu　610041， China）

Abstract：A method was established for the automatic discrimination of three varieties of fi shmeal by means of near infrared spectroscopy （NIRS）. Through analysis of the spectral differences of fi shmeal samples， a discrimination model for different types of fi shmeal was developed by using t principal component analysis （PCA）. The spectra were scanned from 1 100 nm to 2 498 nm. The 1 minus variance ratio （1-VR） was 0.913 5 and the standard error of cross validation （SECV） was 0.133 8. The accuracy rates of discriminate for calibration and external validation were 84.6% and 100%， respectively. The results of the study indicate that NIRS combined with chemometrics is rapid， nondestructive， reliable and suitable for the discrimination of three varieties of fi shmeal.

Key words：near-infrared spect roscopy； fi shmeal； discrimination； varieties； principal component analysis

作者简介：宋涛（1980—），男，高级工程师，硕士，研究方向为饲料营养及质量安全评价。E-mail：songt@tongwei.com

基于近红外光谱法的鱼粉快速判别

1 材料与方法

2 结果与分析

3 结 论

1　　材料与方法

2　　结果与分析

3　　结论