基于PLS-GRNN的豆粕品质近红外光谱检测研究

作者：王立琦; 姚静; 王睿莹; 陈颖淑; 罗淑年; 王伟宁; 张艳荣^*

来源：光谱学与光谱分析, 2022, 42(05): 1433-1438.

• 豆粕品质
• 近红外光谱
• 区间偏最小二乘
• 广义回归神经网络

豆粕是大豆浸提取豆油后经适当干燥和热处理所得副产品，是制作禽畜类饲料的主要原料，其品质决定营养价值。针对现有豆粕品质检测方法存在着有毒化学试剂使用多、操作复杂、分析时间长、无法满足实际生产线快速检测及调控需求等问题，提出一种基于近红外光谱分析的豆粕品质多组分检测方法，以期用于产品质量在线检测及调控。从大豆油脂加工生产线上采集豆粕样品449个，利用105℃烘箱法、凯氏定氮法和索氏提取法分别测定样品的水分、蛋白质和脂肪化学值，采用瑞士BuchiNIRMaster傅里叶变换近红外光谱仪采集样品漫反射光谱。首先利用马氏距离法剔除异常样本，然后用多种方法对光谱数据进行降噪处理，对比分析发现小波去噪效果最优。分别采用KS和SPXY两种算法确定豆粕不同组分的最佳样本分集。为了探讨豆粕组分的近红外吸收特性，剔除光谱冗余信息，降低模型计算复杂度，采用区间偏最小二乘法(iPLS)对4 000～10 000 cm-1全谱进行特征提取，优选出水分、蛋白质和脂肪的特征吸收波段分别为4 904～5 200, 4 304～4 600和4 304～4 600 cm-1。最后建立豆粕组分含量的广义回归神经网络(GRNN)预测模型。为了减少网络的输入变量，缩小网络规模，提高运行速度，采用PLS对光谱数据降维，提取主因子得分作为GRNN输入变量。通过交叉验证循环法优选网络参数光滑因子spread值，建立豆粕多组分含量PLS-GRNN预测模型，并与经典的PLS和BP模型对比，发现PLS-GRNN模型效果更优，其水分、蛋白质和脂肪的预测集R2分别为0.976 9, 0.940 2和0.911 1, RMSEP分别为0.091 2, 0.383 4和0.113 4, RSD分别为0.79%, 0.83%和8.53%。虽然脂肪的预测误差相对较大，但也在模型评定标准可用范围之内。实验表明基于PLS-GRNN的近红外光谱分析用于豆粕品质检测是可行的，能够用于实际生产过程中的品质监控。

• 单位
  哈尔滨商业大学