基于PLS-GRNN的豆粕品质近红外光谱检测研究

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。