基于近红外光谱的饲料品质控制方法.pdf

《基于近红外光谱的饲料品质控制方法.pdf》由会员分享，可在线阅读，更多相关《基于近红外光谱的饲料品质控制方法.pdf（11页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010333657.5 (22)申请日 2020.04.24 (71)申请人 江苏傲农生物科技有限公司 地址 223700 江苏省宿迁市泗阳县经济开 发区金鸡湖路9号 申请人 广州傲农生物科技有限公司 福建傲农生物科技集团股份有限公 司 (72)发明人 吴海英杨伟春曾诚仲伟迎 周通吴有林 (74)专利代理机构 上海科盛知识产权代理有限 公司 31225 代理人 杨宏泰 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 50/04(2012.01) G。

2、01N 21/3563(2014.01) G01N 21/359(2014.01) (54)发明名称 一种基于近红外光谱的饲料品质控制方法 (57)摘要 本发明涉及一种基于近红外光谱的饲料品 质控制方法， 包括以下步骤： 建模步骤： 利用企业 设定浓度范围的原料和产品， 建立对应的预测模 型， 所述的预测模型包括原料预测模型和产品预 测模型； 原料品质控制步骤： 利用原料预测模型 得到原料的特征光谱， 采集特征光谱中的相关信 息， 进行原料产地鉴别、 同类未知样品检验、 原料 异常判定和/或原料稳定性判定； 产品品质控制 步骤： 利用产品预测模型， 对饲料中每个混合单 位及产出产品取样扫描并比。

3、对， 实时监控产品品 质。 与现有技术相比， 本发明具有减少预测模型 建模时间、 动态调整模型宽度和适应性、 提高饲 料品质控制的有效性， 同时匹配度高、 适用性广、 提高近红外检测仪使用价值等优点。 权利要求书2页 说明书5页 附图3页 CN 111401794 A 2020.07.10 CN 111401794 A 1.一种基于近红外光谱的饲料品质控制方法， 其特征在于， 包括以下步骤： 建模步骤： 利用企业设定浓度范围的原料和产品， 建立对应的预测模型， 所述的预测模 型包括原料预测模型和产品预测模型； 原料品质控制步骤： 利用原料预测模型得到原料的特征光谱， 采集特征光谱中的相关 信息。

4、， 进行原料产地鉴别、 同类未知样品检验、 原料异常判定和/或原料稳定性判定； 产品品质控制步骤： 利用产品预测模型， 对饲料中每个混合单位及产出产品取样扫描 并比对， 实时监控产品品质。 2.根据权利要求1所述的一种基于近红外光谱的饲料品质控制方法， 其特征在于， 所述 的建模步骤具体包括： S101： 对仪器商提供的已有原料预测模型进行模型验证， 并根据验证结果进行模型扩 展； S102： 收集建模所需的原料样品和产品样品， 并将原料样品和产品样品按设定要求进 行编号和粉碎处理； S103： 对经过处理的原料样品和产品样品扫描， 获取光谱并输入定标软件； S104： 定标软件根据光谱数据筛。

5、选出符合设定浓度范围的样品， 并将这部分样品进行 湿化学检测； S105： 定标软件将光谱数据与湿化学检测结果结合， 通过不同的数学处理评价选择最 优的处理方式， 建立预测模型； S106： 定期对建立的预测模型进行模型验证， 根据验证结果进行模型扩展。 3.根据权利要求2所述的一种基于近红外光谱的饲料品质控制方法， 其特征在于， 所述 的模型验证具体包括： 选取5-10个不同浓度的样品， 对对应预测模型的预测准确性进行验 证； 所述的模型扩展具体包括： 对验证结果不理想的预测模型扩展指标浓度范围， 并重新 进行原料收集、 检验化验、 扫描和定标。 4.根据权利要求2所述的一种基于近红外光谱的。

6、饲料品质控制方法， 其特征在于， 所述 的步骤S104中， 筛选出符合设定浓度范围的样品的数量范围为30-50个。 5.根据权利要求2所述的一种基于近红外光谱的饲料品质控制方法， 其特征在于， 所述 的数学处理评价包括定标标准偏差及定标相关系数、 交互验证标准偏差和交互验证相关系 数； 所述的处理方式包括散射校正方法和导数数学处理， 所述的散射校正方法包括标准 化、 去偏差、 标准化和去偏差、 多元散射校正以及不做处理， 所述的导数数学处理包括一阶 导数和二阶导数； 所述的通过不同的数学处理评价选择最优的处理方式具体包括： 通过选择不同的散射 校正方法和不同的导数数学处理， 选出标准差最小且相。

7、关系数最大的一种方式， 作为最优 的处理方式。 6.根据权利要求1所述的一种基于近红外光谱的饲料品质控制方法， 其特征在于， 所述 的原料产地鉴别具体包括： S201： 收集样品源产地可靠的原料样品， 结合镜检确定样品产地特征； S202： 扫描待检测的原料样品， 通过预测模型采集其特征光谱； 权利要求书 1/2 页 2 CN 111401794 A 2 S203： 定标软件通过聚类分析， 只利用光谱数据计算得分并生成产地三维图； S204： 根据产地三维图统计各样品间的差异， 获取特征光谱集， 鉴别未知原料产地； 所述的同类未知样品检验具体包括： S211： 收集已知来源及指标梯度的同一类原。

8、料样品， 并采集其特征光谱； S212： 定标软件通过聚类分析， 只利用光谱数据计算得分并生成分类三维图； S213： 根据分类三维图统计各指标梯度样品间的差异， 获取特征光谱集， 检验同类未知 样品。 7.根据权利要求6所述的一种基于近红外光谱的饲料品质控制方法， 其特征在于， 所述 的步骤S203和步骤S212中， 所述的聚类分析采用PCA方式。 8.根据权利要求1所述的一种基于近红外光谱的饲料品质控制方法， 其特征在于， 所述 的原料异常判定具体包括： S221： 收集已知来源的原料样品， 并采集其特征光谱； S222： 定标软件利用步骤S221中采集的特征光谱， 进行数学处理后， 获取。

9、其特征光谱 集； S223： 采集未知样品的特征光谱， 并采用步骤S222中的光谱处理方式得到比对光谱； S224： 将比对光谱与特征光谱集进行比对， 鉴别未知原料是否异常； 所述的原料稳定性判定具体包括： S231： 对每批次的原料样品进行扫描并采集其特征光谱； S232： 定标软件利用步骤S231中采集的特征光谱， 进行数学处理后， 获取其特征光谱 集； S233： 比对每批次原料样品的特征光谱集， 判定原料稳定性。 9.根据权利要求8所述的一种基于近红外光谱的饲料品质控制方法， 其特征在于， 所述 的步骤S222和步骤S232中， 所述的定标软件采用去散射和标准化以及一阶导数数学处理 后。

10、， 获取特征光谱集。 10.根据权利要求1所述的一种基于近红外光谱的饲料品质控制方法， 其特征在于， 所 述的产品预测模型包括颗粒预测模型和粉料预测模型。 权利要求书 2/2 页 3 CN 111401794 A 3 一种基于近红外光谱的饲料品质控制方法 技术领域 0001 本发明涉及饲料品质检测领域， 尤其是涉及一种基于近红外光谱的饲料品质控制 方法。 背景技术 0002 近红外光谱技术测定样品中的化学组成和物化性质具有高效、 环保等优点， 近年 饲料企业也广泛使用近红外的快捷检测方式完善其品质控制。 为方便用户更高效的使用近 红外分析仪， 近红外仪器商提供近红外网络化管理服务， 即利用互联。

11、网、 服务器或其他方式 将多台近红外分析仪连接成整体的数据分析系统， 但仍存在一些预测模型不全及数据光谱 利用不足等问题。 0003 中国专利CN201510490572.7公开了一种利用近红外技术在线控制饲料生产的方 法， 利用近红外技术在线控制饲料生产， 近红外光谱仪通过近红外探头检测进料斗内饲料 原料成分的近红外光谱信息和营养成分的含量信息并传送至装有配方系统的计算机， 计算 机软件根据所得信息判断饲料原料的质量， 并根据判断结果对饲料原料进行分级使用。 该 方法利用近红外光谱分析技术能够实现对饲料生产过程涉及到的原料、 过程产品以及终产 品的现场无损快速分析， 但是其预测模型是根据配方。

12、系统中根据可当作饲料原料的配方的 近红外光谱信息建立的， 这样的建模方法需要大量的样品数据， 对于单个企业而言样品收 集难并且检验化验工作压力极大， 且其只对饲料原料质量和原料营养价值进行分析， 而没 有给出利用近红外光谱的其他品质控制方法， 不能适用于多种不同饲料企业的品质控制。 0004 目前基本是单个指标或是单个产品预测模型的建立， 在建立预测模型的过程中需 要收集的样品非常多， 虽然模型适用性比较广， 但是其检验化验工作量非常大， 结合目前形 势， 一般企业原料多样、 品种配方多变是其普遍现象， 因此需要配备的实验室检测能力也是 相当高的。 这有违目前大多数配备近红外检测仪的初衷， 目。

13、前提供的建模方法对于企业来 说工作量巨大， 一般很难在短时间内让价格较高的近红外检测仪投入到品质控制中， 缺少 企业对近红外检测仪价值最大化的方法。 因此， 如何提高近红外饲料检测仪工作效率和价 值是如今饲料企业需要解决的技术问题。 发明内容 0005 本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种减少建模时间 的基于近红外光谱的饲料品质控制方法。 0006 本发明的目的可以通过以下技术方案来实现： 0007 一种基于近红外光谱的饲料品质控制方法， 包括以下步骤： 0008 建模步骤： 利用企业设定浓度范围的原料和产品， 建立对应的预测模型， 所述的预 测模型包括原料预测模型和产品预。

14、测模型； 0009 原料品质控制步骤： 利用原料预测模型得到原料的特征光谱， 采集特征光谱中的 相关信息， 进行原料产地鉴别、 同类未知样品检验、 原料异常判定和/或原料稳定性判定； 说明书 1/5 页 4 CN 111401794 A 4 0010 产品品质控制步骤： 利用产品预测模型， 对饲料中每个混合单位及产出产品取样 扫描并比对， 实时监控产品品质。 0011 所述的定标软件采用WinISI定标软件。 0012 进一步地， 所述的建模步骤具体包括： 0013 S101： 对仪器商提供的已有原料预测模型进行模型验证， 并根据验证结果进行模 型扩展； 0014 S102： 收集建模所需的原。

15、料样品和产品样品， 并将原料样品和产品样品按设定要 求进行编号和粉碎处理； 0015 S103： 对经过处理的原料样品和产品样品扫描， 获取光谱并输入定标软件； 0016 S104： 定标软件根据光谱数据筛选出符合设定浓度范围的样品， 并将这部分样品 进行湿化学检测； 0017 S105： 定标软件将光谱数据与湿化学检测结果结合， 通过不同的数学处理评价选 择最优的处理方式， 建立预测模型； 0018 S106： 定期对建立的预测模型进行模型验证， 根据验证结果进行模型扩展。 0019 进一步优选地， 所述的模型验证具体包括： 选取5-10个不同浓度的样品， 对对应预 测模型的预测准确性进行验。

16、证， 后期可以逐渐动态调整模型宽度和适应性； 0020 所述的模型扩展具体包括： 对验证结果不理想的预测模型扩展指标浓度范围， 并 重新进行原料收集、 检验化验、 扫描和定标。 0021 其中验证结果不理想的预测模型是指扫描报警或预测结果与扫描值超出允许误 差的预测模型， 这个允许误差是行业标准。 0022 进一步优选地， 所述的步骤S104中， 筛选出符合设定浓度范围的样品的数量范围 为30-50个。 0023 进一步优选地， 所述的数学处理评价包括定标标准偏差及定标相关系数、 交互验 证标准偏差和交互验证相关系数； 0024 所述的处理方式包括散射校正方法和导数数学处理， 所述的散射校正方。

17、法包括标 准化、 去偏差、 标准化和去偏差、 多元散射校正以及不做处理， 所述的导数数学处理包括一 阶导数和二阶导数； 0025 所述的通过不同的数学处理评价选择最优的处理方式具体包括： 通过选择不同的 散射校正方法和不同的导数数学处理， 选出标准差最小且相关系数最大的一种方式， 作为 最优的处理方式。 0026 进一步地， 所述的原料产地鉴别具体包括： 0027 S201： 收集样品源产地可靠的原料样品， 结合镜检确定样品产地特征； 0028 S202： 扫描待检测的原料样品， 通过预测模型采集其特征光谱； 0029 S203： 定标软件通过聚类分析， 只利用光谱数据计算得分并生成产地三维图。

18、； 0030 S204： 根据产地三维图统计各样品间的差异， 获取特征光谱集， 鉴别未知原料产 地； 0031 所述的同类未知样品检验具体包括： 0032 S211： 收集已知来源及指标梯度的同一类原料样品， 并采集其特征光谱； 0033 S212： 定标软件通过聚类分析， 只利用光谱数据计算得分并生成分类三维图； 说明书 2/5 页 5 CN 111401794 A 5 0034 S213： 根据分类三维图统计各指标梯度样品间的差异， 获取特征光谱集， 检验同类 未知样品。 0035 进一步优选地， 所述的步骤S203和步骤S212中， 所述的聚类分析采用PCA方式。 0036 进一步地， 。

19、所述的原料异常判定具体包括： 0037 S221： 收集已知来源的原料样品， 并采集其特征光谱； 0038 S222： 定标软件利用步骤S221中采集的特征光谱， 进行数学处理后， 获取其特征光 谱集； 0039 S223： 采集未知样品的特征光谱， 并采用步骤S222中的光谱处理方式得到比对光 谱； 0040 S224： 将比对光谱与特征光谱集进行比对， 鉴别未知原料是否异常； 0041 所述的原料稳定性判定具体包括： 0042 S231： 对每批次的原料样品进行扫描并采集其特征光谱； 0043 S232： 定标软件利用步骤S231中采集的特征光谱， 进行数学处理后， 获取其特征光 谱集； 。

20、0044 S233： 比对每批次原料样品的特征光谱集， 判定原料稳定性。 0045 进一步优选地， 所述的步骤S222和步骤S232中， 所述的定标软件采用去散射和标 准化以及一阶导数数学处理后， 获取特征光谱集。 0046 进一步地， 所述的产品预测模型包括颗粒预测模型和粉料预测模型。 对于颗粒饲 料， 其是由各种原料粉料混合后通过调制和制粒得到颗粒料， 同产品有粉料和颗粒两种形 态， 在混合单位取出的是粉料， 在出料口取出的是颗粒料， 因此当产品为颗粒饲料时， 需要 同时建立颗粒预测模型和粉料预测模型， 以提高预测数据准确性。 0047 与现有技术相比， 本发明具有以下优点： 0048 1。

21、)本方法利用企业自身的原料、 产品浓度范围建模， 生成适合各自企业的预测模 型， 减少建模参与样品和实验室工作量， 建立的预测模型适用于各自企业， 使企业能够用最 短的时间建立适合的预测模型并投入品质控制工作， 匹配度高、 适用性广； 0049 2)本方法通过对光谱不同方法和对象的处理和比对， 可以进行未知原料产地鉴 别、 同类未知样品检验、 原料异常判定和原料稳定性判定等操作， 从多个方面对原料进行品 质控制， 提高饲料品质控制的有效性； 0050 3)本方法通过建立颗粒预测模型及粉料预测模型， 实现颗粒饲料产品的取样及稳 定性监控， 达到一部分在线近红外的功能， 使得企业在没有投入在线近红。

22、外的情况下也能 很好的监控产品品质， 达到企业近红外检测仪的价值最大化。 附图说明 0051 图1为预测模型建立流程示意图； 0052 图2为原料产地鉴别结果呈现示例图； 0053 图3为同类未知样品检验结果呈现示例图； 0054 图4为原料异常判定结果呈现示例图； 0055 图5为原料稳定性判定结果呈现示例图。 说明书 3/5 页 6 CN 111401794 A 6 具体实施方式 0056 下面结合附图和具体实施例对本发明进行详细说明。 显然， 所描述的实施例是本 发明的一部分实施例， 而不是全部实施例。 基于本发明中的实施例， 本领域普通技术人员在 没有做出创造性劳动的前提下所获得的所有。

23、其他实施例， 都应属于本发明保护的范围。 0057 实施例 0058 本发明提供一种基于近红外光谱的饲料企业品质控制方法， 包括以下步骤： 0059 建模步骤： 利用企业自身设定浓度范围的原料和产品， 建立对应的预测模型， 预测 模型包括原料预测模型和产品预测模型； 0060 原料品质控制步骤： 利用原料预测模型得到原料的特征光谱并输入定标软件， 定 标软件采集特征光谱中的相关信息， 进行原料产地鉴别、 同类未知样品检验、 原料异常判定 和/或原料稳定性判定； 0061 产品品质控制步骤： 利用产品预测模型， 对饲料中每个混合单位及产出产品取样 扫描并比对， 实时监控产品品质。 0062 如图。

24、1所示， 建模步骤主要包括一下步骤： 0063 S101： 对仪器商提供的已有原料预测模型进行模型验证， 并根据验证结果进行模 型扩展； 0064 S102： 收集建模所需的原料样品和产品样品， 并将原料样品和产品样品按设定要 求进行编号和粉碎处理； 0065 S103： 对经过处理的原料样品和产品样品扫描， 获取光谱并输入定标软件； 0066 S104： 定标软件根据光谱数据筛选出符合设定浓度范围的样品， 并将这部分样品 进行湿化学检测； 0067 S105： 定标软件将光谱数据与湿化学检测结果结合， 通过不同的数学处理评价选 择最优的处理方式， 建立预测模型； 0068 其中， 数学处理评。

25、价包括定标标准偏差及定标相关系数、 交互验证标准偏差和交 互验证相关系数； 0069 处理方式包括散射校正方法和导数数学处理， 所述的散射校正方法包括标准化、 去偏差、 标准化和去偏差、 多元散射校正以及不做处理， 所述的导数数学处理包括一阶导数 和二阶导数； 0070 通过不同的数学处理评价选择最优的处理方式具体包括： 通过选择不同的散射校 正方法和不同的导数数学处理， 选出标准差最小且相关系数最大的一种方式， 作为最优的 处理方式。 0071 S106： 定期对建立的预测模型进行模型验证， 根据验证结果进行模型扩展。 0072 本实施例中， 建立预测模型的整体流程为： 0073 1)根据检。

26、测仪使用说明书结合企业产品结果， 制定 仪器操作手册 、规定样品编 号规则 、样品粉碎粒度 等规范性文件； 0074 2)整理企业自身原料、 产品目录及原料验收标准和产品出厂指标， 确定建立必要 的原料预测模型、 产品预测模型和大致工作量并制定模型建立计划； 0075 3)对于部分仪器商提供的常见原料预测模型制定模型验证及扩展计划， 通常选取 5-10个不同浓度样品对模型预测准确性进行验证； 说明书 4/5 页 7 CN 111401794 A 7 0076 4)按制定计划收集所需原料样品和产品样品， 并将这些样品按 规定样品编号规 则 、样品粉碎粒度 要求处理、 扫描样品获取光谱； 0077。

27、 5)利用软件处理光谱筛选出有一定浓度范围的样品， 对于企业小范围使用可先建 立涵盖不同浓度指标的样品30-50个， 后期逐渐动态调整模型宽度和适应性， 并将这部分样 品进行湿化学检测； 0078 6)利用WinISI定标软件将光谱数据与湿化学检测结果结合， 通过不同的数学处理 评价选择最优的处理方式， 建立预测模型， 对于饲料常规项目主要采取去散射和标准化处 理并采用一阶导数处理来建立预测模型； 0079 7)定期验证模型并根据验证模型的结果制定模型扩展计划， 在实际检测过程中不 断积累样品数据完善预测模型， 对验证结果不理想的模型进行模型扩展， 其中验证结果不 理想的预测模型是指扫描报警或。

28、预测结果与扫描值超出允许误差的预测模型， 这个允许误 差是行业标准。 0080 本实施例中， 原料品质控制步骤中， 原料产地鉴别、 同类未知样品检验、 原料异常 判定和原料稳定性判定的流程具体如下： 0081 原料产地鉴别： 收集样品源地的可靠的样品， 结合镜检确定样品产地特征； 扫描待 检测样品并采集其特征光谱； WinISI定标软件采用聚类分析方法中的PCA方式， 只利用文件 中的扫描数据计算得分并做产地三维图， 以此统计各样品间的差异， 从而得到特征光谱集， 鉴别未知原料产地， 其结果如图2所示， 该图为鱼粉原料产地鉴别结果。 0082 同类未知样品检验： 收集已知来源及指标梯度的同一品。

29、类原料样品， 并采集其特 征光谱； WinISI定标软件采用聚类分析方法中的PCA方式， 只利用文件中的扫描数据计算得 分并做分类三维图， 以此统计各指标梯度样品间的差异， 从而得到特征光谱集， 用于同类未 知样品快速检验， 其结果如图3所示。 0083 原料异常判定： 收集已知来源的某原料样品扫描得光谱， 通过WinISI定标软件采 用去散射和标准化以及一阶导数数学处理方式采集其特征光谱集， 将未知样品扫描得光 谱， 并用同样的光谱处理方式得到比对光谱， 用于快速鉴别未知原料是否异常， 其结果如图 4所示， 通过将异常光谱结合镜检可以获取品质报告。 0084 原料稳定性判定： 对同一厂家的原。

30、料样品进行每批次扫描， 并采集其特征光谱， 通 过WinISI定标软件采用去散射和标准化以及一阶导数数学处理方式采集其特征光谱集， 用 于快速判定原料稳定性， 其结果如图5所示， 可以给供应商评价提供重要依据。 0085 本实施例中， 产品品质控制步骤中， 对与颗粒饲料， 对同一检测数据分别建立颗粒 预测模型和粉料预测模型， 并对每个混合单位及产出产品进行取样扫描比对， 实时监控产 品品质， 确保产出产品品质稳定性， 同时利用扫描数据快速生成各类产品质量报告， 便于配 方调整及生产指导。 0086 以上所述， 仅为本发明的具体实施方式， 但本发明的保护范围并不局限于此， 任何 熟悉本技术领域的工作人员在本发明揭露的技术范围内， 可轻易想到各种等效的修改或替 换， 这些修改或替换都应涵盖在本发明的保护范围之内。 因此， 本发明的保护范围应以权利 要求的保护范围为准。 说明书 5/5 页 8 CN 111401794 A 8 图1 说明书附图 1/3 页 9 CN 111401794 A 9 图2 图3 图4 说明书附图 2/3 页 10 CN 111401794 A 10 图5 说明书附图 3/3 页 11 CN 111401794 A 11 。