近年来，我国稻谷年产量约1.8亿t，占我国粮食总产量的38%以上[1-2]。稻谷加工可得到食用精米[3]以及碎米、异色粒、腹白米等加工副产品。碎米为长度小于同批完整米粒长度的3/4、存留1.0 mm圆孔筛的不完整米粒，水稻加工过程会产生约15%的碎米；腹白米为胚乳腹面不透明部分的米；异色粒（未成熟粒、病变粒、霉变粒和黄粒等）为受到微生物的侵害而产生不正常颜色的米粒。稻米加工副产品很难进行进一步的加工[4-5]，因此常作为畜禽饲料原料谷物以缓解饲料资源紧缺。稻米加工副产品在替代小麦和玉米成为畜禽饲料原料主料的方面前景十分广阔[6-7]。碎米柔软易消化，主要成分与大米相似，用碎米配制的低蛋白饲料可提高鸡、鸭等家禽的生长性能[8]。与玉米型饲粮相比，稻米型饲粮能够提高猪的生产性能，在增重效率方面具有优势[9]。畜禽对谷物的偏爱程度与谷物中营养物质种类和含量相关，故对稻米加工副产品中营养物质的快速检测尤为重要[10-11]。目前，营养指标的测定多采用传统的化学分析方法，但存在耗时长以及前处理复杂等一系列缺点。近红外分析技术具有快速、操作简单等优点，目前已广泛应用于品质检测等领域[12-13]。HAO等[14]采用近红外光谱结合偏最小二乘法（PLS）实现了饲料中粗脂肪和粗纤维的快速定量分析。LYU等[15]采用近红外光谱法结合PLS对玉米中粗蛋白、水分和粗脂肪进行预测。但目前还没有相关文献针对稻米加工副产品的营养指标建立快速预测方法。本研究建立针对稻米加工副产品中营养指标的近红外分析模型，以期进一步推动稻米加工副产品的综合利用。1材料与方法1.1试验材料及仪器稻米加工副产品样品共302份，其中碎米107份，腹白米77份，异色粒118份，均由中粮米业工厂提供。MPA Ⅱ傅里叶近红外光谱仪（德国布鲁克公司）、Milli-Q 超纯水系统（美国Millipore公司）、XS205分析天平（瑞士梅特勒托利多公司）、K9840凯氏定氮仪（海能未来技术集团股份有限公司）、索式提取器（上海圣训仪器有限公司）、BPG-9070A精密鼓风干燥箱（上海一恒科学仪器有限公司）、SX2-8-10N马弗炉（上海一恒科学仪器有限公司）、多功能粉碎机。1.2试验方法1.2.1样品前处理方式颗粒样品：不需要其他处理方式，直接将待测样品混匀，装入样品皿中，每次装样量不超过样品皿总容积的2/3。粉碎样品：粉碎样品量为70~90 g，对样品进行两次粉碎，每次粉碎10 s 。使样品全部通过20目（0.90 mm）标准筛。样品放入样品皿（直径15 cm、高8 cm 的圆柱形，窗口为能透过红外线的石英玻璃皿），不需要挤压样品，以保持蓬松和良好的混合度以供近红外光谱仪测试。1.2.2近红外光谱采集采用积分球漫反射模式，分辨率为16 cm-1，样品扫描次数为64 scan，扫描谱区波数范围为3 600~12 500 cm-1。采集样品光谱时，环境温度（25±1）℃，对样品进行3次扫描，求平均值，以减少噪声干扰。1.2.3稻米加工副产品中水分、粗蛋白、粗脂肪、粗纤维含量的测定将所收集的碎米、腹白米以及异色粒样品进行粉碎，过100目筛。采用GB/T 6435—2014中的方法测定稻米加工副产品的水分含量，采用GB/T 6433—2006中的方法测定稻米加工副产品的粗蛋白含量，采用GB/T 6433—2015中的方法测定稻米加工副产品的粗脂肪含量，采用GB/T 6434—2006中的方法测定稻米加工副产品的粗脂肪含量。每份样品检测3次，取平均值。1.3数据统计与分析1.3.1光谱预处理为了优化预测模型，提取有效光谱信息，削减无效干扰光谱，采用5种光谱预处理方法，包括多元散射校正（multiplicative signal correction，MSC）、标准正态变换（standard normal variate，SNV）、一阶导数（first derivative，1st）、二阶导数（second derivative，2nd）、滤波平滑（Savitzky-Golay filter，SG），以及重叠预处理方法，如SNV+1st和SNV+2nd等。1.3.2模型建立采用PLS建立稻米加工副产品水分、粗蛋白、粗脂肪及粗纤维含量模型，根据交叉验证均方误差（root mean square error of cross-validation，RMSECV）选择最佳主因子数。以决定系数（R2）、相对分析误差（RPD）以及RMSECV为模型的评价指标选择最优模型。2结果与分析2.1试验方法确定2.1.1样品前处理方式的确定碎米、腹白米和异色粒样品色泽、大小不均，样品均一性较差，因此在采集近红外光谱信息之前，考虑是否需要将样品粉碎。随机选择一份碎米样品和腹白米样品，将两份稻米加工副产品颗粒状样品和粉末状样品分别重复测量5次，对光谱数据结果进行对比。将样品的颗粒与粉末光谱数据结果进行对比，发现颗粒光谱数据的光谱变异系数为2%，粉末光谱数据的光谱变异系数降低为0.7%。粉末状光谱的重复性明显高于颗粒状样品，光谱几乎完全重合，说明样品粉碎后大大提高其光谱的稳定性，因此采用副产品粉末状光谱数据建立定量预测模型。2.1.2稻米加工副产品主成分分析结果使用主成分分析（principal component analysis，PCA）算法提取光谱数据的主要特征分量，选择前3个主成分，实现对数据特征的降维处理，PCA结果见图1。图1稻米加工副产品PCA结果10.13557/j.cnki.issn1002-2813.2024.04.023.F1a1（a）颗粒样品 （b）粉末样品由图1可知，无论是颗粒状还是粉末状样品，碎米、腹白米、异色粒光谱非常相似，很难区分，间接说明3种稻米加工副产品的内部物质成分与含量相似，可以将3种稻米加工副产品一起建立定量预测模型。2.2稻米加工副产品近红外光谱分析结果（见图2）近红外光谱波数范围在4 000~12 500 cm-1。由图2（a）可知，在波段4 000~6 000 cm-1和8 000~9 000cm-1颗粒样品吸收强度较强。4 700 cm-1左右的吸收峰表征的是稻米样品中糖类及蛋白质含量，5 200 cm-1附近的峰为O—H键，其第一倍频和组合频相对应，表征水分含量[16]；6 846 cm-1处的吸收峰由氨基酸的N—H不对称振动引起；在波数8 351 cm-1左右的吸收峰是脂肪中的C—H伸缩振动第二倍频。由图2可知，碎米、腹白米及异色粒近红外光谱互相重合，粉末光谱的重合性更好，其近红外吸收峰更加尖锐，而颗粒的近红外光谱较分散，其近红外吸收峰较平缓。研究表明，3种稻米加工副产品营养物质种类和含量相似，可建立共同的营养物质定量预测总模型；粉末光谱特征峰更加明显且光谱重复性更高，更适合副产品营养物质定量预测模型的建立。图2稻米加工副产品近红外光谱分析结果10.13557/j.cnki.issn1002-2813.2024.04.023.F2a1（a）颗粒样品 （b）粉末样品2.3稻米加工副产品营养指标分析结果本研究对107份碎米样品、77份腹白米样品及118份异色粒样品的水分、粗蛋白、粗脂肪及粗纤维指标的测定结果进行统计学分析，3种稻米加工副产品4种指标分布情况见图3。图33种稻米加工副产品营养指标分析结果10.13557/j.cnki.issn1002-2813.2024.04.023.F3a1（a）水分 （b）蛋白质10.13557/j.cnki.issn1002-2813.2024.04.023.F3a2（c）粗脂肪 （d）粗纤维由图3可知，3种稻米加工副产品的4种指标均符合正态分布，具有统计学意义。3种稻米加工副产品的水分、粗蛋白、粗脂肪及粗纤维含量均相似，可以考虑建立3种稻米加工副产品营养物质总定量预测模型。2.4稻米加工副产品营养指标预测模型的建立稻米加工副产品单一建模指标值及3种稻米加工副产品总体建模指标值见表1，稻米加工副产品近红外光谱营养成分预测模型见图4。10.13557/j.cnki.issn1002-2813.2024.04.023.T001表13种稻米加工副产品单一及混合的营养指标预测模型结果品类形态指标预处理方法R2RMSECVRPD碎米粉末水分1st0.880.192.68粗蛋白SNV0.970.106.40粗脂肪SNV+1st0.810.082.06粗纤维1st0.790.092.04腹白米粉末水分1st0.860.202.68粗蛋白SNV0.980.086.40粗脂肪1st0.810.081.86粗纤维1st0.780.121.98异色粒粉末水分SNV+1st0.840.222.68粗蛋白1st0.970.116.40粗脂肪SNV0.780.071.98粗纤维SNV+1st0.820.101.94总模型（包括碎米、腹白米和异色粒）粉末水分1st0.900.173.09粗蛋白1st0.980.107.28粗脂肪1st0.850.072.55粗纤维SNV0.870.042.75颗粒水分SNV+1st0.740.281.96粗蛋白SNV0.950.154.58粗脂肪1st0.700.091.84粗纤维SNV+1st0.780.052.11图4稻米加工副产品近红外光谱营养成分预测模型10.13557/j.cnki.issn1002-2813.2024.04.023.F4a1（a）水分真实值及预测值 （b）水分真实值及预测偏差值10.13557/j.cnki.issn1002-2813.2024.04.023.F4a2（c）粗蛋白真实值及预测值 （d）粗蛋白真实值及预测偏差值10.13557/j.cnki.issn1002-2813.2024.04.023.F4a3（e）粗脂肪真实值及预测值 （f）粗脂肪真实值及预测偏差值10.13557/j.cnki.issn1002-2813.2024.04.023.F4a4（g）粗纤维真实值及预测值 （h）粗纤维真实值及预测偏差值由表1可知，3种稻米加工副产品粉末分别测定的预测模型中，粗蛋白预测模型总体预测效果最优，碎米、腹白米及异色粒粉末预测模型的R2分别高达0.97、0.98及0.97。水分定量预测模型效果仅次于粗蛋白模型，碎米、腹白米及异色粒粉末预测模型的R2分别为0.88、0.86及0.84。粗脂肪和粗纤维的定量总体颗粒预测模型较差，碎米、腹白米及异色粒粉末粗脂肪定量预测模型的R2分别为0.81、0.81及0.78，碎米、腹白米及异色粒粉末粗纤维定量预测模型的R2分别为0.79、0.78及0.82。4种指标定量预测模型的R2均低于总体粉末相应的4种指标定量预测模型，且总体粉末的定量模型4种指标预测模型RMSECV值均低于总体颗粒相应的4种指标定量预测模型，说明对总体粉末建模效果优于总体颗粒建模效果，更加准确、稳定。总体粉末的4种指标预测模型中，粗蛋白定量预测总模型最优，其R2与3种稻米加工副产品最优的粗蛋白预测模型相同，其RMSECV值较最优单种稻米加工副产品粗蛋白模型仅相差0.02，说明总模型对副产品粗蛋白含量的预测效果较好。水分定量总模型、粗脂肪定量和粗纤维模型预测总模型的R2分别较3种稻米加工副产品最优定量预测模型提高了0.02、0.04和0.05，3个总模型较最优单种副产品的RMSECV值分别减少了0.02、0.01和0.06，说明粉末总模型对副产品的水分、粗脂肪和粗纤维含量预测效果更佳。由于粗脂肪、粗纤维含量过少，即使针对样本总体粉末含量建模效果也十分有限。由表1可知，副产品粉末水分预测模型的相对分析误差RPD值为3.09；副产品粉末粗蛋白预测模型的相对分析误差RPD值为7.28；副产品粉末粗脂肪预测模型的相对分析误差RPD值为2.55；副产品粉末粗纤维预测模型的相对分析误差RPD值为2.75。由图4可知，粉末模型的预测偏差比较聚集。结果表明，建立的粉末样本营养指标定量预测总模型检测水分、粗蛋白、粗脂肪和粗脂肪含量的方法可行。3讨论饲料原料养分均衡能够保证禽畜的生产性能[17-19]。采用传统的方式检测大米的营养指标耗费时间，由于水分、粗蛋白、粗脂肪、粗纤维4种营养指标检测方法不同，不能一次性获得所有营养指标值[20-22]。近红外光谱能够记录C—O、O—H和N—H等化学键振动的倍频和合频吸收信息，适用于水、粗蛋白、粗脂肪和粗纤维等含氢基团有机物的理化性质测量，相较传统方法更加快速，且能够一次性获得全部指标。基于近红外技术检测饲料原料营养指标的研究主要集中于大豆、玉米和大米几种原料方面[23-25]。关于稻米加工副产品的营养指标的研究主要集中在米糠这种前期加工的副产品[26-27]，而关于碎米、腹白米和异色粒等后期的稻米加工副产品的营养成分的研究较少，预测模型的建立有助于推动稻米加工副产品在饲料领域的应用。本研究采用PLS算法建立的水分和粗蛋白检测模型决定系数R2为0.90和0.98。相较李路等[28]同样采用PLS算法建模的0.909 4和0.906 2的决定系数，本研究建立的水分模型性能相近，粗蛋白模型性能更优。大米脂肪量过少导致粗脂肪模型决定系数较低。本研究粗脂肪预测模型决定系数R2为0.85，与路辉等[29]同样采用PLS建模的粗脂肪决定系数R2（0.811 0）相比性能较优，但较其他3个营养指标模型较差。本研究建立的模型粗纤维决定系数R2分别为0.87，相比郝勇等[30]同样采用PLS建模的0.88的决定系数，模型效果几乎等同。本研究建立的大米水分和粗纤维检测模型的精度与现有同类模型基本相当，而粗脂肪和粗蛋白检测模型的精度略有优势。采用经典预处理算法和PLS算法相结合建模，在建立稻米加工副产品的营养指标检测方面具有一定的可行性。4结论本研究针对碎米、腹白米及异色粒3种稻米加工副产品的水分、粗蛋白、粗脂肪以及粗纤维4种营养指标建立了总定量预测模型。对稻米加工副产品颗粒和粉末的4种指标定量预测模型进行比较，发现粉末模型定量效果更优。对3种单一稻米加工副产品粉末和3种稻米加工副产品总体粉末进行比较，发现3种稻米加工副产品总体粉末4种指标的总定量预测模型最优。建立的3种稻米加工副产品粉末的营养指标的总定量预测模型的决定系数R2均大于0.85，RPD均大于2.5，模型的准确性和稳定性较好。研究为稻米加工副产品的各项营养指标的检测建立了一种快速、高效、准确的方法，提高了稻米加工副产品的综合利用率。