Применимость метода инфракрасной спектроскопии среднего диапазона для установления качественных показателей комбикорма

Цель исследований – изучение функциональных возможностей средневолновой инфракрасной спектроскопии для определения качественных показателей концентрированного комбикорма. В работе исследовали содержание питательных веществ (суммарное количество аминокислот и углеводов) методом отражательной инфракрасной спектроскопии в 4-компонентном комбикорме и сопоставляли с результатами химического анализа, выполняемого арбитражными методами. Исследованы оптические свойства и проведен сравнительный анализ всех 4 составляющих комбикорма (молотое зерно кукурузы, жом свекловичный, барда кукурузная, шрот рапсовый). Впервые получены спектральные характеристики поглощения комбикорма и его компонентов в средней инфракрасной области, выявлен репрезентативный диапазон для определения показателей качества. Инфракрасные спектры были получены с использованием микроскопа МИКРАН-3, соединенного с ИК-Фурье спектрометром СИМЕКС ФТ-801 с применением алгоритма Савицкого-Голея. Установлено, что спектральные характеристики поглощения α(k) имеют область максимума 710–1275 см^-1 для всех компонентов комбикорма. Сам максимум находится в диапазоне 1060–1090 см^-1. Характеристики качественно схожи, но наибольшее отражение в области максимума характерно для молотой кукурузы, наименьшее – для рапсового шрота. Получены интегральные параметры отражения в областях поглощения белков, жиров и углеводов с погрешностью не более 7,2 %. Свекловичный жом поглощает больше других компонентов в диапазоне 800–1170 см^-1. У кукурузной барды и молотой кукурузы поглощение примерно совпадает для каждого диапазона. В областях поглощения белков значение коэффициента поглощения существенно меньше, и различие в абсолютных величинах менее заметно. Предполагается, что отражение в области максимума характеристики α(k) наиболее зависит от содержания углеводов в исследуемых компонентах.

1. Fountas S., Carli G., Sorensen C. G., Tsiropoulos Z., Cavalaris C., Vatsanidou A., et al. Farm management information systems: Current situation and future perspectives. Computers and electronics in agriculture. 2015;115:40–50. DOI: https://doi.org/10.1016/j.compag.2015.05.011

2. Keim J. P., Charles H. B., Alomar D. Prediction of crude protein and neutral detergent fibre concentration in residues of in situ ruminal degradation of pasture samples by near-infrared spectroscopy (NIRS). Animal production science. 2015;56(9):1504–1511. DOI: https://doi.org/10.1071/AN14822

3. Modrono S., Soldado A., Martinez-Fernandez A., de la Roza-Delgado B. Handheld NIRS sensors for routine compound feed quality control: Real time analysis and field monitoring. Talanta. 2017;162:597–603. DOI: https://doi.org/10.1016/j.talanta.2016.10.075

4. Matuszek D. Fluorescence method for the assessment of homogeneity of granular mixtures. Journal of Central European Agriculture. 2017;18(4):851–863. DOI: https://doi.org/10.5513/JCEA01/18.4.1966

5. Matuszek D., Bilos L. Use of fluorescent tracers for the assessment of the homogeneity of multicomponent granular feed mixtures. Przemysl Chemiczny. 2017;96(11):2356–2359. DOI: https://doi.org/10.15199/62.2017.11.27

6. Buza M. H., Holden L. A., White R. A., Ishler V. A. Evaluating the effect of ration composition on income over feed cost and milk yield. Journal of dairy science. 2014;97(5):3073–3080. DOI: https://doi.org/10.3168/jds.2013-7622

7. Schneider L., Volkmann N., Kemper N., Spindler B. Feeding behavior of fattening bulls fed six times per day using an automatic feeding system. Frontiers in Veterinary Science. 2020;7:43. DOI: https://doi.org/10.3389/fvets.2020.00043

8. Fernandez-Ahumada E., Garrido-Varo A., Guerrero-Ginel J. E. Feasibility of diode-array instruments to carry near-infrared spectroscopy from laboratory to feed process control. Journal of Agricultural and Food Chemistry. 2008;56(9):3185–3192. DOI: https://doi.org/10.1021/jf073534t

9. Nikitin E. A., Pavkin D. Yu., Izmailov A. Yu., Aksenov A. G. Assessing the homogeneity of forage mixtures using an RGB camera as exemplified by cattle rations. Applied Sciences. 2022;12(7):03230. DOI: https://doi.org/10.3390/app12073230

10. Rego G., Ferrero F., Valledor M., Campo J. C., Forcada S., Royo L. J., Soldado A. A portable IoT NIR spectroscopic system to analyze the quality of dairy farm forage. Computers and electronics in agriculture. 2020;175:105578. DOI: https://doi.org/10.1016/j.compag.2020.105578

11. Burmistrov D. E., Ignatenko D. N., Lednev V. N., Gudkov S. V., Pavkin D. Y., Khakimov A. R., et al. Application of optical quality control technologies in the dairy industry: an overview. Photonics. 2021;8(12):551. DOI: https://doi.org/10.3390/photonics8120551