随着宠物经济的快速发展，宠物调味料作为增强宠物食品适口性的重要添加剂，近年来在市场上广受欢迎。目前，实验室检测宠物调味料营养成分通常采用传统方法，如凯氏定氮法、灰化法、索氏提取法、干燥法等。这些方法不仅存在耗时长、所用试剂种类多且用量大、检测过程烦琐等问题，还会产生废气废液，难以满足市场快速发展的需求。近红外光谱分析技术具有快速、操作简单、无污染、无损等特点，目前已在畜禽饲料、食品、化工等行业得到广泛应用。然而，目前针对近红外光谱分析技术在宠物调味料营养成分检测方面的研究略显不足。试验以宠物调味料为研究对象，分别采用传统方法和近红外光谱（NIRS）法检测其粗蛋白、粗脂肪、粗灰分和水分含量，并对操作过程和测定结果进行对比分析。
1 仪器和试剂
仪器：近红外光谱仪（ASC1800）；定氮仪（KDN-19Y）；消化炉（KDN-12D）；电子天平（BT125D）；索氏提取器（SXT-06）；鼓风干燥箱（DHG-9140A）；箱式电阻炉（SX2-4-10N）。
试剂：盐酸标准滴定溶液（0.100 5 mol/L）；盐酸溶液（3 mol/L）；硼酸吸收液（20 g/L）；甲基红乙醇溶液（1 g/L）和溴甲酚绿乙醇溶液（1 g/L）（将以上两种试剂按体积比1∶5混合，制成甲基红-溴甲酚绿指示剂）；五水硫酸铜和无水硫酸钠（将以上两种试剂按质量比1∶15混合，作为催化剂）；氢氧化钠溶液（400 g/L）；浓硫酸；石油醚（沸点30～60℃）；石英砂。该试验使用的所有试剂均为分析纯，试验用水是符合《分析实验室用水规格和试验方法》（GB/T 6682—2008）的三级水。
2 试验方法
2.1 试样的制备
试验时间为2024年12月至2025年5月，历时6个月，分阶段采用四分法对样品进行缩减、混匀。每次在车间取宠物调味料样品（匀浆形态）500 g，摇匀后分别装入2个瓶中，贴标密封。共计取样125份。
2.2 传统方法检测过程
粗蛋白检测：检测方法参考《饲料中粗蛋白的测定凯氏定氮法》（GB/T 6432—2018）。首先，在消化管中称取样品，加入催化剂和浓硫酸，并将消化管置于消化炉上消解，液体呈绿色后取下冷却。其次，在250 mL锥形瓶中加入50 mL硼酸吸收液及5滴甲基红-溴甲酚绿指示剂，将定氮仪馏液口浸入液面以下。最后，取消化管放入定氮仪中进行测定，设定当锥形瓶蒸馏液体积达到150 mL时停止，并进行滴定。每个试样分别测定2次，取平均值作为检测结果。
粗脂肪检测：检测方法参考《饲料中粗脂肪的测定》（GB/T 6433—2025）。在锥形瓶中称样，加入盐酸溶液进行水解并过滤，将过滤后的滤渣放入滤筒，将滤筒连同抽提瓶一起放入索氏提取器进行抽提。抽提完成后蒸馏溶剂，然后将抽提瓶放入鼓风干燥箱烘干，称重并计算。每个试样分别测定2次，取平均值作为检测结果。
粗灰分检测：检测方法参考GB/T 6438—2007《饲料中粗灰分的测定》。称取样品放入恒重瓷坩埚，在电炉上炭化后，放入箱式电阻炉中灰化，试样呈灰白色后取出冷却，称重并计算。每个试样分别测定2次，取平均值作为检测结果。
水分检测：检测方法参考《饲料中水分的测定》（GB/T 6435—2014）。称取样品放入恒重称量瓶中，加入石英砂，将称量瓶进行水浴，用玻璃棒搅拌蒸干，然后放入鼓风干燥箱干燥至恒重，称量并计算。每个试样分别测定2次，取平均值作为检测结果。
2.3 近红外光谱法的检测过程
光谱的采集：将125份样品分成校正集（100份，占比80%）和验证集（25份，占比20%）。把校正集样品摇匀后加入样品杯中，加入量约为样品杯的2/3，随后使用近红外光谱仪采集样品的光谱。设置扫描的波长范围为1 100～2 500 nm，间隔波长为4 nm。每个样品重复装样，扫描8次后取平均值。
模型的建立：使用ASC 1800型近红外光谱仪和DPS统计软件，对收集的校正集NIRS数据与化学成分数据进行筛选，采用偏最小二乘法（PLS）建模。建模时进行均值中心化处理，以增大样品光谱之间的差异，从而提高模型区分不同样品的能力和预测精度。
由检测结果可知，样品近红外光谱曲线大致相同但不完全重合，光谱的特征吸收峰数量较少，从光谱图很难直接判断宠物调味料中粗蛋白、粗脂肪、粗灰分和水分的含量。为解决这一问题，需构建光谱波长数据与吸光度的非线性关系模型。分析结果表明，经过一阶导数和二阶导数处理后，光谱图峰的数量明显增多。
预测样品含量：将采集到的验证集的25份样品光谱数据分别代入4个NIRS定标模型中，求得相应的粗蛋白、粗脂肪、粗灰分和水分含量。
3 结果分析
3.1 检测结果
宠物调味料中粗蛋白、粗脂肪、粗灰分和水分含量的测定结果见表1。由表1可知：除粗灰分、水分的最小值外，其他成分在验证集的最大值和最小值都在校正集范围内。这说明验证集样品的营养成分含量均位于模型校正范围之内。
3.2 验证结果
用交叉验证决定系数衡量定标模型的稳定性和泛用性，该数值越接近于1，表明模型在不同数据子集上的稳定性和泛化能力越强。粗蛋白、粗脂肪、粗灰分、水分验证集的交叉验证决定系数分别为0.934 0、0.901 0、0.951 2、0.942 4，均大于0.9。
校正集中粗蛋白、粗脂肪、粗灰分、水分的校正均方根误差分别为0.151 3、0.173 4、0.172 2、0.182 3，均小于0.19，这表明模型具有较高的精度，预测值与参考值之间的差异较小。
图1为预测值与实测值的相关性结果。从试验结果来看，宠物调味料各营养成分的验证相关系数R2均大于0.9（分别为0.935 9、0.910 4、0.929 0、0.940 5），这说明该模型预测结果良好，适用于宠物调味料中粗蛋白、粗脂肪、粗灰分及水分的检测。
表1宠物调味料校正集和验证集营养成分含量
图1预测值与实测值的相关性结果
3.3 近红外光谱法的优点
与传统方法相比，近红外光谱法具有以下优点：一是不破坏样品进行分析；二是无须消耗试剂，既能节约成本，又安全环保；三是减少检测费用，降低成本；四是缩短检测时间，1～2 min即可生成一份样品的数据，这能大幅提高企业生产效率；五是便于携带，适用于复杂车间环境；六是具有高通量、高灵敏度的特点，可用于实时在线结果的分析及输出。
3.4 近红外光谱法的局限
近红外光谱法适合大批量筛查，初期设备投入成本较高，其对模型及样品的均匀性依赖性较高。对于基质复杂的样品（如缠肉咬胶类宠物零食、宠物湿粮罐头等），其检测结果会出现一定偏差。相比之下，传统检测方法在增加试样量的情况下，检测结果的精确度完全符合国家标准。因此，为提高宠物调味料及饲料样品营养成分检测的准确性，实验室应严格按照样品制备流程操作，确保样品的均匀性；保持校正集与验证集样品颗粒大小的一致性；采取近红外光谱法初筛和凯氏定氮法复测相结合的质量控制措施。
4 结论
试验运用近红外光谱分析技术，建立了宠物调味料粗蛋白、粗脂肪、粗灰分和水分的快速分析预测模型。验证集结果显示，这4种营养成分的相关系数均大于0.9，交叉验证决定系数均大于0.9，校正均方根误差均小于0.19。由此可见，近红外光谱法在检测宠物调味料营养成分方面具有较高的精确度和稳定性，适用于宠物调味料营养成分的快速检测，在宠物调味料及饲料的检测领域具有较高的应用价值和广阔的前景。