基于多标记物协同效应的苜蓿青贮品质检测系统及方法

本发明涉及基于多标记物协同效应的苜蓿青贮品质检测系统及方法，属于气味检测。

背景技术：

1、随着畜牧业的规模化与精细化发展，对青贮饲料，特别是苜蓿等高蛋白青贮饲料的品质评价，已从依赖经验判断向客观化、仪器化方向发展，其中，感官评定法凭借其快速、直接的特点，长期以来在田间地头与养殖场中占据主导地位，通过嗅觉对青贮气味进行优劣的粗略定性，辅助以颜色和手感的观察，完成对饲料是否可用的基础判断；近年来，为克服人为主观性，基于气体传感器的检测通过分析青贮饲料产生的挥发性化学成分来自动评价发酵品质。

2、现有公告号为cn115398227b的中国专利公开了青贮饲料发酵品质评价方法和装置，包括：向表面应力传感器提供从青贮饲料产生的气体，通过气体中微量成分的含量与发酵品质的关系，进行青贮饲料的发酵品质的评价。

3、尽管现有技术实现了发酵过程是否成功的评估，但未考虑适口性导向的关联设计，具体而言，青贮饲料是用于饲喂反刍动物，对于仅给出优劣的粗略判断的感官评定，完全不涉及气味优劣与反刍动物采食量之间的量化关系，无法反映饲料的实际饲用价值，而在实际情况下，某些发酵指标合格、甚至总酸度达标的苜蓿青贮，仍可能因含有特定气味物质而导致牲畜拒食或采食量显著下降，这种评与用之间的脱节，使得现有检测技术无法真正服务于养殖生产的经济目标。

技术实现思路

1、针对现有技术存在的不足，本发明的目的在于提供基于多标记物协同效应的苜蓿青贮品质检测系统及方法，通过锁定关键气味标记物、自适应采样、基质干扰校正，构建协同气味指数实现适口性精准量化，并通过增量学习持续优化，使检测结果匹配实际饲用价值。

2、为实现上述目的，本发明提供了如下技术方案：

3、基于多标记物协同效应的苜蓿青贮品质检测系统，包括：数据采集模块、采样模块、检测分析模块；

4、所述数据采集模块用于利用爬虫技术，构建分析文件库；

5、所述采样模块用于依据部署的气体传感阵列，获取目标青贮堆的实时气味信号，并计算每个采样点的气味变异系数，通过采样点的权重分配与优化筛选，获取样本采样点，以生成待测样本；

6、检测分析模块用于对所述分析文件库进行特征提取、随机效应分析，构建配置数据库，同时对所述待测样本进行实时检测，以获取检测数据集，通过从所述检测数据集中识别的干扰物质，对标记物的浓度进行校正，并计算协同气味指数、进行气味分级，同时结合实际饲喂验证数据进行增量微调。

7、具体地，所述检测分析模块包括配置单元、实时检测单元、分析单元和适应单元；

8、所述配置单元用于对所述分析文件库进行特征提取，依据特征中挥发性物质对采食量的影响方向，为挥发性物质划分标记物类型，以构建标记物集，以标记物在苜蓿青贮中的浓度为剂量、标记物浓度下采食量的相对变化率为效应，绘制每种标记物与采食量的连续剂量-效应曲线，同时通过曲线拐点确定各个标记物的影响阈值；

9、所述实时检测单元通过全扫描模式、离子监测模式，对待测样本进行检测，生成检测数据集；

10、所述分析单元用于对所述检测数据集进行主成分分析，以识别干扰物质，并计算各干扰物质对标记物定量离子的信号贡献度，通过所述信号贡献度的干扰校正，获取标记物的校正浓度，从而计算协同气味指数并进行气味分级；

11、所述适应单元用于接收实际饲喂验证数据，采用增量学习算法对相关参数进行微调。

12、具体地，获取样本采样点的步骤包括：

13、对实时气味信号进行预处理，并为采样点设置三维邻域，通过三维邻域内的信号标准差与信号均值之比，计算气味变异系数；

14、依据气味变异系数，利用k-means聚类算法，划分各个采样点的异质等级，包括高异质性、中异质性和低异质性；

15、为异质等级配置相应的基础权重，基于距离反比，为每个采样点计算空间因子，通过乘积运算，计算每个采样点的采样权；

16、整合所有采样点的采样权，通过归一化处理，计算每个采样点的比例权重；

17、根据预设的总采样点数，按照每个采样点的比例权重，计算每个异质等级应分配的理论采样点数；

18、对于每个异质等级，以对应异质等级内每个采样点的比例权重为抽样概率，利用有放回的随机抽样方法，抽取样本采样点，以达到对应的理论采样点数。

19、具体地，构建标记物集的步骤包括：

20、利用命名实体识别技术，提取挥发性物质与反刍动物干物质采食量的实体信息；

21、通过关系抽取，建立挥发性物质、浓度梯度、采食量、统计学显著的关联关系；

22、对提取的实体信息进行标准化处理，包括浓度单位标准化、采食量标准化；

23、遍历所有标准化的关联关系，筛选统计学p值不大于统计学显著性阈值的挥发性物质，作为标记物；

24、对于任一标记物，收集关联关系数据，计算每种标记物与采食量的相关系数，若相关系数为正数，判定为正向标记物，若相关系数为负数，判定为负向标记物，从而构建标记物集。

25、具体地，绘制每种标记物与采食量的连续剂量-效应曲线包括：

26、遍历所述标记物集中每类标记物集，筛选出标记物的所有关联关系，依据浓度梯度进行分组，划分出若干剂量水平组；

27、对于每个标记物的每个剂量水平组，利用dersimonian-laird随机效应模型进行合并分析，以生成同一剂量水平下对应的合并均效应及95%置信区间；

28、绘制每个标记物的离散剂量-效应数据点，并利用非线性最小二乘法进行拟合，得到连续的剂量-效应曲线，结合95%置信区间构建置信带；

29、基于每一标记物的剂量-效应曲线，从横轴左侧向右侧逐点扫描，以上置信带首次不大于100%的浓度作为无显著阈值，以合并均效应为70%的浓度为重度阈值；

30、将每个标记物的影响阈值，包括无显著阈值、重度阈值，标记于所述标记物集中。

31、具体地，识别干扰物质的步骤包括：

32、基于检测数据集中全扫描模式下的总离子流图，识别色谱峰；

33、对所述色谱峰进行质谱图提取，并与质谱库检索进行检索匹配，计算质谱匹配度；

34、读取每个色谱峰的保留时间，与标准品保留时间进行比对，计算时间偏差；

35、综合质谱匹配度、时间偏差，基于识别标准，对每个色谱峰进行定性识别；

36、提取每个色谱峰的峰面积值，构建峰面积矩阵，并进行z-score标准化处理；

37、对峰面积矩阵进行主成分分析，基于累计方差贡献率筛选保留的主成分，并计算挥发性物质在对应主成分上的载荷值，构建载荷矩阵；

38、遍历所述载荷矩阵，筛选候选干扰，计算候选质谱匹配度、候选时间偏差，基于识别标准排除假阳性干扰，以筛选干扰物质，从而生成干扰物质列表。

39、具体地，对标记物的浓度进行校正包括：

40、基于识别出的干扰物质与标记物，配制若干个浓度梯度的混合标准溶液系列，采用与所述待测样本相同的条件进行检测，获得校正数据集；

41、对于每一标记物，依据多元线性回归，通过标记物定量离子的实测峰面积、理论峰面积、贡献系数向量、干扰物质的定量离子峰面积，构建峰面积函数；

42、基于所述校正数据集，构建干扰物质峰面积矩阵，并代入峰面积函数，通过最小二乘法，每种干扰物质对每种标记物的贡献系数；

43、对于所述待测样本，提取各标记物的实测峰面积、各干扰物质的定量离子峰面积，结合求解得到的贡献系数与峰面积函数，计算各标记物的真实峰面积；

44、基于同位素内标法，提取同位素内标物的峰面积，计算标记物与对应内标物的峰面积比，结合内标标准曲线的斜率和截距，计算标记物的校正浓度。

45、具体地，计算协同气味指数并进行气味分级的步骤包括：

46、基于标记物的剂量-效应曲线，进行斜率拟合，计算出标记物的校正因子；

47、基于标准样本，获取各个正向标记物在优质苜蓿青贮中的参考浓度；

48、读取各个正向标记物的校正浓度，以校正浓度与参考浓度之比，计算出正向标记物的有效浓度比；

49、将各正向标记物的有效浓度比与对应的校正因子相乘，获得正向影响项；

50、对于负向标记物，计算校正浓度与对应的无显著阈值的差值，利用max函数获取负向标记物的有效浓度；

51、将各负向标记物的有效浓度与对应的校正因子相乘，获得负向影响项。

52、具体地，计算协同气味指数并进行气味分级的步骤还包括：

53、获取所有负向标记物的校正浓度与对应的重度阈值，进行负向否决判定；

54、一旦任一负向标记物的校正浓度大于重度阈值，则判定适口性等级为极差；

55、若所有负向标记物的校正浓度不大于重度阈值，以两两协同作用，计算协同作用项；

56、通过协同作用项与负向影响项之和，计算总负向影响项；

57、以待测样本的正向影响项与总负向影响项之比，计算协同气味指数；

58、基于采食量的相对变化率与标记物集中适口性描述的等级，配置采食节点；

59、对于每个采食节点，基于剂量-效应曲线，计算对应标记物的浓度，结合协同气味指数，计算分级阈值；

60、利用分级阈值与待测样本的协同气味指数，判定待测样本的适口性等级。

61、基于多标记物协同效应的苜蓿青贮品质检测方法，包括：

62、利用爬虫技术，构建分析文件库；

63、依据所述分析文件库中挥发性物质对采食量的影响方向，为挥发性物质划分标记物类型并构建标记物集；

64、对所述标记物集进行随机效应分析，绘制剂量-效应曲线，并确定各个标记物的影响阈值；

65、利用部署于青贮窖中的气体传感阵列，获取目标青贮堆的实时气味信号；

66、通过采样点的权重分配与优化筛选，获取样本采样点，并基于权重比例采集对应的青贮样品，通过均匀混合与密封震荡，生成待测样本；

67、通过气相色谱-质谱联用仪，对所述待测样本进行检测，生成检测数据集；

68、对所述检测数据集进行主成分分析，以识别出干扰物质，并通过各干扰物质对标记物定量离子的信号贡献度，对标记物定量进行干扰校正，并计算协同气味指数、进行气味分级；

69、建立动态校准机制，以实际饲喂验证数据对相关参数进行微调。

70、本发明的有益效果：

71、通过爬虫技术整合研究文献与行业标准，构建科学的配置数据库，以明确检测目标，避免了现有技术检测目标泛化、缺乏科学依据的缺陷，针对青贮发酵不均匀导致的采样误差，基于实时气味分布数据计算气味变异系数，通过自适应重加权采样动态优化采样点分布，确保待测样本能够真实反映整个青贮堆的平均适口性水平，从采样源头保证了检测结果的可靠性，采用全扫描模式、离子监测模式相结合的方式，识别并定量校正基质干扰，获得准确的标记物浓度数据，并构建融合阈值效应、剂量-效应关系和协同作用的协同气味指数，将多维度气味数据转化为可直接反映采食量的量化指标，实现了从气味检测到饲用价值评价的精准转化，解决了传统感官评定主观性强、结果粗略的问题，引入增量学习机制，利用用户本地少量实际饲喂数据对模型参数进行微调，使模型能够自适应不同地区、不同发酵工艺和不同反刍动物品种的差异，持续缩小检测预测值与实际饲用价值之间的差距，使检测结果能够直接服务于养殖生产决策，有效避免因饲料适口性问题导致的牲畜拒食和采食量下降，真正实现了检测技术与养殖生产经济目标的统一。