Продвинутый спектральный сенсорный анализ для точного определения состава молока

Молоко — один из наиболее широко используемых продуктов, а также сырье для всех молочных продуктов. Учитывая это, измерение компонентов молока стало очень критичным для молочной промышленности. Каждый молочный продукт требует молока с разными соотношениями его содержимого. Более того, для отслеживания качества продукта, содержимое молока должно измеряться регулярно.

Рисунок 1. Отношение между референсными данными (химический анализ) и предсказанными результатами от нашей модели. Каждый круг представляет тестовый образец, где x-координата — референсное значение, а y-координата — предсказание модели. Красная линия представляет идеальную модель, а R2 (идеальное значение 1) показывает, насколько модель отклоняется от идеальной.

Помимо молочной промышленности, анализ молока имеет высокое влияние на поставляющую молочную фермерскую промышленность. Содержимое молока тесно связано со здоровьем животного и качеством и содержанием его корма. Соответственно, эти измерения могут предоставить ценные инсайты для улучшения качества и выбора их корма, а также ценные инсайты для ранней диагностики и лечения больных животных.

В настоящее время наиболее точные методы анализа молока — химические методы декомпозиции, которые медленные, деструктивные и должны проводиться в лаборатории, не в поле. Практически пользователи обычно берут образцы из многих партий молока и получают усредненное заключение для всех партий. Мониторинг здоровья и качества корма для животных с использованием этих методов экстремально дорого и очень неэффективно.

Простой инструмент для быстрого измерения содержимого молока был бы значительным прогрессом в обеих молочной и молочно-фермерской промышленностях. Этот инструмент должен быть портативным, доступным и должен позволять пользователям анализировать их целевые образцы не-деструктивно и в поле, и желательно инлайн на дойной станции в случае приложений молочного фермерства. Миниатюризация ближних инфракрасных (NIR) спектрометров продвинулась до точки, где ручные инструменты могли бы обеспечить надежные и доступные средства для этой цели.

Квантификация содержимого молока

Для демонстрации способности спектральных сенсоров NeoSpectra определить процент каждого компонента — жира, белка и лактозы — в тестовом образце сырого молока, были реализованы следующие процедуры и тестовые спецификации:

Использованный набор образцов:

• Образцы собирались с местных ферм, где каждый собранный образец был от разного животного для обеспечения того, чтобы образцовое пространство имело хорошую вариацию;

• Точные деструктивные химические тесты проводились на образцах для точной записи их содержимого;

• Общее количество взятых образцов было 131;

• Каждый образец измерялся 5 раз со спектральным сенсором NeoSpectra.

Условия измерения:

• Измерения проводились в диффузном отражении;

• Спектральный диапазон: 1300 – 2600 нм;

• Время сканирования: 2с;

• Разрешение: 16нм при λ=1550 нм;

• Размер пятна = 3 мм²;

• Фон: 99% Spectralon™ (стандарт отражения с почти плоским спектральным откликом в NIR);

• Все измерения выполнялись при комнатной температуре.

Оценка данных

Модели регрессии частичных наименьших квадратов (PLS) были построены для развития линейного отношения между спектрами и измерениями содержимого молока, определенными с использованием лабораторного химического анализа. Эта модель используется в предсказании процентов содержимого образца молока только из его спектра.

PLS уменьшает спектральные данные до малого числа латентных переменных (L.V.) для снижения сложности данных, так как каждый спектр может изначально превышать 300 переменных (длин волн). Латентные переменные выбирались согласно их корреляции с откликами (содержимым молока в нашем случае); переменные с высокой корреляцией выбирались, в то время как другие с более низкой корреляцией отбрасывались. После этого линейная регрессия была подгонена для связи предикторов (L.V. спектров) с откликами (квантификациями содержимого молока).

Техника перекрестной валидации использовалась для расчета производительности PLS модели путем отчета ошибки предсказания (корень среднего квадрата ошибок всех образцов) и коэффициента детерминации (R2) между предсказанными содержимым и референсными данными (отчитываемыми из химического анализа). Эта техника разделяет данные на калибровочные и валидационные наборы. Калибровочный набор используется для обучения PLS модели, в то время как валидационный набор используется для отчета производительности модели.

В следующей итерации валидационные и калибровочные наборы смешивались вместе, другая порция данных бралась как валидационный набор, и наконец, обучение модели и валидация на новых наборах повторялись. Предыдущая процедура повторялась снова и снова, пока каждый образец не был представлен один раз в валидационном наборе. Результаты перекрестной валидации показаны на Рисунке 1.

Рисунок 2. Микро спектральный сенсор NeoSpectra с интегрированной оптической головкой и источником света, BGA паяемый, и SPI коммуникацией.

Это исследование разрабатывает модель анализа молока, применяя методы предобработки к спектрам, затем используя PLS для построения регрессионной модели. В фазе предсказания разработанная модель используется для предсказания содержимого тестового образца.

Результаты четко продемонстрировали, что спектры сырого молока, измеренные спектральными сенсорами NeoSpectra, предоставляют подходящие аналитические данные для точного измерения содержимого молока с ошибкой менее 8% от полного диапазона для любого из компонентов, в отличие от ошибки 9% с использованием коммерческого банкетопного ультразвукового аналитического инструмента для того же набора образцов.

С другой стороны, абсолютная ошибка от этих исследований слегка лучше в предсказании процентов белка и лактозы по сравнению с числами, отчитываемыми в исследовательских статьях с использованием коммерчески доступных лабораторных банкетопных спектрометров. Однако абсолютная ошибка для предсказания процентов жира была не так хороша из-за малого размера пятна, использованного. Спектральные сенсоры NeoSpectra могут поддерживать более крупные размеры пятна для адресации таких проблем. Это подтверждает потенциал этой технологии для обеспечения быстрого, не-деструктивного тестирования в поле и без необходимости подготовки образца с использованием низкостоимостной технологии, позволяющей масштабируемое решение для квалификации молока.

Эта статья написана Амром Вассалом, вице-президентом системной инженерии, и Мохамед Хоссамом, старшим встроенным программным инженером, Si-Ware Systems (Ла Канада, КА). Для получения дополнительной информации свяжитесь с авторами по адресу: This email address is being protected from spambots. You need JavaScript enabled to view it. или посетите здесь .