Расширенный спектральный сенсорный анализ для точного состава молока

Молоко является одним из наиболее широко используемых продуктов, а также сырьем для всех молочных продуктов. Учитывая это, измерение компонентов молока стало очень важным для молочной промышленности. Для каждого молочного продукта требуется молоко с разным соотношением его содержания. Кроме того, чтобы следить за качеством продукта, необходимо регулярно измерять содержание молока.

Рисунок 1. Связь между справочными данными (химический анализ) и прогнозируемыми результатами нашей модели. Каждый кружок представляет собой тестовую выборку, где координата X — это опорное значение, а координата Y — прогноз модели. Красная линия представляет идеальную модель, а R2 (идеальное значение равно 1) показывает, насколько модель отклоняется от идеальной.

Помимо молочной промышленности, анализ молока также оказывает большое влияние на поставляющую молоко отрасль животноводства. Содержание молока тесно связано со здоровьем животного, а также с качеством и составом его корма. Соответственно, эти измерения могут дать ценную информацию для улучшения качества и выбора корма, а также ценную информацию для ранней диагностики и лечения больных животных.

В настоящее время наиболее точными методами анализа молока являются методы химического разложения, которые медленны, разрушительны и должны выполняться в лаборатории, а не в полевых условиях. На практике пользователи обычно берут пробы из многих партий молока и получают усредненное заключение по всем партиям. Мониторинг здоровья и качества кормления животных такими методами чрезвычайно дорог и очень неэффективен.

Простой инструмент для быстрого измерения содержания молока мог бы стать значительным прогрессом как в молочной промышленности, так и в молочном животноводстве. Этот инструмент должен быть портативным, доступным по цене и позволять пользователям неразрушающим образом анализировать целевые образцы в полевых условиях, а в случае применения в молочном животноводстве — желательно прямо на доильной станции. Миниатюризация спектрометров ближнего инфракрасного диапазона (БИК) достигла такой степени, что портативные инструменты могут стать надежным и доступным средством для достижения этой цели.

Определить содержание молока

Чтобы продемонстрировать способность спектральных датчиков NeoSpectra определять процентное содержание каждого компонента - жира, белка и лактозы - в тестовом образце сырого молока, были реализованы следующие процедуры и спецификации испытаний:

Использованный набор образцов:

<ли>

Образцы были собраны на местных фермах, где каждый собранный образец был от разных животных, чтобы обеспечить хорошую дисперсию в пространстве образцов;

<ли>

С образцами были проведены точные разрушающие химические испытания для точной регистрации их содержимого;

<ли>

Общее количество взятых проб составило 131;

<ли>

Каждый образец измерялся 5 раз с помощью спектрального датчика NeoSpectra.

Условия измерения:

<ли>

Измерения проводились в диффузном отражении;

<ли>

Спектральный диапазон:1300 – 2600 нм;

<ли>

Время сканирования:2 с;

<ли>

Разрешение:16 нм при λ=1550 нм;

<ли>

Размер пятна =3 мм2;

<ли>

Справочная информация:99% Spectralon™ (стандарт отражения с почти ровным спектральным откликом в ближнем ИК-диапазоне);

<ли>

Все измерения проводились при комнатной температуре.

Оценка данных

Модели частичной регрессии наименьших квадратов (PLS) были построены для установления линейной зависимости между спектрами и измерениями содержания молока, которые были определены с помощью лабораторного химического анализа. Эта модель используется для прогнозирования процентного содержания пробы молока только на основе ее спектра.

PLS сводит данные спектра к небольшому количеству скрытых переменных (LV), чтобы уменьшить сложность данных, поскольку каждый спектр изначально может превышать 300 переменных (длин волн). Латентные переменные были выбраны в соответствии с их корреляцией с ответами (в нашем случае содержанием молока); были выбраны переменные с высокой корреляцией, а другие с более низкой корреляцией были отброшены. После этого была пригодна линейная регрессия, чтобы связать предикторы (LV спектров) с ответами (количественные оценки содержания молока).

Метод перекрестной проверки использовался для расчета производительности модели PLS путем сообщения об ошибке прогнозирования (среднеквадратичное значение ошибок всех образцов) и коэффициента детерминации (R2) между прогнозируемым содержанием и справочными данными (сообщаемыми в результате химического анализа). Этот метод разделяет данные на наборы калибровки и проверки. Калибровочный набор используется для обучения модели PLS, а проверочный набор используется для составления отчета о производительности модели.

На следующей итерации наборы валидации и калибровки были смешаны, в качестве набора валидации была взята еще одна порция данных, и, наконец, обучение модели и проверка на новых наборах были повторены. Предыдущая процедура повторялась снова и снова, пока каждый образец не был представлен один раз в наборе проверки. Результаты перекрестной проверки показаны на рисунке 1.

Рисунок 2. Спектральный датчик NeoSpectra Micro со встроенной оптической головкой и источником света, под пайку BGA и связью SPI.

В ходе этого исследования разрабатывается модель анализа молока путем применения методов предварительной обработки к спектрам, а затем использования PLS для построения регрессионной модели. На этапе прогнозирования разработанная модель используется для прогнозирования содержимого тестовой выборки.

Результаты ясно продемонстрировали, что спектры образцов сырого молока, измеренные с помощью спектральных датчиков NeoSpectra, предоставляют подходящие аналитические данные для точного измерения содержания молока с ошибкой менее 8% от полного диапазона для любого из компонентов, в отличие от ошибки 9% при использовании коммерческого настольного ультразвукового анализатора для того же набора образцов.

С другой стороны, абсолютная ошибка этих исследований немного выше при прогнозировании процентного содержания белка и лактозы по сравнению с цифрами, указанными в исследовательских работах с использованием коммерчески доступных лабораторных настольных спектрометров. Однако абсолютная погрешность прогнозирования процентного содержания жира была не такой хорошей из-за небольшого размера использованного пятна. Спектральные датчики NeoSpectra могут поддерживать пятна большего размера для решения таких проблем. Это подтверждает потенциал этой технологии в обеспечении быстрого неразрушающего контроля в полевых условиях без необходимости подготовки проб с использованием недорогой технологии, которая обеспечивает масштабируемое решение для квалификации молока.

Эту статью написали Амр Вассал, вице-президент по системному проектированию, и Мохамед Хоссам, старший инженер по встраиваемому программному обеспечению, Si-Ware Systems (Ла-Канада, Калифорния). Для получения дополнительной информации свяжитесь с авторами по адресу:Этот адрес электронной почты защищен от спам-ботов. Для просмотра у вас должен быть включен JavaScript. или посетите здесь  .