Fortschrittliche Spektralsensoranalyse für eine präzise Milchzusammensetzung

Milch ist eines der am häufigsten verwendeten Produkte und der Rohstoff aller Milchprodukte. Vor diesem Hintergrund ist die Messung von Milchbestandteilen für die Milchindustrie von entscheidender Bedeutung geworden. Jedes Milchprodukt erfordert Milch mit unterschiedlichen Anteilen ihrer Inhaltsstoffe. Um den Überblick über die Produktqualität zu behalten, sollte außerdem der Milchgehalt regelmäßig gemessen werden.

Abbildung 1. Die Beziehung zwischen den Referenzdaten (chemische Analyse) und den vorhergesagten Ergebnissen unseres Modells. Jeder Kreis stellt eine Testprobe dar, wobei die x-Koordinate der Referenzwert und die y-Koordinate die Modellvorhersage ist. Die rote Linie stellt das ideale Modell dar und R2 (idealer Wert ist 1) zeigt an, wie weit das Modell vom idealen Modell abweicht.

Neben der Milchindustrie hat die Milchanalyse auch einen großen Einfluss auf die beliefernde Milchwirtschaft. Der Inhalt der Milch hängt eng mit der Gesundheit des Tieres sowie der Qualität und dem Inhalt seines Futters zusammen. Dementsprechend können diese Messungen wertvolle Erkenntnisse zur Verbesserung der Qualität und Auswahl ihres Futters sowie wertvolle Erkenntnisse für die Frühdiagnose und Behandlung kranker Tiere liefern.

Heutzutage sind die genauesten Methoden zur Milchanalyse chemische Zersetzungsmethoden, die langsam und zerstörerisch sind und im Labor und nicht im Feld durchgeführt werden müssen. In der Praxis nehmen Anwender normalerweise Proben aus vielen Milchchargen und erhalten einen Durchschnittswert für alle Chargen. Die Überwachung der Gesundheit und der Futterqualität der Tiere mit diesen Methoden ist äußerst kostspielig und sehr ineffizient.

Ein einfaches Werkzeug zur schnellen Messung des Milchgehalts wäre ein erheblicher Fortschritt sowohl in der Milchwirtschaft als auch in der Milchwirtschaft. Dieses Tool muss tragbar und erschwinglich sein und es Benutzern ermöglichen, ihre Zielproben zerstörungsfrei und vor Ort zu analysieren, bei Anwendungen in der Milchwirtschaft vorzugsweise in der Melkstation. Die Miniaturisierung von Nahinfrarotspektrometern (NIR) ist so weit fortgeschritten, dass Handgeräte ein zuverlässiges und erschwingliches Mittel für diesen Zweck darstellen könnten.

Milchgehalt quantifizieren

Um die Fähigkeit der NeoSpectra-Spektralsensoren zu demonstrieren, den Prozentsatz jeder Komponente – Fett, Protein und Laktose – in einer Testprobe von Rohmilch zu bestimmen, wurden die folgenden Verfahren und Testspezifikationen implementiert:

Verwendetes Beispielset:

• Die Proben wurden von örtlichen Bauernhöfen gesammelt, wobei jede Probe von einem anderen Tier stammte, um sicherzustellen, dass der Probenraum eine gute Varianz aufwies;

• An den Proben wurden genaue zerstörende chemische Tests durchgeführt, um ihren Inhalt genau zu erfassen;

• Die Gesamtzahl der entnommenen Proben betrug 131;

• Jede Probe wurde fünfmal mit dem NeoSpectra-Spektralsensor gemessen.

Messbedingungen:

• Die Messungen erfolgten in diffuser Reflexion;

• Spektralbereich:1300 – 2600 nm;

• Scanzeit:2s;

• Auflösung:16 nm bei λ=1.550 nm;

• Spotgröße =3 mm2;

• Hintergrund:99 % Spectralon™ (ein Reflexionsstandard mit nahezu flacher spektraler Empfindlichkeit im NIR);

• Alle Messungen wurden bei Raumtemperatur durchgeführt.

Datenauswertung

Es wurden Modelle der partiellen Regression der kleinsten Quadrate (PLS) erstellt, um eine lineare Beziehung zwischen den Spektren und den Milchgehaltsmessungen zu entwickeln, die mithilfe chemischer Laboranalysen ermittelt wurden. Dieses Modell wird nur zur Vorhersage des prozentualen Anteils des Milchprobengehalts aus seinem Spektrum verwendet.

PLS reduziert Spektrumdaten in eine kleine Anzahl latenter Variablen (L.V.), um die Komplexität der Daten zu verringern, da jedes Spektrum ursprünglich mehr als 300 Variablen (Wellenlängen) umfassen kann. Latente Variablen wurden entsprechend ihrer Korrelation mit den Antworten (in unserem Fall Milchgehalt) ausgewählt; Variablen mit hoher Korrelation wurden ausgewählt, während andere mit niedrigerer Korrelation verworfen wurden. Danach wurde eine lineare Regression angepasst, um die Prädiktoren (L.V. der Spektren) mit den Antworten (Quantifizierungen des Milchgehalts) in Beziehung zu setzen.

Eine Kreuzvalidierungstechnik wurde verwendet, um die Leistung des PLS-Modells zu berechnen, indem der Vorhersagefehler (quadratischer Mittelwert der Fehler aller Proben) und das Bestimmtheitsmaß (R2) zwischen vorhergesagten Inhalten und den Referenzdaten (aus der chemischen Analyse gemeldet) gemeldet wurden. Bei dieser Technik werden die Daten in Kalibrierungs- und Validierungssätze aufgeteilt. Der Kalibrierungssatz wird zum Trainieren des PLS-Modells verwendet, während der Validierungssatz zum Melden der Leistung des Modells verwendet wird.

In der nächsten Iteration wurden die Validierungs- und Kalibrierungssätze gemischt, ein weiterer Teil der Daten als Validierungssatz verwendet und schließlich wurden das Modelltraining und die Validierung an den neuen Sätzen wiederholt. Das vorherige Verfahren wurde immer wieder wiederholt, bis jede Probe einmal im Validierungssatz vertreten war. Die Ergebnisse der Kreuzvalidierung sind in Abbildung 1 dargestellt.

Abbildung 2. Der NeoSpectra Micro-Spektralsensor mit integriertem optischen Kopf und Lichtquelle, BGA-Lötbarkeit und SPI-Kommunikation.

Diese Untersuchung entwickelt ein Milchanalysemodell, indem Vorverarbeitungsmethoden auf die Spektren angewendet und dann PLS verwendet wird, um ein Regressionsmodell zu erstellen. In der Vorhersagephase wird das entwickelte Modell verwendet, um den Inhalt der Testprobe vorherzusagen.

Die Ergebnisse zeigten deutlich, dass die mit NeoSpectra-Spektralsensoren gemessenen Spektren der Rohmilchproben geeignete analytische Daten zur genauen Messung des Milchgehalts mit einem Fehler von weniger als 8 % des Gesamtbereichs für jede der Komponenten liefern, im Gegensatz zu einem Fehler von 9 % bei Verwendung eines kommerziellen, auf Ultraschall basierenden Tischanalysetools für denselben Probensatz.

Andererseits ist der absolute Fehler dieser Untersuchungen bei der Vorhersage von Protein- und Laktoseprozentsätzen etwas besser als die Zahlen, die in Forschungsarbeiten mit kommerziell erhältlichen Labor-Tischspektrometern angegeben wurden. Allerdings war der absolute Fehler bei der Vorhersage des Fettanteils aufgrund der kleinen verwendeten Punktgröße nicht so gut. NeoSpectra-Spektralsensoren können größere Punktgrößen unterstützen, um solche Probleme zu lösen. Dies bestätigt das Potenzial dieser Technologie, schnelle, zerstörungsfreie Tests vor Ort und ohne die Notwendigkeit einer Probenvorbereitung zu ermöglichen, wobei eine kostengünstige Technologie verwendet wird, die eine skalierbare Lösung für die Milchqualifizierung ermöglicht.

Dieser Artikel wurde von Amr Wassal, VP of Systems Engineering, und Mohamed Hossam, Senior Embedded Software Engineer, Si-Ware Systems (La Canada, CA) verfasst. Für weitere Informationen wenden Sie sich bitte an die Autoren unter Diese E-Mail-Adresse ist vor Spambots geschützt. Um es anzuzeigen, muss JavaScript aktiviert sein. oder besuchen Sie hier  .