Fortgeschrittene Spektralsensor-Analyse für präzise Milchzusammensetzung

Milch ist eines der am weitesten verbreiteten Produkte sowie Rohmaterial aller Milchprodukte. Angesichts dessen ist die Messung von Milchbestandteilen für die Milchindustrie entscheidend. Jedes Milchprodukt erfordert Milch mit unterschiedlichen Verhältnissen ihrer Inhaltsstoffe. Zudem müssen Milchinhaltsstoffe regelmäßig gemessen werden, um Produktqualität zu tracken.

Abbildung 1. Die Relation zwischen Referenzdaten (chemische Analyse) und den vorhergesagten Ergebnissen unseres Modells. Jeder Kreis repräsentiert ein Testsample, wo die x-Koordinate der Referenzwert und die y-Koordinate die Modellvorhersage ist. Die rote Linie repräsentiert das ideale Modell und R² (idealer Wert ist 1) zeigt, wie weit das Modell vom idealen abweicht.

Neben der Milchindustrie hat Milchanalyse auch hohen Impact auf die milchliefernde Landwirtschaft. Die Inhaltsstoffe der Milch stehen in engem Zusammenhang mit der Gesundheit des Tieres und der Qualität und dem Inhalt seines Futters. Entsprechend können diese Messungen wertvolle Einblicke liefern, um Qualität und Auswahl ihres Futters zu verbessern, sowie wertvolle Einblicke für Früherkennung und Behandlung kranker Tiere.

Heutzutage sind die genauesten Methoden für Milchanalyse chemische Zersetzungsmethoden, die langsam, destruktiv und im Labor durchgeführt werden müssen, nicht im Feld. Praktischerweise nehmen Nutzer normalerweise Samples von vielen Milchchargen und erhalten ein gemitteltes Ergebnis für alle Chargen. Monitoring von Gesundheit und Futterqualität der Tiere mit diesen Methoden ist extrem teuer und sehr ineffizient.

Ein einfaches Tool für schnelle Messung der Milchinhaltsstoffe wäre signifikanter Fortschritt in sowohl der Milch- als auch der Milchviehwirtschaft. Dieses Tool muss tragbar, erschwinglich sein und Nutzern erlauben, ihre Target-Samples nicht-destruktiv und im Feld zu analysieren, und bevorzugt inline in der Melkstation bei Milchviehanwendungen. Miniaturisierung von Nahinfrarot (NIR)-Spektrometern hat den Punkt erreicht, wo Handheld-Instrumente ein zuverlässiges und erschwingliches Mittel dafür bieten könnten.

Milchinhaltsstoffe quantifizieren

Um die Fähigkeit von NeoSpectra-Spektralsensoren zu demonstrieren, den Prozentsatz jedes Bestandteils – Fett, Protein und Laktose – in einem Testsample von Rohmilch zu bestimmen, wurden folgende Verfahren und Testspezifikationen implementiert:

Verwendeter Sample-Satz:

• Samples wurden von lokalen Farmen gesammelt, wobei jedes Sample von einem anderen Tier stammte, um sicherzustellen, dass der Sample-Raum eine gute Varianz hatte;
• Genaue destruktive chemische Tests wurden an den Samples durchgeführt, um ihre Inhalte präzise zu erfassen;
• Gesamtzahl der genommenen Samples war 131;
• Jedes Sample wurde 5-mal mit dem NeoSpectra-Spektralsensor gemessen.

Messbedingungen:

• Messungen wurden in diffuser Reflexion durchgeführt;
• Spektralbereich: 1300 – 2600 nm;
• Scanzeit: 2s;
• Auflösung: 16nm bei λ=1.550 nm;
• Spotgröße = 3 mm²;
• Hintergrund: 99% Spectralon™ (ein Reflexionsstandard mit fast flacher Spektralantwort im NIR);
• Alle Messungen wurden bei Raumtemperatur durchgeführt.

Datenauswertung

Partial Least Squares Regression (PLS) Modelle wurden gebaut, um eine lineare Relation zwischen den Spektren und den Milchinhaltsmessungen zu entwickeln, die mittels Labormchemischer Analyse bestimmt wurden. Dieses Modell wird in der Vorhersage von Milchsample-Inhaltsprozenten aus dessen Spektrum allein genutzt.

PLS reduziert Spektraldaten in eine kleine Anzahl latenter Variablen (L.V.), um die Komplexität der Daten zu reduzieren, da jedes Spektrum ursprünglich 300+ Variablen (Wellenlängen) überschreiten kann. Latente Variablen wurden gemäß ihrer Korrelation mit den Responses (Milchinhalte in unserem Fall) gewählt; Variablen mit hoher Korrelation wurden gewählt, während andere mit niedrigerer Korrelation verworfen wurden. Danach wurde eine lineare Regression gefittet, um die Prädiktoren (L.V. der Spektren) mit den Responses (Milchinhaltsquantifizierungen) zu verbinden.

Eine Kreuzvalidierungstechnik wurde genutzt, um die Performance des PLS-Modells zu berechnen, indem der Vorhersagefehler (Root Mean Square der Fehler aller Samples) und der Bestimmtheitskoeffizient (R²) zwischen vorhergesagten Inhalten und Referenzdaten (berichtet von chemischer Analyse) berichtet wurden. Diese Technik splittet die Daten in Kalibrierungs- und Validierungssets. Der Kalibrierungssatz wird zum Trainieren des PLS-Modells genutzt, während der Validierungssatz für das Berichten der Modellperformance genutzt wird.

In der nächsten Iteration wurden Validierungs- und Kalibrierungssets gemischt, ein weiterer Datenteil als Validierungsset genommen, und schließlich Modelltraining und Validierung auf den neuen Sets wiederholt. Der vorherige Vorgang wurde immer wieder wiederholt, bis jedes Sample einmal im Validierungsset repräsentiert war. Ergebnisse der Kreuzvalidierung sind in Abbildung 1 gezeigt.

Abbildung 2. Der NeoSpectra Micro Spektralsensor mit integriertem optischem Head und Lichtquelle, BGA-lötbar, und SPI-Kommunikation.

Diese Untersuchung entwickelt ein Milchanalyse-Modell durch Anwenden von Preprocessing-Methoden auf die Spektren, dann Nutzung von PLS zum Bau eines Regressionsmodells. In der Vorhersagephase wird das entwickelte Modell genutzt, um den Inhalt des Testsamples vorherzusagen.

Die Ergebnisse demonstrierten klar, dass die Spektren der Rohmilchsamples, gemessen mit NeoSpectra-Spektralsensoren, geeignete analytische Daten liefern, um die Milchinhalte mit einem Fehler unter 8% des vollen Bereichs für jeden der Bestandteile präzise zu messen, im Gegensatz zu einem Fehler von 9% bei Nutzung eines kommerziellen Benchtop-Ultraschall-basierten Analysetools für denselben Samplesatz.

Andererseits ist der absolute Fehler aus diesen Untersuchungen leicht besser in der Vorhersage von Protein- und Laktoseprozenten im Vergleich zu Zahlen, die in Forschungsarbeiten mit kommerziell verfügbaren Lab-Benchtop-Spektrometern berichtet werden. Allerdings war der absolute Fehler für die Vorhersage von Fettprozenten nicht so gut aufgrund der kleinen Spotgröße. NeoSpectra-Spektralsensoren können größere Spotgrößen unterstützen, um solche Issues zu adressieren. Dies validiert das Potenzial dieser Technologie, schnelles, nicht-destruktives Testen im Feld und ohne Sample-Präparation zu ermöglichen, mittels einer Low-Cost-Technologie, die eine skalierbare Lösung für 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 kontaktieren Sie die Autoren unter: Diese E-Mail-Adresse ist vor Spambots geschützt! Zur Anzeige muss JavaScript eingeschaltet sein. oder besuchen Sie hier.