Geavanceerde spectrale sensoranalyse voor nauwkeurige melksamenstelling

Melk is een van de meest gebruikte producten en tevens de grondstof van alle zuivelproducten. Hierdoor is het meten van melkbestanddelen zeer cruciaal geworden voor de zuivelindustrie. Elk zuivelproduct vereist melk met verschillende verhoudingen van de inhoud. Om de productkwaliteit in de gaten te houden, moet het melkgehalte bovendien regelmatig worden gemeten.

Figuur 1. De relatie tussen de referentiegegevens (chemische analyse) en de voorspelde resultaten van ons model. Elke cirkel vertegenwoordigt een testmonster waarbij de x-coördinaat de referentiewaarde is en de y-coördinaat de modelvoorspelling. De rode lijn vertegenwoordigt het ideale model en R2 (ideale waarde is 1) laat zien hoe ver het model afwijkt van het ideale model.

Naast de zuivelindustrie heeft melkanalyse ook een grote impact op de leverende melkveehouderij. De inhoud van de melk hangt nauw samen met de gezondheid van het dier en de kwaliteit en inhoud van het voer. Dienovereenkomstig kunnen deze metingen waardevolle inzichten opleveren om de kwaliteit en selectie van hun voer te verbeteren, evenals waardevolle inzichten voor vroege diagnose en behandeling van zieke dieren.

Tegenwoordig zijn de meest nauwkeurige methoden voor melkanalyse chemische ontledingsmethoden die langzaam en destructief zijn en in het laboratorium moeten worden uitgevoerd, niet in het veld. In de praktijk nemen gebruikers normaal gesproken monsters van veel melkpartijen en krijgen zij een gemiddelde conclusie voor alle partijen. Het monitoren van de gezondheid en de voedingskwaliteit van de dieren met behulp van deze methoden is extreem duur en zeer inefficiënt.

Een eenvoudig hulpmiddel voor het snel meten van de melkinhoud zou een aanzienlijke vooruitgang betekenen in zowel de zuivel- als de melkveehouderij. Deze tool moet draagbaar en betaalbaar zijn en moet gebruikers in staat stellen hun doelmonsters op niet-destructieve wijze en in het veld te analyseren, en bij voorkeur inline in het melkstation in het geval van toepassingen in de melkveehouderij. De miniaturisatie van nabij-infrarood (NIR) spectrometers is zo ver gevorderd dat draagbare instrumenten een betrouwbaar en betaalbaar middel kunnen bieden om dit doel te bereiken.

Kwantificeer de melkinhoud

Om het vermogen van NeoSpectra spectrale sensoren aan te tonen om het percentage van elke component (vet, eiwit en lactose) in een testmonster rauwe melk te bepalen, werden de volgende procedures en testspecificaties geïmplementeerd:

Gebruikte voorbeeldset:

• Er werden monsters verzameld van lokale boerderijen, waarbij elk verzameld monster afkomstig was van een ander dier om ervoor te zorgen dat de monsterruimte een goede variantie had;

• Er zijn nauwkeurige destructieve chemische tests uitgevoerd op de monsters om de inhoud nauwkeurig vast te leggen;

• Het totaal aantal genomen monsters bedroeg 131;

• Elk monster werd 5 keer gemeten met de NeoSpectra spectrale sensor.

Meetomstandigheden:

• Metingen zijn gedaan in diffuse reflectie;

• Spectraal bereik:1300 – 2600 nm;

• Scantijd:2s;

• Resolutie:16 nm bij λ=1.550 nm;

• Vlekgrootte =3 mm2;

• Achtergrond:99% Spectralon™ (een reflectiestandaard met een vrijwel vlakke spectrale respons in NIR);

• Alle metingen zijn uitgevoerd bij kamertemperatuur.

Gegevensevaluatie

Gedeeltelijke kleinste kwadratenregressie (PLS)-modellen werden gebouwd om een lineaire relatie te ontwikkelen tussen de spectra en de metingen van het melkgehalte, die werden bepaald met behulp van chemische laboratoriumanalyse. Dit model wordt alleen gebruikt bij het voorspellen van de percentages van de melkmonsterinhoud op basis van het spectrum.

PLS reduceert spectrumgegevens tot een klein aantal latente variabelen (L.V.) om de complexiteit van de gegevens te verminderen, aangezien elk spectrum oorspronkelijk 300 variabelen (golflengten) kan overschrijden. Latente variabelen werden gekozen op basis van hun correlatie met de reacties (melkgehalte in ons geval); variabelen met een hoge correlatie werden gekozen, terwijl andere met een lagere correlatie werden weggegooid. Daarna werd een lineaire regressie toegepast om de voorspellers (L.V. van de spectra) te relateren aan de reacties (kwantificeringen van de melkinhoud).

Er werd een kruisvalidatietechniek gebruikt om de prestaties van het PLS-model te berekenen door de voorspellingsfout (root mean square van de fouten van alle monsters) en de determinatiecoëfficiënt (R2) tussen de voorspelde inhoud en de referentiegegevens (gerapporteerd uit chemische analyse) te rapporteren. Deze techniek splitst de gegevens op in kalibratie- en validatiesets. De kalibratieset wordt gebruikt om het PLS-model te trainen, terwijl de validatieset wordt gebruikt voor het rapporteren van de prestaties van het model.

In de volgende iteratie werden de validatie- en kalibratiesets met elkaar gemengd, een ander deel van de gegevens werd als validatieset gebruikt en ten slotte werden de modeltraining en validatie op de nieuwe sets herhaald. De voorgaande procedure werd keer op keer herhaald totdat elk monster één keer in de validatieset was vertegenwoordigd. De resultaten van de kruisvalidatie worden weergegeven in Figuur 1.

Figuur 2. De NeoSpectra Micro spectrale sensor met geïntegreerde optische kop en lichtbron, BGA-soldeerbaar en SPI-communicatie.

Dit onderzoek ontwikkelt een melkanalysemodel door voorverwerkingsmethoden op de spectra toe te passen en vervolgens PLS te gebruiken om een regressiemodel te bouwen. In de voorspellingsfase wordt het ontwikkelde model gebruikt om de inhoud van het testmonster te voorspellen.

De resultaten toonden duidelijk aan dat de spectra van de rauwe melkmonsters gemeten met NeoSpectra spectrale sensoren geschikte analytische gegevens opleveren om de melkinhoud nauwkeurig te meten met een fout van minder dan 8% van het volledige bereik voor elk van de componenten, in tegenstelling tot een fout van 9% bij gebruik van een commerciële benchtop-echografie-gebaseerde analysetool voor dezelfde monsterset.

Aan de andere kant is de absolute fout uit deze onderzoeken iets beter bij het voorspellen van eiwit- en lactosepercentages vergeleken met de cijfers gerapporteerd in onderzoekspapers met behulp van in de handel verkrijgbare laboratorium-benchtop-spectrometers. De absolute fout bij het voorspellen van vetpercentages was echter niet zo goed vanwege de kleine vlekgrootte die werd gebruikt. NeoSpectra spectrale sensoren kunnen grotere spotgroottes ondersteunen om dergelijke problemen aan te pakken. Dit valideert het potentieel van deze technologie om snelle, niet-destructieve testen in het veld mogelijk te maken, zonder de noodzaak van monstervoorbereiding, met behulp van een goedkope technologie die een schaalbare oplossing voor melkkwalificatie mogelijk maakt.

Dit artikel is geschreven door Amr Wassal, VP Systems Engineering, en Mohamed Hossam, Senior Embedded Software Engineer, Si-Ware Systems (La Canada, CA). Neem voor meer informatie contact op met de auteurs op Dit e-mailadres wordt beschermd tegen spambots. U heeft Javascript nodig om het te kunnen zien. of bezoek hier  .