Geavanceerde Spectrale Sensoranalyse voor Precieze Melksamenstelling

Melk is een van de meest wijd gebruikte producten, alsook de grondstof van alle zuivelproducten. Gegeven dit, is het meten van melkcomponenten cruciaal geworden voor de zuivelindustrie. Elk zuivelproduct vereist melk met verschillende verhoudingen van de inhoud. Bovendien, om de productkwaliteit in de gaten te houden, moeten melkinhoudsten regelmatig gemeten worden.

Figuur 1. De relatie tussen de referentie data (chemische analyse) en de voorspelde resultaten van ons model. Elke cirkel vertegenwoordigt een testmonster waar 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) toont hoe ver het model afwijkt van het ideale.

Impact op zuivel en veehouderij

Naast de zuivelindustrie heeft melkanalyse een hoge impact op de leverende veehouderijindustrie. De inhoud van de melk is nauw verbonden met de gezondheid van het dier en de kwaliteit en inhoud van zijn voer. Dienovereenkomstig kunnen deze metingen waardevolle inzichten bieden om de kwaliteit en selectie van hun voer te verbeteren, alsook waardevolle inzichten voor vroege diagnose en behandeling van zieke dieren.

Tegenwoordig zijn de meest nauwkeurige methoden voor melkanalyse chemische decompositiemethoden die langzaam, destructief zijn en in het lab moeten worden gedaan, niet in het veld. In de praktijk nemen gebruikers normaal monsters van veel melkpartijen en krijgen een gemiddelde conclusie voor alle partijen. Gezondheid en voerkwaliteit voor de dieren monitoren met deze methoden is extreem duur en zeer inefficiënt.

Een eenvoudig hulpmiddel voor snelle meting van de melkinhoud zou significante vooruitgang zijn in zowel de zuivel- als de veehouderijindustrie. Dit hulpmiddel moet draagbaar, betaalbaar zijn en gebruikers in staat stellen hun doelenmonsters non-destructief en in het veld te analyseren, en bij voorkeur inline in het melkstation in het geval van veehouderijtoepassingen. Miniaturisatie van near-infrared (NIR) spectrometers heeft zich ontwikkeld tot het punt waar handgehouden instrumenten een betrouwbare en betaalbare manier kunnen bieden om dit doel te dienen.

Melkinhoud Kwantificeren

Om de capaciteit van NeoSpectra spectrale sensoren te demonstreren om het percentage van elk component - vet, eiwit en lactose - in een testmonster van rauwe melk te bepalen, werden de volgende procedures en testspecificaties geïmplementeerd:

Monster set gebruikt:

• Monsters werden verzameld van lokale boerderijen, waar elk verzamelde monster van een ander dier was om te waarborgen dat de monsterruimte een goede variantie had;
• Nauwkeurige destructieve chemische tests werden op de monsters uitgevoerd om hun inhoud nauwkeurig vast te leggen;
• Totaal aantal genomen monsters was 131;
• Elk monster werd 5 keer gemeten met de NeoSpectra spectrale sensor.

Meetcondities:

• Metingen werden gedaan in diffuse reflectie;
• Spectraal bereik: 1300 – 2600 nm;
• Scan tijd: 2s;
• Resolutie: 16nm bij λ=1.550 nm;
• Spot grootte = 3 mm²;
• Achtergrond: 99% Spectralon™ (een reflectiestandaard met bijna vlakke spectrale respons in NIR);
• Alle metingen werden bij kamertemperatuur uitgevoerd.

Data Evaluatie

Partial least squares regression (PLS) modellen werden gebouwd om een lineaire relatie te ontwikkelen tussen de spectra en de melkinhoudsmetingen, die bepaald werden met lab chemische analyse. Dit model wordt gebruikt in de voorspelling van melkmonster inhoudspercentages uit het spectrum alleen.

PLS reduceert spectrumdata tot een klein aantal latente variabelen (L.V.) om de complexiteit van de data te verminderen, aangezien elk spectrum oorspronkelijk meer dan 300 variabelen (golflengtes) kan overschrijden. Latente variabelen werden gekozen volgens hun correlatie met de responsen (melkinhoud in ons geval); variabelen met hoge correlatie werden gekozen terwijl anderen met lagere correlatie werden verworven. Daarna werd een lineaire regressie gefit om de voorspellers (L.V. van de spectra) te relateren aan de responsen (melkinhoud kwantificeringen).

Een cross-validatie techniek werd 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 voorspelde inhoud en de referentie data (gerapporteerd uit chemische analyse) te rapporteren. Deze techniek splitst de data in calibratie en validatie sets. De calibratieset wordt gebruikt om het PLS model te trainen terwijl de validatieset gebruikt wordt voor het rapporteren van de prestaties van het model.

In de volgende iteratie werden de validatie en calibratie sets samengevoegd, een ander deel van data werd genomen als de validatieset, en tenslotte werden model training en validatie op de nieuwe sets herhaald. De vorige procedure werd weer en weer herhaald tot elk monster een keer vertegenwoordigd was in de validatieset. Resultaten van de cross-validatie zijn getoond in Figuur 1.

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

Dit onderzoek ontwikkelt een melkanalyse model door preprocessing methoden toe te passen op de spectra, dan 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 data bieden om de melkinhoud nauwkeurig te meten met een fout minder dan 8% van het volle bereik voor elk van de componenten, in tegenstelling tot een fout van 9% met een commercieel benchtop ultrasoon-gebaseerd analysetool voor dezelfde monsterset.

Aan de andere kant is de absolute fout uit deze onderzoeken iets beter in het voorspellen van eiwit- en lactosepercentages vergeleken met nummers gerapporteerd in onderzoeksartikelen met commerciële lab benchtop spectrometers. Echter, absolute fout voor het voorspellen van vetpercentages was niet zo goed vanwege de kleine spotgrootte gebruikt. NeoSpectra spectrale sensoren kunnen grotere spotgroottes ondersteunen om dergelijke issues aan te pakken. Dit valideert het potentieel van deze technologie om snelle, non-destructieve testing in het veld mogelijk te maken en zonder de noodzaak voor monsterpreparatie met een lage-kostentechnologie die een schaalbare oplossing voor melkkwalificatie mogelijk maakt.

Dit artikel is geschreven door Amr Wassal, VP of Systems Engineering, en Mohamed Hossam, Senior Embedded Software Engineer, Si-Ware Systems (La Canada, CA). Voor meer informatie, contacteer de auteurs via dit e-mailadres of bezoek hier.