先进的光谱传感器分析可实现精确的牛奶成分

牛奶是使用最广泛的产品之一，也是所有乳制品的原料。鉴于此，测量牛奶成分对于乳制品行业变得非常重要。每种乳制品都需要不同比例的牛奶。此外，为了跟踪产品质量，应定期测量牛奶含量。

图 1. 参考数据（化学分析）与我们模型的预测结果之间的关系。每个圆圈代表一个测试样本，其中x坐标是参考值，y坐标是模型预测。红线代表理想模型，R2（理想值为1）表示模型与理想模型的偏差程度。

除了乳制品行业之外，牛奶分析对供应牛奶的养殖业也有很大影响。牛奶的含量与动物的健康及其饲料的质量和含量密切相关。因此，这些测量可以为提高饲料质量和选择提供有价值的见解，也可以为患病动物的早期诊断和治疗提供有价值的见解。

如今，最准确的牛奶分析方法是化学分解法，这种方法缓慢且具有破坏性，并且必须在实验室而非现场进行。实际上，用户通常会从许多批次的牛奶中取样，并得出所有批次的平均结论。使用这些方法监测动物的健康和饲养质量极其昂贵且效率很低。

快速测量牛奶含量的简单工具将是乳制品和牛奶养殖行业的重大进步。该工具必须便携、价格实惠，并且应允许用户在现场非破坏性地分析目标样品，在奶牛养殖应用中最好在挤奶站内进行分析。近红外 (NIR) 光谱仪的小型化已经发展到手持式仪器可以提供可靠且经济实惠的方式来实现这一目的。

量化牛奶含量

为了证明 NeoSpectra 光谱传感器测定原料奶测试样品中每种成分（脂肪、蛋白质和乳糖）百分比的能力，实施了以下程序和测试规范：

使用的样本集：

• 样本采集自当地农场，采集的每个样本均来自不同的动物，以保证样本空间具有良好的方差；

• 对样品进行精确的破坏性化学测试，准确记录其含量；

• 总共采样131个；

• 每个样品用 NeoSpectra 光谱传感器测量 5 次。

测量条件：

• 测量采用漫反射方式进行；

• 光谱范围：1300 – 2600 nm；

• 扫描时间：2s；

• 分辨率：16nm（λ=1,550 nm）；

• 光斑尺寸 =3 mm2；

• 背景：99% Spectralon™（近红外光谱响应几乎平坦的反射标准）；

• 所有测量均在室温下进行。

数据评估

建立偏最小二乘回归 (PLS) 模型来建立光谱与牛奶含量测量值之间的线性关系，该测量值是通过实验室化学分析确定的。该模型仅用于根据光谱预测牛奶样品含量百分比。

PLS 将光谱数据减少为少量潜在变量 (L.V.)，以降低数据的复杂性，因为每个光谱最初可能超过 300 个变量（波长）。根据潜在变量与响应的相关性（在我们的例子中是牛奶含量）来选择潜在变量；选择相关性高的变量，而丢弃相关性较低的变量。之后，拟合线性回归，将预测变量（光谱的 L.V.）与响应（牛奶含量量化）联系起来。

使用交叉验证技术通过报告预测误差（所有样品误差的均方根）以及预测内容与参考数据（从化学分析报告）之间的确定系数（R2）来计算 PLS 模型的性能。该技术将数据分为校准集和验证集。校准集用于训练PLS模型，验证集用于报告模型的性能。

在下一次迭代中，将验证集和校准集混合在一起，将另一部分数据作为验证集，最后对新集重复模型训练和验证。一次又一次重复前面的过程，直到每个样本在验证集中都出现一次。交叉验证结果如图1所示。

图 2. NeoSpectra Micro 光谱传感器具有集成光学头和光源、BGA 可焊接和 SPI 通信。

本研究通过对光谱应用预处理方法，然后使用 PLS 建立回归模型来开发牛奶分析模型。在预测阶段，利用开发的模型来预测测试样本的含量。

结果清楚地表明，使用 NeoSpectra 光谱传感器测量的原奶样品的光谱提供了合适的分析数据，可以准确测量牛奶含量，任何成分的误差均小于满量程的 8%，而使用商用台式超声分析工具对同一样品组的误差为 9%。

另一方面，与使用市售实验室台式光谱仪的研究论文中报告的数字相比，这些研究在预测蛋白质和乳糖百分比方面的绝对误差稍好一些。然而，由于使用的光斑尺寸较小，预测脂肪百分比的绝对误差不太好。 NeoSpectra 光谱传感器可以支持更大的光斑尺寸来解决此类问题。这验证了该技术在现场实现快速、无损测试的潜力，并且无需使用低成本技术进行样品制备，从而实现了牛奶鉴定的可扩展解决方案。

本文由 Si-Ware Systems（加利福尼亚州加拿大）系统工程副总裁 Amr Wassal 和高级嵌入式软件工程师 Mohamed Hossam 撰写。 如需了解更多信息，请联系作者：此电子邮件地址已受到垃圾邮件机器人保护。您需要启用 JavaScript 才能查看它。或访问此处。