高级光谱传感器分析实现精准牛奶成分检测

牛奶是应用最广泛产品之一，也是所有乳制品原料。鉴于此，测量牛奶成分对乳制品行业至关重要。每种乳制品需不同比例牛奶成分。此外，为跟踪产品质量，牛奶成分应定期测量。

图1. 参考数据（化学分析）与模型预测结果关系。每个圆代表测试样本，x坐标为参考值，y坐标为模型预测。红线代表理想模型，R²（理想值1）显示模型偏离理想程度。

除乳制品行业，牛奶分析对供奶养殖业影响巨大。奶成分与动物健康、饲料质量成分密切相关。因此这些测量可提供宝贵洞察改善饲料质量选择，以及病畜早期诊断治疗的宝贵洞察。

目前最准确牛奶分析方法是化学分解法，缓慢、破坏性、须在实验室非现场进行。实际中用户通常从多批次牛奶取样得全批次平均结论。用这些方法监测动物健康饲料质量极其昂贵低效。

一种快速测量牛奶成分简单工具将在乳制品和养殖业带来重大进步。该工具须便携、经济，允许用户无损现场分析目标样本，最好在挤奶站在线应用于养殖场景。近红外（NIR）光谱仪微型化已进步到手持仪器能为此目的提供可靠经济手段。

为演示NeoSpectra光谱传感器确定生牛奶测试样本中脂肪、蛋白质、乳糖百分比能力，实施以下程序和测试规范：

使用样本集：

测量条件：

建立偏最小二乘回归（PLS）模型发展光谱与实验室化学分析测定牛奶成分测量间线性关系。此模型仅从光谱预测牛奶样本成分百分比。

PLS将光谱数据压缩为少量潜在变量（L.V.）降低数据复杂度，因每光谱原始可能超300变量（波长）。根据与响应（本例中牛奶成分）相关性选择潜在变量；高相关性选保留，低相关性丢弃。随后拟合线性回归关联预测变量（光谱L.V.）与响应（牛奶成分定量）。

用交叉验证技术计算PLS模型性能，报告预测误差（所有样本误差均方根）和预测成分与参考数据（化学分析报告）间决定系数（R²）。此技术将数据分校准集和验证集。校准集训练PLS模型，验证集报告模型性能。

下一迭代，验证和校准集混合，另取部分数据作验证集，重复新集合模型训练验证。重复上述过程直到每样本在验证集中出现一次。交叉验证结果见图1。

图2. 集成光学头和光源、BGA可焊、SPI通信的NeoSpectra Micro光谱传感器。

本研究通过对光谱应用预处理方法，再用PLS建立回归模型，开发牛奶分析模型。预测阶段，用开发模型预测测试样本成分。

结果明确显示：用NeoSpectra光谱传感器测量的生牛奶样本光谱提供合适分析数据，准确测量牛奶成分，任何成分误差小于全量程8%，而同同样本集用商用台式超声分析工具误差为9%。

另一方面，这些研究预测蛋白质和乳糖百分比绝对误差略优于文献报告商用台式光谱仪数值。但因小光斑尺寸，预测脂肪百分比绝对误差不如前者。NeoSpectra光谱传感器支持更大光斑尺寸解决此问题。这验证该技术潜力：利用低成本技术实现无需样本制备的现场快速无损测试，为牛奶资质认定提供可扩展解决方案。

本文由Amr Wassal（系统工程副总裁）和Mohamed Hossam（高级嵌入式软件工程师）撰写，Si-Ware Systems（加州拉卡纳达）。更多信息请联系作者：[邮箱地址]或访问此处。

传感器