高度なスペクトルセンサー分析による正確な牛乳組成の測定

牛乳は最も広く使用されている製品の 1 つであり、すべての乳製品の原料でもあります。このことを考慮すると、乳業界にとって乳成分の測定は非常に重要になっています。各乳製品には、その含有量の比率が異なる牛乳が必要です。さらに、製品の品質を追跡するために、乳含有量を定期的に測定する必要があります。

図 1. 参照データ (化学分析) とモデルによる予測結果の関係。各円はテスト サンプルを表し、x 座標は参照値、y 座標はモデル予測です。赤い線は理想的なモデルを表し、R2 (理想的な値は 1) はモデルが理想的なモデルからどれだけ離れているかを示します。

乳業界に加えて、牛乳分析は供給する牛乳生産業界にも大きな影響を与えます。牛乳の内容は、動物の健康および飼料の品質と内容に密接に関係しています。したがって、これらの測定は、飼料の品質と選択を向上させるための貴重な洞察を提供するだけでなく、病気の動物の早期診断と治療のための貴重な洞察も提供します。

現在、最も正確な牛乳分析方法は化学分解法であり、時間がかかり、破壊的であるため、現場ではなく研究室で行う必要があります。実際には、ユーザーは通常、多くの牛乳バッチからサンプルを採取し、すべてのバッチの平均的な結論を取得します。これらの方法を使用して動物の健康状態と飼料の質をモニタリングするのは、非常に費用がかかり、非常に非効率的です。

牛乳含有量を迅速に測定するための簡単なツールは、酪農産業と牛乳産業の両方において大きな進歩となるでしょう。このツールはポータブルで手頃な価格でなければならず、ユーザーが対象サンプルを非破壊的に現場で分析できるようにする必要があり、牛乳飼育用途の場合はできれば搾乳ステーションでインラインで分析できるようにする必要があります。近赤外 (NIR) 分光計の小型化は、ハンドヘルド機器がこの目的を果たすための信頼性が高く手頃な手段を提供できるところまで進歩しました。

乳成分の定量化

NeoSpectra スペクトル センサーが生乳の試験サンプル中の各成分 (脂肪、タンパク質、乳糖) の割合を測定できることを実証するために、次の手順と試験仕様が実装されました。

使用したサンプル セット:

• サンプルは地元の農場から収集されました。サンプル空間に適切な分散があることを保証するために、収集された各サンプルは異なる動物からのものでした。

• サンプルの内容を正確に記録するために、サンプルに対して正確な破壊化学テストが実施されました。

• 採取されたサンプルの総数は 131 でした。

• 各サンプルは NeoSpectra スペクトル センサーで 5 回測定されました。

測定条件:

• 測定は拡散反射で行われました。

• スペクトル範囲:1300 – 2600 nm;

• スキャン時間:2 秒;

• 解像度:16nm (λ=1,550 nm);

• スポット サイズ =3 mm2;

• バックグラウンド:99% Spectralon™ (NIR でほぼ平坦なスペクトル応答を持つ反射標準);

• すべての測定は室温で実行されました。

データ評価

部分最小二乗回帰 (PLS) モデルは、実験室の化学分析を使用して決定されたスペクトルと乳含有量測定値の間の線形関係を構築するために構築されました。このモデルは、スペクトルのみから牛乳サンプルの含有率を予測するために使用されます。

各スペクトルはもともと 300 変数 (波長) を超える可能性があるため、PLS はスペクトル データを少数の潜在変数 (L.V.) に削減してデータの複雑さを軽減します。潜在変数は、応答 (この場合は牛乳の内容) との相関関係に従って選択されました。相関性の高い変数が選択され、相関性の低い変数は破棄されました。その後、線形回帰を適用して、予測変数 (スペクトルの L.V.) を応答 (牛乳内容量の定量化) に関連付けました。

相互検証手法を使用して、予測誤差 (すべてのサンプルの誤差の二乗平均平方根) および予測内容と参照データ (化学分析から報告) の間の決定係数 (R2) を報告することで、PLS モデルのパフォーマンスを計算しました。この手法では、データをキャリブレーション セットと検証セットに分割します。キャリブレーション セットは PLS モデルのトレーニングに使用され、検証セットはモデルのパフォーマンスのレポートに使用されます。

次の反復では、検証セットと校正セットが混合され、データの別の部分が検証セットとして取得され、最後に新しいセットに対するモデルのトレーニングと検証が繰り返されました。前の手順は、各サンプルが検証セットに 1 回表示されるまで何度も繰り返されました。相互検証の結果を図 1 に示します。

図 2. 光学ヘッドと光源が統合され、BGA はんだ付け可能、SPI 通信を備えた NeoSpectra Micro スペクトル センサー。

この調査では、スペクトルに前処理手法を適用し、PLS を使用して回帰モデルを構築することで牛乳分析モデルを開発します。予測フェーズでは、開発されたモデルを使用してテスト サンプルの内容を予測します。

この結果は、NeoSpectra スペクトル センサーで測定された生乳サンプルのスペクトルが、同じサンプル セットに対して市販の卓上超音波ベースの分析ツールを使用した場合の誤差が 9% であるのに対し、どの成分についても全範囲の誤差が 8% 未満で乳内容物を正確に測定するのに適した分析データを提供することを明確に示しました。

一方、これらの調査から得られる絶対誤差は、市販の実験用ベンチトップ分光計を使用した研究論文で報告された数値と比較して、タンパク質と乳糖の割合を予測する際にわずかに優れています。ただし、使用したスポット サイズが小さいため、脂肪率を予測する絶対誤差はそれほど良好ではありませんでした。 NeoSpectra スペクトル センサーは、このような問題に対処するために、より大きなスポット サイズをサポートできます。これにより、牛乳の認定のためのスケーラブルなソリューションを可能にする低コストのテクノロジーを使用して、サンプル前処理を必要とせずに現場での迅速な非破壊検査を可能にするこのテクノロジーの可能性が検証されました。

この記事は、Si-Ware Systems (カリフォルニア州ラ カナダ) のシステム エンジニアリング担当副社長である Amr Wassal とシニア組み込みソフトウェア エンジニアである Mohamed Hossam によって執筆されました。 詳細については、この電子メール アドレスはスパムボットから保護されています。閲覧するにはJavaScriptを有効にする必要があります。または、ここにアクセスしてください。