정확한 우유 구성을 위한 고급 스펙트럼 센서 분석

우유는 가장 널리 사용되는 제품 중 하나일 뿐만 아니라 모든 유제품의 원료이기도 합니다. 이러한 점을 감안할 때 우유 성분 측정은 유제품 산업에서 매우 중요해졌습니다. 각 유제품에는 함량 비율이 다른 우유가 필요합니다. 또한, 제품 품질을 추적하기 위해서는 우유 함량을 정기적으로 측정해야 합니다.

그림 1. 참조 데이터(화학 분석)와 모델의 예측 결과 사이의 관계. 각 원은 x 좌표가 참조 값이고 y 좌표가 모델 예측인 테스트 샘플을 나타냅니다. 빨간색 선은 이상적인 모델을 나타내고 R2(이상적인 값은 1)는 모델이 이상적인 모델에서 얼마나 벗어나는지 보여줍니다.

낙농 산업 외에도 우유 분석은 우유 공급 산업에도 큰 영향을 미칩니다. 우유의 함량은 동물의 건강, 사료의 품질 및 함량과 밀접한 관련이 있습니다. 따라서 이러한 측정은 사료의 품질과 선택을 향상시키는 귀중한 통찰력을 제공할 뿐만 아니라 아픈 동물의 조기 진단 및 치료에 대한 귀중한 통찰력을 제공할 수 있습니다.

오늘날 우유 분석을 위한 가장 정확한 방법은 느리고 파괴적이며 현장이 아닌 실험실에서 수행되어야 하는 화학적 분해 방법입니다. 실제로 사용자는 일반적으로 많은 우유 배치에서 샘플을 채취하여 모든 배치에 대한 평균 결론을 얻습니다. 이러한 방법을 사용하여 동물의 건강과 사료 품질을 모니터링하는 것은 비용이 많이 들고 매우 비효율적입니다.

우유 함량을 신속하게 측정하기 위한 간단한 도구는 낙농 산업과 낙농 산업 모두에서 상당한 진전을 이룰 것입니다. 이 도구는 휴대 가능하고 저렴해야 하며 사용자가 현장에서 비파괴적으로 대상 샘플을 분석할 수 있어야 하며, 우유 농업 응용 분야의 경우 착유 스테이션에서 인라인으로 분석하는 것이 바람직합니다. 근적외선(NIR) 분광계의 소형화는 휴대용 기기가 이러한 목적을 달성하기 위한 안정적이고 저렴한 수단을 제공할 수 있는 지점까지 발전했습니다.

우유 함량 정량화

원유 테스트 샘플에서 지방, 단백질, 유당 등 각 성분의 비율을 결정하는 NeoSpectra 스펙트럼 센서의 능력을 입증하기 위해 다음 절차와 테스트 사양이 구현되었습니다.

사용된 샘플 세트:

• 샘플은 지역 농장에서 수집되었으며, 수집된 각 샘플은 샘플 공간의 다양성을 보장하기 위해 서로 다른 동물로부터 채취되었습니다.

• 샘플의 내용물을 정확하게 기록하기 위해 정확한 파괴 화학 테스트를 실시했습니다.

• 채취된 총 샘플 수는 131개입니다.

• 각 샘플은 NeoSpectra 스펙트럼 센서로 5번 측정되었습니다.

측정 조건:

• 측정은 확산 반사로 이루어졌습니다.

• 스펙트럼 범위:1300 – 2600 nm;

• 스캔 시간:2초;

• 분해능:λ=1,550nm에서 16nm;

• 스폿 크기 =3mm2;

• 배경:99% Spectralon™(NIR에서 거의 균일한 스펙트럼 반응을 보이는 반사 표준);

• 모든 측정은 실온에서 수행되었습니다.

데이터 평가

부분 최소 제곱 회귀(PLS) 모델은 스펙트럼과 실험실 화학 분석을 사용하여 결정된 우유 함량 측정 사이의 선형 관계를 개발하기 위해 구축되었습니다. 이 모델은 스펙트럼을 통해서만 우유 샘플 함량 비율을 예측하는 데 사용됩니다.

PLS는 각 스펙트럼이 원래 300개의 변수(파장)를 초과할 수 있으므로 스펙트럼 데이터를 소수의 잠재 변수(L.V.)로 줄여 데이터의 복잡성을 줄입니다. 잠재 변수는 반응(우리의 경우 우유 함량)과의 상관관계에 따라 선택되었습니다. 상관관계가 높은 변수가 선택되고 상관관계가 낮은 변수는 삭제되었습니다. 그 후 예측 변수(스펙트럼의 L.V.)를 응답(우유 함량 정량화)과 연관시키기 위해 선형 회귀 분석이 적합했습니다.

예측된 내용과 참조 데이터(화학 분석에서 보고된) 간의 예측 오류(모든 샘플 오류의 제곱 평균 제곱근)와 결정 계수(R2)를 보고하여 PLS 모델의 성능을 계산하기 위해 교차 검증 기법을 사용했습니다. 이 기술은 데이터를 교정 및 검증 세트로 분할합니다. 교정 세트는 PLS 모델을 훈련하는 데 사용되며 검증 세트는 모델 성능을 보고하는 데 사용됩니다.

다음 반복에서는 검증 세트와 보정 세트를 함께 혼합하고 데이터의 다른 부분을 검증 세트로 사용하고 마지막으로 새 세트에 대한 모델 훈련 및 검증을 반복했습니다. 각 샘플이 검증 세트에 한 번 표시될 때까지 이전 절차를 반복해서 반복했습니다. 교차 검증 결과는 그림 1에 나와 있습니다.

그림 2. 광학 헤드와 광원, BGA 납땜 가능 및 SPI 통신이 통합된 NeoSpectra Micro 스펙트럼 센서.

이 조사에서는 스펙트럼에 전처리 방법을 적용한 다음 PLS를 사용하여 회귀 모델을 구축함으로써 우유 분석 모델을 개발합니다. 예측 단계에서는 개발된 모델을 사용하여 테스트 샘플의 내용을 예측합니다.

결과는 NeoSpectra 스펙트럼 센서로 측정된 원유 샘플의 스펙트럼이 동일한 샘플 세트에 대해 상용 벤치탑 초음파 기반 분석 도구를 사용할 때 9%의 오류가 발생한 것과 대조적으로 모든 구성 요소에 대해 전체 범위의 8% 미만의 오류로 우유 함량을 정확하게 측정하는 데 적합한 분석 데이터를 제공한다는 것을 분명히 보여주었습니다.

반면, 이러한 조사의 절대 오차는 상업적으로 이용 가능한 실험실 벤치탑 분광계를 사용하여 연구 논문에서 보고된 수치에 비해 단백질 및 유당 비율을 예측하는 데 약간 더 좋습니다. 그러나 지방 비율을 예측하는 절대 오차는 사용된 작은 점 크기로 인해 그리 좋지 않았습니다. NeoSpectra 스펙트럼 센서는 이러한 문제를 해결하기 위해 더 큰 스폿 크기를 지원할 수 있습니다. 이는 우유 적격성 평가를 위한 확장 가능한 솔루션을 가능하게 하는 저비용 기술을 사용하여 샘플 준비 없이 현장에서 신속하고 비파괴적인 테스트를 가능하게 하는 이 기술의 잠재력을 검증합니다.

이 기사는 Si-Ware Systems(캘리포니아주 라 캐나다)의 시스템 엔지니어링 부사장인 Amr Wassal과 수석 임베디드 소프트웨어 엔지니어인 Mohamed Hossam이 작성했습니다. 자세한 내용은 작성자에게 문의하세요. 이 이메일 주소는 스팸봇으로부터 보호됩니다. 보려면 JavaScript를 활성화해야 합니다. 또는 여기를 방문하세요.  .