CN112666114A

CN112666114A - 利用光谱识别水牛奶与马奶的方法

Info

Publication number: CN112666114A
Application number: CN202011403074.1A
Authority: CN
Inventors: 张淑君; 王海童; 南良康; 罗雪路; 杨利国; 王巧华; 肖仕杰; 李翔; 滑国华; 周扬; 梁爱心; 何长久; 熊家军
Original assignee: Huazhong Agricultural University
Current assignee: Huazhong Agricultural University
Priority date: 2020-10-01
Filing date: 2020-12-02
Publication date: 2021-04-16

Abstract

本发明属于奶品分析领域，具体涉及利用光谱识别水牛奶与马奶的方法。与中红外光谱分析有关。步骤为：1)取新鲜马奶和水牛奶样品；2)在中红光谱范围内，对样品进行扫描，获得中红外光谱数据；3)对原始中红外光谱进行预处理，去除异常值；4)将预处理后的数据集按照分层抽样的原则划分为训练集和测试集；5)对训练集进行降维处理，以提高模型训练速度；6)在训练集上，使用最近邻等算法，通过10折交叉验证建立区分马奶和水牛奶的模型，使用准确性、特异性、灵敏度和AUC对模型进行评估和筛选；7)预估最优模型的泛化性能。

Description

利用光谱识别水牛奶与马奶的方法

技术领域

本发明属于奶品分析技术领域，具体涉及一种鉴别利用光谱识别水牛奶与马奶的方法。本发明与利用红外光谱鉴定奶制品成分分析领域相关。

背景技术

马奶中的蛋白质、氨基酸、乳糖和矿物质等成分的含量及比例都与母乳接近，更易被婴幼儿吸收、减少过敏症状^[1-3]。且马奶含有丰富的维生素和矿物质，这些成分参与人体新陈代谢，具有调节人体生理功能、提高人体免疫力及防治疾病的功效，不饱和脂肪酸和低分子脂肪酸对预防高胆固醇血症、动脉硬化有良好作用。水牛奶的脂肪、蛋白质、乳糖、矿物质和维生素含量高于奶牛奶，最适宜儿童生长发育和抗衰老的锌、铁、钙含量特别高，氨基酸、维生素含量非常丰富，是老幼皆宜的营养食品，且酪蛋白含量高，能进行奶酪等高质量乳制品的深加工。

马奶和水牛奶都属于产量低但营养价值高的奶品。目前，对马奶和水牛奶成分测定的方法有高效液相色谱(HPLC)法、气相色谱(GC)法、考马斯亮蓝-紫外检测法^[4]、近红外(NIR)光谱^[5]和中红外(MIR)光谱法等。Lu Deng等基于马线粒体的D-LOOP基因和牛线粒体的16S-RNA基因，设计了双链PCR的特异性引物，利用双重PCR法可以检出马奶里掺加的0.1％的牛奶^[6]；Tanmay Hazra等选择了靶向mt-DNA D环的牛特异性引物，利用PCR检测出水牛乳中5％的牛奶^[7]。但目前还没有方法可以准确鉴别马奶和水牛奶。

中红外光谱分析是近年来快速发展起来的一种快速、无损、无公害、可多组分同时分析的现代技术，广泛应用于农产品及食品质量检测中，但是还没有关于对马奶和水牛奶中红外光谱鉴别的相关的研究和文献报道。

发明内容

本发明的目的在于克服现有技术的缺陷，提供利用光谱识别水牛奶与马奶的方法，所述的方法具有鉴别速度快，精度高，成本低，且操作简单的特点，可批量进行奶制品的检测。

本发明的技术方案如下所述：

利用光谱识别水牛奶与马奶的方法，所述的方法包括以下步骤：

(1)选取奶样：分别采集新鲜马奶和新鲜水牛奶样本；

(2)采集中红外光谱:每次采集光谱前，先将水牛奶样本以体积比为1：1的加水稀释，再将马奶和水牛奶样本分别倒入直径3.5cm，高9cm的圆柱形采样管中，保证液面高度大于6cm，然后将其在42℃水浴锅中水浴15-20min，再将固体光纤探头伸到液体中吸样检测，采用FOSS公司的MilkoScan^TM7RM乳成分检测仪在4000-400cm^-1波数范围内对马奶和水牛奶样本进行扫描，通过与其相连的计算机输出样本对应的透光率，得到样本光谱图；

(3)对采集的原始中红外光谱数据进行预处理，步骤如下:

①将光谱数据由透射率(T)转换成吸光度(A)，计算公式为；

A＝log₁₀(1/T)

②去除水吸收区域；

③异常光谱检测：使用LOF异常检测算法去除异常值；

(4)数据集的划分:将奶样分为训练集和测试集；

(5)训练集主成分降维：选取累计方差解释率大于99.9％时的主成分数。

(6)模型的建立与筛选：以训练集奶样的中红外光谱作为输入值，以马奶和水牛奶的类别作为输出值，使用最近邻(KNN)算法、BP神经网络算法、随机森林(RF)算法和支持向量机(SVM)算法，通过10折交叉验证在训练集上构建模型，遵循准确性、特异性、灵敏度和AUC等指标较高的原则对模型进行评估及筛选；

(7)最优模型泛化性能的预估：使用模型对测试集中的样本进行预测，并使用对应的评估指标评估模型在测试集上的表现；使用混淆矩阵细化模型在测试集上的表现。

(8)上述中红外光谱数据预处理、模型构建及验证和混淆矩阵的输出利用Python3.8.3实现。

附图说明

图1：异常检测处理后的马奶的中红外光谱图。

图2：异常检测处理后的水牛奶的中红外光谱图。

图3：异常检测处理后的马奶和水牛奶的中红外光谱对比图。

图4：预处理后数据TSNE可视化图。

图5：模型在测试集上的ROC曲线。

图6：模型在测试集上的混淆矩阵图。

具体实施方式

下面，结合附图和实例对本发明作进一步说明。

实施方式所列举的实施例中未注明具体条件的试验方法，按常规方法和条件进行，或按设备仪器制造厂商建议的条件(例如参阅产品的使用说明书)。

实施例1

仪器与设备：

FOSS公司生产的MilkoScan^TM7RM乳成分检测仪(按产品使用说明书进行)。

操作步骤如下：

1)选取奶样：

分别采集新鲜马奶60个样品和新鲜水牛奶188个样品。

2)中红外光谱采集:

采集中红外光谱:每次采集光谱前，将水牛奶样本以体积比为1：1的加水稀释，将马奶和水牛奶样本分别倒入直径3.5cm，高9cm的圆柱形采样管中，保证液面高度大于6cm，然后将其在42℃水浴锅中水浴15-20min，再将固体光纤探头伸到液体中吸样检测，采用FOSS公司的MilkoScan^TM7RM乳成分检测仪在4000-400cm^-1波数范围内对马奶和水牛奶样本进行扫描，通过与其相连的计算机输出样本对应的透光率，得到样本光谱图。

3)数据预处理:

①将光谱数据由透射率(T)转换成吸光度(A)，计算公式为；

A＝log₁₀(1/T)

②去除水吸收区域；

③异常光谱检测：使用LOF异常检测算法去除39个异常值。

4)数据集的划分:

采用分层抽样法将数据集分为训练集和测试集，训练集有186个样品的中红外光谱数据用于建立定性判别模型，测试集有23个样品的中红外光谱数据用于对定性判别模型进行预测效果评价。

5)训练集主成分降维：

选取累计方差解释率大于99.9％时的主成分数，得到9个主成分。

6)模型的建立与筛选：

以训练集奶样的中红外光谱作为输入值，以马奶和水牛奶的类别作为输出值，使用最近邻(KNN)算法、BP神经网络算法、随机森林(RF)算法和支持向量机(SVM)算法，通过10折交叉验证在训练集上构建模型；4种算法构建的模型在训练集上的准确性、特异性、灵敏度和AUC均为1，说明此4种算法对马奶和水牛奶的鉴别都有很好的建模效果且4个模型都能准确地鉴别马奶和水牛奶。一般来说，SVM算法在各种分类问题中都有很好的表现。SVM算法以非线性映射为基础，是一种新颖的小样本学习方法；在SVM分类决策中，起决定性作用的是少数支持向量，这在一定程度上避免了“维度灾难”发生的可能性，并且使训练所得模型具有较好的稳定性。故选择使用SVM算法建立的模型用于马奶和水牛奶的鉴别。

7)最优模型泛化性能的预估:

利用SVM算法建立的定性模型，预测验证集中的23个样品，结果用准确性、特异性、灵敏度和AUC等指标来表示；得到的中红外光谱预测值与实际值一致，模型在测试集验上的准确性、特异性、灵敏度和AUC均为1，说明SVM算法对马奶和水牛奶的分类就有很高的学习能力，建立的模型能够准确地判别马奶和水牛奶。由图6使用混淆矩阵表示模型在测试集的表现，比较分类结果和实际值，由图中可以看出无错分类的情况，这说明模型能够对马奶和奶牛奶进行高精度的正确分类。

表1模型在训练集和测试集上的表现

主要参考文献

[1]Malacarne M,Martuzzi F,Summer A,et al.Protein and fat compositionof mare's milk:Some nutritional remarks with reference to human and cow'smilk[J].International Dairy Journal,2002,12(11):869-877.

[2]AKBAR NIKKHAH.Equidae milk promises substitutes for cow and humanbreast milk[J].turkish journal of veterinary&animal sciences,2012,36(5):470-475.

[3]刘志安.放牧伊犁马鲜马乳营养品质研究[D].新疆农业大学,2014.

[4]聂昌宏.马乳中营养成分检测分析及不同乳品中标识性成分的比较研究[D].新疆医科大学,2019.

[5]黄亚东.蒙古马奶常规营养成分检测与NIR快速检测模型建立[D].内蒙古农业大学,2019.

[6]Lu Deng,Aili Li,Yang Gao,et,al.Detection of the Bovine MilkAdulterated in Camel,Horse,and Goat Milk Using Duplex PCR[J].Springer US,2020,13(2).

[7]Hazra T,Sharma V,Sharma R,et al.PCR based assay for the detectionof cow milk adulteration in buffalo milk[J].Indian Journal of AnimalResearch,2016,52(OF)。

Claims

1.马奶和奶牛奶的光谱快速鉴别方法，其特征包括以下步骤：

1)选取奶样

分别采集马奶鲜奶和水牛奶鲜奶；

2)中红外光谱采集

采用傅里叶变换中红外光谱仪在4000-400cm-¹波数范围内对马奶和水牛奶样本进行扫描，通过与其相连的计算机输出样品对应的透光率，得到样品光谱图；

3)数据预处理

将透光率转换为吸光度，去除水的吸收区域，去除异常值；

4)划分数据集：将数据集分为训练集和测试集；

5)训练集主成分降维

对训练集进行PCA降维处理，目的是提高模型训练速度，主成分数由方差累计解释率大于99.9％确定；

6)模型的建立与筛选

以训练集奶样的中红外光谱作为输入值，以马奶和水牛奶的类别作为输出值，使用最近邻(KNN)算法、BP神经网络算法、随机森林(RF)算法和支持向量机(SVM)算法，通过10折交叉验证法在训练集上构建模型，使用准确性、特异性、灵敏度和AUC等指标对模型进行评估及筛选；

7)最优模型泛化性能的预估

使用模型对测试集中的样本进行预测，并使用对应的评估指标评估模型在测试集上的表现，使用混淆矩阵细化模型在测试集上的表现。

2.根据权利要求1所述的马奶和奶牛奶的光谱快速鉴别方法，其特征在于，步骤2)中所述傅里叶变换中红外光谱仪选自乳成分检测仪。

3.根据权利要求1所述的的马奶和奶牛奶的光谱快速鉴别方法，其特征在于，步骤2)中每次采集光谱前，先将水牛奶样本以体积比为1：1的加水稀释，再将马奶和水牛奶样本分别倒入直径3.5cm，高9cm的圆柱形采样管中，保证液面高度大于6cm，然后将其在42℃水浴锅中水浴15-20min，再将固体光纤探头伸到液体中吸样检测。

4.根据权利要求1所述的的马奶和奶牛奶的光谱快速鉴别方法，其特征在于，步骤3)的数据预处理方法为：

①将光谱数据由透射率(T)转换成吸光度(A)，计算公式为；

A＝log₁₀(1/T)

②去除水吸收区域；

③异常光谱检测：使用LOF异常检测算法去除异常值。

5.根据权利要求1所述的的马奶和奶牛奶的光谱快速鉴别方法，其特征在于，步骤4)中将预处理后的数据集按照分层抽样的原则划分为训练集和测试集，两者分别占数据集的80％和20％。

6.根据权利要求1所述的的马奶和奶牛奶的光谱快速鉴别方法，其特征在于，采用通过10折交叉验证在训练集上构建模型，以准确性、特异性、灵敏度和AUC指标对模型进行评估和筛选。