CN113310930A - 高温灭菌奶、巴氏杀菌奶和掺加高温灭菌奶的巴氏杀菌奶的光谱鉴定方法 - Google Patents
高温灭菌奶、巴氏杀菌奶和掺加高温灭菌奶的巴氏杀菌奶的光谱鉴定方法 Download PDFInfo
- Publication number
- CN113310930A CN113310930A CN202110503725.2A CN202110503725A CN113310930A CN 113310930 A CN113310930 A CN 113310930A CN 202110503725 A CN202110503725 A CN 202110503725A CN 113310930 A CN113310930 A CN 113310930A
- Authority
- CN
- China
- Prior art keywords
- milk
- temperature sterilized
- samples
- pasteurized
- pasteurized milk
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 235000020200 pasteurised milk Nutrition 0.000 title claims abstract description 46
- 235000020191 long-life milk Nutrition 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000003595 spectral effect Effects 0.000 title claims abstract description 12
- 235000013336 milk Nutrition 0.000 claims abstract description 27
- 210000004080 milk Anatomy 0.000 claims abstract description 27
- 239000008267 milk Substances 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000001228 spectrum Methods 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 230000002159 abnormal effect Effects 0.000 claims abstract description 8
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims abstract description 6
- 239000000523 sample Substances 0.000 claims description 15
- 238000012706 support-vector machine Methods 0.000 claims description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 238000002834 transmittance Methods 0.000 claims description 8
- 238000002835 absorbance Methods 0.000 claims description 7
- 238000010521 absorption reaction Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 7
- 239000007788 liquid Substances 0.000 claims description 7
- 238000007637 random forest analysis Methods 0.000 claims description 7
- 239000013307 optical fiber Substances 0.000 claims description 4
- 239000007787 solid Substances 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 102000014171 Milk Proteins Human genes 0.000 claims description 2
- 108010011756 Milk Proteins Proteins 0.000 claims description 2
- 230000004069 differentiation Effects 0.000 claims description 2
- 235000021243 milk fat Nutrition 0.000 claims description 2
- 235000021239 milk protein Nutrition 0.000 claims description 2
- 238000002203 pretreatment Methods 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000002790 cross-validation Methods 0.000 abstract 1
- 239000000126 substance Substances 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 235000020185 raw untreated milk Nutrition 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 3
- 235000015097 nutrients Nutrition 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 235000013365 dairy product Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001954 sterilising effect Effects 0.000 description 2
- 238000004659 sterilization and disinfection Methods 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 241000283690 Bos taurus Species 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 238000004566 IR spectroscopy Methods 0.000 description 1
- 102000010445 Lactoferrin Human genes 0.000 description 1
- 108010063045 Lactoferrin Proteins 0.000 description 1
- 102000004895 Lipoproteins Human genes 0.000 description 1
- 108090001030 Lipoproteins Proteins 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000000862 absorption spectrum Methods 0.000 description 1
- 239000003963 antioxidant agent Substances 0.000 description 1
- 230000003078 antioxidant effect Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 235000014633 carbohydrates Nutrition 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000020776 essential amino acid Nutrition 0.000 description 1
- 239000003797 essential amino acid Substances 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 235000019197 fats Nutrition 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- CSSYQJWUGATIHM-IKGCZBKSSA-N l-phenylalanyl-l-lysyl-l-cysteinyl-l-arginyl-l-arginyl-l-tryptophyl-l-glutaminyl-l-tryptophyl-l-arginyl-l-methionyl-l-lysyl-l-lysyl-l-leucylglycyl-l-alanyl-l-prolyl-l-seryl-l-isoleucyl-l-threonyl-l-cysteinyl-l-valyl-l-arginyl-l-arginyl-l-alanyl-l-phenylal Chemical compound C([C@H](N)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](CS)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CC=1C2=CC=CC=C2NC=1)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CC=1C2=CC=CC=C2NC=1)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](CC(C)C)C(=O)NCC(=O)N[C@@H](C)C(=O)N1CCC[C@H]1C(=O)N[C@@H](CO)C(=O)N[C@@H]([C@@H](C)CC)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CS)C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](C)C(=O)N[C@@H](CC=1C=CC=CC=1)C(O)=O)C1=CC=CC=C1 CSSYQJWUGATIHM-IKGCZBKSSA-N 0.000 description 1
- 235000021242 lactoferrin Nutrition 0.000 description 1
- 229940078795 lactoferrin Drugs 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 244000000010 microbial pathogen Species 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000004476 mid-IR spectroscopy Methods 0.000 description 1
- 235000010755 mineral Nutrition 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 238000009928 pasteurization Methods 0.000 description 1
- 150000003904 phospholipids Chemical class 0.000 description 1
- 235000018102 proteins Nutrition 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000001269 time-of-flight mass spectrometry Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于奶品分析技术领域，具体涉及高温灭菌奶、巴氏杀菌奶和掺加高温灭菌奶的巴氏杀菌奶的光谱鉴定方法。发明步骤为：1)取巴氏杀菌牛奶和高温灭菌牛奶及巴氏杀菌牛奶模拟掺假不同比例作样本；2)在中红光谱范围内对样本扫描，获中红外光谱数据；3)原始中红外光谱预处理，去除异常值；4)将预处理后数据集按分层抽样分为训练集和测试集；5)筛选建模光谱波段；6)使用最近邻等算法在训练集上通过10折交叉验证检测样本鉴别模型，使用准确性、kappa系数对模型评估和筛选；7)对最优模型进行验证。本发明用更少的波点建模，减少运算成本，提高了鉴别的速率和准确性。
Description
技术领域
本发明属于奶品分析技术领域，具体涉及一种巴氏杀菌牛奶中掺加高温灭菌牛奶、巴氏杀菌牛奶和高温灭菌牛奶的快速鉴定方法
背景技术
牛奶中包含蛋白质，脂肪，碳水化合物，维生素，矿物质和必需氨基酸等多种营养物质，但刚挤出来的生奶也含有多种微生物，故需要通过破坏或减少奶中病原微生物、降低酶类物质活性来确保牛奶安全和延长保质期，通常对生奶进行热处理(Liu,Grosvenor etal.2019)。最常用的热处理方法有巴氏杀菌(70-85℃，持续15-20秒)和高温灭菌(UHT：135-150℃，持续1-10秒)。研究表明热处理都会降低牛奶的抗氧化能力，与生牛奶和巴氏杀菌牛奶相比，高温灭菌法降低脂蛋白的浓度、乳铁蛋白等物质的活性，对牛奶营养物质和功能物质有一定程度地降低(Dias,Augusto-Obara et al.2020)。相较于其它处理方式，巴氏杀菌牛奶可保持牛奶中功能物质的活性和营养物质的营养价值，而且口感更新鲜(Zhu,Kebedeet al.2020)。在价格方面，巴氏杀菌牛奶比高温灭菌牛奶价格高。近年来，由于经济和个人可支配收入增长，消费者对巴氏杀菌牛奶的益处的意识增强，巴氏杀菌牛奶的消费在我国市场越来越流行。价格差异以及巴氏杀菌牛奶流行给巴氏杀菌牛奶掺高温灭菌牛奶创造了利益空间，为了获取利益很有可能会进行掺假，因此，有必要建立巴氏杀菌牛奶和高温灭菌牛奶掺假的快速高效的鉴定技术。
有研究者开发了一种基于高效液相色谱-四极杆飞行时间质谱的代谢组学方法，用于区分生乳，巴氏杀菌乳和UHT乳。但仅鉴定了将UHT乳与生乳和巴氏灭菌乳区分开的生物标记(7种脂质和1种磷脂)(Zhang,Li et al.2018)。其鉴别方法复杂，且不能对巴氏杀菌牛奶掺高温灭菌牛奶进行鉴别。
中红外光谱是物质的在中红外区的吸收光谱，一般将2.5-25μm的红外波段划为中红外区。由于基频振动是红外活性振动中吸收最强的振动，因此中红外光谱广泛应用于物质的定性和定量分析。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，且广泛应用于乳用动物，特别是奶牛的生产性能测定。由中红外光谱仪输出的数据为n×1060的矩阵(n为样本量)，数据庞大，且难以避免数据不完整、不一致、极易受到噪声(错误或异常值)侵扰，低质量的数据将导致效果较差的数据挖掘结果，因此需要一些方法对输出的数据进行预处理。这些方法通常包括数据标准化、处理缺失值、去除噪声及异常值、特征选择等。因此，需要利用中红外光谱MIR建立巴氏杀菌牛奶中掺加高温灭菌牛奶、巴氏杀菌牛奶和高温灭菌牛奶的快速鉴定方法。
发明内容
本发明的目的在于克服现有技术的缺陷，提供一种巴氏杀菌牛奶中掺加高温灭菌牛奶、巴氏杀菌牛奶和高温灭菌牛奶的快速鉴定方法。
为了确定最佳的预处理和建模算法组合，对光谱数据使用了包括不处理在内的5种预处理方法，结合2种建模方法，共建立了10个巴氏杀菌牛奶中掺加高温灭菌牛奶、巴氏杀菌牛奶和高温灭菌牛奶的鉴别模型。并且通过对光谱数据进行Pearson相关性检验和相关性的显著性分析筛选出建模使用的特征光谱。所建立的最优模型在测试集和验证集的准确率均可达到0.98。
本发明的技术方案如下所述：
一种巴氏杀菌牛奶中掺加高温灭菌牛奶、巴氏杀菌牛奶和高温灭菌牛奶的快速鉴定方法，
包括以下步骤：
1)奶样的选取
商购不同批次的巴氏杀菌牛奶和高温灭菌牛奶，将所有高温灭菌牛奶混合，将高温灭菌牛奶按照5个体积百分比(0％、10％、20％、50％、100％)比例分别掺到所述巴氏杀菌牛奶中，人工配制的五个掺假比例鲜牛奶样本顺序编号为1、2、3、4和5，五个掺假鲜牛奶的样本数分别为111、110、114、113、102，共550个样本；
2)中红外光谱采集
采用乳成分检测仪对奶样进行扫描，通过相连的计算机输出每个样本对应的透光率；
3)数据预处理
将原始光谱数据由透光率(T)转化为吸光度(A),去除异常值；
4)划分数据集
按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％；
5)确定建模光谱波段
筛选巴氏杀菌牛奶、掺加了不同比例高温灭菌牛奶的巴氏杀菌牛奶以及高温灭菌牛奶的差异波段，并去除水的吸收区域；
6)建立模型与筛选最优模型
以训练集的中红外光谱作为输入值，以巴氏杀菌牛奶掺加不同比例高温灭菌牛奶所对应的类别作为输出值，使用不同光谱预处理方法和不同建模算法组合建立模型，使用准确率和kappa系数进行评估和筛选，筛选出最优模型；
7)最优模型的验证与应用
另取巴氏杀菌牛奶掺加不同比例高温灭菌的样本，使用筛选出的最优模型对样本进行鉴别，评估其应用性能。
其中：
步骤2)中采集中红外光谱时，将奶样分别倒入直径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；
步骤3)中根据A＝log10(1/T)将透射率(T)转换为吸光度(A)，使用马氏距离和乳脂乳蛋白的百分含量去除异常值，其中，保留光谱马氏距离≤3的数据；
步骤5)中使用的筛选差异波段的方法为Pearson相关性检验和相关性的显著性检验，去除的水吸收区域为3587.94-2970.66cm-1和1716.81-1543.2cm-1；最终筛选出的建模波段为1021.992-1615.399cm-1、1727.145-1792.651cm-1和2829.186-2975.612cm-1；
步骤6)中使用的光谱预处理方法为一阶微分(Diff)、标准正态变量变换(SNV)、多元散射校正(MCS)和卷积平滑(Savitzy-Golay，SG)，使用的建模算法为随机森林(RF)和支持向量机(SVM)；最佳的预处理和算法组合为不进行预处理与支持向量机的组合；
本发明与现有技术比较的有益效果：
本发明采用简便的光谱筛选方法，使用了更少的波点进行建模，减少了运算成本；通过建立了10个鉴别模型以筛选最优模型，提高了鉴别的速率和准确性。
附图说明
图1：本发明建模波段的光谱图，即不同类别奶样在建模波段的吸光值图。图1中的横坐标为光谱波数，纵坐标为吸光度。实线为类别1(0％)、实线加×标记为类别2(10％)、实线加▼标记为类别3(20％)、实线加竖线标记为类别4(50％)、实线加正方形标记为类别5(100％)。附图标记说明：图1(a)为所有建模波段(1021.992-1615.399cm-1、1727.145-1792.651cm-1和2829.186-2975.612cm-1)的总体吸光值图，图1(b)、图1(c)、图1(d)分别为1021.992-1615.399cm-1、1727.145-1792.651cm-1和2829.186-2975.612cm-1 3个建模波段的吸光值放大图。
图2：本发明最佳模型的测试集的混淆矩阵，横坐标为预测标签，纵坐标为真实标签，矩阵中预测标签和真实标签重合的方格为正确分类。
图3：本发明最优模型的测试集分类概率，横坐标为预测概率，纵坐标为预测的类别，圆形的点为鉴定正确类别，正方形的点为鉴定错误类别，三角形的点为错误分类所对应的真实类别。如图3中最左边的圆形的点代表被分为1类的概率为0.51，为正确分类；类别2中正方形的点表示被错误分为2类的点，被错误分为2类的概率为0.84，箭头所指向的三角形的点所在类别(1类)是其正确的类别。
具体实施方式
实施例1：模型的建立
仪器与设备：选用FOSS公司生产的MilkoScanTM7RM乳成分检测仪(按产品使用说明书操作)。
具体步骤如下：
(1)采集奶样
商购不同批次巴氏杀菌牛奶和高温灭菌牛奶，将所有高温灭菌牛奶混合，将高温灭菌牛奶按照体积百分比为0％、10％、20％、50％、100％的比例分别掺加到巴氏杀菌牛奶中，五个掺假比例鲜奶的编号分别为1、2、3、4和5，五个掺假鲜奶的样本数分别为111、110、114、113、102，共550个样本。
(2)采集中红外光谱
将奶样分别倒入直径3.5cm，高9cm的圆柱形样本管中，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，通过其软件得到样本的透光率。
(3)数据预处理
对550个样本牛奶的MIR计算马氏距离，保留光谱马氏距离≤3的数据，表1为此过程的样本量变化统计，除去0个异常样本，得到有效样本550个，将其按分层抽样法分为训练集(n＝440)和测试集(n＝110)。本发明的试验设计见表1
表1剔除异常值时的样本量变化
表2常规乳成分的描述性统计
将光谱数据由透光率(T)转化为吸光度(A)，并去除水的吸收区域，对光谱数据进行Pearson相关性检验，并对相关性进行显著性分析，最终选择1021.992-1615.399cm-1、1727.145-1792.651cm-1和2829.186-2975.612cm-1进行建模。图1为建模波段的光谱。
将数据集分为训练集(n＝440)、测试集(n＝110)和验证集(n＝50)。
分别采用一阶微分(Diff)、标准正态变量变换(SNV)、多元散射校正(MCS)和SG卷积平滑对光谱数据进行预处理，同时也与不使用预处理的数据进行比较。
(4)鉴定模型的建立
使用随机森林(RF)和支持向量机(SVM)算法利用训练集数据建立分类模型，并对测试集中的样本进行预测。在不同预处理下，RF和SVM算法的建模结果如表3所示。
表3不同预处理下RF和SVM的建模结果
(5)最优模型的筛选和确定
在此判别模型中，准确率为正确判断占所有判断的概率，其值越接近1越好；Kappa系数常用于一致性检验，也用于衡量分类的精度，其值越接近1越好。由表3中结果可知，SVM模型在分类训练中均取得优秀的结果，说明此5个模型均能准确鉴别训练集和测试集的两类目标。对数据进行不同预处理会不同程度地增加运算难度，增加运算时长，且不进行预处理的模型准确率更高，因此，选择不进行预处理与支持向量机的组合建立的模型为最优模型。
利用选择的最优分类模型，预测测试集的110个样本。以混淆矩阵衡量模型在测试集的性能，如图2所示。由图2可知，本实施例中测试集出现2个错分类情况，其中1个是将类别1(0％)误判为类别2(10％)，另1个错误分类是将类别2(10％)误判为类别3(20％)，说明错误分类在掺假梯度较小时更易出现，但模型在测试集上的整体分类效果较好。
图3为测试集中类别分类的概率，圆形的点代表正确的样本，正方形的点代表错误分类的样本，正方形的点箭头所指向的三角形的点代表正方形的点的真实类别。例如图中最左边的圆形的点表示此样本被分为1类的概率为0.51，为正确分类。类别2中正方形的点表示被错误分为2类的点，被错误分为1类的概率为0.84，箭头所指向的三角形所在类别(1类)是其正确的类别。同理类别3中的正方形的点表示被错误分为3类的点，被错误判别为3类的概率分别为0.54，这两个点的正确类别应为类别2。由图可知，测试集中的所有样本出现了2例错误分类，其余108个样本均被正确分类，且大部分样本被正确分类的概率>0.90。
实施例2：本发明模型的应用
采用实施例1的测定光谱、数据预处理等技术，对50个样本进行测定和处理，使用筛选出的最优模型进行鉴定，结果如表4所示。
表4模型应用结果
本发明对50个样本进行了测定和处理，基于马氏距离剔除1个异常值。使用筛选出的最优模型进行鉴定，检测到1个错误分类(类别2误判为类别3)，其余48个样本均分类正确，总体准确率达到0.98。
主要参考文献：
1.Dias,F.F.G.,T.R.Augusto-Obara,M.Hennebelle,S.Chantieng,G.Ozturk,A.Y.Taha,T.Vieira and J.M.Leite Nobrega de Moura Bell(2020)."Effects ofindustrial heat treatments on bovine milk oxylipins and conventional markersof lipid oxidation."Prostaglandins Leukot Essent Fatty Acids 152:102040.
2.Liu,H.,A.J.Grosvenor,X.Li,X.L.Wang,Y.Ma,S.Clerens,J.M.Dyer andL.Day(2019)."Changes in Milk Protein Interactions and Associated MolecularModification Resulting from Thermal Treatments and Storage."JFood Sci 84(7):1737-1745.
3.Zhang,Y.D.,P.Li,N.Zheng,Z.W.Jia,N.Meruva,A.Ladak,G.Cleland,F.Wen,S.L.Li,S.G.Zhao and J.Q.Wang(2018)."A metabolomics approach to characterizeraw,pasteurized,and ultra-high temperature milk using ultra-performanceliquid chromatography-quadrupole time-of-flight mass spectrometry andmultivariate data analysis."J Dairy Sci 101(11):9630-9636.
4.Zhu,D.,B.Kebede,G.Chen,K.McComb and R.Frew(2020)."Effects of thevat pasteurization process and refrigerated storage on the bovine milkmetabolome."J Dairy Sci 103(3):2077-2088。
Claims (1)
1.一种巴氏杀菌牛奶中掺加高温灭菌牛奶、巴氏杀菌牛奶和高温灭菌牛奶的快速鉴定方法，其特征在于，所述的方法包括以下步骤：
1)奶样的选取
商购不同批次的巴氏杀菌牛奶和高温灭菌牛奶，将所有高温灭菌牛奶混合，将高温灭菌牛奶按体积百分比为0％、10％、20％、50％、100％梯度分别掺到巴氏杀菌牛奶中，人工配制的五个掺假比例巴氏杀菌牛奶样本作为检测样本；
2)中红外光谱采集
采用乳成分检测仪对步骤1)的检测样本进行扫描，通过相连的计算机输出每个样本对应的透光率；
3)数据预处理
将原始光谱数据由透光率转化为吸光度,去除异常值；
4)划分数据集
按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％；
5)确定建模光谱波段
筛选巴氏杀菌牛奶、掺加了不同比例高温灭菌牛奶的巴氏杀菌牛奶以及高温灭菌牛奶的差异波段，并去除水的吸收区域；
6)建立模型与筛选最优模型
以训练集的中红外光谱作为输入值，以巴氏杀菌牛奶掺加不同比例高温灭菌牛奶所对应的类别作为输出值，使用不同光谱预处理方法和不同建模算法组合建立模型，使用准确率和kappa系数进行评估和筛选，筛选出最优模型；
7)最优模型的验证与应用
另取巴氏杀菌牛奶掺加不同比例高温灭菌的样本，使用筛选出的最优模型对样本进行鉴别，评估其应用性能。
其中：
步骤2)中采集中红外光谱时，将检测样本分别倒入直径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；
步骤3)中根据A＝log10(1/T)将透射率T转换为吸光度A，使用马氏距离和乳脂乳蛋白的百分含量去除异常值，其中，保留光谱马氏距离≤3的数据；
步骤5)中使用的筛选差异波段的方法为Pearson相关性检验和相关性的显著性检验，去除的水吸收区域为3587.94-2970.66cm-1和1716.81-1543.2cm-1；最终筛选得到1021.992-1615.399cm-1、1727.145-1792.651cm-1和2829.186-2975.612cm-1建模波段；
步骤6)中使用的光谱预处理方法为一阶微分、标准正态变量变换、多元散射校正和卷积平滑，使用的建模算法为随机森林和支持向量机；最佳预处理和算法组合为不进行预处理与支持向量机的组合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110503725.2A CN113310930A (zh) | 2021-05-10 | 2021-05-10 | 高温灭菌奶、巴氏杀菌奶和掺加高温灭菌奶的巴氏杀菌奶的光谱鉴定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110503725.2A CN113310930A (zh) | 2021-05-10 | 2021-05-10 | 高温灭菌奶、巴氏杀菌奶和掺加高温灭菌奶的巴氏杀菌奶的光谱鉴定方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113310930A true CN113310930A (zh) | 2021-08-27 |
Family
ID=77371765
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110503725.2A Pending CN113310930A (zh) | 2021-05-10 | 2021-05-10 | 高温灭菌奶、巴氏杀菌奶和掺加高温灭菌奶的巴氏杀菌奶的光谱鉴定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113310930A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113820428A (zh) * | 2021-10-11 | 2021-12-21 | 中国农业科学院农业质量标准与检测技术研究所 | 不同热加工方式牛奶的脂质组生物标志物及其筛选方法和应用 |
| CN114002307A (zh) * | 2021-10-20 | 2022-02-01 | 山东省分析测试中心 | 一种鉴别液态奶热处理程度与掺杂的分析方法和系统 |
| CN114088626A (zh) * | 2021-11-16 | 2022-02-25 | 国家食品安全风险评估中心 | 一种鉴定巴氏杀菌乳的方法及检测系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108446599A (zh) * | 2018-02-27 | 2018-08-24 | 首都师范大学 | 一种p值统计量建模独立性的高光谱图像波段快速选择方法 |
| CN108844917A (zh) * | 2018-09-29 | 2018-11-20 | 山东大学 | 一种基于显著性假设检验和偏最小二乘法的近红外光谱数据分析方法 |
| CN111579500A (zh) * | 2020-05-20 | 2020-08-25 | 湖南城市学院 | 联合室内外光谱的波段及比值组合的重金属含量支持向量机回归方法 |
| CN112525850A (zh) * | 2020-10-01 | 2021-03-19 | 华中农业大学 | 奶牛奶、马奶、骆驼奶、山羊奶和水牛奶的光谱指纹识别方法 |
| CN112666111A (zh) * | 2020-10-01 | 2021-04-16 | 华中农业大学 | 奶牛奶与马奶的快速鉴别方法 |
| CN112666112A (zh) * | 2020-10-01 | 2021-04-16 | 华中农业大学 | 骆驼奶与马奶的批量鉴别模型和方法 |
-
2021
- 2021-05-10 CN CN202110503725.2A patent/CN113310930A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108446599A (zh) * | 2018-02-27 | 2018-08-24 | 首都师范大学 | 一种p值统计量建模独立性的高光谱图像波段快速选择方法 |
| CN108844917A (zh) * | 2018-09-29 | 2018-11-20 | 山东大学 | 一种基于显著性假设检验和偏最小二乘法的近红外光谱数据分析方法 |
| CN111579500A (zh) * | 2020-05-20 | 2020-08-25 | 湖南城市学院 | 联合室内外光谱的波段及比值组合的重金属含量支持向量机回归方法 |
| CN112525850A (zh) * | 2020-10-01 | 2021-03-19 | 华中农业大学 | 奶牛奶、马奶、骆驼奶、山羊奶和水牛奶的光谱指纹识别方法 |
| CN112666111A (zh) * | 2020-10-01 | 2021-04-16 | 华中农业大学 | 奶牛奶与马奶的快速鉴别方法 |
| CN112666112A (zh) * | 2020-10-01 | 2021-04-16 | 华中农业大学 | 骆驼奶与马奶的批量鉴别模型和方法 |
Non-Patent Citations (2)
| Title |
|---|
| CHAO DU 等: ""Genetic Analysis of Milk Production Traits and Mid-Infrared Spectra in Chinese Holstein Population"", 《ANIMALS》 * |
| 张爱武 等: ""p值统计量建模独立性的高光谱波段选择方法"", 《红外与激光工程》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113820428A (zh) * | 2021-10-11 | 2021-12-21 | 中国农业科学院农业质量标准与检测技术研究所 | 不同热加工方式牛奶的脂质组生物标志物及其筛选方法和应用 |
| CN114002307A (zh) * | 2021-10-20 | 2022-02-01 | 山东省分析测试中心 | 一种鉴别液态奶热处理程度与掺杂的分析方法和系统 |
| CN114002307B (zh) * | 2021-10-20 | 2024-02-06 | 山东省分析测试中心 | 一种鉴别液态奶热处理程度与掺杂的分析方法和系统 |
| CN114088626A (zh) * | 2021-11-16 | 2022-02-25 | 国家食品安全风险评估中心 | 一种鉴定巴氏杀菌乳的方法及检测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xu et al. | Raman spectroscopy coupled with chemometrics for food authentication: A review | |
| CN113310930A (zh) | 高温灭菌奶、巴氏杀菌奶和掺加高温灭菌奶的巴氏杀菌奶的光谱鉴定方法 | |
| CN106124445A (zh) | 一种快速、无损鉴别转基因大豆方法 | |
| US20220390374A1 (en) | Method for extracting raman characteristic peaks employing improved principal component analysis | |
| CN113310936A (zh) | 四种高温灭菌商品牛奶的快速鉴定方法 | |
| CN107219184A (zh) | 一种应用于产地溯源的肉类鉴别方法及装置 | |
| CN105044024A (zh) | 一种基于近红外光谱技术对葡萄果实进行无损检测的方法 | |
| CN106950192A (zh) | 一种基于近红外光谱分析技术的植物蛋白饮料中主要成分含量快速检测的方法 | |
| Zhang et al. | Rapid recognition of marine fish surimi by one-step discriminant analysis based on near-infrared diffuse reflectance spectroscopy | |
| Zhang et al. | Rapid authentication of the geographical origin of milk using portable near‐infrared spectrometer and fuzzy uncorrelated discriminant transformation | |
| CN113310929A (zh) | 高温灭菌奶中掺加豆粉及其掺加比例的光谱鉴定方法 | |
| Sun et al. | Non-destructive detection of blackheart and soluble solids content of intact pear by online NIR spectroscopy | |
| CN112730312A (zh) | 一种基于近红外光谱技术的掺杂牛初乳定性识别方法 | |
| Yin et al. | Non-destructive detection of foreign contaminants in toast bread with near infrared spectroscopy and computer vision techniques | |
| Yavari et al. | Internet of Things milk spectrum profiling for industry 4.0 dairy and milk manufacturing | |
| CN113324943A (zh) | 牦牛奶及其掺加奶牛奶的快速鉴别模型 | |
| CN113310937A (zh) | 高温灭菌牛奶、巴氏杀菌奶牛鲜奶及奶粉复原牛奶的快速鉴定方法 | |
| CN113310934A (zh) | 骆驼奶中掺加奶牛奶及其掺加比例的快速鉴定方法 | |
| CN107121408A (zh) | 食用植物油品种的快速无损鉴别方法 | |
| CN110376154A (zh) | 基于光谱校正的水果在线检测方法及系统 | |
| CN113324942A (zh) | 原料牛奶、高温灭菌奶和掺加高温灭菌奶的原料牛奶的快速鉴定模型 | |
| CN112666114A (zh) | 利用光谱识别水牛奶与马奶的方法 | |
| Shen et al. | Discrimination of blended Chinese rice wine ages based on near-infrared spectroscopy | |
| US20230089466A1 (en) | Establishment of Identification and Screening Method of Cows with A2 Beta-Casein Genotype of Producing A2 Milk and Applications Thereof | |
| CN104914068B (zh) | 一种油脂中反式脂肪酸含量的光谱快速检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210827 |
|
| RJ01 | Rejection of invention patent application after publication |