CN113310936A - 四种高温灭菌商品牛奶的快速鉴定方法 - Google Patents
四种高温灭菌商品牛奶的快速鉴定方法 Download PDFInfo
- Publication number
- CN113310936A CN113310936A CN202110503842.9A CN202110503842A CN113310936A CN 113310936 A CN113310936 A CN 113310936A CN 202110503842 A CN202110503842 A CN 202110503842A CN 113310936 A CN113310936 A CN 113310936A
- Authority
- CN
- China
- Prior art keywords
- milk
- samples
- model
- spectrum
- pure
- 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.)
- Withdrawn
Links
- 235000013336 milk Nutrition 0.000 title claims abstract description 124
- 210000004080 milk Anatomy 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000008267 milk Substances 0.000 claims abstract description 110
- 239000005018 casein Substances 0.000 claims abstract description 33
- BECPQYXYKAMYBN-UHFFFAOYSA-N casein, tech. Chemical compound NCCCCC(C(O)=O)N=C(O)C(CC(O)=O)N=C(O)C(CCC(O)=N)N=C(O)C(CC(C)C)N=C(O)C(CCC(O)=O)N=C(O)C(CC(O)=O)N=C(O)C(CCC(O)=O)N=C(O)C(C(C)O)N=C(O)C(CCC(O)=N)N=C(O)C(CCC(O)=N)N=C(O)C(CCC(O)=N)N=C(O)C(CCC(O)=O)N=C(O)C(CCC(O)=O)N=C(O)C(COP(O)(O)=O)N=C(O)C(CCC(O)=N)N=C(O)C(N)CC1=CC=CC=C1 BECPQYXYKAMYBN-UHFFFAOYSA-N 0.000 claims abstract description 33
- 235000021240 caseins Nutrition 0.000 claims abstract description 33
- 235000020184 organic milk Nutrition 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims abstract description 16
- 238000001228 spectrum Methods 0.000 claims abstract description 16
- 230000003595 spectral effect Effects 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 8
- 230000002159 abnormal effect Effects 0.000 claims abstract description 7
- 235000020191 long-life milk Nutrition 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims abstract description 6
- 239000000523 sample Substances 0.000 claims description 22
- 238000012706 support-vector machine Methods 0.000 claims description 16
- 102000014171 Milk Proteins Human genes 0.000 claims description 11
- 108010011756 Milk Proteins Proteins 0.000 claims description 11
- 235000021243 milk fat Nutrition 0.000 claims description 11
- 235000021239 milk protein Nutrition 0.000 claims description 11
- 238000007637 random forest analysis Methods 0.000 claims description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 238000002834 transmittance Methods 0.000 claims description 8
- 238000010521 absorption reaction Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 7
- 238000002835 absorbance Methods 0.000 claims description 6
- 239000007788 liquid Substances 0.000 claims description 6
- 239000007787 solid Substances 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 239000013307 optical fiber Substances 0.000 claims description 4
- 230000004069 differentiation Effects 0.000 claims description 3
- 238000004476 mid-IR spectroscopy Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 3
- 230000001954 sterilising effect Effects 0.000 description 7
- 238000004659 sterilization and disinfection Methods 0.000 description 7
- 238000013145 classification model Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000004615 ingredient Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 235000010469 Glycine max Nutrition 0.000 description 1
- 244000068988 Glycine max Species 0.000 description 1
- GUBGYTABKSRVRQ-QKKXKWKRSA-N Lactose Natural products OC[C@H]1O[C@@H](O[C@H]2[C@H](O)[C@@H](O)C(O)O[C@@H]2CO)[C@H](O)[C@@H](O)[C@H]1O GUBGYTABKSRVRQ-QKKXKWKRSA-N 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000020248 camel milk Nutrition 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 235000013365 dairy product Nutrition 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000008101 lactose Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于奶品分析领域，具体涉及四种高温灭菌商品牛奶的快速鉴定方法，所述四种高温灭菌商品牛奶为纯牛奶、高端牛奶、有机牛奶和A2‑β酪蛋白牛奶。发明的步骤为：1)采集四种高温灭菌的牛奶的样本；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)筛选建模的光谱波段；6)将不同光谱预处理方法和建模算法进行组合，建立鉴别模型，使用准确率和Kappa系数对模型评估，筛选出最优预处理方法和建模算法组合，得到最优模型；7)对模型进行验证，评估模型的泛化能力。
Description
技术领域
本发明属于奶品分析技术领域，具体涉及高温灭菌奶中四种主要商品牛奶的快速鉴定方法，四种主要商品牛奶包括纯牛奶(蛋白质含量3.2g/100ml，脂肪含量4g/100ml)、高端牛奶(蛋白质含量3.6g/100ml,脂肪含量4.4g/100ml)、有机牛奶(3.8g/100ml,脂肪含量4.6g/100ml)和A2-β酪蛋白纯牛奶(只含有A2-β酪蛋白而不含A1-β酪蛋白的纯牛奶)。本发明的技术领域与中红外光谱分析领域相关。
背景技术
近年来，我国居民收入水平不断提高，人们的消费倾向也向更高层次、更多奶制品需求的方向转变，例如购买乳蛋白含量更高的营养型高端牛奶、健康天然的健康型有机牛奶，以及避免A1-β酪蛋白不耐受的专一型A2-β酪蛋白纯牛奶等。这些类别牛奶的价格高于纯牛奶 (常规纯牛奶)，因此，生产上亟需建立区分纯牛奶、高端牛奶、有机牛奶和A2-β酪蛋白纯牛奶的快速鉴定技术方法。
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，用于建立分类模型的机器学习算法有决策树、朴素贝叶斯、人工神经网络、自举汇聚、K最近邻、随机森林和支持向量机等，在实践中，随机森林和支持向量机具有更好的表现，错判率低，准确率、灵敏度和特异性高[4]。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，且不难避免数据不完整、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，因此需要采用一些特定的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[3]、处理缺失值、去除噪声及异常值[2]以及特征选择等，如使用一阶微分[3]、标准正态变量变换(SNV)、多元散射校正(MSC)和 SG卷积平滑[1]等挖掘分类对象差异，使用马氏距离去除异常值[3]等。
发明内容
本发明的目的是针对高温灭菌奶中四种主要商品牛奶(例如纯牛奶、高端牛奶、有机牛奶和A2-β酪蛋白牛奶)的鉴定方法存在的缺陷，确定高温灭菌奶中纯牛奶、高端牛奶、有机牛奶和A2-β酪蛋白牛奶快速鉴定的最佳预处理和建模算法组合，提高此四种牛奶的鉴别速度及准确度。
具体地，本发明的技术方案如下所述：
高温灭菌奶中四种主要商品牛奶快速鉴定方法，所述四种主要商品牛奶为纯牛奶、高端牛奶、有机牛奶和A2-β酪蛋白牛奶，所述的快速鉴定方法包括以下步骤：
1)选取奶样
分别采集纯牛奶、高端牛奶、有机牛奶和A2-β酪蛋白牛奶；
2)采集中红外光谱(MIR)
采用乳成分检测仪对上述牛奶样本进行扫描，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(T)转化为吸光度(A)，去除异常值；
4)划分数据集
将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％；
5)确定建模光谱波段
筛选纯牛奶、高端牛奶、有机牛奶和A2-β酪蛋白牛奶的差异波段，并去除水的吸收区域； 6)建立模型与筛选最优模型
以训练集样本的中红外光谱为输入值，以纯牛奶、高端牛奶、有机牛奶和A2-β酪蛋白牛奶的类别为输出值，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系数指标对模型进行评估和筛选，筛选得到最优模型；
7)最优模型的验证与应用
另取纯牛奶、高端牛奶、有机牛奶和A2-β酪蛋白牛奶样本，利用筛选得到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；
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，保留光谱马氏距离≤3、乳脂和乳蛋白百分含量在平均值±3.5 个标准差范围内的数据，其中，马氏距离的计算方法为MD＝sqrt[(x-μ)TΣ-1(x-μ)]，x为光谱值，μ为样本均值，Σ为协方差矩阵，T表示转置，乳脂乳蛋白百分含量的平均值计算方法为M＝(x1+x2+...+xn)/n，即n个样本的平均乳脂、乳蛋白含量，标准差计算方法为 SD＝sqrt{[(x1-M)2+(x2-M)2+......(xn-M)2]/(n-1)}；
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，最终用于建模的光谱波段为1188.264-1365.732cm-1；1427.46-1581.78cm-1；2430.54-2700.6cm-1和2719.89-2835.63cm-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(MSC)和SG卷积平滑，使用的建模算法为随机森林(RF)和支持向量机(SVM)。
步骤7)中选择的最优模型为一阶微分和支持向量机算法组合，最优模型在训练集、测试集和验证集中的准确率均为1，且验证过程不超过5分钟，即本发明选择的最优模型可以对高温灭菌的纯牛奶、高端牛奶、有机牛奶和A2-β酪蛋白牛奶实现快速、精准鉴别。
上述四种主要商品牛奶包括纯牛奶(蛋白质含量3.2g/100ml，脂肪含量4g/100ml)、高端牛奶(蛋白质含量3.6g/100ml,脂肪含量4.4g/100ml)、有机牛奶(3.8g/100ml,脂肪含量 4.6g/100ml)和A2-β酪蛋白纯牛奶(只含有A2-β酪蛋白而不含A1-β酪蛋白的纯牛奶)
本发明的有益效果在于：
(1)本发明的要求在于：使用Pearson相关性检验和相关性的显著性检验筛选出差异波段，筛选出最终用于建模的光谱波段为1188.264-1365.732cm-1；1427.46-1581.78cm-1； 2430.54-2700.6cm-1和2719.89-2835.63cm-1，使用了更少的波点，减少了运算成本；
(2)本发明最优模型的预处理和建模算法组合为一阶微分和支持向量机算法，准确率可达到1；
(3)本发明可在5分钟内实现对样本的精准、快速鉴别，实现了对高温灭菌的纯牛奶、高端牛奶、有机牛奶和A2-β酪蛋白牛奶的快速检测。
附图说明
图1：本发明建模波段的光谱图。即四类高温灭菌牛奶在建模波段的吸光值图，附图标记说明图1中横坐标为光谱波数，纵坐标为吸光度，建模波段为1188.264-1365.732cm-1； 1427.46-1581.78cm-1；2430.54-2700.6cm-1和2719.89-2835.63cm-1。图1中的A是1188.264-1365.732cm-1和1427.46-1581.78cm-1波数范围的光谱图，图1中的图B是2430.54-2700.6cm-1和2719.89-2835.63cm-1波数范围的光谱图。
图2：本发明测试集的ROC曲线。ROC曲线可以衡量模型在测试集的性能，附图标记说明：图2 中的横坐标为假阳性率，纵坐标为真阳性率；AUC为ROC曲线下与坐标轴围成的面积，其取值范围在0.5和1之间，如AUC越接近1.0，表明素数的方法的真实性越高，图2中AUC为1，表明本发明的模型真实性高。
图3：本发明测试集的分类概率图。附图标记说明：图3中横坐标为预测概率，纵坐标为预测的类别，例如图3中左下方的圆点表示预测样本被分为0类的概率为0.626，分类正确；图3中表明测试集中的样本均被正确分类，且0类即高温灭菌的纯牛奶被正确分类的概率为 0.642-0.999,1类即高端牛奶被正确分类的概率为0.844-0.999，2类即有机牛奶被正确分类的概率为0.626-0.991，3类即A2-β酪蛋白牛奶被正确分类的概率为0.890-0.993。表明本发明的模型能够对样本实现高概率的正确分类。
具体实施方式
本发明所述技术方案，如未特别说明，均为本领域的常规方案；所述试剂或材料，如未特别说明，均来源于商业渠道。
本发明方案中的一阶微分(Diff)、标准正态变量变换(SNV)、多元散射校正(MSC)和SG卷积平滑等参数调整，为本领域技术人员根据研究对象进行的常规调整。
在本发明实施例中，中红外光谱数据预处理、模型构建及验证等均通过Python3.8.3实现。
实施例1：模型的建立与筛选
仪器与设备：
选自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
分别在超市购买目前中国销量较大的四个品牌多批次高温灭菌的纯牛奶样本194个，二个品牌多批次高温灭菌高端牛奶样本140个，高温灭菌有机牛奶样本70个，二个品牌多批次α2-β酪蛋白牛奶样本175个。
(2)测定中红外光谱
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
依据A＝log10(1/T)将原始光谱数据由透光率(T)转化为吸光度(A)，计算出所有奶样本MIR的马氏距离，保留光谱马氏距离≤3，乳脂和乳蛋白百分含量在平均值±3.5个标准差范围内的数据，表1为此过程的样本量变化统计，除去3个高温灭菌纯牛奶、3个有机牛奶和3个A2-β酪蛋白牛奶异常样本，得到有效高温灭菌纯牛奶样本191个高端牛奶样本140个、有机牛奶样本67个和A2-β酪蛋白牛奶样本172个。
(4)划分数据集
将数据集按分层抽样法分为训练集(n＝456：如高温灭菌纯牛奶153个，高端牛奶112个，有机牛奶54个，α2-β酪蛋白牛奶137个)和测试集(n＝114：如高温灭菌纯牛奶38个，高端牛奶28个，有机牛奶13个，A2-β酪蛋白牛奶35个)。
在建模过程中，数值0表示高温灭菌的纯牛奶类，1表示高端牛奶类，2表示有机牛奶类， 3表示A2-β酪蛋白牛奶类。表2为4类奶常规乳成分的描述性统计，由表2可知，有机牛奶的乳脂、乳蛋白、乳糖、非乳脂固形物(SNF)和总固形物(TS)百分含量均极显著高于其他3类牛奶(P<0.01)。
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
注：同行数据肩标不同字母表示差异显著(P<0.05)，有相同字母表示差异不显著(P>0.05)。
(5)确定建模光谱波段
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，且去除水的吸收区域，最终选择1188.264-1365.732cm-1；1427.46-1581.78cm-1；2430.54-2700.6cm-1和2719.89-2835.63cm-1进行建模。图1为建模波段的光谱。
(6)建立模型与筛选最优模型
分别采用一阶微分(Diff)、标准正态变量变换(SNV)、多元散射校正(MSC)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。
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算法的建模结果如下表所示。
表3不同预处理下RF和SVM的建模结果
在此多分类判别模型中，以准确率和Kappa系数评价模型的性能，其中，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的结果可知，SVM算法在此分类任务中比RF算法表现出强的学习能力，且一阶微分处理和SG卷积平滑处理的SVM模型在骆驼奶掺假的分类训练中均取得优秀的结果，说明这2个模型均能准确鉴别训练集和测试集的分类目标。预处理时对光谱数据使用一阶微分运算比SG卷积平滑更简单，且运行时长也更短，因此，在具有相同效果的2个模型中选择一阶微分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114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，本实施例中测试集没有出现错分类情况，说明模型在测试集上具有良好的分类效果。图3为测试集中类别分类的概率，例如图3中左下方的圆点表示此样本被分为0类的概率为0.626，且为正确分类。由图3可知，测试集中的所有样本均被正确分类，且大部分样本被正确分类的概率>0.9。
实施例2：本发明构建模型的应用
取36个高温灭菌的牛奶样本对模型进行验证，将预测结果与真实结果对比。其中，此36 个样本的类型已提前记录。
具体步骤：采用实施例1的测定光谱、数据预处理等方法，对36个牛奶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
鉴定的结果与真实情况完全相同，本发明对13个纯牛奶，8个高端牛奶，5个有机牛奶和10个A2-β酪蛋白牛奶的鉴定准确率达到100％。
本发明的最优模型使用的光谱波段为1188.264-1365.732cm-1；1427.46-1581.78cm-1； 2430.54-2700.6cm-1和2719.89-2835.63cm-1，使用了更少的波点，减少了运算成本；最优模型的预处理和建模算法组合为一阶微分和支持向量机算法，准确率可达到1；可在5分钟内实现对样本的精准、快速鉴别，实现了对高温灭菌的纯牛奶、高端牛奶、有机牛奶和A2-β酪蛋白牛奶的快速检测。
参考文献
[1]汪六三等，基于近红外光谱和机器学习的大豆种皮裂纹识别研究[J/OL].农业机械学报:1-15[2021-04-27].http://kns.cnki.net/kcms/detail/11.1964.s.20210329.1535.006.html；
[2]C.C.Fagan,C.Everard,C.P.O’Donnell,G.Downey,E.M.Sheehan,C.M.Delahunty,D.J.O’Callaghan. Evaluating Mid-infrared Spectroscopy as a NewTechnique for Predicting Sensory Texture Attributes of Processed Cheese[J].Journal of Dairy Science,2007,90(3)；
[3]Soyeurt H.,Grelet C.,McParland S.,Calmels M.,Coffey M.,Tedde A.,Delhez P.,Dehareng F.,Gengler N..A comparison of 4different machine learningalgorithms to predict lactoferrin content in bovine milk from mid-infraredspectra[J].Journal of Dairy Science,2020,103(12)；
[4]Xu W,Knegsel A,Vervoort J,et al.Prediction of metabolic status ofdairy cows in early lactation with on-farm cow data and machine learningalgorithms[J].Journal of Dairy Science,2019,102(11)。
Claims (1)
1.高温灭菌奶中四种商品牛奶的鉴定方法，所述四种商品牛奶为纯牛奶、高端牛奶、有机牛奶和A2-β酪蛋白牛奶其特征在于，所述方法包括以下步骤：
1)选取奶样
分别采集高温灭菌的纯牛奶、高端牛奶、有机牛奶和A2-β酪蛋白牛奶；
2)采集中红外光谱
采用乳成分检测仪对上述牛奶样本进行扫描，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
将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％；
5)确定建模光谱波段
筛选纯牛奶、高端牛奶、有机牛奶和A2-β酪蛋白牛奶的差异波段，并去除水的吸收区域；
6)建立模型与筛选最优模型
以训练集样本的中红外光谱为输入值，以纯牛奶、高端牛奶、有机牛奶和A2-β酪蛋白牛奶的类别为输出值，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系数指标对模型进行评估和筛选，筛选得到最优模型；
7)最优模型的验证与应用
另取纯牛奶、高端牛奶、有机牛奶和A2-β酪蛋白牛奶样本，利用筛选得到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；
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，保留光谱马氏距离≤3、乳脂和乳蛋白百分含量在平均值±3.5个标准差范围内的数据，其中，马氏距离的计算方法为MD＝sqrt[(x-μ)TΣ-1(x-μ)]，x为光谱值，μ为样本均值，Σ为协方差矩阵，T表示转置，乳脂乳蛋白百分含量的平均值计算方法为M＝(x1+x2+...+xn)/n，即n个样本的平均乳脂、乳蛋白含量，标准差计算方法为SD＝sqrt{[(x1-M)2+(x2-M)2+......(xn-M)2]/(n-1)}；
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，最终用于建模的光谱波段为1188.264-1365.732cm-1；1427.46-1581.78cm-1；2430.54-2700.6cm-1和2719.89-2835.63cm-1；
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SG卷积平滑，使用的建模算法为随机森林和支持向量机；
步骤7)中最优模型的验证与应用的最优模型为一阶微分和支持向量机算法组合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110503842.9A CN113310936A (zh) | 2021-05-10 | 2021-05-10 | 四种高温灭菌商品牛奶的快速鉴定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110503842.9A CN113310936A (zh) | 2021-05-10 | 2021-05-10 | 四种高温灭菌商品牛奶的快速鉴定方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113310936A true CN113310936A (zh) | 2021-08-27 |
Family
ID=77371857
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110503842.9A Withdrawn CN113310936A (zh) | 2021-05-10 | 2021-05-10 | 四种高温灭菌商品牛奶的快速鉴定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113310936A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113916824A (zh) * | 2021-11-01 | 2022-01-11 | 华中农业大学 | 牛奶中αs1-酪蛋白的中红外快速批量检测方法 |
| CN114184573A (zh) * | 2021-11-01 | 2022-03-15 | 华中农业大学 | 牛奶中κ-酪蛋白的中红外快速批量检测方法 |
| CN114184571A (zh) * | 2021-11-01 | 2022-03-15 | 华中农业大学 | 牛奶中总酪蛋白含量的中红外快速批量检测方法 |
| CN114544540A (zh) * | 2022-02-28 | 2022-05-27 | 华中农业大学 | 牛奶中A2型β酪蛋白含量的快速批量检测方法 |
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 |
| 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 |
| 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 |
-
2021
- 2021-05-10 CN CN202110503842.9A patent/CN113310936A/zh not_active Withdrawn
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 |
| 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 |
| 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 |
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 (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113916824A (zh) * | 2021-11-01 | 2022-01-11 | 华中农业大学 | 牛奶中αs1-酪蛋白的中红外快速批量检测方法 |
| CN114184573A (zh) * | 2021-11-01 | 2022-03-15 | 华中农业大学 | 牛奶中κ-酪蛋白的中红外快速批量检测方法 |
| CN114184571A (zh) * | 2021-11-01 | 2022-03-15 | 华中农业大学 | 牛奶中总酪蛋白含量的中红外快速批量检测方法 |
| CN114184571B (zh) * | 2021-11-01 | 2024-02-13 | 华中农业大学 | 牛奶中总酪蛋白含量的中红外快速批量检测方法 |
| CN114544540A (zh) * | 2022-02-28 | 2022-05-27 | 华中农业大学 | 牛奶中A2型β酪蛋白含量的快速批量检测方法 |
| CN114544540B (zh) * | 2022-02-28 | 2022-11-29 | 华中农业大学 | 牛奶中A2型β酪蛋白含量的快速批量检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113310936A (zh) | 四种高温灭菌商品牛奶的快速鉴定方法 | |
| Xing et al. | Combination of chemometric tools and image processing for bruise detection on apples | |
| JP6339244B2 (ja) | Ｆｔ−ｉｒスペクトルデータの多変量統計分析を用いた果実の糖度及び酸度の予測方法 | |
| Guzmán et al. | Determination of the olive maturity index of intact fruits using image analysis | |
| Jiang et al. | Nondestructive detection and quantification of blueberry bruising using near-infrared (NIR) hyperspectral reflectance imaging | |
| Cubero et al. | A new method for assessment of bunch compactness using automated image analysis | |
| Wu et al. | Classification of apple varieties using near infrared reflectance spectroscopy and fuzzy discriminant c‐means clustering model | |
| Sharma et al. | Rapid ripening stage classification and dry matter prediction of durian pulp using a pushbroom near infrared hyperspectral imaging system | |
| Vakilian et al. | An apple grading system according to European fruit quality standards using Gabor filter and artificial neural networks | |
| Jiang et al. | Rapid nondestructive detecting of wheat varieties and mixing ratio by combining hyperspectral imaging and ensemble learning | |
| Rafiq et al. | Application of computer vision system in food processing | |
| 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 | |
| Sun et al. | Non-destructive detection of blackheart and soluble solids content of intact pear by online NIR spectroscopy | |
| 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 | |
| CN113324943A (zh) | 牦牛奶及其掺加奶牛奶的快速鉴别模型 | |
| CN113310934A (zh) | 骆驼奶中掺加奶牛奶及其掺加比例的快速鉴定方法 | |
| US20230089466A1 (en) | Establishment of Identification and Screening Method of Cows with A2 Beta-Casein Genotype of Producing A2 Milk and Applications Thereof | |
| CN110084227A (zh) | 基于近红外光谱技术的模式识别方法 | |
| 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 | |
| CN113310938A (zh) | 一种巴氏杀菌的水牛鲜奶和奶牛鲜奶的快速鉴定方法 | |
| Kavdır et al. | Classification of olives using FT-NIR spectroscopy, neural networks and statistical classifiers | |
| Gomes et al. | Towards robust Machine Learning models for grape ripeness assessment | |
| CN113310933A (zh) | 原料水牛奶保存天数的光谱鉴定方法 | |
| Su et al. | Identification of damage in pear using hyperspectral imaging technology | |
| CN115630332A (zh) | 一种小麦粉粉质特性预测方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210827 |