CN115184298B - 一种基于近红外光谱在线监测酱油品质的方法 - Google Patents
一种基于近红外光谱在线监测酱油品质的方法 Download PDFInfo
- Publication number
- CN115184298B CN115184298B CN202210585229.0A CN202210585229A CN115184298B CN 115184298 B CN115184298 B CN 115184298B CN 202210585229 A CN202210585229 A CN 202210585229A CN 115184298 B CN115184298 B CN 115184298B
- Authority
- CN
- China
- Prior art keywords
- near infrared
- soy sauce
- sample
- spectrum
- infrared spectrum
- 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.)
- Active
Links
- 235000013555 soy sauce Nutrition 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 24
- 238000012544 monitoring process Methods 0.000 title claims abstract description 11
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims abstract description 36
- 238000001228 spectrum Methods 0.000 claims abstract description 28
- 239000002253 acid Substances 0.000 claims abstract description 20
- 229910052757 nitrogen Inorganic materials 0.000 claims abstract description 18
- 239000007787 solid Substances 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 150000001413 amino acids Chemical class 0.000 claims abstract description 9
- 150000003863 ammonium salts Chemical class 0.000 claims abstract description 9
- 150000003839 salts Chemical class 0.000 claims abstract description 8
- 238000010561 standard procedure Methods 0.000 claims abstract description 5
- 238000012937 correction Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000002203 pretreatment Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 7
- 230000002452 interceptive effect Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000000855 fermentation Methods 0.000 claims description 5
- 230000004151 fermentation Effects 0.000 claims description 5
- 239000007788 liquid Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000006228 supernatant Substances 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 9
- 238000001514 detection method Methods 0.000 abstract description 5
- 239000003153 chemical reaction reagent Substances 0.000 abstract 1
- 238000004186 food analysis Methods 0.000 abstract 1
- 235000010469 Glycine max Nutrition 0.000 description 13
- 239000000126 substance Substances 0.000 description 12
- 235000002639 sodium chloride Nutrition 0.000 description 6
- 238000005259 measurement Methods 0.000 description 4
- 244000068988 Glycine max Species 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 241000209140 Triticum Species 0.000 description 2
- 235000021307 Triticum Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000011194 food seasoning agent Nutrition 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical group [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 1
- 150000007513 acids Chemical class 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000012569 chemometric method Methods 0.000 description 1
- 235000021107 fermented food Nutrition 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000003205 fragrance Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 235000010755 mineral Nutrition 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000011780 sodium chloride Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 235000015099 wheat brans Nutrition 0.000 description 1
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
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Abstract
本发明涉及食品分析领域,公开了一种基于近红外光谱在线监测酱油品质的方法,检测步骤为:首先采用近红外光谱仪采集酱油样品的原始近红外光谱,计算平均近红外光谱;利用偏最小二乘法,结合采用国标方法测定的酱油样品的成分含量;然后对光谱进行预处理和建模波段选择;分别建立酱油样品中pH、总酸、氨基酸态氮、含盐量、还原糖、全氮、可溶性无盐固形物、铵盐、总糖的近红外定量预测模型。本发明无需添加化学试剂,操作简单、高效,可实现在线监测,有效指导生产,降低成本,减少污染。
Description
技术领域
本发明涉及食品快速检测分析领域,具体为一种基于近红外光谱在线监测酱油品质的方法。
背景技术
酱油是一种由大豆、谷物(小麦)和矿物质制成的传统发酵食品,以大豆和/或脱脂大豆、小麦和/或麸皮为原料,经微生发酵制成的具有特殊色、香、味的液体调味品,是人们日常生活中必不可少的调味品。
全氮、总酸和氨基酸态氮是酱油三个最重要的必检质量指标。酱油常规检测的质量指标还有食盐、铵盐、还原糖、无盐固形物等。在酱油生产过程中对这些指标的检测基本是离线检测,而检测这些指标的方法比较繁琐费时,无法满足酱油生产现代智能化的要求,还增加了生产成本。
近红外光谱分析技术具有无需制样,无损测量,效率高,适合在线检测,无污染、分析结果重现性高等优点,因此近红外光谱分析可用于酱油的生产,降低生产成本,提高工作效率。
发明内容
基于此,本发明的目的是为提高工作效率,降低生产成本,提供了一种基于近红外光谱在线监测酱油品质的方法,建立酱油生产过程中pH、总酸、氨基酸态氮、含盐量、还原糖、全氮、可溶性无盐固形物、铵盐、总糖的含量预测模型,为实现在线智能化监测酱油品质和质量控制提高了科学依据。
为实现上述目的,本发明提供如下技术方案:S1.采集不同发酵时间的酱油样品,分别进行离心取上清液;
S2.使用国标法测定酱油样品的pH、总酸、氨基酸态氮、含盐量、还原糖、全氮、可溶性无盐固形物、铵盐、总糖的含量;
S3.采集酱油样品的近红外光谱数据;
S4.利用Thermo Fisher公司开发的TQ Analyst 9近红外建模软件对光谱进行预处理和特征波段筛选;
S5.根据样品各个成分浓度的高低,采用隔三取一的方式划分样品的校正集和检验集;
S6.将酱油样品的平均近红外光谱与国标法测得的成分含量进行关联,建立酱油样品中pH、总酸、氨基酸态氮、含盐量、还原糖、全氮、可溶性无盐固形物、铵盐、总糖的定量预测模型。
S7.根据模型的校正集的决定系数(R2)、交互验证均方根误差(RMSECV)、检验集的决定系数(R2)、预测均方根误差(RMSEP)来判断模型的质量,从而筛选出酱油样品中pH、总酸、氨基酸态氮、含盐量、还原糖、全氮、可溶性无盐固形物、铵盐、总糖的最佳近红外定量预测模型。
所述步骤S1中,酱油样品的前处理步骤为待测样品经3000r/min离心10min,取上清液。
所述步骤S3中,采用上海棱光技术有限公司的S450近红外光谱分析仪对酱油样品进行光谱数据采集,仪器参数为:扫描范围为900nm-2500nm,以仪器内置背景为参比,分辨率为12cm-1,采样间隔为4nm,扫描次数6次。
所述步骤S4中,光谱预处理方法为一阶导数(FD)、二阶导数(MD)、多元散射校正(MSC)其中一种或两种。
所述步骤S4中,特征波段筛选采用软件TQ Analyst 9推荐方法进行选取。
所述步骤S6中,建立定量预测模型的方法采用的化学计量法为偏最小二乘法。
综上所述,本发明主要具有以下有益效果:
本发明操作简单高效,能够在短时间内获取酱油样品的成分信息,可以实现酱油生产的在线监测和质量控制;大大降低了生产成本,同时对环境不造成污染。
附图说明
图1为本发明酱油样品的平均近红外光谱图;
图2为本发明酱油总酸定量预测模型的校正集、检验集化学值与预测值的相关性;
图3为本发明酱油还原糖定量预测模型的校正集、检验集化学值与预测值的相关性;
图4为本发明酱油可溶性无盐固形物定量预测模型的校正集、检验集化学值与预测值的相关性。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
下面根据本发明的整体结构,对其实施例进行说明。
实施例1
基于近红外光谱测定酱油样品总酸的含量:
S1.选取139个不同发酵时间不同发酵罐的酱油样品,总酸的含量范围为0.03-2.31g/100ml。
S2.采用上海棱光技术有限公司的S450近红外光谱分析仪对酱油样品进行光谱数据采集,仪器参数为:扫描范围为900nm-2500nm,以仪器内置背景为参比,分辨率为12cm-1,采样间隔为4nm,扫描次数6次,每次取5mL酱油样品于液体杯内进行采集,每个样品扫描2次,然后计算其平均光谱作为最终分析光谱。
S3.采用国标法测定酱油样品中的总酸含量,根据马氏距离将异常光谱剔除,然后根据含量高低,采取隔三取一的方法划分样品集,所有样品的总酸含量的测定结果如下表:
表1酱油样品总酸的化学测定值
S4.利用TQ Analyst 9近红外建模软件对光谱进行预处理和特征波段筛选,然后将酱油光谱与酱油样品的总酸含量的化学值进行关联,采用偏最小二乘法建立定量预测模型。选取的特征波段为1512nm-2224nm,表2为不同光谱预处理方法下的酱油总酸模型参数比较。
表2不同光谱预处理方法下的酱油总酸模型参数
S5.通过不同光谱预处理方法的模型的校正集的决定系数(R2)、交互验证均方根误差(RMSECV)、检验集的决定系数(R2)、预测均方根误差(RMSEP)比较发现,经MSC处理后得到的酱油总酸含量预测模型为最优,其校正集R2=0.9803最高,交叉验正均方根误差RMSEC=0.117最低。
S6.图2为酱油总酸定量预测模型的校正集、检验集化学值与预测值的相关性。
实施例2
基于近红外光谱测定酱油样品还原糖的含量:
方法步骤与实施例1相同。
S1.样品的数据采集同实施例1,还原糖的含量范围为0.96-8.2g/100ml;
S2.样品的近红外光谱采集方法同实施例1;
S3.异常光谱剔除方法及样品分组方法同实施例1,所有样品校正集和检验集的还原糖含量的测定结果如下表:
表3酱油样品还原糖的化学测定值
S4.利用TQ Analyst 9近红外建模软件对光谱进行预处理和特征波段筛选,然后将酱油光谱与酱油样品的还原糖含量的化学值进行关联,采用偏最小二乘法建立定量预测模型。选取的特征波段为1452nm-1940nm、2140nm-2284nm,表4为不同光谱预处理方法下的酱油还原糖模型参数比较;
表4不同光谱预处理方法下的酱油还原糖模型参数
S5.通过不同光谱预处理方法的模型的校正集的决定系数(R2)、交互验证均方根误差(RMSECV)、检验集的决定系数(R2)、预测均方根误差(RMSEP)比较发现,由MSC处理后得到的模型最优,其校正集R2=0.9834最高,校正均方根误差RMSEC=0.281最低。
S6.图3为酱油还原糖定量预测模型的校正集、检验集化学值与预测值的相关性。
实施例3
基于近红外光谱测定酱油样品可溶性无盐固形物的含量:
方法步骤与实施例1相同。
S1.样品的数据采集同实施例1,可溶性无盐固形物的含量范围为2.83-22.08g/100ml;
S2.样品的近红外光谱采集方法同实施例1;
S3.异常光谱剔除方法及样品分组方法同实施例1,所有样品校正集和检验集的还原糖含量的测定结果如下表:
表5酱油样品可溶性无盐固形物的化学测定值
S4.利用TQ Analyst 9近红外建模软件对光谱进行预处理和特征波段筛选,然后将酱油光谱与酱油样品的可溶性无盐固形物含量的化学值进行关联,采用偏最小二乘法建立定量预测模型。选取的特征波段为1132nm-1364nm、1508nm-2224nm,表6为不同光谱预处理方法下的酱油可溶性无盐固形物模型参数比较。
表6不同光谱预处理方法下的酱油可溶性无盐固形物模型参数
S5.通过不同光谱预处理方法的模型的校正集的决定系数(R2)、交互验证均方根误差(RMSECV)、检验集的决定系数(R2)、预测均方根误差(RMSEP)比较发现,由FD处理后得到的模型最优,其校正集R2=0.9964最高,校正均方根误差RMSEC=0.388最低。
S6.图4为酱油可溶性无盐固形物定量预测模型的校正集、检验集化学值与预测值的相关性。
酱油中的氨基酸态氮、食盐、全氮、铵盐等质量指标的近红外模型建立方法与以上总酸、还原糖、可溶性无盐固形物相同。
尽管已经示出和描述了本发明的实施例,但本具体实施例仅仅是对本发明的解释,其并不是对发明的限制,描述的具体特征、结构、材料或者特点可以在任何一个或多个实施例或示例中以合适的方式结合,本领域技术人员在阅读完本说明书后可在不脱离本发明的原理和宗旨的情况下,可以根据需要对实施例做出没有创造性贡献的修改、替换和变型等,但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (3)
1.一种基于近红外光谱在线监测酱油品质的方法,其特征在于,包括以下步骤:
S1.样品采集:采集不同发酵时间的酱油样品并对样品进行前处理,前处理方法为:3000r/min离心,取上清液;
S2.数据采集:采用近红外光谱仪采集酱油样品的原始近红外光谱图,计算其平均图谱;近红外光谱仪采集数据的仪器参数为:扫描范围为900nm-2500nm,以仪器内置背景为参比,分辨率为12cm-1,采样间隔为4nm,扫描次数6次;
S3.光谱预处理及建模波段选择:利用Thermo Fisher公司开发的TQ Analyst9近红外建模软件对光谱进行预处理和特征波段筛选,测定样品中总酸含量选取的特征波段为1512nm-2224nm,预处理方法为多元散射校正;测定样品中还原糖含量选取的特征波段为1452nm-1940nm、2140nm-2284nm,预处理方法为多元散射校正;测定样品中可溶性无盐固形物含量选取的特征波段为1132nm-1364nm、1508nm-2224nm,预处理方法为一阶导数;
S4.样品集划分:根据样品成分浓度的高低,采用隔三取一的方式划分样品的校正集和检验集;
S5.建立定量预测模型:将酱油样品的平均近红外光谱与国标法测得的成分含量进行关联,建立酱油样品中pH、总酸、氨基酸态氮、含盐量、还原糖、全氮、可溶性无盐固形物、铵盐、总糖的偏最小二乘法模型。
2.根据权利要求1所述的一种基于近红外光谱在线监测酱油品质的方法,其特征在于:步骤S2中,每次取5mL酱油样品于液体杯内进行采集,每个样品扫描2次,然后计算其平均光谱作为最终分析光谱。
3.根据权利要求1所述的一种基于近红外光谱在线监测酱油品质的方法,其特征在于:步骤S5中,通过比较各个不同预处理下的偏最小二乘法定量模型的校正集的决定系数、交互验证均方根误差、检验集的决定系数、预测均方根误差来判断模型的质量,从而筛选出酱油样品中pH、总酸、氨基酸态氮、含盐量、还原糖、全氮、可溶性无盐固形物、铵盐、总糖的最佳近红外定量预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210585229.0A CN115184298B (zh) | 2022-05-26 | 2022-05-26 | 一种基于近红外光谱在线监测酱油品质的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210585229.0A CN115184298B (zh) | 2022-05-26 | 2022-05-26 | 一种基于近红外光谱在线监测酱油品质的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115184298A CN115184298A (zh) | 2022-10-14 |
CN115184298B true CN115184298B (zh) | 2024-04-16 |
Family
ID=83514001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210585229.0A Active CN115184298B (zh) | 2022-05-26 | 2022-05-26 | 一种基于近红外光谱在线监测酱油品质的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115184298B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102053072A (zh) * | 2010-11-26 | 2011-05-11 | 西南大学 | 基于最小偏二乘法的酿造酱油和配制酱油的鉴别方法 |
WO2018010352A1 (zh) * | 2016-07-11 | 2018-01-18 | 上海创和亿电子科技发展有限公司 | 一种定性定量相结合的近红外定量模型构建方法 |
CN108519348A (zh) * | 2018-04-17 | 2018-09-11 | 宁夏医科大学 | 甘草药材近红外定量分析模型及检测方法和标准 |
CN109283153A (zh) * | 2018-11-26 | 2019-01-29 | 佛山市海天(高明)调味食品有限公司 | 一种酱油定量分析模型的建立方法 |
CN109297928A (zh) * | 2018-11-26 | 2019-02-01 | 佛山市海天(高明)调味食品有限公司 | 一种检测酱油品质的方法及系统 |
-
2022
- 2022-05-26 CN CN202210585229.0A patent/CN115184298B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102053072A (zh) * | 2010-11-26 | 2011-05-11 | 西南大学 | 基于最小偏二乘法的酿造酱油和配制酱油的鉴别方法 |
WO2018010352A1 (zh) * | 2016-07-11 | 2018-01-18 | 上海创和亿电子科技发展有限公司 | 一种定性定量相结合的近红外定量模型构建方法 |
CN108519348A (zh) * | 2018-04-17 | 2018-09-11 | 宁夏医科大学 | 甘草药材近红外定量分析模型及检测方法和标准 |
CN109283153A (zh) * | 2018-11-26 | 2019-01-29 | 佛山市海天(高明)调味食品有限公司 | 一种酱油定量分析模型的建立方法 |
CN109297928A (zh) * | 2018-11-26 | 2019-02-01 | 佛山市海天(高明)调味食品有限公司 | 一种检测酱油品质的方法及系统 |
Non-Patent Citations (2)
Title |
---|
刘燕德,周超编著.无损智能检测技术及应用.华中科技大学出版社,2007,(第978-7-5609-4214-8版),105-106. * |
近红外光谱-偏最小二乘法非破坏分析酱油的主要成分;包春芳等;吉林大学学报(理学版);第47卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115184298A (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cuadrado et al. | Comparison and joint use of near infrared spectroscopy and Fourier transform mid infrared spectroscopy for the determination of wine parameters | |
CN111537469A (zh) | 一种基于近红外技术的苹果品质快速无损检测方法 | |
CN109211829A (zh) | 一种基于SiPLS的近红外光谱法测定大米中水分含量的方法 | |
Yu et al. | Quality determination of Chinese rice wine based on Fourier transform near infrared spectroscopy | |
CN111504942A (zh) | 一种提高牛奶中蛋白质预测精度的近红外光谱分析方法 | |
WO2020248961A1 (zh) | 一种无参考值的光谱波数选择方法 | |
CN108613943B (zh) | 一种基于光谱形态转移的近红外单籽粒作物成分检测方法 | |
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 | |
CN106525755A (zh) | 基于近红外光谱技术的油砂pH值测试方法 | |
CN101349638A (zh) | 果蔬维生素c含量的光谱快速无损检测方法 | |
CN110672578A (zh) | 针对煎炸油极性组分检测的模型通用性及稳定性验证方法 | |
CN113655027A (zh) | 一种近红外快速检测植物中单宁含量的方法 | |
CN109100315B (zh) | 一种基于噪信比的波长选择方法 | |
CN115184298B (zh) | 一种基于近红外光谱在线监测酱油品质的方法 | |
CN105954228A (zh) | 基于近红外光谱的油砂中金属钠含量的测量方法 | |
CN113030011A (zh) | 水果糖度快速无损检测方法及检测系统 | |
CN110231306A (zh) | 一种无损、快速测定奇亚籽蛋白质含量的方法 | |
CN104181125A (zh) | 快速测定啤酒麦芽中库尔巴哈值的方法 | |
CN114324233A (zh) | 农产品营养成分近红外无损在线品质检测方法和系统 | |
CN113125378A (zh) | 基于近红外光谱的不同部位驼肉中营养成分的快速检测方法 | |
CN110907392A (zh) | 一种基于红外光谱分析的三聚氰胺检测系统及其用途和方法 | |
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 | |
CN111027025A (zh) | 一种筛选红外光谱特征波长用于预测葡萄酒品质参数的方法 | |
CN115420708B (zh) | 一种干辣椒中辣椒素类物质近红外无损检测的方法 | |
CN110231303A (zh) | 一种快速测定奇亚籽灰分含量的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |