Análisis Espectral Avanzado para Composición Precisa de Leche

La leche es uno de los productos más ampliamente utilizados, así como la materia prima de todos los productos lácteos. Dado esto, medir los componentes de la leche se ha vuelto muy crucial para la industria láctea. Cada producto lácteo requiere leche con diferentes proporciones de sus contenidos. Además, para mantener el seguimiento de la calidad del producto, los contenidos de la leche deben medirse regularmente.

Figura 1. La relación entre los datos de referencia (análisis químico) y los resultados predichos de nuestro modelo. Cada círculo representa una muestra de prueba donde la coordenada x es el valor de referencia y la coordenada y es la predicción del modelo. La línea roja representa el modelo ideal y R2 (valor ideal es 1) muestra cuánto se desvía el modelo del ideal.

Impacto en Industria Láctea y Ganadera

Además de la industria láctea, el análisis de leche tiene un alto impacto en la industria ganadera de suministro de leche. Los contenidos de la leche están estrechamente relacionados con la salud del animal y la calidad y contenido de su alimentación. En consecuencia, estas mediciones pueden proporcionar insights valiosos para mejorar la calidad y selección de su alimentación, así como insights valiosos para diagnóstico temprano y tratamiento de animales enfermos.

Hoy en día, los métodos más precisos para análisis de leche son métodos de descomposición química que son lentos, destructivos y deben hacerse en el laboratorio, no en el campo. Prácticamente, los usuarios normalmente toman muestras de muchos lotes de leche y obtienen una conclusión promediada para todos los lotes. Monitorear salud y calidad de alimentación de los animales usando estos métodos es extremadamente costoso y muy ineficiente.

Una herramienta simple para medición rápida de los contenidos de la leche sería un progreso significativo en ambas industrias, láctea y ganadera. Esta herramienta tiene que ser portátil, asequible y debe permitir a los usuarios analizar sus muestras objetivo de forma no destructiva y en el campo, y preferiblemente en línea en la estación de ordeño en el caso de aplicaciones ganaderas. La miniaturización de espectrómetros de infrarrojo cercano (NIR) ha avanzado hasta el punto donde instrumentos portátiles podrían proporcionar un medio fiable y asequible para servir este propósito.

Cuantificación de Contenidos de Leche

Para demostrar la capacidad de sensores espectrales NeoSpectra para determinar el porcentaje de cada componente —grasa, proteína y lactosa— en una muestra de prueba de leche cruda, se implementaron los siguientes procedimientos y especificaciones de prueba:

Conjunto de muestras usado:

• Las muestras se recolectaron de granjas locales, donde cada muestra recolectada era de un animal diferente para asegurar que el espacio de muestra tuviera buena varianza;
• Pruebas químicas destructivas precisas se realizaron en las muestras para registrar exactamente sus contenidos;
• Número total de muestras tomadas fue 131;
• Cada muestra se midió 5 veces con el sensor espectral NeoSpectra.

Condiciones de medición:

• Las mediciones se hicieron en reflexión difusa;
• Rango espectral: 1300 – 2600 nm;
• Tiempo de escaneo: 2s;
• Resolución: 16nm a λ=1,550 nm;
• Tamaño de punto = 3 mm²;
• Fondo: 99% Spectralon™ (un estándar de reflexión con respuesta espectral casi plana en NIR);
• Todas las mediciones se realizaron a temperatura ambiente.

Evaluación de Datos

Se construyeron modelos de regresión de mínimos cuadrados parciales (PLS) para desarrollar una relación lineal entre los espectros y las mediciones de contenidos de leche, que fueron determinadas usando análisis químico de laboratorio. Este modelo se usa en la predicción de porcentajes de contenidos de muestra de leche solo desde su espectro.

PLS reduce los datos espectrales a un pequeño número de variables latentes (V.L.) para reducir la complejidad de los datos, ya que cada espectro puede exceder originalmente 300 variables (longitudes de onda). Las variables latentes se eligieron según su correlación con las respuestas (contenidos de leche en nuestro caso); variables con alta correlación se eligieron mientras que otras con correlación menor se descartaron. Después se ajustó una regresión lineal para relacionar los predictores (V.L. de los espectros) con las respuestas (cuantificaciones de contenidos de leche).

Se usó una técnica de validación cruzada para calcular el rendimiento del modelo PLS reportando el error de predicción (raíz cuadrada media de los errores de todas las muestras) y el coeficiente de determinación (R2) entre contenidos predichos y datos de referencia (reportados desde análisis químico). Esta técnica divide los datos en conjuntos de calibración y validación. El conjunto de calibración se usa para entrenar el modelo PLS mientras el conjunto de validación se usa para reportar el rendimiento del modelo.

En la siguiente iteración, los conjuntos de validación y calibración se mezclaron, otra porción de datos se tomó como conjunto de validación, y finalmente, el entrenamiento del modelo y validación en los nuevos conjuntos se repitieron. El procedimiento anterior se repitió una y otra vez hasta que cada muestra fue representada una vez en el conjunto de validación. Resultados de la validación cruzada se muestran en la Figura 1.

Figura 2. El sensor espectral NeoSpectra Micro con cabeza óptica integrada y fuente de luz, soldable BGA, y comunicación SPI.

Esta investigación desarrolla un modelo de análisis de leche aplicando métodos de preprocesamiento a los espectros, luego usando PLS para construir un modelo de regresión. En la fase de predicción, el modelo desarrollado se usa para predecir el contenido de la muestra de prueba.

Los resultados demostraron claramente que los espectros de las muestras de leche cruda medidas con sensores espectrales NeoSpectra proporcionan datos analíticos adecuados para medir con precisión los contenidos de la leche con un error menor al 8% del rango completo para cualquiera de los componentes, en comparación con un error del 9% usando una herramienta de análisis ultrasónica de banco comercial para el mismo conjunto de muestras.

Por otro lado, el error absoluto de estas investigaciones es ligeramente mejor en predecir porcentajes de proteína y lactosa comparado con números reportados en artículos de investigación usando espectrómetros de banco comercial disponibles. Sin embargo, el error absoluto para predecir porcentajes de grasa no fue tan bueno debido al pequeño tamaño de punto usado. Los sensores espectrales NeoSpectra pueden soportar tamaños de punto más grandes para abordar tales problemas. Esto valida el potencial de esta tecnología para permitir pruebas rápidas, no destructivas en el campo y sin necesidad de preparación de muestra usando una tecnología de bajo costo que permite una solución escalable para calificación de leche.

Este artículo fue escrito por Amr Wassal, VP de Ingeniería de Sistemas, y Mohamed Hossam, Ingeniero Senior de Software Embebido, Si-Ware Systems (La Canada, CA). Para más información, contacte a los autores en This email address is being protected from spambots. You need JavaScript enabled to view it. o visite aquí.