Análisis avanzado de sensores espectrales para una composición precisa de la leche

La leche es uno de los productos más utilizados, además de ser la materia prima de todos los productos lácteos. Por esta razón, medir los componentes de la leche se ha vuelto crucial para la industria láctea. Cada producto lácteo requiere leche con diferentes proporciones de su contenido. Además, para realizar un seguimiento de la calidad del producto, el contenido de leche debe medirse periódicamente.

Figura 1. La relación entre los datos de referencia (análisis químico) y los resultados previstos 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 (el valor ideal es 1) muestra cuánto se desvía el modelo del ideal.

Además de en la industria láctea, el análisis de la leche también tiene un gran impacto en la industria proveedora de producción de leche. El contenido de la leche está íntimamente relacionado con la salud del animal y la calidad y contenido de su pienso. En consecuencia, estas mediciones pueden proporcionar información valiosa para mejorar la calidad y la selección de su alimento, así como información valiosa para el diagnóstico temprano y el tratamiento de animales enfermos.

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

Una herramienta sencilla para medir rápidamente el contenido de la leche supondría un progreso significativo tanto en la industria láctea como en la ganadera. Esta herramienta debe 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 de producción de leche. La miniaturización de los espectrómetros de infrarrojo cercano (NIR) ha avanzado hasta el punto en que los instrumentos portátiles podrían proporcionar un medio confiable y asequible para cumplir este propósito.

Cuantificar el contenido de leche

Para demostrar la capacidad de los 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 muestra utilizado:

• Las muestras se recolectaron de granjas locales, donde cada muestra recolectada era de un animal diferente para garantizar que el espacio muestral tuviera una buena variación;

• Se realizaron pruebas químicas destructivas precisas en las muestras para registrar con precisión su contenido;

• El número total de muestras tomadas fue 131;

• Cada muestra se midió 5 veces con el sensor espectral NeoSpectra.

Condiciones de medición:

• Las mediciones se realizaron en reflexión difusa;

• Rango espectral:1300 – 2600 nm;

• Tiempo de escaneo:2 s;

• Resolución:16 nm a λ=1550 nm;

• Tamaño del 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 del contenido de leche, que se determinaron mediante análisis químicos de laboratorio. Este modelo se utiliza en la predicción de porcentajes de contenido de muestras de leche de su espectro únicamente.

PLS reduce los datos del espectro a una pequeña cantidad de variables latentes (L.V.) para reducir la complejidad de los datos, ya que cada espectro puede exceder originalmente las 300 variables (longitudes de onda). Las variables latentes se eligieron según su correlación con las respuestas (contenido de leche en nuestro caso); Se eligieron variables con alta correlación y se descartaron otras con menor correlación. Posteriormente se ajustó una regresión lineal para relacionar los predictores (L.V. de los espectros) con las respuestas (cuantificaciones del contenido de leche).

Se utilizó una técnica de validación cruzada para calcular el rendimiento del modelo PLS informando el error de predicción (media cuadrática de los errores de todas las muestras) y el coeficiente de determinación (R2) entre los contenidos previstos y los datos de referencia (informados a partir del análisis químico). Esta técnica divide los datos en conjuntos de calibración y validación. El conjunto de calibración se utiliza para entrenar el modelo PLS mientras que el conjunto de validación se utiliza para informar el rendimiento del modelo.

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

Figura 2. El sensor espectral NeoSpectra Micro con cabezal óptico y fuente de luz integrados, BGA soldable y comunicación SPI.

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

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

Por otro lado, el error absoluto de estas investigaciones es ligeramente mejor a la hora de predecir los porcentajes de proteína y lactosa en comparación con las cifras informadas en artículos de investigación que utilizan espectrómetros de mesa de laboratorio disponibles comercialmente. Sin embargo, el error absoluto para predecir los porcentajes de grasa no fue tan bueno debido al pequeño tamaño del punto utilizado. Los sensores espectrales NeoSpectra pueden admitir tamaños de punto más grandes para abordar estos problemas. Esto valida el potencial de esta tecnología para permitir pruebas rápidas, no destructivas en el campo y sin necesidad de preparación de muestras utilizando una tecnología de bajo costo que permite una solución escalable para la calificación de la leche.

Este artículo fue escrito por Amr Wassal, vicepresidente de ingeniería de sistemas, y Mohamed Hossam, ingeniero senior de software integrado, Si-Ware Systems (La Canada, CA). Para obtener más información, comuníquese con los autores en Esta dirección de correo electrónico está protegida contra spambots. Necesita activar JavaScript para verlo. o visita aquí  .