Analyse avancée par capteur spectral pour une composition précise du lait

Le lait est l’un des produits les plus utilisés et constitue également la matière première de tous les produits laitiers. C’est pourquoi la mesure des composants du lait est devenue cruciale pour l’industrie laitière. Chaque produit laitier nécessite du lait avec des proportions différentes de son contenu. De plus, afin de suivre la qualité du produit, la teneur en lait doit être mesurée régulièrement.

Figure 1. La relation entre les données de référence (analyse chimique) et les résultats prédits de notre modèle. Chaque cercle représente un échantillon de test où la coordonnée x est la valeur de référence et la coordonnée y est la prédiction du modèle. La ligne rouge représente le modèle idéal et R2 (la valeur idéale est 1) montre dans quelle mesure le modèle s'écarte du modèle idéal.

Outre l’industrie laitière, l’analyse du lait a également un impact important sur l’industrie laitière fournisseur. Le contenu du lait est étroitement lié à la santé de l'animal ainsi qu'à la qualité et au contenu de son alimentation. En conséquence, ces mesures peuvent fournir des informations précieuses pour améliorer la qualité et la sélection de leurs aliments, ainsi que des informations précieuses pour le diagnostic et le traitement précoces des animaux malades.

De nos jours, les méthodes d’analyse du lait les plus précises sont les méthodes de décomposition chimique qui sont lentes, destructrices et doivent être utilisées en laboratoire et non sur le terrain. En pratique, les utilisateurs prélèvent normalement des échantillons sur de nombreux lots de lait et obtiennent une conclusion moyenne pour tous les lots. Contrôler la santé et la qualité de l'alimentation des animaux à l'aide de ces méthodes est extrêmement coûteux et très inefficace.

Un outil simple pour mesurer rapidement la teneur en lait constituerait un progrès significatif tant dans l’industrie laitière que dans l’industrie laitière. Cet outil doit être portable, abordable et permettre aux utilisateurs d'analyser leurs échantillons cibles de manière non destructive et sur le terrain, et de préférence en ligne dans la station de traite dans le cas d'applications en production laitière. La miniaturisation des spectromètres proche infrarouge (NIR) a progressé à un point tel que les instruments portables pourraient constituer un moyen fiable et abordable pour atteindre cet objectif.

Quantifier la teneur en lait

Afin de démontrer la capacité des capteurs spectraux NeoSpectra à déterminer le pourcentage de chaque composant (graisse, protéine et lactose) dans un échantillon de lait cru, les procédures et spécifications de test suivantes ont été mises en œuvre :

Ensemble d'échantillons utilisé :

• Des échantillons ont été collectés dans des fermes locales, où chaque échantillon collecté provenait d'un animal différent afin de garantir que l'espace d'échantillonnage présentait une bonne variance ;

• Des tests chimiques destructifs précis ont été effectués sur les échantillons pour enregistrer avec précision leur contenu ;

• Le nombre total d'échantillons prélevés était de 131 ;

• Chaque échantillon a été mesuré 5 fois avec le capteur spectral NeoSpectra.

Conditions de mesure :

• Les mesures ont été effectuées en réflexion diffuse ;

• Plage spectrale : 1 300 – 2 600 nm ;

• Temps de numérisation :2 s ;

• Résolution :16 nm à λ=1 550 nm ;

• Taille du point =3 mm2 ;

• Contexte :99 % de Spectralon™ (un standard de réflexion avec une réponse spectrale presque plate dans le NIR) ;

• Toutes les mesures ont été effectuées à température ambiante.

Évaluation des données

Des modèles de régression des moindres carrés partiels (PLS) ont été construits pour développer une relation linéaire entre les spectres et les mesures de la teneur en lait, qui ont été déterminées à l'aide d'une analyse chimique en laboratoire. Ce modèle est utilisé dans la prédiction des pourcentages de teneur en échantillons de lait à partir de son spectre uniquement.

PLS réduit les données spectrales en un petit nombre de variables latentes (L.V.) pour réduire la complexité des données, puisque chaque spectre peut à l'origine dépasser 300 variables (longueurs d'onde). Les variables latentes ont été choisies en fonction de leur corrélation avec les réponses (teneur en lait dans notre cas); les variables présentant une corrélation élevée ont été choisies tandis que d'autres présentant une corrélation plus faible ont été écartées. Après cela, une régression linéaire a été adaptée pour relier les prédicteurs (L.V. des spectres) aux réponses (quantifications de la teneur en lait).

Une technique de validation croisée a été utilisée pour calculer les performances du modèle PLS en rapportant l'erreur de prédiction (moyenne quadratique des erreurs de tous les échantillons) et le coefficient de détermination (R2) entre le contenu prédit et les données de référence (rapportées à partir de l'analyse chimique). Cette technique divise les données en ensembles d'étalonnage et de validation. L'ensemble d'étalonnage est utilisé pour entraîner le modèle PLS tandis que l'ensemble de validation est utilisé pour signaler les performances du modèle.

Lors de l'itération suivante, les ensembles de validation et d'étalonnage ont été mélangés, une autre partie des données a été prise comme ensemble de validation et enfin, la formation du modèle et la validation sur les nouveaux ensembles ont été répétées. La procédure précédente a été répétée encore et encore jusqu'à ce que chaque échantillon soit représenté une fois dans l'ensemble de validation. Les résultats de la validation croisée sont présentés dans la figure 1.

Figure 2. Le capteur spectral NeoSpectra Micro avec tête optique et source de lumière intégrées, soudable BGA et communication SPI.

Cette enquête développe un modèle d'analyse du lait en appliquant des méthodes de prétraitement aux spectres, puis en utilisant PLS pour construire un modèle de régression. Dans la phase de prédiction, le modèle développé est utilisé pour prédire le contenu de l'échantillon de test.

Les résultats ont clairement démontré que les spectres des échantillons de lait cru mesurés avec les capteurs spectraux NeoSpectra fournissent des données analytiques appropriées pour mesurer avec précision la teneur en lait avec une erreur inférieure à 8 % de la plage complète pour l'un des composants, par opposition à une erreur de 9 % en utilisant un outil d'analyse par ultrasons de paillasse commercial pour le même ensemble d'échantillons.

D’un autre côté, l’erreur absolue de ces investigations est légèrement meilleure dans la prévision des pourcentages de protéines et de lactose par rapport aux chiffres rapportés dans les articles de recherche utilisant des spectromètres de laboratoire disponibles dans le commerce. Cependant, l’erreur absolue de prévision des pourcentages de graisse n’était pas aussi bonne en raison de la petite taille du point utilisé. Les capteurs spectraux NeoSpectra peuvent prendre en charge des tailles de spot plus grandes pour résoudre ces problèmes. Cela valide le potentiel de cette technologie pour permettre des tests rapides et non destructifs sur le terrain et sans avoir besoin de préparation d'échantillons en utilisant une technologie à faible coût qui permet une solution évolutive pour la qualification du lait.

Cet article a été rédigé par Amr Wassal, vice-président de l'ingénierie des systèmes, et Mohamed Hossam, ingénieur principal en logiciels embarqués, Si-Ware Systems (La Canada, CA). Pour plus d'informations, contactez les auteurs à Cette adresse e-mail est protégée contre les robots spammeurs. Vous devez activer Javascript pour le visualiser. ou visitez ici  .