基于红外多光谱传感器的牛奶主要成分测量方法技术

本发明专利技术公开了一种基于红外多光谱传感器的牛奶主要成分测量方法，包括牛奶样品的特征获取、测量模型的建立和牛奶中蛋白质和脂肪含量的测量。通过多光谱传感器采集不同种类牛奶样品的波长特征，结合标准方法测定所述牛奶样品中的蛋白质和脂肪含量，构建牛奶主要成分测量模型，训练好的测量模型用于牛奶中蛋白质和脂肪含量的测量。本发明专利技术基于多光谱传感器获取样品对应的多波长光强特征，使单个样品对应多个有效特征，极大提高了牛奶蛋白质和脂肪的测量精度，实现了对牛奶样品的快速无损预测，具有简单、快速、低成本和环保的优点。低成本和环保的优点。低成本和环保的优点。

【技术实现步骤摘要】
基于红外多光谱传感器的牛奶主要成分测量方法


[0001]本专利技术涉及红外多光谱分析
，特别是涉及一种基于红外多光谱传感器的牛奶主要成分测量方法。

技术介绍

[0002]牛奶是最古老的天然乳制品之一，被誉为“白色血液”，对人的重要性可想而知。据统计，2020年北美的牛奶产量接近1.11亿吨，同比2019年增长2.1％(美国牛奶产量1.01亿吨，增长2.2％)，主要原因是奶牛种群数量和牛奶单产的提高。因此在牛奶的收购和生产管理过程中，需要正确、快速地检测牛奶的主要成分的含量，不仅可以为牛奶的品质分析和生产过程质量控制提供参考依据，对于奶牛的优良培育也可以提供科学的指导。
[0003]牛奶主要成分含量是决定牛奶质量的最重要因素。在大多数国家，牛奶贸易是基于牛奶的蛋白质和脂肪的含量，因此其质量具有重要的经济意义。因此，乳品行业需要快速、可靠的方法来测定主要成分的浓度，如蛋白质和脂肪。传统的测量方法仍然是以化学和物理方法为主，不仅操作复杂、需要专业技术人员、耗时长、成本高且检测过程中需要使用有害甚至有毒的化学试剂，还需特定方法保存昂贵的分析试剂。不适用批量的测试和实时在线检测的需求，例如，常用的测定蛋白质和脂肪的方法分别是凯氏定氮法和盖勃法，都是通过添加硫酸，分离蛋白质和脂肪。这些标准的分析方法虽然是最成熟的，但是却非常耗费时间，又容易造成化学污染。
[0004]超声波法和近红外光谱分析法是一种比传统方法更具有优势的快速、无试剂和非破坏性的分析技术，正被越来越多的用于定量分析牛奶的成分含量。尽管超声波检测方法可以弥补化学分析法的诸多问题，但易受温度和建模方法不佳等因素的影响。近红外光谱技术在乳品行业的应用已超40年，是一种不需要使用化学试剂或玻璃器皿，只需几分钟就能产生结果的方法。日本的关西大学和加拿大的拉瓦尔大学在近红外光谱分析方面进行了大量的基础性研究，使得近红外光谱法在分析牛奶成分方面取得了很大的进展，同时促进了绿色化学分析法的发展。因此，在过去的一段时间内，关于近红外应用在牛奶的论文层出不穷，如研究人员利用红外光谱法检测牛奶中常见的掺假物质，来保障牛奶的质量；红外光谱技术又被证明是可靠准确的，因此一些研究人员又利用这项技术来检验牛奶中含有的K，Ca，P，Na等矿物质元素。同时红外光谱技术在奶牛的遗传改良中也发挥了重要作用。
[0005]然而，目前牛奶成分含量的测量方法存在一些问题。首先，近红外光谱仪器价格高昂，体积巨大，操作和维护比较复杂，多应用于专业实验室或者大型科研机构。其次，由于物质近红外吸收峰的重叠，所以很难由单一波长对其成分含量进行测定，测量精度低。同时，研究表明，牛奶质量检测方法成为当前乳制品工业亟需解决的最大问题之一。

技术实现思路

[0006]为了解决上述
技术介绍
中的问题，本专利技术提出一种基于红外多光谱传感器的牛奶主要成分测量方法。
[0007]为实现上述目的，本专利技术提供了如下方案：
[0008]基于红外多光谱传感器的牛奶主要成分测量方法，包括：
[0009]基于红外多光谱传感器获取不同类型牛奶多波长光强特征数据，结合标准方法测量所述牛奶样品的蛋白质和脂肪含量；
[0010]将所述多波长光强特征数据作为输入，所述蛋白质和脂肪含量作为输出，构建牛奶主要成分测量模型，并进行训练，完善模型参数；
[0011]输入待测牛奶样品的多波长光强特征数据到所述测量模型中，输出的蛋白质和脂肪含量，得到测量结果。
[0012]优选地，所述牛奶主要成分测量模型的建立步骤包括：
[0013]获取特征数据，使用多波长光谱传感器采集宽带近红外光源透过牛奶样品后的多波长光强数据作为测量模型的特征数据；
[0014]获取标签数据，用标准方法测量牛奶样品中的蛋白质和脂肪含量作为测量模型的标签数据；
[0015]划分数据集，对所述多波长光强数据进行预处理，将预处理后的所述多波长光强数据划分为训练集和测试集；
[0016]训练模型，将训练集中的特征数据作为所述测量模型的输入，将训练集中的标签数据作为输出，使用留出法对所述测量模型进行训练，使用重复验证和五折交叉验证检测所述测量模型的稳定性；
[0017]建立测量模型，通过所述的测量模型对测试集中的所述样品的蛋白质和脂肪含量进行测量；
[0018]对所述测量模型进行评估，并进行网格搜索，确定最终参数，得到所述牛奶主要成分测量模型。
[0019]优选地，基于决定系数、平均绝对误差、均方误差和对称平均绝对百分比作为评估指标对所述牛奶主要成分测量模型进行评估。
[0020]优选地，通过红外多光谱传感器获取待测样品多波长光强数据，并输入到训练好的所述测量模型中，得到所述牛奶样品的蛋白质和脂肪含量。
[0021]优选地，所述红外多光谱传感器的型号为AS7263，所述红外多光谱传感器具有六个近红外通道，所述六个近红外光通道的波长分别为610nm、680nm、730nm、760nm、810nm、860nm。
[0022]优选地，所述数据采集装置包括：恒光强驱动电路、光源和散热板、样品槽和红外多光谱传感器，所述光源为宽带近红外LED，用于将发出的宽波段红外光入射到牛奶样品中，被蛋白质和脂肪颗粒吸收，然后通过所述红外多光谱传感器得到牛奶样品的多波长光强特征。
[0023]优选地，所述牛奶主要成分测量模型为梯度提升回归树模型GBRT。
[0024]优选地，基于标准方法测量所述牛奶样品中的蛋白质和脂肪含量用于制作所述牛奶测量模型的标签数据，其测定过程包括：根据盖勃法测定所述牛奶样品中脂肪的含量，根据凯氏定氮法测定蛋白质的含量。
[0025]本专利技术的有益效果为：
[0026]本专利技术通过建立的蛋白质和脂肪检测方法，测量时不仅可以减少化学污染，还能
够降低测量时操作复杂的依赖，实现了对牛奶样品的快速无损预测。此外，多光谱采集系统的可移植性高，可以分布在牧场中牛奶成分含量测量现场，快速的进行牛奶成分含量的实时测量。
附图说明
[0027]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0028]图1为本专利技术实施例的方法流程图；
[0029]图2为本专利技术实施例的模型100次训练结果示意图，其中(a)为蛋白质模型，(b)为脂肪模型；
[0030]图3为本专利技术实施例的测量结果示意图；其中(a)为蛋白质模型，(b)为脂肪模型。
具体实施方式
[0031]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于红外多光谱传感器的牛奶主要成分测量方法，其特征在于，包括：基于红外多光谱传感器获取不同类型牛奶多波长光强特征数据，结合标准方法测量所述牛奶样品的蛋白质和脂肪含量；将所述多波长光强特征数据作为输入，所述蛋白质和脂肪含量作为输出，构建牛奶主要成分测量模型，并进行训练，完善模型参数；输入待测牛奶样品的多波长光强特征数据到所述测量模型中，输出的蛋白质和脂肪含量，得到测量结果。2.根据权利要求1所述的基于红外多光谱传感器的牛奶主要成分测量方法，其特征在于，所述牛奶主要成分测量模型的建立步骤包括：获取特征数据，使用多波长光谱传感器采集宽带近红外光源透过牛奶样品后的多波长光强数据作为测量模型的特征数据；获取标签数据，用标准方法测量牛奶样品中的蛋白质和脂肪含量作为测量模型的标签数据；划分数据集，对所述多波长光强数据进行预处理，将预处理后的所述多波长光强数据划分为训练集和测试集；训练模型，将训练集中的特征数据作为所述测量模型的输入，将训练集中的标签数据作为输出，使用留出法对所述测量模型进行训练，使用重复验证和五折交叉验证检测所述测量模型的稳定性；建立测量模型，通过所述的测量模型对测试集中的所述样品的蛋白质和脂肪含量进行测量；对所述测量模型进行评估，并进行网格搜索，确定最终参数，得到所述牛奶主要成分测量模型。3.根据权利要求2所述的基于红外多光谱传感器的牛奶主要成分测量方法，其特征在于，基于决定系数、平均绝对误差、均方误差和对称平均绝...

【专利技术属性】
技术研发人员：刘升，盛涛，许海杰，任滨滨，陈得宝，
申请(专利权)人：淮北市麒麟信息科技有限公司，
类型：发明
国别省市：