Неразрушающее определение жирности молока на основе гиперспектральной технологии

Данные гиперспектральной отражательной способности получены с использованием методов гиперспектральной визуализации и обработки изображений. Объект исследования — содержание жира в шести различных марках молока. Три зрелых бионических алгоритма — генетический алгоритм (GA), оптимизация муравьиной колонии и оптимизация роя частиц — объединены с моделями метода частичных наименьших квадратов (PLS) и вспомогательной векторной машинной регрессии (SVR) для фильтрации характеристических полос. Исследованы линейная и нелинейная зависимости между спектральными данными молока и содержанием жира. Метод коэффициента корреляции, алгоритм исключения неинформативности, алгоритм последовательной проекции, алгоритм конкурентной адаптивной выборки с повторным взвешиванием, четыре метода выбора зрелых полос признаков сравниваются с бионическим алгоритмом и в соответствии с характеристиками комбинируются. Наилучшая комбинация характеристических полос выбирается для создания регрессионной модели для точного определения содержания жира в молоке. Показано, что комбинация полос, проверенная с помощью GA и PLS, дает наилучшие результаты прогнозирования. Всего отобрано 72 полосы, коэффициент корреляции прогноза составил 0.9995, среднеквадратическая ошибка прогноза 0.0283. Экспериментальные результаты показывают, что более высокая точность может быть получена путем создания модели PLS с использованием характеристических полос, экранированных линейной зависимостью между спектральными данными и содержанием жира в молоке. Модель SVR построена на основе нелинейной зависимости между спектральными данными и содержанием жира в молоке. Точность модели SVR несколько ниже, чем у модели PLS. Выбор характеристических полос повышает точность модели, а использование гиперспектральной технологии обеспечивает точное определение жирности молока.

1. S. L. Li, K. Yao, Z. J. Cao, C. Q. Liu Y. C. Wang, Z. H. Wang, J. X. Li, J. Q. Wang, H. P. Zhang, F. L. Kong, Chin. J. Animal Sci., 58, No. 3, 239–244 (2022).

2. D. M. Whitt, J. Pranata, B. G. Carter, D. M. Barbano, M. A. Drake, J. Dairy Sci., 105, No. 7, 5700–5713 (2022).

3. L. Di Marzo, J. Pranata, D. M. Barbano, J. Dairy Sci., 104, No. 7, 7448–7456 (2021).

4. Y. Y. Shao, Y. K. Shi, Y. D. Qin, G. T. Xuan, J. Li, Q. K. Li, F. J. Yang, Z. C. Hu, Food Chem., 386, 132864 (2022).

5. Y. Q. Ren, D. W. Sun, Food Chem., 382, 132346 (2022).

6. A. Panda, R. B. Pachori, N. Kakkar, M. Joseph John, N. D. Sinnappah-Kang, Comp. Methods Programs Biomed., 220, 106836 (2022).

7. S. Karim, A. Qadir, U. Farooq, M. Shakir, A. A. Laghari, Curr. Med. Imaging, 19, No. 5, 417–427 (2022), doi: 10.2174/157340561866622051914435.

8. A. Kayad, F. A. Rodrigues, S. Naranjo, M. Sozzi, F. Pirotti, F. Marinello, U. Schulthess, P. Defourny, B. Gerard, M. Weiss, Field Crops Res., 282, 108449 (2022).

9. L. Zheng, Q. Bao, S. Z. Weng, J. P. Tao, D. Y. Zhang, L. S. Huang, J. L. Zhao, Spectrochim. Acta A: Mol. Biomol. Spectrosc., 270, 12084 (2022).

10. X. Q. Pan, J. B. Jiang, Y. M. Xiao, Ecolog. Inform., 68 (2022).

11. H. D. Zhang, J. Luo, S. M. Hou, Z. P. Xu, J. L. Evans, S. L. He, Appl. Opt., 61, No. 12, 3400–3408 (2022).

12. J. Lim, G. Kim, C. Mo, M. S. Kim, K. Chao, J. Qin, X. Fu, I. Baek, B.-K. Cho, Talanta, 151, 183–191 (2016).

13. Z. J. Zhao, Y. Wei, N. Q. Zhang, R. K. Chang, H. Y. Wu, H. Liu, H. Y. Shan, R. J. Yang, X. Y. Guo, China Dairy Industry, 46, No. 2, 45–48 (2018).

14. Y. Wang, Y. Huang, W. Shen, F. Kong, M. Gao, H. Sun, Spectr. Lett., 54, No. 4, 316–325 (2021).

15. M. C. Liu, H. R. Xue, J. P. Liu, R. R. Dai, P. W. Hu, Q, Huang, X. H. Jiang, Spectrosc. Spectr. Anal., 42, No. 5, 1601–1606 (2022).

16. M. Zhang, S. Zhang, J. Iqbal, Chemometr. Intell. Lab. Systems, 128, 17–24 (2013).

17. P. Mishra, E. J. Woltering, Talanta, 224, 121908 (2021).

18. R. M. Balabin, S. V. Smirnov, Analyt. Chim. Acta, 692, No. 1–2, 63–72 (2011).

19. M. Radman, M. Moradi, A. Chaibakhsh, M. Kordestani, M. Saif, IEEE Sensors J., 21, No. 3, 3533–3543 (2021).

20. V. Centner, D. L. Massart, O. E. de Noord, S. de Jong, B. M. Vandeginste, C. Sterna, Anal. Chem., 68, No. 21, 3851–3858 (1996).

21. R. K. H. Galvao, M. C. Ugulino Araujo, W. D. Fragoso, E. C. Silva, G. E. Jose, S. F. Carreiro Soares, H. M. Paiva, Chemometr. Intell. Lab. Systems, 92, No. 1, 83–91 (2008).

22. H.-Y. Zhen, R.-J. Ma, Y. Chen, X.-P. Sun, C.-L. Ma, Spectrosc. Spectr. Anal., 40, No. 5, 1601–1606 (2020).

23. H. Li, Y. Liang, Q. Xu, D. Cao, Anal. Chim. Acta, 648, No. 1, 77–84 (2009).

24. F. Allegrini, A. C. Olivieri, Anal. Chim. Acta, 699, No. 1, 18–25 (2011).

25. S. Cateni, V. Colla, M. Vannucci, IEEE, 9th Int. Conf. Intell. Systems Design Appl., 1278–1283 (2009).

26. R. G. Zhu, H. W. Duan, X. D. Yao, Y. Y. Qiu, B. X. Ma, C. J. Xu, Spectrosc. Spectr. Anal., 36, No. 9, 2925–2929 (2016).

27. Z. H. Tu, B. P. Ji, C. Y. Meng, D. Z. Zhu, B. L. Shi, Z. S. Qing, Spectrosc. Spectr. Anal., 29, No. 10, 2760–2764 (2009).

28. M. Shamsipur, V. Zare-Shahabadi, B. Hemmateenejad, M. Akhond, J. Chemometr., 20, No. 3–4, 146–157 (2006).

29. T. Liu, T. Xu, F. Yu, Q. Yuan, Z. Guo, B. Xu, Comp. Electron. Agric., 186 (2021).

30. F. Marini, B. Walczak, Chemometr. Intell. Lab. Systems, 149, 153–165 (2015).

31. Y. Z. Hou, X. Gao, S. N. Li, X. Cai, P. Li, W. L. Li, Z. Li, J. Pharmac. Innovation, 17, No. 4 (2022), https://doi.org/10.1007/s12247-022-09620-6.

32. H. Xu, S. Yu, J. Chen, X. Zuo, Wireless Personal Commun., 102, No. 4, 2823–2834 (2018).

33. L. Xu, Y. Mo, Y. Lu, J. Li, Processes, 9, No. 6, 1037 (2021).

34. P.-Y. Diwu, X.-H. Bian, Z.-F. Wang, W. Liu, Spectrosc. Spectr. Anal., 39, No. 9, 2800–2806 (2019).

35. M. Li, Y. Feng, Y. Yu, T. Zhang, C. Yan, H. Tang, Q. Sheng, H. Li, Spectrochim. Acta A: Mol. Biomol. Spectrosc., 257 (2021).

36. M. M. Galera, D. P. Zamora, J. L. M. Vidal, A. G. Frenich, Analyt. Lett., 35, No. 5, 921–941 (2002).