Análise Avançada de Sensor Espectral para Composição Precisa do Leite

Leite é um dos produtos mais amplamente utilizados, bem como sendo a matéria-prima de todos os produtos lácteos. Dado isso, medir componentes do leite tornou-se muito crucial para a indústria láctea. Cada produto lácteo requer leite com diferentes proporções de seus conteúdos. Além disso, para acompanhar a qualidade do produto, conteúdos do leite devem ser medidos regularmente.

Figura 1. A relação entre os dados de referência (análise química) e os resultados previstos de nosso modelo. Cada círculo representa uma amostra de teste onde a coordenada x é o valor de referência e a coordenada y é a previsão do modelo. A linha vermelha representa o modelo ideal e R2 (valor ideal é 1) mostra o quão longe o modelo se desvia do ideal.

Impacto Além da Indústria Láctea

Além da indústria láctea, análise de leite tem alto impacto na indústria de pecuária leiteira também. Os conteúdos do leite estão intimamente relacionados à saúde do animal e à qualidade e conteúdo de sua ração. Consequentemente, estas medições podem fornecer insights valiosos para melhorar a qualidade e seleção de sua ração, bem como insights valiosos para diagnóstico precoce e tratamento de animais doentes.

Atualmente, os métodos mais precisos para análise de leite são métodos de decomposição química que são lentos, destrutivos e devem ser feitos no laboratório, não no campo. Praticamente, usuários normalmente pegam amostras de muitos lotes de leite e obtêm uma conclusão média para todos os lotes. Monitorar saúde e qualidade de alimentação dos animais usando estes métodos é extremamente caro e muito ineficiente.

Uma ferramenta simples para medição rápida dos conteúdos do leite seria progresso significativo tanto na indústria láctea quanto na pecuária leiteira. Esta ferramenta tem que ser portátil, acessível e deve permitir que usuários analisem suas amostras alvo não-destrutivamente e no campo, e preferencialmente inline na estação de ordenha no caso de aplicações de pecuária leiteira. Miniaturização de espectrômetros de infravermelho próximo (NIR) avançou ao ponto onde instrumentos portáteis poderiam fornecer um meio confiável e acessível para servir a este propósito.

Quantificar Conteúdos do Leite

Para demonstrar a capacidade de sensores espectrais NeoSpectra de determinar a porcentagem de cada componente — gordura, proteína e lactose — em uma amostra de teste de leite cru, os seguintes procedimentos e especificações de teste foram implementados:

Conjunto de amostras usado:

• Amostras foram coletadas de fazendas locais, onde cada amostra coletada era de um animal diferente para garantir que o espaço amostral tivesse boa variância;
• Testes químicos destrutivos precisos foram realizados nas amostras para registrar precisamente seus conteúdos;
• Número total de amostras coletadas foi 131;
• Cada amostra foi medida 5 vezes com o sensor espectral NeoSpectra.

Condições de medição:

• Medições foram feitas em reflexão difusa;
• Faixa espectral: 1300 – 2600 nm;
• Tempo de varredura: 2s;
• Resolução: 16nm em λ=1.550 nm;
• Tamanho do ponto = 3 mm²;
• Fundo: 99% Spectralon™ (padrão de reflexão com resposta espectral quase plana em NIR);
• Todas as medições foram realizadas em temperatura ambiente.

Avaliação de Dados

Modelos de regressão de mínimos quadrados parciais (PLS) foram construídos para desenvolver uma relação linear entre os espectros e as medições de conteúdos do leite, que foram determinadas usando análise química de laboratório. Este modelo é usado na previsão de porcentagens de conteúdos de amostras de leite a partir de seu espectro apenas.

PLS reduz dados de espectro em um pequeno número de variáveis latentes (L.V.) para reduzir a complexidade dos dados, já que cada espectro pode originalmente exceder 300 variáveis (comprimentos de onda). Variáveis latentes foram escolhidas de acordo com sua correlação com as respostas (conteúdos do leite no nosso caso); variáveis com alta correlação foram escolhidas enquanto outras com correlação mais baixa foram descartadas. Após isso, uma regressão linear foi ajustada para relacionar os preditores (L.V. dos espectros) às respostas (quantificações de conteúdos do leite).

Uma técnica de validação cruzada foi usada para calcular o desempenho do modelo PLS reportando o erro de previsão (raiz quadrada média dos erros de todas as amostras) e o coeficiente de determinação (R2) entre conteúdos previstos e os dados de referência (reportados da análise química). Esta técnica divide os dados em conjuntos de calibração e validação. O conjunto de calibração é usado para treinar o modelo PLS enquanto o conjunto de validação é usado para reportar o desempenho do modelo.

Na próxima iteração, os conjuntos de validação e calibração foram misturados juntos, outra porção de dados foi tomada como o conjunto de validação, e finalmente, treinamento do modelo e validação nos novos conjuntos foram repetidos. O procedimento anterior foi repetido novamente e novamente até que cada amostra foi representada uma vez no conjunto de validação. Resultados da validação cruzada são mostrados na Figura 1.

Figura 2. O sensor espectral NeoSpectra Micro com cabeça óptica integrada e fonte de luz, soldável BGA, e comunicação SPI.

Esta investigação desenvolve um modelo de análise de leite aplicando métodos de pré-processamento aos espectros, então usando PLS para construir um modelo de regressão. Na fase de previsão, o modelo desenvolvido é usado para prever o conteúdo da amostra de teste.

Os resultados claramente demonstraram que os espectros das amostras de leite cru medidos com sensores espectrais NeoSpectra fornecem dados analíticos adequados para medir com precisão os conteúdos do leite com erro menor que 8% da faixa completa para qualquer um dos componentes, em oposição a erro de 9% usando uma ferramenta de análise baseada em ultrassom de bancada comercial para o mesmo conjunto de amostras.

Por outro lado, o erro absoluto destas investigações é ligeiramente melhor na previsão de porcentagens de proteína e lactose comparado a números reportados em artigos de pesquisa usando espectrômetros de bancada de laboratório comercialmente disponíveis. No entanto, erro absoluto para prever porcentagens de gordura não foi tão bom devido ao pequeno tamanho de ponto usado. Sensores espectrais NeoSpectra podem suportar tamanhos de ponto maiores para abordar tais questões. Isso valida o potencial desta tecnologia para permitir testes rápidos, não-destrutivos no campo e sem necessidade de preparação de amostra usando tecnologia de baixo custo que habilita uma solução escalável para qualificação de leite.

Este artigo foi escrito por Amr Wassal, VP de Engenharia de Sistemas, e Mohamed Hossam, Engenheiro Sênior de Software Embarcado, Si-Ware Systems (La Canada, CA). Para mais informações, contate os autores em este endereço de email ou visite aqui.