一种基于介电频谱技术的牛乳蛋白质含量快速检测方法与流程

本发明属于介电频谱测量技术领域，特别是涉及一种基于介电频谱技术的牛乳蛋白质含量快速检测方法。

背景技术：

牛乳含有丰富的蛋白质、脂肪、糖类和矿物质，而且比例分布合理，容易消化，是一种营养全面的理想食品，其在人们日常生活中占有重要位置。蛋白质是牛乳中最重要的营养成分，尤其对于生鲜乳，蛋白质含量是决定牛乳质量和价格的核心指标。现阶段常用的检测牛乳中蛋白质含量的方法主要有：凯氏定氮法、分光光度法、燃烧法等，但这些方法都存在费时费力、成本高、需专业人员、且不能应用于实时或现场检测的缺点。为了能满足对牛乳蛋白质含量的高效、快速以及在线检测的需求，开发便捷的牛乳蛋白质检测技术势在必行。

近年来，基于蛋白质分子对光的散射、反射等现象，一些科研人员将近红外光谱、可见光光谱或者激光技术等应用于牛乳蛋白质含量的检测中，但光谱技术很难应用于在线检测牛乳蛋白质含量。此外，由于牛乳中脂肪球的粒径大小与近红外光谱的波长比较接近，脂肪球对光的散射和反射的影响使得该技术对蛋白质含量的检测精度较差。

介电频谱技术是一种获得物质在某一频率范围内介电特性参数的仪器测量方法。它具有测量迅速，一次测量可以获得多个介电特性参数谱，尤其对于液态样品无需样品预处理的优点。对食品介电频谱的研究结果表明，食品中的组织成分，如含水率、含盐量、脂肪、蛋白质、糖等影响食品的介电频谱，也即介电频谱反映了食品组织成分的变化，应用介电频谱可以检测食品中的某些组织成分。现有对于牛乳蛋白质含量与介电频谱的相关研究主要局限于不同的蛋白质类型对牛乳介电频谱的影响规律或者建立单一牛乳样品的介电特性参数与蛋白质含量的关系。由于不同个体奶牛所产牛乳的蛋白质含量存在差异，即使同一头奶牛，其所产牛乳的蛋白质含量也因奶牛的泌乳期、季节、饮食、环境温度和身体状况等因素的变化而发生变化，这使得基于单一样本建立的蛋白质预测模型很难应用于实际大样本牛乳蛋白质含量的检测中。而目前尚未见基于介电频谱技术检测大样本牛乳蛋白质含量的研究论文或专利。

技术实现要素：

发明目的：本发明旨在克服传统测量牛乳中蛋白质含量方法的不足，提供一种基于介电频谱技术的牛乳蛋白质含量快速检测方法，为乳品品质快速、高效、准确、实时、在线检测仪器的开发奠定基础。本发明要解决的技术问题是：基于大样本获得的牛乳介电频谱和采用国标规定的蛋白质测量方法测量的大样本牛乳的蛋白质含量，建立预测牛乳蛋白质含量的预测模型，为牛乳中蛋白质含量检测仪器的研发提供方法基础。本发明的方法也可以用于其它乳品（如羊乳）蛋白质含量的检测中。

一种基于介电频谱技术快速预测牛乳蛋白质含量的方法，其特征在于，包含以下步骤：

（1）收集样本：收集一批来源于不同地区、不同饲养条件、不同奶牛品种、不同奶牛个体、不同产乳期、不同季节、数量足够（如超过80）、蛋白质含量有一定差异的生鲜牛乳样品；样品在2℃~4℃下保存，24小时内在室温下完成介电频谱的采集；根据国标规定的方法测量各牛乳样品的蛋白质含量。

（2）介电频谱的采集：测量前将样品回温到室温，在室温下采用网络分析仪和同轴探头组成的测量装置完成介电频谱的采集；采集前先校准好测量装置并设置好采集软件，包括设置好适量的采集频率点；然后测量牛乳样品在射频/微波范围内的介电频谱，该介电频谱包括相对介电常数频谱、介质损耗因数频谱；

所述的网络分析仪也可以用阻抗分析仪替代；

所述的相对介电常数频谱、介质损耗因数频谱也可以被基于这两个介电频谱计算可得到的介电参数频谱代替。

（3）样本划分：采用SPXY法将牛乳样本划分为校正集和预测集；校正集和预测集的样品比例按照2:1或3:1或4:1划分；校正集的样品数大于预测集的样品数，蛋白质含量为最小值和最大值的牛乳样品要划分进校正集。

（4）特征介电变量的提取：分别采用连续投影算法、无信息变量消除法、无信息变量消除法协同连续投影算法、蒙特卡罗法对校正集中牛乳样品的介电频谱数据进行降维处理，在整个测量频率范围内的介电频谱数据中提取出能反映牛乳样品蛋白质含量的特征介电变量；特征介电变量对应的频率为特征频率；

特征介电变量不但可以单独从相对介电常数频谱数据或介质损耗因数频谱数据中提取，也可以从介电常数频谱和介质损耗因数频谱两种数据中共同提取；提取的特征介电变量一般是步骤（2）中采集的部分介电频谱数据，但也可以是步骤（2）中采集的全部介电频谱数据。

（5）牛乳蛋白质含量预测模型的建立：以步骤（4）提取的特征介电变量为输入参数，以牛乳样品的蛋白质含量为输出参数，分别以偏最小二乘法、最小二乘支持向量机法、极限学习机法和广义神经网络法建立基于校正集样品数据的牛乳蛋白质含量的线性或非线性预测模型。

（6）模型的验证：利用预测集的样品数据检验步骤（5）所建立的多个牛乳蛋白质含量预测模型的性能，将预测结果均方根误差最小的模型确定为预测牛乳蛋白质含量的最佳模型；分析预测集的误差规律并确定出误差修正值。

（7）未知牛乳样品蛋白质含量的预测：对于未知蛋白质含量的牛乳样品，按照步骤（2）完成介电频谱的采集，将采集的未知牛乳样品介电频谱数据中与步骤（4）确定的特征频率下的介电频谱数据代入步骤（6）确定的牛乳蛋白质含量的最佳模型中，就可以快速计算出该未知牛乳样品的蛋白质含量。该方法对牛乳蛋白质含量的检测误差为0.094%。

（8）误差修正：利用步骤（6）中得到的误差修正值对步骤（7）的预测结果进行修正；修正后的结果就是未知牛乳样品蛋白质含量最终测量结果。

该方法可用于生鲜牛乳、超高温消毒牛乳和巴士消毒牛乳的蛋白质含量快速检测，也可用于羊乳的蛋白质含量快速检测。

步骤（7）中，未知蛋白质含量的牛乳样品介电频谱数据的采集，也可以用针对特征频率开发专门的介电频谱测量仪器，仅测量这些特征频率下的介电变量，将所测数值代入所建的最佳模型，也能快速、廉价地计算出牛乳的蛋白质含量。

本发明具有如下优点：本发明基于获取的牛乳介电频谱信息，采用多种数据降维方法提取表达蛋白质含量的特征介电变量，进而建立检测牛乳蛋白质含量的线性或非线性模型，以均方根误差最小的模型作为预测牛乳蛋白质含量的最佳模型，将采集的未知蛋白质含量的牛乳的特征频率下的介电频谱数据代入所建模型就可以快速计算出牛乳的蛋白质含量，这为牛乳蛋白质含量的快速、准确、实时、现场以及在线检测提供了一种方法。该方法对牛乳蛋白质含量的检测误差为0.094%，已接近国标规定的传统方法的检测精度，且能实现牛乳成分快速检测或在线检测。

附图说明

图1：基于介电谱检测牛乳蛋白质含量的方法流程图

图2：连续投影算法在不同特征变量数下的均方根误差

图3：无信息变量消除法所提取的特征相对介电常数（a）和介质损耗因数的分布（b）。

具体实施方式

本发明方法对生鲜牛乳、超高温消毒牛乳和巴士消毒牛乳均以及羊乳具有很好的通用性。在此，以生鲜牛乳为实施实例，其他类型乳蛋白质的检测可参照该实施例的方法进行。具体根据所测乳的类型，建立一个适用于该类型乳蛋白质含量检测的模型，就可以基于介电频谱对该类乳的蛋白质含量进行检测。

下面结合附图和实施例对本发明作进一步说明。

依据本发明实施例的方法包括以下步骤：

步骤（1）：从不同的奶牛养殖场以及奶牛的不同泌乳期收集一批大样本的生鲜牛乳，该批牛乳的样本数为145，样品的蛋白质含量范围为2.52~4.18%，样本蛋白质含量的平均值为3.06%，标准偏差为0.30%。

步骤（2），采集该批牛乳样品的相对介电常数频谱和介质损耗因数频谱。本实施例采用美国安捷伦公司的E5071C矢量网络分析仪和85070E-020同轴探头测量样品的介电频谱。介电频谱的采集条件是：介电频谱测量范围为20~4500MHz，对数坐标下等间隔采集201个点，介电频谱的采集时样品的温度为23~25℃。

步骤（3）：样本划分：采用SPXY法按照2:1的比例将样本划分为校正集和预测集，校正集包含97个样品，其蛋白质含量的范围为2.52~4.18%，其平均值为3.07%，标准偏差为0.32%；其预测集包含48个样品，其蛋白质含量的范围为2.69~4.13%，其平均值为3.02%，标准偏差为0.25%。校正集中包含了蛋白质含量为最小值和最大值的样品。

步骤（4）：以校正集样品为对象，采用连续投影算法、无信息变量消除法、无信息变量消除法+连续投影算法等数据降维方法从具有201个频率点的相对介电常数全谱和201点的介质损耗因数全谱（共402介电参数值）中提取出表达牛乳蛋白质含量的特征介电变量。

采用连续投影算法提取特征介电变量时，设定提取的特征介电变量数的范围为1~13，计算各特征介电变量数下的校正集均方根误差，根据最小的校正集均方根误差确定最佳特征变量数。不同特征变量数下的校正集均方根误差的计算结果如图2所示。结果说明，当特征变量数为10时校正集均方根误差最小。图2中“■”对应的横坐标值表示经连续投影算法优选出的最佳特征介电变量数。因此，采用连续投影算法提取了10个特征介电变量，分别是频率为39.3、 119.8、和3747.3 MHz下的相对介电常数和频率为20.7、21.4、23.6、25.0、27.9、48.0和4311.8 MHz时的介质损耗因数。

采用无信息变量消除法选择出了152个特征介电变量，其中包括66个不同频率下的相对介电常数和86个不同频率下的介质损耗因数。图3a和图3b所示分别是无信息变量消除法所选择的特征相对介电常数和介质损耗因数的分布。图中曲线表示某一牛乳样品的相对介电常数和介质损耗因数频谱，竖线表示提取的特征介电变量所在的频率。

当采用无信息变量消除法+连续投影算法提取特征介电变量时，对经过无信息变量消除法筛选的152个特征介电变量再用连续投影算法进一步提取特征介电变量，进而提取出了7个特征介电变量，包括4个相对介电常数和3个介质损耗因数，这4个相对介电常数处于20、 44.3、130.7和4029.5 MHz下，3个介质损耗因数处于 20.7、 84.6、和4311.8MHz下。

步骤（5）：以步骤四提取出的特征介电变量或介电全谱（20~4500MHz范围内的201个点下的相对介电常数和201个介质损耗因数）为输入变量，以牛乳的蛋白质含量为输出变量，建立预测牛乳蛋白质含量的偏最小二乘、最小二乘支持向量机、极限学习机等线性或非线性模型。

步骤（6）：用预测集样品检验步骤五所建立的各种模型，比较所建各个模型的预测均方根误差，以预测均方根误差最小的模型作为检测牛乳蛋白质含量的最佳模型。针对本实施例，预测牛乳蛋白质含量的最佳模型为基于无信息变量消除法+连续投影算法提取的7个特征介电变量建立的最小二乘支持向量机模型，该模型对牛乳蛋白质含量的检测误差为0.094%。分析预测集的误差规律并确定出误差修正值。

步骤（7）：按照步骤二采集任意一未知蛋白质含量的牛乳在20~4500MHz间201个点下的相对介电常数谱和介质损耗因数谱，从中提取出20、 44.3、130.7和4029.5 MHz的相对介电常数和20.7、 84.6、和4311.8MHz的介质损耗因数，将所提取的介电值代入步骤六所确定的最佳模型中，就可以快速计算出牛乳的蛋白质含量。也可以针对特征介电变量对应的频率，开发专门的仪器，仅测量这些频率下的介电变量，将所测数值代入所建的最佳模型，也能快速地计算出牛乳的蛋白质含量。

步骤（8）：利用步骤（6）中得到的误差修正值对步骤（7）的预测结果进行修正；修正后的结果就是未知牛乳样品蛋白质含量最终测量结果。该步骤用于进一步降低预测误差。

由以上实施例可以看出，本发明利用介电频谱技术检测牛乳的蛋白质含量具有检测精度高、便捷、高效等优点，而同轴探头可以插入到牛乳中，从而能够实现牛乳蛋白质含量的在线和现场检测。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。