Метод экспресс–оценки показателей качества молока на основе оптической спектроскопии и алгоритмов интеллектуального анализа данных

Введение. Спектроскопические методы активно используются для контроля качественных параметров молока. Тем не менее их применение в формате экспресс–анализа ограничено габаритами оборудования и сложностью обработки спектральных данных. В то же время подходы, обеспечивающие компактность измерительной системы совместно с возможностью извлечения информативных признаков из многомерных спектральных измерений, остаются недостаточно разработанными.

Цель: Разработка оптического экспресс–метода, основанного на многоспектральной регистрации обратно–рассеянного излучения с последующим интеллектуальным анализом данных.

Материалы и методы. Метод основан на сочетании спектрофотометрии рассеяния и интеллектуального анализа данных. Для регистрации спектральных характеристик была разработана компактная оптическая система на основе многоканального анализатора спектров, измеряющая интенсивность обратно–рассеянного излучения на 18 фиксированных длинах волн в диапазоне 410–940 нм. Полученные спектральные данные обрабатывались с помощью визуального анализа и метода главных компонент с целью выявления различий между образцами в трехмерном пространстве. Исследованию подвергались образцы коровьего молока с различной массовой долей жира, в том числе разбавленные дистиллированной водой и выдержанные до естественного скисания.  

Результаты. Анализ методом главных компонент показал дифференциацию образцов по массовой доле жира и физико–химическому состоянию. Разделение групп наблюдалось в пространстве первых трех главных компонент при суммарной объясненной дисперсии более 90 %. Полученные результаты характеризовались воспроизводимостью при измерениях образцов с одинаковыми характеристиками. Наибольший вклад в разделение внесли сигналы на длинах волн 460, 510, 940 нм (первая главная компонента), 560, 585, 645 нм (вторая) и 680, 730, 810 нм (третья), что указывает на их информативность для детекции изменений.

Выводы. Предложенный метод позволяет выявлять изменения, связанные с концентрацией жиров и физико–химическим состоянием, и обеспечивает воспроизводимость получаемых результатов с использованием разработанной компактной оптической системы. В дальнейшем он может использоваться для экспресс–оценки качества молока на любых этапах производства. Также в перспективе возможна интеграция метода в автоматизированные системы контроля.

1. Барковская, И.А., Туровская, С.Н., Илларионова, Е.Е., Ярышев, В.Ю., Блиадзе, В.Г., & Кондратенко, В.В. (2025). Сравнение методов ИК– и Раман–спектроскопии для оценки структурных изменений в молоке при тепловой обработке. FOOD METAENGINEERING, 3(3), 21–38. https://doi.org/10.37442/fme.2025.3.91

2. Хан, А.В., Лазарева, Е.Г., & Фоменко, О.Ю. (2023). Оптимизация молекулярно–генетического метода идентификации молочного сырья. FOOD METAENGINEERING, 1(4), 39–47. https://doi.org/10.37442/fme.2023.4.29

3. Ховатов, Н. Э., Ховатов, А. Э., & Перков, А. А. (2021). Оценка качества молока. Modern Science, (5–2), 180–185.

4. Aernouts, B., Polshin, E., Lammertyn, J., & Saeys, W. (2011). Visible and near-infrared spectroscopic analysis of raw milk for cow health monitoring: reflectance or transmittance?. Journal of dairy science, 94(11), 5315-5329. https://doi.org/10.3168/jds.2011-4354

5. Aernouts, B., Van Beers, R., Watté, R., Huybrechts, T., Lammertyn, J., & Saeys, W. (2015). Visible and near–infrared bulk optical properties of raw milk. Journal of Dairy Science, 98(10), 6727–6738. https://doi.org/10.3168/jds.2015–9630

6. Anwar, H., Anwar, T., & Murtaza, S. (2023). Review on food quality assessment using machine learning and electronic nose system. Biosensors and Bioelectronics: X, 14, 100365. https://doi.org/10.1016/j.biosx.2023.100365

7. Beć, K. B., Grabska, J., & Huck, C. W. (2022). Miniaturized NIR spectroscopy in food analysis and quality control: Promises, challenges, and perspectives. Foods, 11(10), 1465. https://doi.org/10.3390/foods11101465

8. Bogomolov, A., & Melenteva, A. (2013). Scatter–based quantitative spectroscopic analysis of milk fat and total protein in the region 400–1100 nm in the presence of fat globule size variability. Chemometrics and Intelligent Laboratory Systems, 126, 129–139. https://doi.org/10.1016/j.chemolab.2013.02.006

9. Chauhan, S., Powar, P., & Mehra, R. (2021). A review on nutritional advantages and nutraceutical properties of cow and goat milk. International Journal of Applied Research, 7(10), 101–105. http://dx.doi.org/10.22271/allresearch.2021.v7.i10b.9025

10. Cheng, S., Qin, Y., Mao, Y., Cao, Y., Zheng, R., Han, J., ... & Qin, Z. (2025). “Reference sample comparison method”: A new voltammetric electronic tongue method and its application in assessing the shelf life of fresh milk. Food Chemistry, 463, 141064. https://doi.org/10.1016/j.foodchem.2024.141064

11. Diaz–Olivares, J. A., Gote, M. J., Saeys, W., Adriaens, I., & Aernouts, B. (2024). Near–infrared spatially–resolved spectroscopy for milk quality analysis. Computers and Electronics in Agriculture, 219, 108783. https://doi.org/10.1016/j.compag.2024.108783

12. Gastélum–Barrios, A., Soto–Zarazúa, G. M., Escamilla–García, A., Toledano–Ayala, M., Macías–Bobadilla, G., & Jauregui–Vazquez, D. (2020). Optical methods based on ultraviolet, visible, and near–infrared spectra to estimate fat and protein in raw milk: A review. Sensors, 20(12), 3356. https://doi.org/10.3390/s20123356

13. Greenacre, M., Groenen, P. J., Hastie, T., d’Enza, A. I., Markos, A., & Tuzhilina, E. (2022). Principal component analysis. Nature Reviews Methods Primers, 2(1), 100. https://doi.org/10.1038/s43586–023–00209–y

14. Hasan, B. M. S., & Abdulazeez, A. M. (2021). A review of principal component analysis algorithm for dimensionality reduction. Journal of Soft Computing and Data Mining, 2(1), 20–30.

15. Hayes, M. (2020). Measuring protein content in food: An overview of methods. Foods, 9(10), 1340. https://doi.org/10.3390/foods9101340

16. Hueso, D., Fontecha, J., & Gómez-Cortés, P. (2022). Comparative study of the most commonly used methods for total protein determination in milk of different species and their ultrafiltration products. Frontiers in nutrition, 9, 925565. https://doi.org/10.3389/fnut.2022.925565

17. Iweka, P., Kawamura, S., Mitani, T., & Kawaguchi, T. (2023). Online near–infrared spectroscopy for the measurement of cow milk quality in an automatic milking system. Engineering Proceedings, 56(1), 145. https://doi.org/10.3390/ASEC2023–16302

18. Jhanwar, A., & Ward, R. E. (2014). Particle size distribution and lipid composition of skim milk lipid material. International Dairy Journal, 36(2), 110–117. https://doi.org/10.1016/j.idairyj.2014.01.010

19. Khan, H. H., McCarthy, U., Esmonde–White, K., Casey, I., & O'Shea, N. (2023). Potential of Raman spectroscopy for in–line measurement of raw milk composition. Food Control, 152, 109862. https://doi.org/10.1016/j.foodcont.2023.109862

20. Liu, Y., Wen, Y., Hao, X., Xu, L., Zhao, X., & Ping, J. (2025). Recent advances in analytical technologies and devices for raw milk quality. TrAC Trends in Analytical Chemistry, 118510. https://doi.org/10.1016/j.trac.2025.118510

21. Loudiyi, M., Temiz, H. T., Sahar, A., Haseeb Ahmad, M., Boukria, O., Hassoun, A., & Aït–Kaddour, A. (2022). Spectroscopic techniques for monitoring changes in the quality of milk and other dairy products during processing and storage. Critical Reviews in Food Science and Nutrition, 62(11), 3063–3087. https://doi.org/10.1080/10408398.2020.1862754

22. Meena, S., Debnath, P. P., Ranvir, S. G., & Rai, D. C. (2023). Physicochemical characteristics of milk. In The chemistry of milk and milk products (pp. 109–131). Apple Academic Press.

23. Mhapsekar, R., Kilbane, D., Davy, S., Abraham, L., Fenelon, M., & O'Shea, N. (2025). A systematic review of the internet of things and artificial intelligence applications in milk quality monitoring and analysis. International Journal of Dairy Technology, 78(3), e70049. https://doi.org/10.1111/1471–0307.70049

24. Motshakeri, M., Sharma, M., Phillips, A. R., & Kilmartin, P. A. (2022). Electrochemical methods for the analysis of milk. Journal of Agricultural and Food Chemistry, 70(8), 2427–2449. https://doi.org/10.1021/acs.jafc.1c06350

25. Olson, D. W., White, C. H., & Richter, R. L. (2004). Effect of pressure and fat content on particle sizes in microfluidized milk. Journal of Dairy Science, 87(10), 3217–3223. https://doi.org/10.3168/jds.S0022-0302(04)73457-8

26. Perez–Gonzalez, C., Garcia–Hernandez, C., Garcia–Cabezon, C., Rodriguez–Mendez, M. L., Dias, L., & Martin–Pedrosa, F. (2024). Analysis of milk adulteration by means of a potentiometric electronic tongue. Journal of Dairy Science, 107(11), 9135–9144. https://doi.org/10.3168/jds.2024–25140

27. Pu, Y., Pérez–Marín, D., O’Shea, N., & Garrido–Varo, A. (2021). Recent advances in portable and handheld NIR spectrometers and applications in milk, cheese and dairy powders. Foods, 10(10), 2377. https://doi.org/10.3390/foods10102377

28. Riu, J., Gorla, G., Chakif, D., Boqué, R., & Giussani, B. (2020). Rapid analysis of milk using low–cost pocket–size NIR spectrometers and multivariate analysis. Foods, 9(8), 1090. https://doi.org/10.3390/foods9081090

29. Shao, Y., Yuan, Y., Xi, Y., Zhao, T., & Ai, N. (2023). Effects of homogenization on organoleptic quality and stability of pasteurized milk samples. Agriculture, 13(1), 205. https://doi.org/10.3390/agriculture13010205

30. Sowmya, N., & Ponnusamy, V. (2021). Development of spectroscopic sensor system for an IoT application of adulteration identification on milk using machine learning. IEEE Access, 9, 53979–53995. https://doi.org/10.1109/ACCESS.2021.3070558

31. Toldrá, F., & Nollet, L. M. (Eds.). (2021). Handbook of dairy foods analysis. CRC Press.

32. Vanaraj, R., IP, B., Mayakrishnan, G., Kim, I. S., & Kim, S. C. (2025). A systematic review of the applications of electronic nose and electronic tongue in food quality assessment and safety. Chemosensors, 13(5), 161. https://doi.org/10.3390/chemosensors13050161

33. Wu, X., Fang, Y., Wu, B., & Liu, M. (2023). Application of near–infrared spectroscopy and fuzzy improved null linear discriminant analysis for rapid discrimination of milk brands. Foods, 12(21), 3929. https://doi.org/10.3390/foods12213929

34. Zhu, Z., & Guo, W. (2021). Recent developments on rapid detection of main constituents in milk: a review. Critical Reviews in Food Science and Nutrition, 61(2), 312–324. https://doi.org/10.1080/10408398.2020.1731417