多任务学习在原奶质量分析中的应用:一种用于预测蛋白质、脂肪和体细胞含量的近红外光谱模型
《Food Control》:Multi-task learning for raw milk quality analysis: A near-infrared spectroscopy model for protein, fat, and somatic cell prediction
【字体:
大
中
小
】
时间:2026年06月02日
来源:Food Control 6.3
编辑推荐:
王燕|金乐欣|杨欣|王星宇|刘阳|沈伟正中国东北农业大学智能科学与工程学院,哈尔滨150030摘要为了解决原始牛奶质量检测中多指标和复杂程序带来的挑战,本研究基于近红外光谱(NIRS)开发了一种快速的多指标检测模型。然而,基于NIRS的单指标模型效率低下,因为它们未能充分利用指标
王燕|金乐欣|杨欣|王星宇|刘阳|沈伟正
中国东北农业大学智能科学与工程学院,哈尔滨150030
摘要
为了解决原始牛奶质量检测中多指标和复杂程序带来的挑战,本研究基于近红外光谱(NIRS)开发了一种快速的多指标检测模型。然而,基于NIRS的单指标模型效率低下,因为它们未能充分利用指标间的光谱协同信息,并在特征学习过程中引入了干扰。首先,根据对原始牛奶关键质量属性的评估,选择了蛋白质含量、脂肪含量和体细胞计数(SCC)作为与成分、感官属性和安全性相关的关键指标。随后,分析了这些指标之间的协同和潜在冲突关系,并选择了渐进分层提取(PLE)模型作为多任务学习(MTL)框架。通过整合深度学习偏最小二乘(DLPLS)方法,增强了PLE模型,构建了用于原始牛奶质量的多指标检测模型。此外,还研究了基于梯度归一化的训练协同优化方法以改进MTL过程,并研究了变量选择方法以提高准确性。将传统方法和组合变量选择方法应用于原始牛奶质量的光谱数据检测。实验结果表明,结合变量组合群体分析和遗传算法的组合方法可以有效选择与多个检测目标相关的变量。最后,通过与传统线性和非线性模型的比较实验验证了DLPLS-PLE模型的有效性。实验结果表明,DLPLS-PLE模型通过有效利用指标间的相关性并缓解SCC与其他质量指标之间相反的回归系数方向导致的梯度冲突,分别实现了蛋白质、脂肪和SCC的预测准确率为0.9710、0.7550和0.6407。这项工作为快速牛奶质量分析提供了可靠的工具,并为农产品的光谱检测提供了方法论见解。
引言
牛奶富含营养,是人类饮食的重要组成部分(Smith等人,2022年)。作为乳制品加工的基础材料,原始牛奶直接影响最终产品的营养价值和微生物安全性(Fusco等人,2020年;Murphy等人,2016年;Victor Ntuli等人,2023年)。原始牛奶的质量应通过多维分析框架进行评估,包括营养成分、卫生指标、理化参数、感官特性和技術功能特性。然而,单指标测量不足以全面评估原始牛奶的质量。不同的质量指标之间存在内在关联。例如,体细胞计数(SCC)与蛋白质含量呈负相关,与某些理化参数呈正相关。单指标模型无法捕捉这种相互依赖性,导致评估结果不完整甚至具有误导性。因此,需要一个能够同时利用指标间相关性来评估多个质量属性的多维分析框架,以实现可靠的原始牛奶质量评估。对蛋白质和脂肪等营养成分的定量分析可以确保乳制品的营养价值和感官质量。监测卫生指标(包括SCC和微生物指标)可以消除潜在的健康危害,从而确保乳制品的安全性和消费者的信任(Martin等人,2023年;Schukken等人,2003年)。此外,原始牛奶的质量分析为乳品生产提供了关键反馈,有助于早期发现牛只健康问题、优化饲料配方和改进饲养实践(Bolotova,2017年;Tsenkova等人,2006年;Elmoslemany等人,2010年)。
虽然原始牛奶的理化参数、技術功能特性和感官特性难以测试,但可量化的营养成分和卫生指标已成为原始牛奶质量分析的重要指标(Borges等人,2009年;Darbaz等人,2023年;Kucheryavskiy等人,2014年)。蛋白质和脂肪含量以及SCC不仅反映了营养和安全特性,还显著影响原始牛奶的理化参数、感官特性和技術功能特性。为了优化牛奶采购过程,乳品行业通常使用蛋白质、脂肪和SCC作为成本效益高且效率高的原始牛奶质量分析方法,平衡了分析准确性和操作实用性。
理化方法是原始牛奶质量分析的传统方法,具有高准确性,但操作复杂、耗时且需要专门的技术知识。用于各种牛奶质量指标的大规模分析仪器简化了分析程序并提高了分析效率,如牛奶成分分析仪和体细胞计数器,但高昂的成本限制了其应用。近年来,光谱分析技术被广泛用于牛奶和乳制品的质量分析,涵盖了营养成分分析、掺假检测以及SCC和微生物计数的卫生指标测试。与中红外光谱、高光谱成像、荧光光谱和拉曼光谱相比,近红外光谱(NIRS)在多参数同时检测、快速分析和成本效益方面表现出优越性能,使其成为原始牛奶质量分析和乳品生产在线监测的最佳解决方案(Soulat等人,2020年;Wang等人,2010年)。值得注意的是,新型微型近红外光谱仪的发展和应用进一步克服了传统台式仪器的局限性,当与化学计量平台结合使用时,它们在原始牛奶和乳制品的质量评估方面展示了巨大潜力(Dos Santos Pereira等人,2021年;Guerra等人,2024年)。NIRS最初被应用于乳品行业,用于快速分析营养成分,包括脂肪、蛋白质、乳糖等含量(Kawasaki等人,2008年;Laporte & Paquin,1999年)。随后,其应用扩展到安全监测,包括SCC检测和非法添加剂(如三聚氰胺)的识别(Scholl等人,2017年;Xu等人,2010年)。牛奶是一种含有大分子悬浮液的复杂胶体系统。在应用NIRS进行快速分析时,研究人员不断研究最佳检测模式并开发新方法以提高质量分析的准确性。
目前,研究通常集中在分析单个质量指标上,并取得了令人满意的结果。然而,在原始牛奶质量的综合分析中,脂肪含量、蛋白质含量和SCC之间存在一定的相关性(Cinar等人,2015年;Guner等人,2022年;Kul等人,2019年)。独立建模方法无法捕捉这些质量指标之间的共享信息,从而导致由于忽略重叠光谱特征而降低的鲁棒性、由于过拟合导致的泛化能力不足,以及由于SCC与光谱之间的弱线性关系而存在的欠拟合风险。此外,在使用单指标建模时,原始牛奶的全面质量分析需要构建多个模型,导致计算成本高昂,不适合大规模、高通量检测应用。多任务学习(MTL)是一种机器学习范式,通过跨任务共享潜在的知识表示并利用它们之间的协同效应来同时提高所有相关任务的性能(S. Chen等人,2024年;Zhang & Yang,2018年,2022年)。本研究将MTL引入NIRS的原始牛奶质量分析领域,建立了用于蛋白质含量、脂肪含量和SCC综合分析的联合分析MTL模型。采用渐进分层提取(PLE)框架作为核心架构,并进一步定制以满足原始牛奶多指标检测的要求。该方法克服了传统单任务模型忽略质量指标之间相关性的关键限制,同时通过多指标协作学习机制显著提高了模型的泛化能力和鲁棒性。本研究提出了一种创新的方法,用于快速准确地检测原始牛奶中的多维质量指标。
章节片段
材料
作为全省乳牛群改良(DHI)测试的权威机构,中国黑龙江省畜牧服务部门定期协调黑龙江省内集约化奶牛场的标准化原始牛奶采样和分析程序。在黑龙江省畜牧服务部门的支持下,收集了来自不同地理区域和不同生产规模的荷斯坦奶牛群的617个原始牛奶样本。收集时间跨度为
DLPLS-PLE模型
MTL框架具有不同的架构和特点。例如,硬参数共享方法在早期层使用共享的特征提取网络,同时保持任务特定的输出层。这种架构特别适合高度相关的任务,并有效降低了过拟合风险。相比之下,软参数共享框架为每个任务维护单独的模型,通过正则化强制参数相似性
光谱数据预处理结果
原始光谱数据使用SNV、SG、MSC和D1方法进行了预处理,610个样本的处理后光谱曲线如图5所示。图5(a)显示了SG方法的预处理结果。可以观察到光谱曲线中的微小波动已被消除,2000纳米以上的光谱带变得更加平滑。此外,光谱曲线中的吸收峰变得更加明显。
结论
本研究提出了一种基于NIRS的原始牛奶多指标质量检测方法。为了解决传统单目标检测中效率低下和未能利用指标间相关性的问题,提出了MTL模型DLPLS-PLE,用于同时检测原始牛奶中的蛋白质含量、脂肪含量和SCC。为了提高模型性能,比较了多种变量选择方法,包括CARS、UVE、XGBoost-EDRFE-GA和VCPA-GA,并选择了VCPA-GA
CRediT作者贡献声明
沈伟正:监督、资金获取、概念化。刘阳:资源。金乐欣:验证、调查、正式分析、软件。王燕:撰写——审阅与编辑、撰写——初稿、方法论、资金获取、概念化、监督。王星宇:调查、验证。杨欣:软件、数据管理、验证
未引用参考文献
Ntuli等人,2023年;Yin-An等人,1999年;ZHOU等人,2025年。
利益冲突声明
作者声明他们没有已知的可能会影响本文工作的竞争财务利益或个人关系。
致谢
本研究部分得到了中国黑龙江省自然科学基金(资助编号LH2023C016)和CARS专项基金(资助编号CARS-36)的支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号