牛奶含水率介電譜結合化學計量學檢測方法

郭文川　林碧瑩

(西北農林科技大學機械與電子工程學院， 陜西楊凌 712100)

?

牛奶含水率介電譜結合化學計量學檢測方法

郭文川林碧瑩

(西北農林科技大學機械與電子工程學院， 陜西楊凌 712100)

為了實現牛奶含水率的快速檢測，采用網絡分析儀和同軸探頭測量了室溫((25±0.5)℃)下20～4 500 MHz間105個牛奶樣品的相對介電常數和介質損耗因子。發現基于單一頻率下的介電參數很難預測牛奶的含水率。為此，將介電譜與化學計量學方法相結合預測牛奶的含水率。基于X-Y共生距離法進行了樣本集劃分，得到校正集樣本75個和預測集樣本30個。采用連續投影算法從全介電譜中提取出了15個用于預測牛奶含水率的特征變量；建立了基于全介電譜和連續投影算法提取的特征變量預測牛奶含水率(87.28%～91.30%)的廣義神經網絡、支持向量機和極限學習機模型。結果發現，基于連續投影算法提取的特征變量所建立的極限學習機模型是預測牛奶含水率的最優模型，其預測相關系數、預測均方根誤差和剩余預測偏差分別為0.988、0.119%和6.723。研究表明，介電譜結合化學計量學方法可用于檢測牛奶的含水率。

牛奶; 含水率; 介電特性; 化學計量學; 人工神經網絡

引言

牛奶中富含多種營養物質，如蛋白質、脂肪、糖類和礦物質等，被譽為“白色血液”。牛奶的含水率是反映牛奶品質的主要指標之一，它可以反映牛奶是否摻水以及乳成分的變化。常用的牛奶含水率檢測方法有直接干燥法[1]、微波法[2]、水分測定儀法[3]、紅外光譜法[4-5]和熱輻氣動干燥法[6]等。國標GB 5009.3—2010《食品中水分的測定》中規定的直接干燥法雖然具有檢測精度高的優點，但其耗時長、儀器笨重、能耗大，不能實現在線檢測，難以滿足市場快速檢測牛奶含水率的要求。同直接干燥法相比，微波法、水分測定儀法、紅外光譜法和熱輻氣動干燥法雖然縮短了測試時間，但儀器設備較昂貴，同樣不能應用于現場檢測。因此，尋找適合于牛奶含水率實時或在線檢測的方法對于檢測牛奶的品質具有重要意義。

介電特性是物質的固有特性之一。物質的介電特性可用相對介電常數ε′和介質損耗因子ε″等表示。ε′反映了物質儲存電場能量的能力，而ε″反映物質消耗電場能量的能力[7]。大量研究表明，食品的介電特性受其組成成分的影響，如含水率[8]、含鹽量[9]、脂肪[10]等。對蜂蜜[11]、肉[12]和果蔬糧食[13-15]等食品介電特性的研究說明，含水率是影響食品介電參數的主要因素之一。魯勇軍等[16]在25℃采用同軸傳輸線技術測量了一些微波頻率(2、2.45、3 GHz)下市售黃油、奶酪、酸奶和牛奶的相對介電常數，發現乳制品的相對介電常數與含水量呈正相關關系。GUO等[17]研究了去離子水對牛奶介電特性的影響，結果表明牛奶的介質損耗因子與摻水牛奶中牛奶的含量成正比。BANACH等[18]研究了摻水率對牛奶介電特性的影響，發現牛奶的摻水率與其介電參數的關系接近線性關系。但現有對于牛奶含水率的研究均是對于單一的樣品，尚未發現適合于預測大樣本牛奶含水率的方法。對果品的介電譜研究說明，介電譜與化學計量學方法相結合可以預測大樣本果品的內部品質[19-20]。

為了給大樣本牛奶含水率的檢測提供一種實時、在線檢測方法，本文采用矢量網絡分析儀和同軸探頭技術測量室溫下，20～4 500 MHz內含水率在87.28%～91.30%間的105份牛奶樣本的介電譜，將介電譜與化學計量學方法相結合建立預測牛奶含水率的人工神經網絡模型，并比較全頻譜與連續投影算法提取的特征變量對各個模型預測能力的影響，提出預測牛奶含水率的最佳模型。

1　材料與方法

1.1材料

生鮮牛奶采集于陜西楊凌某一奶牛養殖戶所飼養的15頭“荷斯坦”乳牛，所采樣品于30 min內運至實驗室。將采集得到的每頭乳牛的牛奶樣品分成7份，每份約200 g，按照每份樣品中添加約0%、2%、4%、6%、8%、10%和12%自來水的方法共配置得到105份樣品。試驗期間，樣品于4℃冷藏室內保存，冷藏時間不超過24 h。

1.2測量方法

1.2.1主要成分的測量方法

測量前，將待測樣品攪拌均勻，分別依據GB 5009.5—2010《食品中蛋白質的測定》、GB 5413.3—2010《嬰幼兒食品和乳品中脂肪的測定》和GB 5413.39—2010《乳和乳制品中非脂乳固體的測定》測量牛乳中的蛋白質、脂肪和非脂乳固體含量。采用直接干燥法測量含水率。含水率的具體測量方法是：從攪拌均勻的牛奶樣品中取5～10 g置于105℃的鼓風干燥箱(101-1AB型，天津市泰斯特儀器有限公司)中干燥20 h后取出，放于裝有CaSO2的干燥器中冷卻至室溫。用精度為0.000 1 g的電子天平(FA2104N型，上海精密科學儀器有限公司)稱量每份樣品干燥前后的質量，根據干燥前后樣品的質量計算樣品的初始濕基含水率。以每份樣品6個含水率測量的平均值作為該樣品的含水率測量結果。

1.2.2介電參數測量方法

本文采用網絡分析儀(E5071C型， Agilent Technology公司，馬來西亞)和末端開口的同軸探頭(85070E-020型)測量介電參數。測試前先將網絡分析儀預熱1 h，然后對其依次進行開路、短路和50 Ω負載校準。進而用同軸電纜連接網絡分析儀與同軸探頭，設定測量頻率范圍為20～4 500 MHz，測量頻率點數為201個。最后對同軸探頭進行開路、短路和25℃的去離子水校準。

測量前將樣品從冷藏室中取出，待其恢復至室溫(25±0.5)℃后，攪勻倒入3個50 mL的試管中，使得牛奶液面低于試管口1～2 cm。將試管放于一自制的升降臺上，調節升降臺的高度，使得同軸探頭浸入牛奶樣品中，然后，測量樣品的ε′和ε″。每個試管中的樣品測量2次，3個試管中樣品6次測量的平均值作為介電參數的測量結果。

1.3數據分析與處理方法

1.3.1X-Y共生距離算法

為了使劃分的樣品集更具代表性，本文選用X-Y共生距離算法(Sample set partitioning based on joint X-Y distances, SPXY)劃分樣本。該算法同時考慮了各樣品濃度(本文為含水率)間與頻譜間的歐氏距離，使劃分得到的校正集樣品能夠充分包含預測集的樣品信息，從而能有效地提升模型的泛化能力[21]。

1.3.2連續投影算法

1.3.3廣義神經網絡

廣義神經網絡(Generalized regression neural Network, GRNN)是一種以徑向基函數(Radial basis function，RBF)為核函數的一種局部逼近網絡。該網絡由輸入層、模式層、求和層和輸出層構成。一些研究表明[22]，該網絡具有高度的容錯性和魯棒性，并且在學習能力和學習速度上都優于經典神經網絡，且對小樣本的訓練集表現出絕對優勢。

1.3.4支持向量機

支持向量機(Support vector machine, SVM)是基于風險最小化思想的機器學習算法。它通過在多維空間建立超平面實現不同模式之間的最大化隔離，從而達到分類的目的[23]。SVM可以有效克服經典神經網絡模型中模型復雜、求解速度慢、易陷入局部極小、過擬合等弊端，從而提高建模效率，且能較好地解決小樣本、非線性等實際問題，可以有效地改善定性、定量模型的預測精度[24]。

1.3.5極限學習機

極限學習機(Extreme learning machine, ELM)是由HUANG等[25]提出的一種針對單隱層前饋神經網絡的算法，具有收斂速度快、泛化性能好等特點。ELM網絡的輸入層與隱層間的連接權值和神經元間的閾值都是隨機確定的，因此只需設置各層神經元數就可以經校正集訓練后獲得最優解。ELM已經在許多領域得到了廣泛應用。

1.4模型評價

模型的校正和預測性能用校正集樣品的相關系數(Rc)、校正集樣品的均方根誤差(RMSEC)、預測集樣品的相關系數(Rp)和預測集樣品的均方根誤差(RMSEP)表示，以剩余預測偏差RPD作為評價模型預測性能的指標。NICOLA?等[26]指出當某一模型的RPD值小于1.5時，該模型的預測性能很差；當RPD 在1.5～2.0時，模型僅能給出預測值的大小情況；當RPD 在2.0～2.5時，模型可用于粗略預測；而當模型的RPD大于2.5和3.0時，模型分別具有良好的和極好的預測準確性。

2　試驗結果和分析

2.1生鮮牛奶的主要成分

本研究所用的15份生鮮牛奶的主要成分如表1所示。表1說明，所用樣品的主要成分有一定的差異，說明所選取的樣品具有一定的代表性。基于該15份生鮮牛奶制備的105份樣品的含水率范圍為87.28%～91.30%，含水率的平均值為89.03%，標準偏差為0.84%。

表1　本研究所用的15份生鮮牛乳的主要成分Tab.1　Main ingredients of 15 samples of raw fresh milk 　%

2.2生鮮牛奶的介電譜

圖1是20～4 500 MHz范圍內，某一原奶的ε′和ε″的變化規律。由圖1看出，ε′隨著頻率的增大逐漸減小。在雙對數坐標下，ε″隨頻率的增大先減小后增大。牛奶是一種非均質膠體分散系，其中的偶極子、電子和原子的極化及Maxwell-Wagner效應是引起牛奶介電參數變化的主要原因[27]。大量的研究結果表明，離子的導電性是引起低頻下(小于等于300 MHz)介電損耗的主要原因，而偶極子的極化是引起微波頻段下(300～4 500 MHz)介電損耗的主要原因。在所研究的頻段內，牛奶ε″的變化規律與純水的介電行為基本相同[28]，說明水是引起牛奶介電參數變化的主要成分。此外，牛奶中的蛋白質[29]和脂肪[10]的含量對牛奶的介電參數也有一定的影響。因此，牛奶的介電特性是牛奶中所有成分綜合影響的結果，但是同水相比，蛋白質、脂肪和非脂乳固體的影響較小。

圖1　室溫下20～4 500 MHz范圍內某一原奶樣品的ε′和ε″的變化規律Fig.1　Obtained ε′ and ε″ of a raw milk sample over the frequency range of 20～4 500 MHz at room temperature

2.3生鮮牛奶的介電特性與含水率的線性關系分析

為了了解大樣本牛奶的介電參數是否與含水率存在線性關系，本文建立了201個頻率點下的ε′和ε″分別與含水率的線性關系式y=aw+b，其中y代表ε′和ε″，w代表含水率，a和b為擬合系數，并計算了各擬合式下ε′和ε″分別與含水率的擬合系數Rε′和Rε″，結果如圖2所示。由圖2可知，ε′和ε″均與含水率間有正的線性相關性，但Rε′小于0.4，說明相關性很弱。在20～3 000 MHz間，Rε″大于0.5且小于0.7，說明有一定的線性相關性，當頻率大于3 000 MHz時，Rε″小于0.5。

圖2　20～4 500 MHz范圍內ε′和ε″與含水率在201個頻率點下的線性相關系數Fig.2　Linear correlation coefficients between permittivities and moisture content at 201 discrete frequencies from 20 MHz to 4 500 MHz

綜上可知，單一頻率下的ε′和ε″均與含水率間的線性相關性較弱，很難應用單一頻率下的介電參數值預測牛奶的含水率。因此，有必要探討是否能用更多的介電參數甚至全介電譜預測生鮮牛奶的含水率。

2.4樣本劃分

基于Matlab R2013a軟件平臺，根據105個牛奶含水率(87.28%～91.30%)的實測值數據，采用SPXY算法將樣本按照5∶2的比例劃分校正集與預測集，得到校正集樣品75個和預測集樣品30個。 樣本劃分結果見表2。從表2可以看出，校正集樣品中牛奶含水率的變化范圍充分覆蓋了測試集樣品中的含水率范圍，說明經SPXY法劃分的樣本集是合理有效的。

2.5連續投影算法提取特征變量

設定提取的特征介電變量數的范圍為1～19，計算各特征變量數下的RMSEC，根據最小的RMSEC確定最佳特征變量數。不同特征變量數下的RMSEC的計算結果如圖3所示。結果說明，RMSEC隨變量數的增多而減小，但當變量數大于15時，RMSEC基本保持不變。由于過多的變量會增加模型的復雜性，為此，本研究以RMSEC不再顯著減小(在0.05顯著水平下)時的特征變量數作為最終的選擇結果。因此，SPA選擇的最優特征變量數為15。圖3中“■”對應的橫坐標值表示經SPA優選出的最佳特征變量數。所選出的15個特征介電變量見表3。

表2　基于SPXY法劃分樣本的含水率結果統計Tab.2　Statistics of moisture content in different sample sets determined by SPXY

圖3　SPA在不同特征變量數下的校正均方根誤差Fig.3　Calculated RMSEC at different characteristic variable numbers of SPA

變量號介電變量變量所在頻率/MHz變量號介電變量變量所在頻率/MHz1ε'20.009ε″2070.712ε'20.7210ε″2508.663ε'22.1611ε″2806.334ε'24.3112ε″3182.705ε'27.9113ε″3464.986ε'31.5014ε″4123.637ε'2399.1715ε″4500.008ε″1013.66

2.6GRNN模型建模結果

GRNN網絡的關鍵參數為擴展系數。本文采用交叉驗證方法訓練GRNN，并根據最小RMSEC循環找出梯度為0.001，范圍為0.1～2.0時的最佳擴展系數。在全頻譜和SPA選取的特征變量下，分別獲得的GRNN的擴展系數見表4，所建立的GRNN模型對牛奶含水率的預測結果見表5。

表4　GRNN、SVM和ELM的建模參數Tab.4　Modeling parameters of GRNN, SVM and ELM

表5　不同的特征變量選擇方法下各模型對牛奶 含水率的建模結果Tab.5　Moisture content determination results of different models based on different variables selection methods

由表5可以看出，基于SPA所建立的GRNN模型(SPA-GRNN)的Rc(0.996)和Rp(0.966)均高于基于全頻譜所建立的GRNN(FS-GRNN)，且SPA-GRNN比FS-GRNN具有較小的RMSEC(0.157%)和RMSEP(0.221%)，說明SPA-GRNN 具有較好的校正性能和預測性能。SPA-GRNN的RPD為3.620，大于3，說明SPA-GRNN 具有極好的含水率預測能力。而FS-GRNN的RPD為2.485，在2.0～2.5 之間，表明FS-GRNN 可用于粗略地預測牛奶的含水率。

2.7SVM模型建模結果

本研究以RBF函數作為SVM的核函數。SVM建模中的關鍵建模參數為懲罰因子c及RBF函數中的松弛變量g。設定各參數的取值范圍為2-6～26，增量為20.5，根據留一交互原則結合最小RMSEC確定二參數的值，結果見表4。所建立的SVM模型對牛奶含水率的預測結果見表5。

表5說明，模型FS-SVM相比于SPA-SVM有較大的Rc(0.998)和較小的RMSEC(0.045%)，說明FS-SVM有較好的校正性能。但是SPA-SVM具有較大的Rp(0.989)和較小的RMSEP(0.132%)，且RPD(6.051)遠大于FS-SVM(3.810)，故SPA-SVM比FS-SVM具有較優的預測牛奶含水率的能力，且能保證具有極好的預測精度。

2.8ELM模型建模結果

本研究中，ELM網絡的激活函數為sigmoidal。ELM網絡的隱層節點數是根據多次重復試驗獲得的。其方法是：設定初始節點數為1，每次增加1，直到增加到100為止。計算每個隱含層節點數下的RMSEC，以最小的RMSEC或RMSEC開始緩慢變化所在處的節點數作為ELM的隱含層節點數。 確定的ELM的隱層節點數見表4，所建的ELM模型對牛奶含水率預測結果見表5。

表5說明，同FS-ELM模型相比，SPA-ELM模型具有較高的Rc(0.997)和Rp(0.988)以及較小的RMSEC(0.066%)和RMSEP(0.119%)。雖然FS-ELM及SPA-ELM模型的RPD均大于3.0，但SPA-ELM的RPD(6.051)遠大于FS-ELM(3.077)，說明SPA-ELM對牛奶含水率的預測性能遠優于FS-ELM。

2.9結果比較

在所建立的6種含水率預測模型中，雖然SPA-ELM模型的Rp(0.988)略小于SPA-SVM(0.989)，但具有最小的RMSEP(0.119%)以及最大的RPD(6.723)，且RPD大于3.0，說明SPA-ELM是預測牛奶含水率的最優模型，且具有極好的預測精度。FS-GRNN模型的RPD最小，且小于2.5，說明該模型能粗略地預測生鮮牛奶的含水率。其余4種模型的RPD均大于3.0，表明這4種模型也具有極好的預測牛奶含水率的能力。

在各種建模方式下，基于SPA提取的特征變量所建模型的Rp和RPD均分別大于基于全頻譜所建的模型，說明SPA能夠有效地從全頻譜中提取表達牛奶含水率的有效信息。圖4所示是預測集中牛奶含水率的實測值與應用SPA-ELM模型預測的含水率的比較，說明應用SPA-ELM模型可以很好地預測牛奶的含水率。

3　結論

(1)在20～4 500 MHz內，生鮮牛奶的ε′隨著頻率的增大而減小；ε″隨著頻率的增大先減小后增大，介質損耗因子的最小值出現在2 000～2 500 MHz間。

(2)在20～4 500 MHz內，介電參數和生鮮牛奶含水率之間的線性關系較弱，很難應用單一介電參數預測牛奶含水率。

(3)采用SPA法從全介電譜中提取出了15個用于預測含水率的特征變量，且基于特征變量所建模型的牛奶含水率預測效果均優于基于全介電譜所建模型。

(4)基于全介電譜和SPA提取的特征變量建立的預測含水率的GRNN、SVM和ELM模型中，SPA-ELM模型具有最好的含水率預測性能，其Rp、RMSEP和RPD分別為0.988、0.119%和6.723。

(5)介電譜與化學計量學方法相結合可以很好地預測牛奶含水率。本研究為實時或在線牛奶含水率檢測儀的研發提供了基礎。

1GB 5009.3—2010 食品中水分的測定[S]. 2010.

2李倩, 董有爾. 用微波法測量牛奶含水量研究[J]. 實驗技術與管理，2010，27(6)：45-46.

LI Qian, DONG Youer. A microwave measurement of the water content in milk[J]. Exprimental Technology and Management, 2010, 27(6): 45-46. (in Chinese)

3郭亞東, 沈園, 木妮熱, 等. MB45型鹵素水分測定儀快速測定牛奶、酸奶中全乳固體[J]. 中國衛生工程學，2008，7(4)：234-235.

GUO Yadong, SHEN Yuan, MU Nire, et al. Rapid determination of total milk solids in milk and yoghurt by MB45 halogen moisture analyzer[J]. Chinese Joural of Public Health Engineering, 2008, 7(4): 234-235. (in Chinese)

4NY/T 2659—2014 牛乳脂肪、蛋白質、乳糖、總固體的快速測定 紅外光譜法[S]. 2014.

5李曉云, 王加華, 黃亞偉, 等. 便攜式近紅外儀檢測牛奶中脂肪、蛋白質及干物質含量[J]. 光譜學與光譜分析，2011，31(3)：665-668.

LI Xiaoyun, WANG Jiahua, HUANG Yawei, et al. Determination of fat, protein and DM in raw milk by portable short-wave near infrard spectrometer[J]. Spectroscopy and Spectral Analysis, 2011, 31(3): 665-668. (in Chinese)

6趙敏, 周聰. 熱輻氣動干燥法快速測定牛奶中總固體和水分[J]. 食品科學，2015，36(2)：142-144.

ZHAO Min, ZHOU Cong. Rapid determination of total solids and water in milk by hot radiation pneumatic drying method[J]. Food Science, 2015, 36(2): 142-144. (in Chinese)

7郭文川, 朱新華. 國外農產品及食品介電特性測量技術及應用[J]. 農業工程學報，2009，25(2)：308-312.

GUO Wenchuan, ZHU Xinhua. Foreign dielectric property measurement techniques and their applications in agricultural products and food materials[J]. Transactions of the CSAE, 2009, 25(2): 308-312. (in Chinese)

8GUO Wenchuan, WANG Shaojin, TIWARI G, et al. Temperature and moisture dependent dielectric properties of legume flour associated with dielectric heating[J]. LWT-Food Science and Technology, 2010, 43(2): 193-201.

9AHMED J, RAMASWAMY H S, RAGHAVAN V G. Dielectric properties of butter in the MW frequency range as affected by salt and temperature[J]. Journal of Food Engineering, 2007, 82(3): 351-358.

10ZHU Xinhua, GUO Wenchuan, LIANG Zhibin. Determination of the fat content in cow’s milk based on dielectric properties[J]. Food and Bioprocess Technology, 2015, 8(7): 1485-1494.

11GUO Wenchuan, ZHU Xinhua, LIU Yi, et al. Sugar and water contents of honey with dielectric property sensing[J]. Journal of Food Engineering, 2010, 97(2): 275-281.

12郭文川, 谷洪超, 呂俊峰. 水和鹽對豬里脊肉糜介電特性的影響[J]. 食品科學，2009，30(23)：171-175.

GUO Wenchuan, GU Hongchao, Lü Junfeng. Effects of water and salt on dielectric properties of minced pork loin[J]. Food Science, 2009, 30(23): 171-175. (in Chinese)

13郭文川, 王婧, 劉馳. 基于介電特性的薏米含水率檢測方法[J]. 農業機械學報，2012，43(3)：113-117.

GUO Wenchuan, WANG Jing, LIU Chi. Predicating moisture content of pearl barley based on dielectric properties[J]. Transactions of the Chinese Society for Agricultural Machinery, 2012, 43(3): 113-117. (in Chinese)

14郭文川, 王婧, 朱新華. 基于介電特性的燕麥含水率預測[J]. 農業工程學報，2012，28(24)：272-279.

GUO Wenchuan, WANG Jing, ZHU Xinhua. Moisture content prediction of oat seeds based on dielectric property[J]. Transactions of the CSAE, 2012, 28(24): 272-279. (in Chinese)

15GUO Wenchuan, ZHU Xinhua. Dielectric properties of red pepper powder related to radiofrequency and microwave drying[J]. Food and Bioprocess Technology, 2014, 7(12): 3591-3601.

16魯勇軍, 朱彤, 郭亞峰. 乳制品微波介電性能的測量[J]. 食品科學，2000，21(9)：8-11.

LU Yongjun, ZHU Tong, GUO Yafeng. Measuring the mictowave dielectric properties of dairy product[J]. Food Science, 2000, 21(9): 8-11. (in Chinese)

17GUO Wenchuan, ZHU Xinhua, LIU Hui, et al. Effects of milk concentration and freshness on microwave dielectric properties[J]. Journal of Food Engineering, 2010, 99(3): 344-350.

19GUO Wenchuan, SHANG Liang, ZHU Xinhua, et al. Nondestructive detection of soluble solids content of apples from dielectric spectra with ANN and chemometric methods[J]. Food and Bioprocess Technology, 2015, 8(5): 1126-1138.

20郭文川, 房麗潔, 董金磊, 等. 介電譜無損檢測梨內部品質方法研究[J]. 農業機械學報，2015，46(9)：233-239.

GUO Wenchuan, FANG Lijie, DONG Jinlei, et al. Nondestructive detection of internal qualities for pears using dielectric spectra[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(9): 233-239. (in Chinese)

22MAIER H R, DANDY G C. Neural networks for the prediction and forecasting of water resources variables: a review of modelling issues and applications[J]. Environmental Modelling & Software, 2000, 15(1): 101-124.

23BURGES C J. A tutorial on support vector machines for pattern recognition[J]. Data Mining and Knowledge Discovery, 1998, 2(2): 121-167.

24BRERETON R G, LLOYD G R. Support vector machines for classification and regression[J]. Analyst, 2010, 135(2): 230-267.

25HUANG Guangbin, ZHU Qinyu, SIEW C K. Extreme learning machine: theory and applications[J]. Neurocomputing, 2006, 70(1): 489-501.

26NICOLAI B M, BEULLENS K, Bobelyn E, et al. Nondestructive measurement of fruit and vegetable quality by means of NIR spectroscopy: a review[J]. Postharvest Biology and Technology, 2007, 46(2): 99-118.

27SACILIK K, COLAK A. Determination of dielectric properties of corn seeds from 1 to 100 MHz[J]. Powder Technology, 2010, 203(2): 365-370.

28朱新華, 郭文川. 影響食品射頻-微波介電特性的因素及影響機理分析[J]. 食品科學，2010，31(17)：410-414.

ZHU Xinhua, GUO Wenchuan. A review of affecting factors and their mechanisms of the radio frequency-microwave dielectric properties of foods[J].Food Science, 2010, 31(17): 410-414 . (in Chinese)

29ZHU Xinhua, GUO Wenchuan, JIA Yunpeng, et al. Dielectric properties of raw milk as funtions of protein content and temperature[J]. Food and Bioprocess Technology, 2015, 8(3): 670-680.

Detecting Moisture Content of Cow’s Milk Using Dielectric Spectra and Chemometrics

Guo WenchuanLin Biying

(CollegeofMechanicalandElectronicEngineering,NorthwestA&FUniversity,Yangling,Shaanxi712100,China)

To explore a rapid method for detecting moisture content of cow’s milk, a network analyzer and an open-ended coaxial-line probe were applied to measure the dielectric properties (relative dielectric constant and dielectric loss factor) of 105 milk samples over the frequency range of 20～4 500 MHz at room temperature (25±0.5)℃. The low linear correlation coefficient between the moisture content and the permittivities at a single frequency of used milk samples showed that it was difficult to predict the moisture content of milk using a single permittivity value. Therefore, the dielectric spectra combined with chemometrics were used to determine the moisture content of milk. All samples were partitioned into calibration set (75 samples) and prediction set (30 samples) by using set partitioning method based on joint X-Y distances. Fifteen characteristic variables that predicting moisture content of cow’s milk were selected by successive projection algorithm from full spectra. The generalized regression neural network, support vector machine and extreme learning machine models were established to predict moisture content of milk (87.28%～91.30%), based on the original full dielectric spectra and characteristic variables. The results showed that the extreme learning machine model established using the characteristic variables selected by successive projection algorithm was the best model in determining moisture content of milk, with the correlation coefficient of prediction, root-mean-square error of prediction, and residual prediction deviation of 0.988, 0.119%, and 6.723, respectively. The study indicates that the dielectric spectra combined with chemometrics could be used to detect moisture content of milk. The research is helpful to develop a new milk moisture detector which could be used in situ or online detection.

cow’s milk; moisture content; dielectric property; chemometrics; artificial neural networks

10.6041/j.issn.1000-1298.2016.09.035

2016-06-01

2016-07-03

國家自然科學基金項目(31671935)和江蘇省農產品物理加工重點實驗室開放基金項目(JAPP2014-2)

郭文川(1969—)，女，教授，博士，主要從事農產品和食品品質無損檢測技術研究，E-mail： guowenchuan69@126.com

TS252.2

A

1000-1298(2016)09-0249-07