Прогнозирование количественных характеристик молока на основе инфракрасной спектроскопии с применением методов машинного обучения

Автор: Легашев Леонид Вячеславович, Болодурина Ирина Павловна, Гришина Любовь Сергеевна, Лашнева Ирина Алексеевна, Сермягин Александр Александрович

Журнал: Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника @vestnik-susu-ctcr

Рубрика: Информатика и вычислительная техника

Статья в выпуске: 3 т.22, 2022 года.

Бесплатный доступ

Спектроскопия среднего инфракрасного диапазона с преобразованием Фурье представляет собой быстрый и дешевый способ анализа проб коровьего молока для определения содержания жира, белка, лактозы и других количественных и качественных показателей молока. Современные инструменты анализа данных позволяют выявить наиболее значимые зависимости между различными парами количественных и качественных признаков состава молока. Цель исследования. Выполнить прогнозирование ряда ключевых признаков состава молока коров с использованием данных инфракрасной спектроскопии для изучения точности разработанной математической модели. Методы. Работу проводили в зимний период 2022 года на базе экспериментального стада голштинизированного черно-пестрого скота (Краснодарский край). Анализ компонентов молока осуществляли с использованием автоматического анализатора MilkoScan (FOSS) с применением метода инфракрасной спектроскопии путем выгрузки полученных спектров при анализе состава сырого молока. Исследованы 23 показателя количественного состава молока: массовая доля жира, белка (истинного и общего), лактозы, СОМО (сухого обезжиренного молочного остатка), сухого вещества, казеина, следы ацетона и бета-гидроксибутирата, мочевина, точка замерзания, кислотность молока, миристиновая, пальмитиновая, стеариновая, олеиновая жирные кислоты (ЖК), длинноцепочечные ЖК, среднецепочечные ЖК, короткоцепочечные ЖК, мононенасыщенные и полиненасыщенные ЖК, насыщенные ЖК, трансизомеры жирных кислот. Рассмотрены методы на основе линейной регрессии (Linear Regression), подходы к регуляризации модели линейной регрессии (Ridge, Lasso и ElasticNet), а также полиномиальная регрессия, метод частичной регрессии (PLSRegression) и метод Байесовской регрессии для задачи прогнозирования ключевых признаков состава молока. Реализован метод снижения размерности данных инфракрасной спектроскопии на основе алгоритма случайного перебора считывания по длине окна и выделены наиболее значимые признаки. Результаты. Разработаны модели прогнозирования шести основных показателей качества молока - массовая доля жира ('Fat'), массовая доля казеина ('Cas.B'), жирных кислот - миристиновой ('C14:0') и олеиновой ('C18:1'), мононенасыщенных ('MUFA') и полиненасыщенные жирных кислот ('PUFA') - со средней абсолютной ошибкой, не превышающей 0,016. Заключение. Результаты, полученные в ходе проведенного исследования, позволят в дальнейшем улучшить предиктивную способность уравнения для определения качества, состава молока по новым селекционным признакам молочной продуктивности, снизить издержки анализа и проводить контроль за состоянием здоровья животных на ранних стадиях.

Еще

Прогнозирование, показатели состава молока, инфракрасная спектроскопия, машинное обучение, регрессия

Короткий адрес: https://sciup.org/147238576

IDR: 147238576   |   DOI: 10.14529/ctcr220305

Текст научной статьи Прогнозирование количественных характеристик молока на основе инфракрасной спектроскопии с применением методов машинного обучения

L.V. Legashev1, , I.P. Bolodurina1, 2, , L.S. Grishina1, , I.A. Lashneva3,

В настоящее время модели искусственного интеллекта находят свое применение в области безопасности, медицины, образования, сельского хозяйства и других. Современные методы интеллектуального анализа данных активно используются для прогнозирования урожайности на полях, мониторинга состояния скота на фермах и т. д. Одно из достоинств методов машинного обучения в сельскохозяйственных процессах состоит в своевременной оценке качества изготавливаемой продукции. Например, автоматические анализаторы инфракрасной спектроскопии [1] активно применяются для анализа количественного состава молока по его компонентам [2, 3]. Более детальное исследование данного процесса позволит вести мониторинг здоровья животных, выявлять воспалительные процессы и контролировать качество производимого сырого молока и вырабатываемой из него молочной продукции.

В этой связи актуальной является задача прогнозирования ключевых показателей состава молока современными методами машинного обучения. Результаты обучения моделей на данных инфракрасной спектроскопии позволят описать формальную математическую зависимость между спектрограммой молока и заданным критерием качества в форме функциональной зависимости. Результаты проведенного исследования позволят в дальнейшем улучшить селекционный контроль качества молока и молочной продукции, снизить издержки анализа и прогнозировать различные потенциальные функциональные нарушения на ранних стадиях, а также в перспективе проводить анализ технологических свойств молока индивидуально для каждого животного (сыропригодность и др.).

1.    Обзор исследований

Данные, полученные с помощью инфракрасной спектроскопии молока, используют для различных задач прогнозирования. В частности, в работе [4] представлен обзор использования спектроскопии в качестве инструмента фенотипирования признаков молока, например, для прогнозирования основного минерального состава, как это изложено в [5]. В работе [6] проводят исследование по прогнозированию статуса беременности коров на основе методов глубокого обучения. В исследовании [7] определяют статус туберкулеза у крупного рогатого скота на основе методов глубокого обучения. В статьях [8, 9] прогнозируют качественные характеристики молока с использованием статистических методов машинного обучения. В работе [10] на базе устройств интернета вещей исследуют фальсификацию молочной продукции с использованием машинного обучения. Аналогичные исследования фальсификации кокосового молока проводят в работе [11]. В статье [12] используется ансамблевый классификатор Stacking и многослойная нейронная сеть с прямой связью для ежедневного прогнозирования метаболического профиля крови у молочного скота. Авторы исследования [13] сравнивают метод частичной регрессии (PLSR), методы с частными коэффициентами наименьших квадратов (PLS) в сочетании с линейной и полиномиальной регрессией опорных векторов (PLS + SVR), а также метод с использованием PLS и искусственной нейронной сети с одним скрытым слоем для прогнозирования содержания лактоферрина в коровьем молоке. В работе [14] использовался метод главных компонент для снижения размерности входных данных и многослойный персептрон с двумя скрытыми слоями с целью прогнозирования параметров качества коровьего молока по спектральным данным. Метод частичной регрессии PLSR использовался в исследовании [15] для прогнозирования потребления сухого вещества корма (конверсии) на основе данных инфракрасной спектроскопии молока.

Таким образом, обзор проведенных исследований показал, что методы машинного обучения активно применяются для решения широкого спектра практических задач на основе данных спектрального анализа молока. В то же время разработка регрессионных уравнений моделей для прогнозирования функционального состояния животных по спектрам сырого молока позволит открыть новые возможности управления и улучшения биологических качеств молочного скота на примере российской популяции черно-пестрой и голштинской породы.

2.    Постановка задачи прогнозирования показателей при спектроскопии молока

Задача построения модели прогнозирования основных показателей качества молока может быть отнесена к задаче множественной регрессии (обучение с учителем), которая позволяет вос- становить зависимость между показателями качества Y и фиксируемыми признаками инфракрасной спектроскопии по волновым точкам X = {х1; %2, —, %и)- Цель регрессионного анализа состоит в том, чтобы оценить значение непрерывной выходной переменной Y по значениям входных переменных X.

Формальная математическая постановка задачи регрессии имеет следующий вид.

Пусть дано X - м н ожест в о при зн а к ов ого оп и са н и я об ъ ек тов ( X 6 ^п), Y - множество ответов (Y 6 ^т ). За д а ч а с о с тои т в пос трое н и и н а ос н ов е X1 = (х ; ; ) ;=1 - обучающей выборки неизвестной зависимости а: X ^ Y, для которой справедливо у ; = у (% ; ), i = 1,.., I.

Исходные данные. Б ы л п роанализирован 521 образец молока от 196 коров, с об ра н н ый в пер иод р е ги с тр а ц ии ( у че та ) молочн ой п р од у к т и в н ости к оров в ян в а ре 2 022 года на базе экспериментальн ог о хозяйства Кра с н о дарского края. Количество волновых точек в с ре д н е й инфракрасной области спектроскопии с различной степенью поглощения вещества с ос та в и ло n = 1060. Да н н ые ра зб и ты на д в е в ыб орк и: в п е рв ой со д е рж али с ь толь к о результаты спектроскопии (столбцы с 240-го по 1299-й ), в о в торой – количественные показатели молока, включая суточный удой коровы.

По и зу че н н ым к оли че стве нным показателям молока построена матрица к орреляц ии (ри с. 1) . Первы е 15 за п и с е й п а р п ри зн а к ов с н а и б ольшей положительной/отрицательной корреляцией представлены в табл. 1.

Features correlation matrix

Рис. 1. Матрица корреляции признаков качественных и количественных показателей молока Fig. 1. Correlation matrix of qualitative and quantitative milk quality traits features

Таблица 1

Первые 15 записей пар признаков с наибольшей положительной/отрицательной корреляцией

Table 1

The first 15 records of feature pairs with the highest positive/negative correlation

Первый признак

Второй признак

Корреляция

Первый признак

Второй признак

Корреляция

Prot.Tru.

Prot.Cru.

0,999

Daily milk yeild

Prot.Cru.

–0,679

C18:1

MUFA

0,997

Daily milk yeild

Prot.Tru.

–0,676

Prot.Tru.

Cas.B

0,995

Daily milk yeild

Cas.B

–0,665

Prot.Cru.

Cas.B

0,995

Daily milk yeild

Urea

–0,551

C18:1

LCFA

0,987

TS

Acetone

–0,537

LCFA

MUFA

0,984

Acetone

C14:0

–0,534

C16:0

MCFA

0,980

Acetone

SCFA

–0,511

Fat

SFA

0,979

Daily milk yeild

TS

–0,496

SFA

SCFA

0,975

Prot.Tru.

Lactose

–0,494

C14:0

MCFA

0,973

Prot.Cru.

Lactose

–0,489

MCFA

SFA

0,967

Daily milk yeild

SNF

–0,482

C16:0

SFA

0,966

Cas.B

Acetone

–0,482

Fat

SCFA

0,956

SNF

BHB

–0,481

C14:0

SFA

0,939

Acetone

MCFA

–0,463

C14:0

C16:0

0,936

Prot.Tru.

Acetone

–0,453

Корреляционный анализ позволяет сделать выводы о том, что множество показателей тесно связаны друг с другом и, например, высокая точность при прогнозировании признака по жирным кислотам – 'C14:0' (миристиновая ЖК) гарантирует аналогичный порядок точности признака для насыщенных жирных кислот 'SFA' (корреляция 0,9394). В связи с этим в рамках данного исследования выделены ключевые показатели качества молока ^ ⊂ ^ = { Fat , Cas. B , C14: 0 , C18: 1 , MUFA , ′PUFA′}, характеризующие массовую долю жира, процент казеина, жирные кислоты – миристиновая (насыщенная ЖК) и олеиновая (ненасыщенная ЖК), мононенасыщенные и полиненасыщенные жирные кислоты соответственно. Казеин молока коров представляет особый интерес для выработки сыра и творога. Селекционный контроль у животных миристиновой ЖК и ряда насыщенных кислот молока связан с общим выходом жира, обменом веществ и также с потенциальной оценкой продукции метана, выделяемого с производными жизнедеятельности скота. Содержание олеиновой ЖК, а также моно- и полиненасыщенных жирных кислот обуславливает выход масла, связано с технологическими свойствами и органолептическими особенностями молока, продуцируемого животными, а также с их фертильностью (способностью к устойчивому воспроизводству потомства). В этой связи были выбраны именно эти показатели, как отвечающие и имеющие наибольший интерес в среде селекционеров для возможностей прогнозирования качественных характеристик животных.

Наиболее тесные корреляционные взаимосвязи ( r > 0,9) отмечались для признаков со схожей природой синтеза (образования) в молочной железе коровы: белков молока (истинного и общего белка с казеином, а также между собой) и жирных кислот с учетом длины углеродной цепи и степени насыщения. В то же время взаимосвязь между суточным удоем как основной производной жизнедеятельности и использования коров и компонентами молока – белком, жиром, некоторыми жирными кислотами, следами метаболитов характеризовалась отрицательными значениями (–0,453 <  r < –0,679) (см. табл. 1).

На рис. 2 представлены графики рассеяния и графики распределения зависимости между признаками жира 'Fat' (верхний ряд) и белка 'Prot.Сru.' (нижний ряд) и группы признаков из ацетона 'Acetone', мочевины 'Urea' и бета-гидроксибутирата 'BHB'. С увеличением жирности молока наблюдалось повышение концентрации мочевины в нем, тогда как следы ацетона и БГБ имели плавную отрицательную динамику. Подобная закономерность отмечена для массовой доли общего белка по мочевине и следам метаболитов в молоке коров.

Рис. 2. Графики рассеяния и распределения между признаками жира и белка и группы признаков из ацетона, мочевины и бета-гидроксибутирата

Fig. 2. Jointplots for the features of fat and protein, and feature sets of acetone, urea and beta-hydroxybutyrate

Оп и с а тельн а я с та ти с ти ка д ля ше с ти п ро гн ози ру е мых п ри з н ак ов ' Fat', 'Cas.B', 'C14:0', 'C18:1', 'MUFA' and 'PUFA ' п ред ста в ле н а н а рис . 3.

Fat

Cas. В

C14:0

C18:l

MUFA

PUFA

count

521.000000

521.000000

521.000000

521.000000

521.000000

521.000000

mean

3.906507

2.915528

0.412555

1.049572

1.009850

0.116973

std

1.101313

0.465043

0.110201

0.307287

0.287715

0.029744

min

1.180000

1.810000

0.162000

0.398000

0.428000

0.049000

25%

3.160000

2.520000

0.329000

0.852000

0.827000

0.096000

50%

3.880000

2.920000

0.414000

1.006000

0.974000

0.115000

75%

4.580000

3.250000

0.482000

1.195000

1.146000

0.132000

max

8.530000

4.650000

0.898000

2.786000

2.676000

0.261000

Рис. 3. Описательная статистика по шести прогнозируемым признакам Fig. 3. Descriptive statistics on six predictive traits

Оц е н и в а ть к аче с тв о р е грес сии можно различными способами. Наиболе е тип и чн ыми ме ра м и ка че с тв а в зад а ча х ре гр е сс и и яв ляю тс я:

  • 1 )    с р е д н яя а бс олю тна я о ш и б к а ( а нгл. Mean Absolute Error, MAE):

MAE = ^^-5^1;                                            (1)

  • 2 )    к о ре н ь и з сред н е й к вадр а ти чн ой оши бк и н гл . Root Mean Squared Error, RMSE):

RMSE = J^^Cy t -yD2;                                              (2)

  • 3)    коэффициент детерминации R2:

    T.ti^yj-yQ2 ^ti(yt-y)2.


    л2 = 1



  • 3.    Прогнозирование показателей молока современными методами машинного обучения

Коэффициент детерминации измеряет долю дисперсии, объясненную моделью, в общей дис- персии целевой переменной. Фактически данная мера качества – это нормированная среднеквадратичная ошибка. Среднеквадратичный функционал сильнее штрафует за большие отклонения по сравнению со среднеабсолютным и поэтому более чувствителен к выбросам.

Исходные данные разбиты на обучающую и тестовую выборки в соотношении 4: 1. Выполнена линейная регрессия методом наименьших квадратов с помощью LinearRegression библиотеки sklearn . Результаты регрессии оценивались метриками (1)–(3): среднеквадратичная ошибка модели (Root Mean Square Error, RMSE) и средняя абсолютная ошибка модели (Mean Absolute Error, MAE), а также коэффициент детерминации R2. Результаты прогнозирования представлены в табл. 2.

Таблица 2

Метрики модели машинного обучения для шести прогнозируемых признаков

Table 2

Machine learning model metrics for six predictive features

Прогнозируемый признак

Область определения

RMSE

MAE

R 2

Fat

[1,18; 8,53]

0,0799

0,0645

0,9946

Cas.B

[1,81; 4,65]

0,1164

0,0925

0,9372

C14:0

[0,16; 0,90]

0,0154

0,0124

0,9787

C18:1

[0,39; 2,79]

0,0443

0,0357

0,9795

MUFA

[0,42; 2,68]

0,0453

0,0361

0,9758

PUFA

[0,04; 0,27]

0,0121

0,0095

0,8455

Результаты оценки качества прогнозных моделей по различным показателям выявили, что прогнозируемые признаки 'Cas.B' и 'PUFA' имеют наиболее слабую долю дисперсии. При этом остальные показатели близки к единице, т. е. модель хорошо объясняет данные.

На следующем этапе исследования реализован алгоритм снижения размерности данных инфракрасной спектроскопии. Сравнительно небольшое количество исходных данных позволяет нам использовать для этого алгоритм случайного перебора окна. В зависимости от масштаба области определения признаков использованы различные метрики качества для подбора окна волнового спектра. Размер отрезка варьировался в интервале [50; 400], количество итераций составляло 5000, в качестве целевой функции fopt использовалась одна из метрик RMSE или MAE. Результаты работы алгоритма для метода линейной регрессии представлены в табл. 3. На рис. 4 представлен пример линейного графика зависимости спектра поглощения от длины волны, а также близкие к оптимальному окна волнового спектра для всех шести прогнозируемых признаков. Использование оптимального окна спектра для признака 'Cas.B' позволило улучшить долю дисперсии до значения R 2 = 0,9966, для признака ' PUFA' позволило улучшить долю дисперсии до значения R 2 = 0,9686.

Таблица 3

Результаты работы алгоритма случайного перебора размера окна волнового спектра для метода линейной регрессии

Table 3

Results of the random search algorithm of finding the wave spectrum window length for the linear regression method

Прогнозируемый признак

Метрика

f opt

Окно волнового спектра

Fat

RMSE

0,0209

[293; 453]

Cas.B

RMSE

0,0187

[344; 396]

C14:0

MAE

0,0041

[252; 462]

C18:1

MAE

0,0130

[251; 456]

MUFA

MAE

0,0119

[240; 469]

PUFA

MAE

0,0043

[246; 464]

Рис. 4. Линейный график зависимости спектра поглощения от длины волны, близкие к оптимальным окна длины волны при прогнозировании признаков Fig. 4. Linear plot of absorbance spectrum vs. wavelength, close-to-optimal wavelength windows when predicting features

К роме т ого , ре али зован о с равнение эффективности модели LinearRegr ess io n с рядом других моде ле й ма ш и н н о го о б у че н и я. Рассмотрены подходы к регуляризации мод ел и л и н е й ной р е гр е сси и ( R idg e , La sso и E la s ti c Ne t), а также расширение линейной модели базис н ыми фу н к ц и ями ( пол и н ом и а л ьн а я р е грес с и я), ме тод ом час ти чн ой ре г ре с с и и (P LS R e g r e ssion) и наименьших квадратов, методом бай е с ов ск ой ре гр ессии. Результаты прогнозирования представл е н ы в таб л. 4.

Таблица 4

Ошибки моделей машинного обучения для шести прогнозируемых признаков

Table 4

Machine learning model errors for six predictive features

Fat

Cas.B

C14:0

RMSE

MAE

RMSE

MAE

RMSE

MAE

Ridge

0,024186 (alpha=1e-0 3)

0,019668 (alpha=1e-03)

0,028024 (alpha=1e-03)

0,02276 (alpha=1e-03)

0,007418 (alpha=1e-06)

0,00595 (alpha=1e-06)

Lasso

0,027916 (alpha=1e-0 5)

0,021313 (alpha=1e-05)

0,02149 (alpha=1e-05)

0,016037 (alpha=1e-05)

0,016608 (alpha=1e-06)

0,013043 (alpha=1e-06)

ElasticNet

0,038695

0,029758

0,027905

0,021019

0,02793

0,02098

Полиномиальная регрессия (degree = 2)

0,031258

0,023921

0,03508

0,027013

0,035539

0,027914

BayesianRidge

0,025172

0,019832

0,027887

0,022553

0,025332

0,019092

PLSRegression (n_components = 2)

0,083546

0,068356

0,161498

0,126435

0,042118

0,033418

C 18: 1

MUFA

PUFA

RMSE

MAE

RMSE

MAE

RMSE

MAE

Ridge

0,018545 (alpha=1e-0 6)

0,01403 (alpha=1e-06)

0,017819 (alpha=1e-06)

0,01379 (alpha=1e-06)

0,005859 (alpha=1e-06)

0,0045199 (alpha=1e-06)

Lasso

0,047717 (alpha=1e-0 6)

0,03648 (alpha=1e-06)

0,044095 (alpha=1e-06)

0,033121 (alpha=1e-06)

0,011433 (alpha=1e-06)

0,00941 (alpha=1e-06)

ElasticNet

0,10079

0,07566

0,094107

0,071053

0,0145849

0,0114307

Полиномиальная регрессия (degree = 2)

0,12155

0,09059

0,118251

0,0879466

0,02407

0,019333

BayesianRidge

0,07354

0,057898

0,0747286

0,0574054

0,020836

0,016419

PLSRegression (n_components = 2)

0,13965

0,10865

0,131281

0,1036154

0,0199687

0,015649

Ли н ей н ая ре гре с с ия с ре г уляризацией Ridge показывает лучшие резуль таты п о б ольш и н ству п рогн о зи р уе мых при з н а к о в с о с ре дн ей о ш и б к о й MAE = 0,0116, за исключением казеина, где ошибка М А Е со ст авил а 0 ,0 2 2 7 . Дл я по к аз ат ел я 'Cas.B' наиболее высокую точность при прогнозировании пр о дем о нст р ир о вал м ет од л инейно й р ег р ессии с р е г ул я р и з ацией Lasso (MAE = 0,0160).

В рез у ль та те п ров е д е н н ы х исследований построены шесть моделей ли н е й ной регре сс и и по ка ж д ому и з ос н ов ны х п о к а за те л е й к а чества молока, включающих в среднем 200 признаков инф ра кра с н ой с пе к тро с к опи и п о в олн ов ым точк а м на интервале [247; 463] с весовыми коэффициен та ми, подо б ра н н ыми на ос н о ве методов, описанных выше. Данные модел и могу т б ыть и с п ол ьзов а н ы н а прак ти к е д л я оц е н к и качества молока.

Заключение

Таким образом, в рамках данного исследования осуществлено прогнозирование по шести ключевым признакам состава молока на основе данных инфракрасной спектроскопии. Исходные данные о компонентах сырого молока взяты за январь 2022 года в экспериментальном стаде гол-штинизированного черно-пестрого скота. Анализ молока осуществляли с использованием автоматического анализатора MilkoScan (FOSS, Дания) на основе экспресс-метода инфракрасной спектроскопии. Исследована эффективность подходов по прогнозированию показателей состава молока на основе линейной регрессии (Linear Regression) и подходов к ее регуляризации (Ridge, Lasso и ElasticNet), полиномиальной регрессии, метода частичной регрессии (PLSRegression), а также метода байесовской регрессии. В качестве ключевых показателей состава молока выступали: массовая доля жира ('Fat'), массовая доля казеина ('Cas.B'), жирные кислоты – насыщенная миристиновая ('C14:0') и ненасыщенная олеиновая ('C18:1'), сумма мононенасыщенных ('MUFA') и сумма полиненасыщенных жирных кислот ('PUFA'). Кроме того, реализован метод снижения размерности данных инфракрасной спектроскопии молока на основе алгоритма случайного перебора длины окна. Построенные прогнозные модели показателей состава молока показали высокую эффективность при экспериментальном исследовании со средней абсолютной ошибкой, не превышающей 0,016.

С точки зрения применимости методов машинного обучения в сельскохозяйственной биологии они представляют собой новое направление научно-практических исследований по совершенствованию и повышению точности оценки фенотипа животных. Получаемые результаты по количественному составу молока коров (белковая и жировая фракции) уже сейчас составляют важный элемент в разведении животных для целей поиска новых селекционных критериев. Накопленный большой массив данных, как мы полагаем, позволит в ближайшее время перейти к оценке качественных биологических характеристик объектов в молочном скотоводстве для улучшения технологических свойств молока как сырья для переработки и повышения способности предсказания (прогнозирования) функционального состояния животных (признаки здоровья, долголетнего использования, воспроизводительные качества).

Список литературы Прогнозирование количественных характеристик молока на основе инфракрасной спектроскопии с применением методов машинного обучения

  • De Marchi M., Penasa M., Cecchinato A., Mele M., Secchiari P., Bittante G. Effectiveness of mid-infrared spectroscopy to predict fatty acid composition of Brown Swiss bovine milk. Animal. 2011;5(10): 1653-1658. DOI: 10.1017/S1751731111000747
  • Filipejova T., Kovacik J., Kirchnerova K., Foltys V. Changes in milk composition as a result of metabolic disorders of dairy cows. Potravinarstvo. 2011;5(1): 10-16.
  • Zaalberg R.M., Shetty N., Janss L., Buitenhuis A.J. Genetic analysis of Fourier transform infrared milk spectra in Danish Holstein and Danish Jersey. Journal of Dairy Science. 2019; 102(1): 503-510. DOI: 10.3168/jds.2018-14464
  • M. De Marchi, V. Toffanin, M. Cassandro, M. Penasa Invited review: mid-infrared spectros-copy as phenotyping tool for milk traits. Journal of Dairy Science. 2014;97(3): 1171-1186. DOI: 10.3168/jds.2013-6799
  • Visentin G. et al. Phenotypic characterisation of major mineral composition predicted by mid-infrared spectroscopy in cow milk. Italian Journal of Animal Science. 2018;17(3):549-556. DOI: 10.1080/1828051X.2017.1398055
  • Brand W. et al. Predicting pregnancy status from mid-infrared spectroscopy in dairy cow milk using deep learning. Journal of Dairy Science. 2021;104(4):4980-4990. DOI: 10.3168/jds.2020-18367
  • Denholm S.J. et al. Predicting bovine tuberculosis status of dairy cows from mid-infrared spectral data of milk using deep learning. Journal of Dairy Science. 2020;103(10):9355-9367. DOI: 10.3168/jds.2020-18328
  • Frizzarin M. et al. Predicting cow milk quality traits from routinely available milk spectra using statistical machine learning methods. Journal of Dairy Science. 2021;104(7):7438-7447. DOI: 10.3168/jds.2020-19576
  • Frizzarin M. et al. Mid infrared spectroscopy and milk quality traits: A data analysis competition at the "International workshop on spectroscopy and chemometrics 2021". Chemometrics and Intelligent Laboratory Systems. 2021;219:1-9. DOI: 10.1016/j.chemolab.2021.104442
  • Sowmya N., Ponnusamy V. Development of spectroscopic sensor system for an IoT application of adulteration identification on milk using machine learning. IEEE Access. 2021;9:53979-53995. DOI: 10.1109/ACCESS.2021.3070558
  • Al-Awadhi M.A., Deshmukh R.R. Detection of Adulteration in Coconut Milk using Infrared Spectroscopy and Machine Learning. In: 2021 International Conference of Modern Trends in Information and Communication Technology Industry (MTICTI). IEEE; 2021. P. 1-4. DOI: 10.1109/MTICTI53925.2021.9664764
  • Giannuzzi D. et al. In-line near-infrared analysis of milk coupled with machine learning methods for the daily prediction of blood metabolic profile in dairy cattle. Scientific Reports. 2022;12(1): 1-13. DOI: 10.1038/s41598-022-11799-0
  • Soyeurt H. et al. A comparison of 4 different machine learning algorithms to predict lactoferrin content in bovine milk from mid-infrared spectra. Journal of dairy science. 2020;103(12): 11585-11596. DOI: 10.3168/jds.2020-18870
  • Muñiz R., Cuevas-Valdés M., de la Roza-Delgado B. Milk quality control requirement evaluation using a handheld near infrared reflectance spectrophotometer and a bespoke mobile application. Journal of Food Composition and Analysis. 2020;86:1-8. DOI: 10.1016/j.jfca.2019.103388
  • Dórea J. R. R. et al. Mining data from milk infrared spectroscopy to improve feed intake predictions in lactating dairy cows. Journal of Dairy Science. 2018;101(7):5878-5889. DOI: 10.3168/jds.2017-13997
Еще
Статья научная