Скачать статью в pdf.

УДК 637.13:628.9.037

DOI: 10.15507/2658-4123.032.202203.460-475

 

Изменение спектральных фотолюминесцентных свойств молока при скисании

 

Беляков Михаил Владимирович
ведущий научный сотрудник лаборатории переработки сельскохозяйственной продукции Федерального научного агроинженерного центра ВИМ (109428, Российская Федерация, г. Москва, 1-й Институтский проезд, д. 5), доктор технических наук, доцент, ORCID https://orcid.org/0000-0002-4371-8042, Researcher ID: ABB-2684-2020, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Самарин Геннадий Николаевич
главный научный сотрудник, заведующий лабораторией переработки сельскохозяйственной продукции Федерального научного агроинженерного центра ВИМ (109428, Российская Федерация, г. Москва, 1-й Институтский проезд, д. 5), доктор технических наук, доцент, ORCID: https://orcid.org/0000-0002-4972-8647, Researcher ID: AAS-6885-2020, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Кудрявцев Александр Алексеевич
научный сотрудник лаборатории переработки сельскохозяйственной продукции Федерального научного агроинженерного центра ВИМ (109428, Российская Федерация, г. Москва, 1-й Институтский проезд, д. 5), ORCID: https://orcid.org/0000-0002-6122-0168, Researcher ID: ABB-4048-2021, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Ефременков Игорь Юрьевич
студент Национального исследовательского университета «МЭИ» (111250, Российская Федерация, г. Москва, ул. Красноказарменная, д. 14), ORCID: https://orcid.org/0000-0003-2302-9773, Researcher ID: AGR-5540-2022, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Аннотация
Введение. Применение цифровых технологий позволит увеличить эффективность животноводства. К таким технологиям можно отнести оптический мониторинг качества продукции. Цель исследования – изучение зависимости спектральных характеристик и параметров возбуждения и люминесценции молока при скисании.
Материалы и методы. Для измерений использовали молоко с жирностью 3,2 %. Кислотность контролировали титриметрическим методом. Спектры возбуждения и регистрации люминесценции измеряли на спектрофлуориметре «Флюорат-02-Панорама» в диапазоне 200–500 нм. Вычисляли интегральные и статистические параметры спектров в программах PanoramaPro и Microcal Origin.
Результаты исследования. При скисании молока спектры возбуждения смещаются вниз, при этом в диапазоне 350–500 нм наблюдается качественное изменение характеристик, хотя абсолютный уровень фотосигнала почти на порядок меньше, чем при 220–340 нм. Поток фотолюминесценции при возбуждении излучением с длиной волны 262 нм уменьшается в процессе скисания. Поток при возбуждении излучением 385 нм, наоборот, увеличивается, особенно за первые трое суток. Поток при возбуждении 442 нм уменьшается незначительно. Статистические параметры и энергия спектров фотолюминесценции неинформативны для контроля скисания молока. Зависимость отношения потоков фотолюминесценции при возбуждении излучением 385 и 442 нм от кислотности линейно аппроксимируется с коэффициентом детерминации 0,99.
Обсуждение и заключение. Изменение люминесцентных свойств молока можно использовать как маркер его скисания с контролем кислотности. Для создания метода контроля показателей качества молока при скисании наиболее информативным является использование длин волн возбуждения 385 и 442 нм с последующей регистрацией фотолюминесценции в диапазонах 440–490 и 490–600 нм соответственно.

Ключевые слова: молоко, кислотность, оптические спектры, поток фотолюминесценции, линейная регрессионная модель

Благодарности: авторы выражают признательность анонимным рецензентам.

Конфликт интересов: авторы заявляют об отсутствии конфликта интересов.

Для цитирования: Изменение спектральных фотолюминесцентных свойств молока при скисании / М. В. Беляков [и др.] // Инженерные технологии и системы. 2022. Т. 32, № 3. С. 460–475. doi: https://doi.org/10.15507/2658-4123.032.202203.460-475

Заявленный вклад соавторов:
М. В. Беляков – анализ литературных данных, описание методов и способа предварительной обработки, редактирование текста, составление выводов и заключения.
Г. Н. Самарин – научное руководство, формирование структуры статьи, доработка начального текста, составление выводов и заключения.
А. А. Кудрявцев – проведение измерений и расчетов.
И. Ю. Ефременков – проведение измерений и расчетов, подготовка начального варианта текста и иллюстраций.

Все авторы прочитали и одобрили окончательный вариант рукописи.

Поступила 13.04.2022; одобрена после рецензирования 18.05.2022;
принята к публикации 30.05.2022

 

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Лобачевский Я. П., Дорохов А. С. Цифровые технологии и роботизированные технические средства для сельского хозяйства // Сельскохозяйственные машины и технологии. 2021. Т. 15, № 4. С. 6–10. doi: https://doi.org/10.22314/2073-7599-2021-15-4-6-10

2. Optimization of Power and Economic Indexes of a Farm for the Maintenance of Cattle / G. N. Samarin [et al.] // Intelligent Computing and Optimization. ICO 2019. Advances in Intelligent Systems and Computing ; Ed. by P. Vasant, I. Zelinka, G. W. Weber. Vol. 1072. Cham : Springer, 2019. P. 679–689. doi: https://doi.org/10.1007/978-3-030-33585-4_66

3. Identification of Organic Matter Dispersions Based on Light Scattering Matrices Focusing on Soil Organic Matter Management / N. F. Bunkin [et al.] // ACS Omega. 2021. Vol. 5, Issue 51. P. 33214–33224. doi: https://doi.org/10.1021/acsomega.0c04906

4. Liu Q., Guo W., Zhu X. Effect of Lactose Content on Dielectric Properties of Whole Milk and Skim Milk // International Journal of Food Science & Technology. 2018. Vol. 53, Issue 9. P. 2037–2044. doi: https://doi.org/10.1111/ijfs.13790

5. Comparative Metabolite Profiling of Raw Milk from Subclinical and Clinical Mastitis Cows Using ¹H-NMR Combined with Chemometric Analysis / M. Luangwilai [et al.] // International Journal of Food Science & Technology. 2021. Vol. 56, Issue 1. P. 493–503. doi: https://doi.org/10.1111/ijfs.14665

6. Morales F.-J., Romero C., Jim?nez-P?rez S. Characterization of Industrial Processed Milk by Analysis of Heat-Induced Changes // International Journal of Food Science & Technology. 2000. Vol. 35, Issue 2. P. 193–200. doi: https://doi.org/10.1046/j.1365-2621.2000.00334.x

7. Development of an Improved Extraction and HPLC Method for the Measurement of Ascorbic Acid in Cows’ Milk from Processing Plants and Retail Outlets / N. Chotyakul [et al.] // International Journal of Food Science & Technology. 2014. Vol. 49, Issue 3. P. 679–688. doi: https://doi.org/10.1111/ijfs.12350

8. Determination of Organochlorine Pesticide Residues in Pasteurized and Sterilized Milk Using QuEChERS Sample Preparation Followed by Gas Chromatography–Mass Spectrometry [Электронный ресурс] / C. ?zdemir [et al.] // Journal of Food Processing and Preservation. 2019. Vol. 43, Issue 11. doi: https://doi.org/10.1111/jfpp.14173

9. Yildiz ?., Unluturk S. Differential Scanning Calorimetry as a Tool to Detect Antibiotic Residues in Ultra High Temperature Whole Milk // International Journal of Food Science & Technology. 2009. Vol. 44, Issue 12. P. 2577–2582. doi: https://doi.org/10.1111/j.1365-2621.2009.02087.x

10. Review of Near-Infrared Spectroscopy as a Process Analytical Technology for Real-Time Product Monitoring in Dairy Processing [Электронный ресурс] / Y.-Y. Pu [et al.] // International Dairy Journal. 2020. Vol. 103. doi: https://doi.org/10.1016/j.idairyj.2019.104623

11. Genetic Analysis on Infrared-Predicted Milk Minerals for Danish Dairy Cattle / R. M. Zaalberg [et al.] // Journal of Dairy Science. 2021. Vol. 104, Issue 8. P. 8947–8958. doi: https://doi.org/10.3168/jds.2020-19638

12. Portnoy M., Coon C., Barbano D. M. Infrared Milk Analyzers: Milk Urea Nitrogen Calibration // Journal of Dairy Science. 2021. Vol. 104, Issue 7. P. 7426–7437. doi: https://doi.org/10.3168/jds.2020-18772

13. Evaluating the Performance of Machine Learning Methods and Variable Selection Methods for Predicting Difficult-to-Measure Traits in Holstein Dairy Cattle Using Milk Infrared Spectral Data / L. F. M. Mota [et al.] // Journal of Dairy Science. 2021. Vol. 104, Issue 7. P. 8107–8121. doi: https://doi.org/10.3168/jds.2020-19861

14. The Use of Milk Mid-Infrared Spectroscopy to Improve Genomic Prediction Accuracy of Serum Biomarkers / I. van den Berg [et al.] // Journal of Dairy Science. 2021. Vol. 104, Issue 2. P. 2008–2017. doi: https://doi.org/10.3168/jds.2020-19468

15. Accuracy and Biases in Predicting the Chemical and Physical Traits of Many Types of Cheeses Using Different Visible and Near-Infrared Spectroscopic Techniques and Spectrum Intervals / G. Stocco [et al.] // Journal of Dairy Science. 2019. Vol. 102, Issue 11. P. 9622–9638. doi: https://doi.org/10.3168/jds.2019-16770

16. Effectiveness of Two Different at-Line Instruments for the Assessment of Cheese Composition, Major Minerals and Fatty Acids Content [Электронный ресурс] / M. Franzoi [et al.] // International Dairy Journal. 2021. Vol. 123. doi: https://doi.org/10.1016/j.idairyj.2021.105184

17. Infrared Spectroscopy Combined with Chemometrics as a Convenient Method to Detect Adulterations in Cooking/Stretching Process in Commercial Cheese [Электронный ресурс] / M. Ozturk [et al.] // International Dairy Journal. 2022. Vol. 128. doi: https://doi.org/10.1016/j.idairyj.2021.105312

18. Monitoring the Ripening Attributes of Turkish White Cheese Using Miniaturized Vibrational Spectrometers / H. Yaman [et al.] // Journal of Dairy Science. 2022. Vol. 105, Issue 1. P. 40–55. doi: https://doi.org/10.3168/jds.2021-20313

19. Predicting Cow Milk Quality Traits from Routinely Available Milk Spectra Using Statistical Machine Learning Methods / M. Frizzarin [et al.] // Journal of Dairy Science. 2021. Vol. 104, Issue 7. P. 7438–7447. doi: https://doi.org/10.3168/jds.2020-19576

20. Comparison of Bayesian and Partial Least Squares Regression Methods for Mid-Infrared Prediction of Cheese-Making Properties in Montb?liarde Cows / M. El Jabri [et al.] // Journal of Dairy Science. 2019. Vol. 102, Issue 8. P. 6943–6958. doi: https://doi.org/10.3168/jds.2019-16320

21. Mining Data from Milk Mid-Infrared Spectroscopy and Animal Characteristics to Improve the Prediction of Dairy Cow’s Liveweight Using Feature Selection Algorithms Based on Partial Least Squares and Elastic Net Regressions [Электронный ресурс] / L. Zhang [et al.] // Computers and Electronics in Agriculture. 2021. Vol. 184. doi: https://doi.org/10.1016/j.compag.2021.106106

22. He X., Fu X., Rao X. Model Robustness Improvement by Absorption and Reduced Scattering Spectra in Short Wave Near Infrared Spectral Region // Biosystems Engineering. 2018. Vol. 176. P. 114–124. doi: https://doi.org/10.1016/j.biosystemseng.2018.10.013

23. Colaruotolo L. A., Peters E., Corradini M. G. Novel Luminescent Techniques in Aid of Food Quality, Product Development, and Food Processing // Current Opinion in Food Science. 2021. Vol. 42. P. 148–156. doi: https://doi.org/10.1016/j.cofs.2021.06.005

24. Investigation of an in-Line Prototype Fluorescence and Infrared Backscatter Sensor to Monitor Rennet-Induced Coagulation of Skim Milk at Different Protein Concentrations / B. Panikuttira [et al.] // International Journal of Food Science & Technology. 2020. Vol. 55, Issue 1. P. 175–182. doi: https://doi.org/10.1111/ijfs.14267

25. Spectroscopy of an Intrinsic Fluorophore in Animal and Plant Milk for Potential Identification of Their Quality / L. Roy [et al.] // Journal of Dairy Science. 2020. Vol. 103, Issue 2. P. 1366–1376. doi: https://doi.org/10.3168/jds.2019-17034

26. Ma Y. B., Amamcharla J. K. A Rapid Method to Quantify Casein in Fluid Milk by Front-Face Fluorescence Spectroscopy Combined with Chemometrics // Journal of Dairy Science. 2021. Vol. 104, Issue 1. P. 243–252. doi: https://doi.org/10.3168/jds.2020-18799

27. Investigation of Heat-Acid Induced Coagulation Behaviour of Whole Milk Systems Employing Front-Face Fluorescence Spectroscopy / P. Chakraborty [et al.] // International Journal of Dairy Technology. 2020. Vol. 73, Issue 4. P. 674–682. doi: https://doi.org/10.1111/1471-0307.12726

28. Belyakov M. V., Kulikova M. G., Gerts A. A. Control of Powdery Contents and Mass Rates of the Extract in the Dry Substance of Barley Malt by Photoluminescent Method // International Journal of Food Science & Technology. 2022. Vol. 57, Issue 1. P. 408–415. doi: https://doi.org/10.1111/ijfs.15398

 

Контент доступен под лицензией Creative Commons Attribution 4.0 License.