Kontrola jakości z wykorzystaniem technologii NIR– przykład roślinnych zamienników mleka

• Autorzy: Włodarska Katarzyna

Identyfikatory

DOI

10.15199/46.2025.5.3

Warianty tytułu

EN

Quality control using NIR technology– the case of plant-based milk alternatives

• Języki publikacji: PL

Abstrakty

PL

Cel: Ocena możliwości wykorzystania technologii NIR do kontroli wybranych wyróżników jakościowych roślinnych zamienników mleka dostępnych na polskim rynku. Projekt badania/metodyka badawcza/koncepcja: Spektroskopia w bliskiej podczerwieni (NIR) została wykorzystana do analizy produktów z kategorii roślinnych zamienników mleka wyprodukowanych z różnych surowców: kokosu, owsa, migdału, ryżu, soi oraz orzecha laskowego. Z wykorzystaniem tradycyjnych metod laboratoryjnych oznaczono w badanych produktach zawartość ekstraktu ogólnego, suchej masy oraz gęstość i zmętnienie. Modele predykcyjne opracowano z wykorzystaniem analizy regresji cząstkowych najmniejszych kwadratów (PLS). Wyniki/wnioski: Najlepszą zdolnością predykcyjną charakteryzował się model do przewidywania zawartości suchej masy (R2 = 0,93; RMSECV = 0,62%). Zbliżonymi parametrami charakteryzowały się modele do przewidywania zawartości ekstraktu ogólnego (R2 = 0,84; RMSECV = 1,06°Bx), zmętnienia (R2 = 0,88; RMSECV = 7,42 NTU) oraz gęstości (R2 = 0,84; RMSECV = 0,04 g/ml). Ograniczenia: Niewielka liczba próbek badawczych nie odzwierciedla pełnej zmienności właściwej dla badanej grupy produktów. Wyniki wskazują na potencjalną możliwość wykorzystania technologii NIR do oceny jakości, praktyczne rozwiązania dla przemysłu rolno-spożywczego wymagają wykorzystania modeli opracowanych na większej liczbie próbek. Zastosowanie praktyczne: Sensory NIR wsparte systemami informatycznymi mogą być wykorzystywane do analiz on-line oraz in-line w celu monitorowania procesu produkcyjnego napojów roślinnych przy minimalnym wpływie na środowisko poprzez oszczędność zasobów i ograniczenie odpadów. Oryginalność/wartość poznawcza: Uzyskane wyniki wskazują na możliwość jednoczesnego oznaczania kilku parametrów jakościowych roślinnych zamienników mleka w sposób szybki i nieniszczący na podstawie bezpośredniego pomiaru widma NIR. Technologia NIR stanowi atrakcyjną alternatywę dla tradycyjnych metod analitycznych.

EN

Purpose: Assessment of the applicability of NIR technology for monitoring selected quality attributes of plant-based milk alternatives available on the Polish market. Design/methodology/approach: Near infrared (NIR) spectroscopy was used to analyze plant-based milk alternatives made from different raw materials, such as coconut, oat, almond, rice, soy, and hazelnut. Using conventional laboratory methods, the total soluble solids content, dry matter, density, and turbidity were determined. Predictive models were developed using partial least squares (PLS) regression. Findings/conclusions: The best predictive performance was observed for dry matter content model (R² = 0.93; RMSECV = 0.62%). Comparable predictive abilities were demonstrated by the models for the soluble solids content (R² = 0.84; RMSECV = 1.06°Bx), turbidity (R² = 0.88; RMSECV = 7.42 NTU) and density (R2 = 0,84; RMSECV = 0,04 g/ml). Research limitations: Due to the limited number of samples, the full variability typical of this product category may not have been fully represented. The findings, however, demonstrate the potential of NIR technology for quality evaluation. For practical applications in the food and agricultural sectors, a larger and more diverse sample set is necessary. Practical implications: NIR sensors, integrated with information systems, can be used for on-line and in-line analyses to monitor the production process with minimal environmental impact through resource savings and waste reduction. Originality/value: The obtained results indicate the feasibility of simultaneous rapid and non-destructive determination of multiple quality parameters of milk alternatives based on direct NIR spectral measurements. NIR technology represents an attractive alternative to traditional analytical methods.

Słowa kluczowe

PL

technologia NIR; uczenie maszynowe; jakość; żywność; roślinne zamienniki mleka

EN

NIR technology; machine learning; quality; food; plant-based milk alternatives

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Problemy Jakości
• Rocznik: 2025
• Tom: R. 57, nr 5
• Strony: 24--29
• Opis fizyczny: Bibliogr. 15 poz., wykr., tab.

Twórcy

autor

Włodarska Katarzyna

• Instytut Nauk o Jakości, Uniwersytet Ekonomiczny w Poznaniu, Al. Niepodległości 10, 61-875 Poznań, Polska

• https://orcid.org/0000-0001-7611-001X

Bibliografia

• [1] Aydar Elif Feyza, Sena Tutuncu, Beraat Ozcelik. 2020. „Plant-Based Milk Substitutes: Bioactive Compounds, Conventional and Novel Processes, Bioavailability Studies, and Health Effects”. Journal of Functional Foods 70: 103975.
• [2] Beć Krzysztof, Justyna Grabska, Christian Huck. 2021. „Principles and Applications of Miniaturized Near‐Infrared (NIR) Spectrometers”. Chemistry – A European Journal 27: 1514.
• [3] Brito Anna Luiza, Catarina Duarte, Rui Fausto. 2025. „Analysis of Plant-Based Commercial Milk Substitutes Using ATR-FTIR spectroscopy”. Journal of Food Composition and Analysis 145: 107786.
• [4] Christodoulou Paris, Stratoniki Athanasopoulou, Georgia Ladika, Spyros Konteles, Dionisis Cavouras, Vassilia J. Sinanoglou, Eftichia Kritsi. 2025. „Decoding Plant-Based Beverages: An Integrated Study Combining ATR-FTIR Spectroscopy and Microscopic Image Analysis with Chemometrics”. Applied-Chem 5(3): 16.
• [5] Czaja Tomasz Pawel, Soren Balling Engelsen. 2025. „Why Nothing Beats Nirs Technology: The Green Analytical Choice for the Future Sustainable Food Production”. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy 325: 125028.
• [6] da Costa Tamiris, James Gillespie, Xavier Cama-Moncunill, Shane Ward, Joan Condell, Ramakrishnan Ramanathan, Fionnuala Murphy. 2023. „A Systematic Review of Real-Time Monitoring Technologies and Its Potential Application to Reduce Food Loss and Waste: Key Elements of Food Supply Chains and IoT Technologies”. Sustainability 15: 1.
• [7] Karimi Zahra, Katrina Campbell, Zoltan Kevei, Andrea Patriarca, Anastasios Koidis, Maria Anastasiadi. 2025. „A critical review of conventional and emerging technologies for the detection of contaminants, allergens and adulterants in plant-based milk alternatives”, Current Research in Food Science 10: 101067.
• [8] Le Hieu M., Tianqi Li, Jimena G. Villareal, Jie Gao, Yaxi Hu. 2025. „Rapid Authentication of Plant-Based Milk Alternatives by Coupling Portable Raman Spectroscopy with Machine Learning”. Journal of AOAC INTERNATIONAL 1–12.
• [9] Liang Q., Y. F. Xia, J. K. Che, Y. Liu, H. Zhang, J. C. Guo, Q. Xu, H. N. Xue. 2025. „Detection of Water Adulteration Levels in Milk Using near-Infrared Spectroscopy Combined with Chemometrics”. Journal of Dairy Science 108(7): 6852–66.
• [10] Mohamed Huda, Peter Nagy, Jelena Agbaba, Afaf Kamal-Eldin. 2021. „Use of near and Mid Infra-Red Spectroscopy for Analysis of Protein, Fat, Lactose and Total Solids in Raw Cow and Camel Milk”. Food Chemistry 334: 127436.
• [11] Penha Camila Benedetti, Vinicius De Paola Santos, Paula Speranza, Louise Emy Kurozawa. 2021. „Plant-Based Beverages: Ecofriendly Technologies in the Production Process”. Innovative Food Science & Emerging Technologies 72: 102760.
• [12] Squeo Giacomo, Jordi Cruz, Davide De Angelis, Francesco Caponio, Jose M. Amigo. 2024. „Considerations About the Gap between Research in Near-Infrared Spectroscopy and Official Methods and Recommendations of Analysis in Foods”. Current Opinion in Food Science 59: 101203.
• [13] Wang Xinhao, Yihang Feng, Yi Wang, Honglin Zhu, Dongjin Song, Cangliang Shen, Yangchao Luo. 2025. „Enhancing Optical Non-Destructive Methods for Food Quality and Safety Assessments with Machine Learning Techniques: A Survey”. Journal of Agriculture and Food Research 19: 101734.
• [14] Yu Tong, Siyu Yao, Zhongkun Zhang, Alessandra Fantina Victorio Ramos, Luis Rodriguez-Saona, Jin Wang. 2025. „Sources, Advances, and Future Prospects of Screening Food Contaminants in Plant-Based Foods by Vibrational Spectroscopy Combined with Machine Learning”. Trends in Food Science & Technology 160: 105017.
• [15] Zhang, Yu-Zhen, Bo Zhang, Qing-Qing Chen, Lan Qin, Ya-Qi Hu, Chun-Hua Bai, Yi-Le Li, Bei Qin. 2023. „N-doped carbon dots coupled with molecularly imprinted polymers as a fluorescent sensor for ultrasensitive detection of genistein in soya products”. Food Chemistry 424: 136133.