Анализ молочной продукции: определение массовой доли молочного жира и выявление фальсификации смартфоном с приложением PhotoMetrix PRO

Capa

Citar

Texto integral

Acesso aberto Acesso aberto
Acesso é fechado Acesso está concedido
Acesso é fechado Somente assinantes

Resumo

Предложено УФ-устройство, напечатанное на 3D принтере, для анализа молочной продукции (молоко питьевое, творог, кефир, сметана, сливочное масло) с использованием смартфона и программного обеспечения PhotoMetrix PRO®. Рассмотрено применение одномерного и многомерного анализа, метода главных компонент для идентификации, аутентификации и установления фальсификации молочных продуктов.

Texto integral

Acesso é fechado

Sobre autores

В. Амелин

Всероссийский государственный центр качества и стандартизации лекарственных средств для животных и кормов

Autor responsável pela correspondência
Email: amelinvg@mail.ru
Rússia, 123022, Москва, Звенигородское шоссе, 5

З. Шаока

Всероссийский государственный центр качества и стандартизации лекарственных средств для животных и кормов

Email: amelinvg@mail.ru
Rússia, 123022, Москва, Звенигородское шоссе, 5

А. Третьяков

Всероссийский государственный центр качества и стандартизации лекарственных средств для животных и кормов

Email: amelinvg@mail.ru
Rússia, 123022, Москва, Звенигородское шоссе, 5

Bibliografia

  1. ГОСТ 32261-2013. Межгосударственный стандарт. Масло сливочное. Технические условия. М.: Стандартинформ, 2019. 19 с.
  2. ГОСТ 31452-2012. Межгосударственный стандарт. Сметана. Технические условия. М.: Стандартинформ, 2013. 8 с.
  3. ГОСТ Р 52096-2003. Государственный стандарт Российской Федерации. Творог. Технические условия. М.: Стандартинформ, 2008. 6 с.
  4. ГОСТ Р 52253-2004. Национальный стандарт Российской Федерации. Масло и паста масляная из коровьего молока. Общие технические условия. М.: Стандартинформ, 2004. 9 с.
  5. ГОСТ 31450-2013. Межгосударственный стандарт. Молоко питьевое. Технические условия. М.: Стандартинформ, 2013. 7 с.
  6. ГОСТ 31454-2012. Межгосударственный стандарт. Кефир. Технические условия. М.: Стандартинформ, 2013. 8 с.
  7. Mohanty T.J., Sahoo J.P., Samal K.C. Сommon milk adulteration in India and rapid detection techniques // Food Sci. Reports. 2020. V. 1. № 10. P. 59. https://doi.org/ 10.13140/RG.2.2.30007.44963
  8. Zachar P., Soltes M., Kasarda R., Novotny J., Novikmecova M., Marcincakova D. Analytical methods for the species identification of milk and milk products // Mljekarstvo. 2011. V. 3. № 63. P. 199.
  9. Musa M. A., Yang S. Detection and quantification of cow milk adulteration using portable near-infrared spectroscopy combined with chemometrics // African J. Agric. Res. 2020. V. 112. № 2. P. 198. https://doi.org/ 10.5897/ajar2020.15321
  10. Ullah R., Khan S., Ali H., Bilal M. Potentiality of using front face fluorescence spectroscopy for quantitative analysis of cow milk adulteration in buffalo milk // Spectrochim. Acta A. 2020. V. 225. Article 117518. https://doi.org/ 10.1016/j.saa.2019.117518
  11. Karoui R., Baerdemaeker J.D. A review of the analytical methods coupled with chemometric tools for the determination of the quality and identity of dairy products // Food Chem. 2007. V. 102. P. 621. https://doi.org/ 10.1016/j.foodchem.2006.05.042
  12. Hosseini E., Ghasemi J.B., Daraei B., Asadi G., Adib N. Near-Infrared spectroscopy and machine learning-based classification and calibration methods in detection and measurement of anionic surfactant in milk // J. Food Compos. Anal. 2021. V. 104. Article 104170. https://doi.org/ 10.1016/j.jfca.2021.104170
  13. Naktiyok J., Dogan T.H. A research on the detection of fake butter by traditional and modern methods // J. Eng. Sci. Design. 2021. V. 9. № 2. P. 453. https://doi.org/ 10.21923/jesd.790310
  14. ГОСТ 31663-2012. Масла растительные и жиры животные. Определение методом газовой хроматографии массовой доли метиловых эфиров жирных кислот. М.: Стандартинформ, 2019. 12 с.
  15. ГОСТ 31979-2012. Молоко и молочные продукты. Метод обнаружения растительных жиров в жировой фазе газожидкостной хроматографией стеринов. М.: Стандартинформ, 2014. 13 с.
  16. Nurrulhidayah F.A., Rohman A., Salleh R.A., Amin l., Shuhaimi M., Farahwahida M.Y., Rashidi O., Aizat J.M., Khatib A. Authentication of butter from lard adulteration using high-resolution of nuclear magnetic resonance spectroscopy and high-performance liquid chromatography // Int. J. Food Properties. 2017. V. 20. Article 1233428. https://doi.org/ 10.1080/10942912.2016.1233428
  17. Kucheryavskiy S., Melenteva A., Bogomolov A. Determination of fat and total protein content in milk using conventional digital imaging // Talanta. 2014. V. 121. P. 144. https://doi.org/ 10.1016/j.talanta.2013.12.055
  18. Younas M., Maryam A., Khan M., Nawaz A.A., Jaffery S.H.I., Anwar M.N., Ali L. Parametric analysis of wax printing technique for fabricating microfluidic paper-based analytic devices (µPAD) for milk adulteration analysis // Microfluid. Nanofluidics. 2019. V. 23. Article 38. https://doi.org/ 10.1007/s10404-019-2208-z.
  19. Govindarajalu A.K., Ponnuchamy M., Sivasamy B., Prabhu M.V., Kapoor A.A. Сellulosic paper-based sensor for detection of starch contamination in milk // Bull. Mater. Sci. 2019. V. 42. Article 255. https://doi.org/ 10.1007/s12034-019-1958-2
  20. Iymen G., Tanriver G., Hayirlioglu Y.Z., Ergen O. Artificial intelligence-based identification of butter variations as a model study for detecting food adulteration // J. Innovative Food Sci. Emerg. Technol. 2020. V. 66. Article 102527. https://doi.org/ 10.1016/j.ifset.2020.102527
  21. Pereira E.V.S., Fernandes D.D.S., Almeida L.F., Maciel M.S., Dias Diniz P.H.P. Goat milk authentication by one-class classification of digital image-based fingerprint signatures: Detection of adulteration with cow milk // Microchem. J. 2022. V. 180. Article 107640. https://doi.org/ 10.1016/j.microc.2022.107640
  22. Моногарова О.В., Осколок К.В., Апяри В.В. Цветометрия в химическом анализе // Журн. аналит. химии. 2018. Т. 73. № 11. С. 857. https://doi.org/ 10.1134/S0044450218110063
  23. Шаока З.А.Ч., Большаков Д.С., Амелин В.Г. Использование смартфона в химическом анализе // Журн. аналит. химии. 2023. Т. 78. № 4. С. 317. https://doi.org/ 10.31857/S0044450223030131
  24. Böck F. C., Helfer G. A., da Costa A. B., Dessuy M. B., Ferrao M. F. PhotoMetrix and colorimetric image analysis using smartphones // J. Chemometrics. 2020. V. 34. Article 12. https://doi.org/ 10.1002/cem.3251
  25. Helfer G. A., Magnus V. S., Böck F. C., Teichmann A., Ferrãoa M. F., da Costa A. B. PhotoMetrix: An application for univariate calibration and principal components analysis using colorimetry on mobile devices // J. Braz. Chem. Soc. 2017. V. 28. № 2. P. 328. doi: 10.5935/0103-5053.20160182
  26. Rateni G., Dario P., Cavallo F. Smartphone-based food diagnostic technologies: A review // Sensors. 2017. V. 17. P. 1453. doi: 10.3390/s17061453
  27. Rezazadeh M., Seidi S., Lid M., Pedersen-Bjergaard S., Yamini Y. The modern role of smartphones in analytical chemistry // Trends Anal. Chem. 2019. V. 118. P. 548. https://doi.org/ 10.1016/j.trac.2019.06.019
  28. ГОСТ 5867-90. Межгосударственный стандарт. Молоко и молочные продукты. Методы определения жира. М.: Стандартинформ, 1991. 10 с.

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML
Baixar
2. Fig. 1. Device for photometric analysis.

Baixar (19KB)
Metadados
3. Fig. 2. Filling the holes of the tablet with samples.

Baixar (11KB)
Metadados
4. Fig. 3. Setting the analysis parameters in Photomatix PRO.

Baixar (90KB)
Metadados
5. Fig. 4. The color of fluorescence of pork fat (1), margarine (2), butter (3), lamb fat (4), beef fat (5), palm oil (6).

Baixar (7KB)
Metadados
6. Fig. 5. Using the PCA (a) and HCA (b) algorithms in Photomatrix PRO in the analysis of dairy products.

Baixar (203KB)
Metadados
7. Fig. 6. The RSA graph and the NSA dendrogram. Butter: Suzdalsky Dairy Plant” – 61.5% (1), 72.5% (2), 82.5 % (3); Sudogodsky dairy plant – 72.5% (4), "Hostess“ margarine – 60% (5), vegetable and cream product “Burenkin Meadow" – 72.5% (6).

Baixar (24KB)
Metadados
8. Fig. 7. The RSA graph for milk authentication (a) and the HCA dendrogram (b).

Baixar (36KB)
Metadados
9. Fig. 8. Using the PLS algorithm (a) and determining the concentration using it (b) in Photomatrix PRO.

Baixar (292KB)
Metadados
10. Fig. 9. One-dimensional analysis in Photomatix PRO. Obtaining the calibration dependence (a) and determining the concentration (b).

Baixar (257KB)
Metadados

Declaração de direitos autorais © Russian Academy of Sciences, 2024

Este site utiliza cookies

Ao continuar usando nosso site, você concorda com o procedimento de cookies que mantêm o site funcionando normalmente.

Informação sobre cookies