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

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

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.

Полный текст

Доступ закрыт

Об авторах

В. Г. Амелин

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

Автор, ответственный за переписку.
Email: amelinvg@mail.ru
Россия, 123022, Москва, Звенигородское шоссе, 5

З. А.Ч. Шаока

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

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

А. В. Третьяков

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

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

Список литературы

  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.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Устройства для цветометрического анализа.

Скачать (19KB)
Метаданные
3. Рис. 2. Заполнение лунок планшета пробами.

Скачать (11KB)
Метаданные
4. Рис. 3. Установка параметров анализа в PhotoMetrix PRO.

Скачать (90KB)
Метаданные
5. Рис. 4. Цвет флуоресценции жира свиного (1), маргарина (2), масла сливочного (3), жира бараньего (4), жира говяжьего (5), масла пальмового (6).

Скачать (7KB)
Метаданные
6. Рис. 5. Использование алгоритмов PCA (а) и HCA (б) в PhotoMetrix PRO при анализе молочных продуктов.

Скачать (203KB)
Метаданные
7. Рис. 6. График РСА и дендрограмма НСА. Масло сливочное: молочный завод “Суздальский” – 61.5% (1), 72.5% (2), 82.5 % (3); молочный завод “Судогодский” – 72.5% (4), маргарин “Хозяюшка” – 60% (5), растительно-сливочный продукт “Буренкин луг” – 72.5% (6).

Скачать (24KB)
Метаданные
8. Рис. 7. График РСА для аутентификации молока (а) и дендрограмма HCA (б).

Скачать (36KB)
Метаданные
9. Рис. 8. Использование алгоритма PLS (а) и определение концентрации с его помощью (б) в PhotoMetrix PRO.

Скачать (292KB)
Метаданные
10. Рис. 9. Одномерный анализ в PhotoMetrix PRO. Получение градуировочной зависимости (а) и определение концентрации (б).

Скачать (257KB)
Метаданные

© Российская академия наук, 2024

Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах