ОЦЕНКА КАЧЕСТВА КОЗЬЕГО МОЛОКА С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ
DOI:
https://doi.org/10.52167/1609-1817-2026-142-1-424-432Ключевые слова:
козье молоко, качество молока, бактериальное загрязнение, санитарные нормы, автоматизированная система контроля, нехватка лабораторного оборудования.Аннотация
Козье молоко является важным компонентом рациона питания в сельских регионах Казахстана из-за его высокой питательной ценности и легкой усвояемости. Высококачественное молоко не должно содержать вредных добавок или признаков бактериального загрязнения. Продукты из козьего молока активно продаются на местных рынках, особенно в небольших фермерских хозяйствах. Однако в условиях ручного производства и отсутствия контроля качества часто наблюдаются случаи фальсификации или нарушения санитарных норм, что негативно сказывается на составе и свойствах молока. Потребление некачественного молока может привести к серьезным последствиям для здоровья. В настоящее время в Казахстане нет широко распространенной автоматизированной системы оценки качества сырого козьего молока. Эта проблема особенно актуальна в отдаленных сельских районах, где отсутствует лабораторное оборудование и молоко не пастеризуется. Сырое молоко может содержать опасные патогенные микроорганизмы, такие как сальмонелла, листерия, кишечная палочка, кампилобактерии и другие, которые представляют угрозу для здоровья детей.
Библиографические ссылки
Agiomavriti A.A. et al. Spectroscopy-Based Methods and Supervised Machine Learning Applications for Milk Chemical Analysis in Dairy Ruminants // Chemosensors. 2024. Vol. 12, № 12.
Shine P. et al. Machine-learning algorithms for predicting on-farm direct water and electricity consumption on pasture based dairy farms // Comput. Electron. Agric. 2018. Vol. 150. P. 74–87.
Ramiro J.L. et al. Machine learning-enabled fatty acid quantification and classification of pork from autochthonous breeds using low-field 1H NMR spectroscopic data // Food Control. 2024. Vol. 166, № July.
Neto H.A. et al. On the utilization of deep and ensemble learning to detect milk adulteration // BioData Min. BioData Mining, 2019. Vol. 12, № 1. P. 1–13.
Duliński R. et al. The Application of Fourier Transform Infrared Spectroscopy and Chemometrics in Identifying Signatures for Sheep’s Milk Authentication // Processes. 2025. Vol. 13, № 2.
Gullifa G. et al. Portable NIR spectroscopy: the route to green analytical chemistry // Front. Chem. 2023. Vol. 11, № September. P. 1–19.
Wicaksono D. et al. Machine Learning-Based Cow Milk Quality Classification using Recursive Feature Elimination Cross-Validation // Indones. J. Appl. Phys. 2024. Vol. 14, № 2. P. 301.
Muldasheva A. et al. Comparative Characteristics of the Amino Acids Composition of Sheep Milk from Breeds of Northern Kazakhstan // Curr. Res. Nutr. Food Sci. 2021. Vol. 9, № 3. P. 980–987.
Rayappan J.B.B. et al. Developments in Electronic Noses for Quality and Safety Control // Advances in Food Diagnostics. 2017. № March 2018. 63–96 p.
Dai Q. et al. Advances in feature selection methods for hyperspectral image processing in food industry applications: A review // Crit. Rev. Food Sci. Nutr. 2015. Vol. 55, № 10. P. 1368–1382.
Chicco D., Warrens M.J., Jurman G. The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation // PeerJ Comput. Sci. 2021. Vol. 7. P. 1–24.
Zhang L. et al. Advancements in artificial intelligence technology for improving animal welfare: Current applications and research progress // Anim. Res. One Heal. 2024. Vol. 2, № 1. P. 93–109.
Suo L. et al. Sunflower Origin Identification Based on Multi-Source Information Fusion Technique of Kernel Extreme Learning Machine // Agronomy. 2024. Vol. 14, № 6.
Rao Y. et al. On-farm welfare monitoring system for goats based on Internet of Things and machine learning // Int. J. Distrib. Sens. Networks. 2020. Vol. 16, № 7.
Mamrayeva D.G. et al. Analysis of the Impact of the COVID-19 Pandemic on the Industrial Production Level in Kazakhstan // Bull. Karaganda Univ. Econ. Ser. 2023. Vol. 110, № 2. P. 53–60.
Karrar A.E. The Effect of Using Data Pre-Processing by Imputations in Handling Missing Values // Indones. J. Electr. Eng. Informatics. 2022. Vol. 10, № 2. P. 375–384.
Prakash Btech S., Mccarren A., Clarke P.M. Integrating Structured and Unstructured Data for Imbalanced Classification Using Meat-Cut Images. 2024. № January.
Hasan R. et al. Enhancing malware detection with feature selection and scaling techniques using machine learning models // Sci. Rep. 2025. Vol. 15, № 1. P. 1–18.
Feinberg M. et al. New advances in method validation and measurement uncertainty aimed at improving the quality of chemical data // Anal. Bioanal. Chem. 2004. Vol. 380, № 3 SPEC.ISS. P. 502–514.
Bovo M. et al. Random forest modelling of milk yield of dairy cows under heat stress conditions // Animals. 2021. Vol. 11, № 5.
Ali J. et al. Random forests and decision trees // IJCSI Int. J. Comput. Sci. Issues. 2012. Vol. 9, № 5. P. 272–278.
Gomes Mantovani R. et al. Better trees: an empirical study on hyperparameter tuning of classification decision tree induction algorithms // Data Min. Knowl. Discov. 2024. Vol. 38, № 3. P. 1364–1416.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Категории
Лицензия
Copyright (c) 2025 Нургул Молдыбаева
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
