ISO 12099:2017
(Main)Animal feeding stuffs, cereals and milled cereal products — Guidelines for the application of near infrared spectrometry
Animal feeding stuffs, cereals and milled cereal products — Guidelines for the application of near infrared spectrometry
ISO 12099:2017 gives guidelines for the determination by near infrared spectroscopy of constituents such as moisture, fat, protein, starch and crude fibre and parameters such as digestibility in animal feeding stuffs, cereals and milled cereal products. The determinations are based on spectrometric measurement in the near infrared spectral region.
Aliments des animaux, céréales et produits de mouture des céréales — Lignes directrices pour l'application de la spectrométrie dans le proche infrarouge
ISO 12099:2017 fournit des lignes directrices pour la détermination par spectrométrie dans le proche infrarouge de constituants tels que l'eau, les matières grasses, les protéines, l'amidon et la cellulose brute, et des paramètres tels que la digestibilité des aliments pour animaux, des céréales et des produits de mouture des céréales. Les déterminations sont basées sur des mesurages spectrométriques dans le domaine spectral du proche infrarouge.
General Information
Relations
Standards Content (Sample)
INTERNATIONAL ISO
STANDARD 12099
Second edition
2017-08
Animal feeding stuffs, cereals and
milled cereal products — Guidelines
for the application of near infrared
spectrometry
Aliments des animaux, céréales et produits de mouture des céréales —
Lignes directrices pour l’application de la spectrométrie dans le
proche infrarouge
Reference number
©
ISO 2017
© ISO 2017, Published in Switzerland
All rights reserved. Unless otherwise specified, no part of this publication may be reproduced or utilized otherwise in any form
or by any means, electronic or mechanical, including photocopying, or posting on the internet or an intranet, without prior
written permission. Permission can be requested from either ISO at the address below or ISO’s member body in the country of
the requester.
ISO copyright office
Ch. de Blandonnet 8 • CP 401
CH-1214 Vernier, Geneva, Switzerland
Tel. +41 22 749 01 11
Fax +41 22 749 09 47
copyright@iso.org
www.iso.org
ii © ISO 2017 – All rights reserved
Contents Page
Foreword .iv
Introduction .v
1 Scope . 1
2 Normative references . 1
3 Terms and definitions . 1
4 Principle . 2
5 Apparatus . 2
6 Calibration and initial validation . 2
6.1 General . 2
6.2 Reference methods . 3
6.3 Outliers . 3
6.4 Validation of calibration models . 3
6.4.1 General. 3
6.4.2 Bias correction . 4
6.4.3 Slope adjustment . 4
6.4.4 Expansion of calibration set . 4
6.5 Changes in measuring and instrument conditions . 4
7 Statistics for performance measurement . 5
7.1 General . 5
7.2 Plot the results . 5
7.3 Bias . 6
7.4 Root mean square error of prediction (s ) . 8
RMSEP
7.5 Standard error of prediction (s ) . 8
SEP
7.6 Slope .10
8 Sampling .12
9 Procedure.12
9.1 Preparation of test sample .12
9.2 Measurement .12
9.3 Evaluation of result .12
10 Checking instrument stability .13
10.1 Control sample .13
10.2 Instrument diagnostics .13
10.3 Instruments in a network .13
11 Running performance check of calibration .13
11.1 General .13
11.2 Control charts using the difference between reference and NIR results .14
12 Precision and accuracy .15
12.1 Repeatability .15
12.2 Reproducibility .15
12.3 Accuracy .15
12.4 Uncertainty .15
13 Test report .15
Annex A (informative) Guidelines for specific NIR standards .16
Annex B (informative) Examples of outliers and control charts .17
Annex C (informative) Supplementary terms and definitions .23
Bibliography .28
Foreword
ISO (the International Organization for Standardization) is a worldwide federation of national standards
bodies (ISO member bodies). The work of preparing International Standards is normally carried out
through ISO technical committees. Each member body interested in a subject for which a technical
committee has been established has the right to be represented on that committee. International
organizations, governmental and non-governmental, in liaison with ISO, also take part in the work.
ISO collaborates closely with the International Electrotechnical Commission (IEC) on all matters of
electrotechnical standardization.
The procedures used to develop this document and those intended for its further maintenance are
described in the ISO/IEC Directives, Part 1. In particular the different approval criteria needed for the
different types of ISO documents should be noted. This document was drafted in accordance with the
editorial rules of the ISO/IEC Directives, Part 2 (see www .iso .org/ directives).
Attention is drawn to the possibility that some of the elements of this document may be the subject of
patent rights. ISO shall not be held responsible for identifying any or all such patent rights. Details of
any patent rights identified during the development of the document will be in the Introduction and/or
on the ISO list of patent declarations received (see www .iso .org/ patents).
Any trade name used in this document is information given for the convenience of users and does not
constitute an endorsement.
For an explanation on the voluntary nature of standards, the meaning of ISO specific terms and
expressions related to conformity assessment, as well as information about ISO’s adherence to the
World Trade Organization (WTO) principles in the Technical Barriers to Trade (TBT) see the following
URL: w w w . i s o .org/ iso/ foreword .html.
This document was prepared by Technical Committee ISO/TC 34, Food products, Subcommittee SC 10,
Animal feeding stuffs.
This second edition cancels and replaces the first edition (ISO 12099:2010), which has been technically
revised.
iv © ISO 2017 – All rights reserved
Introduction
This document has been drafted using, as a basis, ISO 21543 | IDF 201, which was prepared by Technical
Committee ISO/TC 34, Food products, Subcommittee SC 5, Milk and milk products, and the International
Dairy Federation (IDF).
INTERNATIONAL STANDARD ISO 12099:2017(E)
Animal feeding stuffs, cereals and milled cereal
products — Guidelines for the application of near infrared
spectrometry
1 Scope
This document gives guidelines for the determination by near infrared spectroscopy of constituents
such as moisture, fat, protein, starch and crude fibre and parameters such as digestibility in animal
feeding stuffs, cereals and milled cereal products.
The determinations are based on spectrometric measurement in the near infrared spectral region.
2 Normative references
There are no normative references in this document.
3 Terms and definitions
For the purposes of this document, the following terms and definitions apply.
ISO and IEC maintain terminological databases for use in standardization at the following addresses:
— IEC Electropedia: available at http:// www .electropedia .org/
— ISO Online browsing platform: available at http:// www .iso .org/ obp
3.1
near infrared instrument
NIR instrument
apparatus which, when used under the conditions defined in this document, predicts constituent
contents (3.3) and technological parameters (3.4) in animal feeding stuffs (3.2), cereals and milled cereal
products through relationships to absorptions in the near infrared range
3.2
animal feeding stuffs
substance or product, including additives, whether processed, partially processed or unprocessed,
intended to be used for oral feeding to animals
EXAMPLE Raw materials, fodder, meat and bone meal, mixed feed and other end products, pet food, etc.
3.3
constituent content
mass fraction of substances determined using the appropriate, standardized or validated chemical
method
Note 1 to entry: The mass fraction is often expressed as a percentage.
Note 2 to entry: For examples of appropriate methods, see References [1] to [12].
EXAMPLE Moisture, fat, protein, crude fibre, neutral detergent fibre and acid detergent fibre.
3.4
technological parameter
property or functionality of animal feeding stuffs (3.2), cereals and milled cereal products that can be
determined using the appropriate, standardized or validated method(s)
Note 1 to entry: It is possible to develop and validate NIR methods for other parameters and sample types than
listed above, as long as the procedure from this document is observed. The measuring units of the parameters
determined follow the units used in the reference methods.
EXAMPLE Digestibility.
4 Principle
Spectral data in the near infrared region are collected and transformed to constituent or parameter
concentrations by calibration models developed on representative samples of the products concerned.
5 Apparatus
5.1 Near infrared instruments.
Instruments based on diffuse reflectance or transmittance measurement covering the near infrared
−1 −1
wavelength region of 770 nm to 2 500 nm (12 900 cm to 4 000 cm ) or segments of this or at selected
wavelengths or wavenumbers. The optical principle may be dispersive (e.g. grating monochromators),
interferometric or non-thermal (e.g. light emitting diodes, laser diodes and lasers). The instrument
should be provided with a diagnostic test system for testing photometric noise and reproducibility,
wavelength/wavenumber accuracy and wavelength/wavenumber precision (for scanning
spectrophotometers).
The instrument should measure a sufficiently large sample volume or surface to eliminate any
significant influence of inhomogeneity derived from chemical composition or physical properties of
the test sample. The sample path length (sample thickness) in transmittance measurements should
be optimized according to the manufacturer’s recommendation with respect to signal intensity for
obtaining linearity and maximum signal/noise ratio.
5.2 Appropriate milling or grinding device, for preparing the sample (if needed).
NOTE Changes in grinding or milling conditions can influence NIR measurements due, for example, to
heating which can drive off volatile components such as water.
6 Calibration and initial validation
6.1 General
The instrument shall be calibrated before use. Calibration involves the comparison with a reference
and adjustment processes to the instrument. Because a number of different calibration systems can be
applied with NIR instruments, no specific procedure can be given for calibration.
For an explanation of methods for calibration development, see Reference [16] and the respective
manufacturer’s manual. For the validation, it is important to have a sufficient number of representative
samples, covering variations such as the following:
a) combinations and composition ranges of major and minor sample components;
b) seasonal, geographic and genetic effects on forages, feed raw material and cereals;
c) processing techniques and conditions;
d) storage conditions;
2 © ISO 2017 – All rights reserved
e) sample and instrument temperature;
f) instrument variations (i.e. differences between instruments).
NOTE For a solid validation, at least 20 samples are needed.
6.2 Reference methods
Internationally accepted reference methods for determination of moisture, fat, protein and other
constituents and parameters should be used. See References [1] to [12] for examples.
The reference method used for calibration should be in statistical control. It is essential to know the
precision of the reference method.
Where possible, references that provide measurement traceability to the SI (International system of
units), such as certified reference materials, should be used.
6.3 Outliers
In many situations, statistical outliers are observed during calibration and validation. Outliers may be
related to NIR data (spectral outliers, hereafter referred to as “x-outliers”) or errors in reference data
or samples with a different relationship between reference data and NIR data (hereafter referred to as
“y-outliers”); see Figures B.1 to B.5 for examples.
For the purpose of validation, samples are not to be regarded as outliers if they fulfil the following
conditions:
a) if they are within the working range of the constituents/parameters in the calibration(s);
b) if they are within the spectral variation of the calibration samples, as, for example, estimated by
Mahalanobis distance;
c) if the spectral residual is below a limit defined by the calibration process;
d) if the prediction residual is below a limit defined by the calibration process.
If a sample appears as an outlier, then it should be checked initially to see if it is an x-outlier. If it exceeds
the x-outlier limits defined for the calibration, it should be removed. If it is not an x-outlier, then both
the reference value and the NIR predicted value should be checked, e.g. by repeated measurements. If
these confirm the original values, then the sample should not be deleted and the validation statistics
should include this sample. If the repeat values show that either the original reference values or the NIR
predicted ones were in error, then the new values should be used.
6.4 Validation of calibration models
6.4.1 General
Before use, calibration equations shall be validated locally on an independent test set that is
representative of the sample population to be analysed. For the determination of bias, slope and for the
determination of standard error of prediction (SEP, see 7.5), at least 20 samples are needed. Validation
shall be carried out for each sample type, constituent/parameter, temperature and other factors known
to affect or expected to have an effect the measurement. The calibration is valid only for the variations,
i.e. sample types, range and temperature, used in the validation.
NOTE 1 Calibration models can only be used in the range they have been validated.
Results obtained on the independent test set are plotted, reference against NIR, and residuals against
reference results, to give a visual impression of the performance of the calibration. The SEP is calculated
(see 7.5) and the residual plot of data corrected for mean systematic error (bias) is examined for
outliers, i.e. samples with a residual exceeding ±3 s .
SEP
If the validation process shows that the model cannot produce acceptable statistics, then it should not
be used.
NOTE 2 What will be acceptable will depend, for example, on the performance of the reference method, the
covered range, the purpose of the analysis, etc., and is up to the parties involved to decide.
Where available and suitable, reference materials or certified reference materials can be used as part of
validation of calibration models.
The next step is to fit NIR, y , and reference data, y , by linear regression (y = a + b × y ) to
NIRS ref ref NIRS
produce statistics that describe the validation results.
6.4.2 Bias correction
The data are also examined for a bias between the methods. If the difference between means of the
NIR predicted and reference values is significantly different from zero, then this indicates that the
calibration is biased. A bias may be removed by adjusting the constant term (see 7.3) in the calibration
equation.
6.4.3 Slope adjustment
If the slope, b, is significantly different from 1, the calibration is skewed.
Adjusting the slope/intercept of the calibration is generally not recommended unless the calibration
is applied to new types of samples or instruments. If a reinvestigation of the calibration does not
detect outliers, especially outliers with high leverage, it is preferable to expand the calibration set to
include more samples. However, if the slope is adjusted, the calibration should then be tested on a new
independent test set.
6.4.4 Expansion of calibration set
If the accuracy of the calibration does not meet expectations, the calibration set should be expanded
to include more samples or a new calibration should be made. In all cases when a new calibration
is developed on an expanded calibration set, the validation process should be repeated on a new
validation set. If necessary, expansion of the calibration set should be repeated until acceptable results
are obtained on a validation set.
6.5 Changes in measuring and instrument conditions
Unless additional calibration is performed, a local validation of a NIR method stating the accuracy of
the method can generally not be considered valid if the test conditions are changed.
For example, calibrations developed for a certain population of samples may not be valid for samples
outside this population, although the analyte concentration range is unchanged. A calibration developed
on grass silages from one area may not give the same accuracy on silages from another area if the
genetic, growing and processing parameters are different.
Changes in the sample presentation technique or the measuring conditions, e.g. temperature, not
included in the calibration set may also influence the analytical results.
Calibrations developed on a certain instrument cannot always be transferred directly to an identical
instrument operating under the same principle. It may be necessary to perform bias or slope /
intercept adjustments to calibration equations. In many cases, it will be necessary to standardize
[16]
the two instruments against each other before calibration equations can be transferred .
Standardization procedures can be used to transfer calibrations between instruments of different
types provided that samples are measured in the same way (reflectance, transmittance) and that the
spectral region is common.
If the conditions are changed, a supplementary validation should be performed.
4 © ISO 2017 – All rights reserved
The calibrations should be checked whenever any major part of the instrument (optical system,
detector) has been changed or repaired.
7 Statistics for performance measurement
7.1 General
The performances of a prediction model shall be determined by a set of validation samples. This set
consists of samples which are independent of the calibration set. In a plant, it will be new batches; in
agriculture, it will be a new crop or a new experiment location.
This set of samples shall be carefully analysed following the reference methods. The care to analyse
validation samples shall be emphasized and the precision of these results is more important for the
validation set than for the samples used at the calibration phase.
The number of validation samples shall be at least 20 to compute the statistics with some confidence.
The NIR protocol used for the determination of the performances of the prediction model shall be the
same as that used in routine (one measurement or two measurements).
7.2 Plot the results
It is important to visualize the results in plots, i.e. reference vs. predicted values or residuals vs.
predicted values.
The residuals are defined by Formula (1):
ˆ
ey=− y (1)
ii i
where
th
y is the i reference value (y );
i ref
th
is the i predicted value (y ) obtained when applying the multivariate NIR model.
NIRS
ˆ
y
i
The way the differences are calculated will give a negative bias when the predictions are too high and a
positive one when the predictions are too low compared to the reference values.
A plot of the data immediately gives an overview of the correlation, the bias, the slope and the presence
of obvious outliers (see Figure 1).
Key
1 45° line (ideal line with bias = 0 and slope = 1) X Y
NIRS
2 (45° − bias) line Y Y
ref
3 linear regression line
4 outliers
5 bias
NOTE The outliers (key 4) have a strong influence on the calculation of the slope and should be removed if
the results are to be used for adjustments.
Figure 1 — Scatter plot for a validation set, y = f(a + b × y )
ref NIRS
7.3 Bias
Most of the time, a bias or systematic error is observed with NIR models. Bias can occur due to several
causes: new samples of a type not previously seen by the model, drift of the instrument, drift in wet
chemistry, changes in the process, in the sample preparation, etc.
With n, the number of independent samples, the bias (or offset) is the mean difference and can be
defined by Formula (2):
n
e= e (2)
∑ i
n
i=1
where e is the residual as defined by Formula (1) resulting in Formula (3):
i
n n
e =−yy =−yy (3)
∑∑i i
n
i==11i
6 © ISO 2017 – All rights reserved
where
th
y is the i reference value;
i
ˆ th
y is the i predicted value;
i
y is the mean of the reference values;
y is the mean of the predicted values.
The significance of the bias is checked by a t test. The calculation of the bias confidence limits (BCLs),
T , determines the limits for accepting or rejecting formula performance on the small set of samples
b
chosen from the new population; see Formula (4):
Tt=± sn/ (4)
b (/12−α ) SEP
where
α is the probability of making a type I error;
t is the appropriate student’s t value for a two-tailed test with degrees of freedom associated
with s and the selected probability of a type I error;
SEP
n is the number of independent samples;
s is the standard error of prediction (defined in 7.5).
SEP
As an example, with n = 20, and s = 1, the BCLs are as in Formula (5):
SEP
T =± 20,/91× 20 =±04, 8 (5)
()
b
This means that the bias tested with 20 samples shall be higher than 48 % of the standard error of
prediction to be considered as different from zero.
Table 1 — Values of the t distribution with a probability α = 0,05 (5 %)
n t values n t values
10 2,23 75 1,99
15 2,13 100 1,98
20 2,09 200 1,97
30 2,04 500 1,96
40 2,02 1000 1,96
50 2,01 — —
a
NOTE The Excel function “TINV” can be used.
a
Excel is the trade name of a product supplied by Microsoft. This
information is given for the convenience of users of this document and does
not constitute an endorsement by ISO of the product named. Equivalent
products may be used if they can be shown to lead to the same results.
7.4 Root mean square error of prediction (s )
RMSEP
The s is defined by Formula (6):
RMSEP
n
e
∑ i
i=1
s = (6)
RMSEP
n
where
th
e is the residual of the i sample;
i
n is the number of independent samples.
This value can be compared with s and s (see Annex C).
SEC SECV
S includes the random error (s ) and the systematic error (bias). It includes also the error of the
RMSEP SEP
reference methods (as do s and s ); see Formula (7):
SEC SECV
()n−1
s = se+ (7)
RMSEPSEP
n
where
n is the number of independent samples;
s is the standard error of prediction (defined in 7.5);
SEP
is the bias or systematic error.
e
There is no direct test for S . This is the reason to separate the systemic error (bias or e ) and the
RMSEP
random error s .
SEP
7.5 Standard error of prediction (s )
SEP
The standard error of prediction (s ), i.e. standard deviation of the residuals, which expresses the
SEP
accuracy of routine NIR results corrected for the mean difference (bias) between routine NIR and
reference method, can be calculated by using Formula (8):
n
ee−
()
∑ i
i=1
s = (8)
SEP
n−1
where
n is the number of independent samples;
th
e is the residual of the i sample;
i
is the bias or systematic error.
e
The s should be related to the s (respectively, s ; see Annex C) to check the validity of the
SEP SEC SECV
calibration model for the selected validation set.
8 © ISO 2017 – All rights reserved
The unexplained error confidence limits (UECLs), T , are calculated from an F-test (ratio of two
UE
variances) (see Reference [18] and Table 2). See Formula (9):
Ts= F (9)
UE SEC (,α vM,)
where
s is the standard error of calibration (see Annex C);
SEC
α is the probability of making a Type I error;
v is n − 1 numerator degrees of freedom associated with s of the test set;
SEP
n is the number of samples in the validation process;
M is n – p − 1 denominator degrees of freedom associated with s (standard error of calibration)
c SEC
[n is the number of calibration samples, p is the number of terms or PLS factors of the model
c
or weights in the case of ANN (see Annex C). In ANN, weights are all unknown parameters in
the model].
NOTE 1 s can be replaced by s , which is a better statistic than s ; very often, s is too optimistic;
SEC SECV SEC SEC
(s > s > s ).
SEP SECV SEC
EXAMPLE Where n = 20, α = 0,05, M = 100, and s = 1, gives the following value: T = 1,30.
SEP UE
With 20 samples, a s that is up to 30 % larger than the s can be accepted.
SEP SEC
1)
NOTE 2 The Excel function “FINV” can be used.
The F-test cannot be used to compare two calibrations on the same validation set. It needs (as here) two
independent sets to work. Another test shall be used to compare two or more models on the same data set.
1) Excel is the trade name of a product supplied by Microsoft. This information is given for the convenience of
users of this document and does not constitute an endorsement by ISO of the product named. Equivalent products
may be used if they can be shown to lead to the same results.
Table 2 — F values and squared root of the F values in function of the degrees of freedom of the
numerator associated with s and of the denominator associated with s
SEP SEC
F(α,v,M)
Fvα ,,M
()
df (s ) df (s )
SEC SEC
df (s ) 50 100 200 500 1 000 df (s ) 50 100 200 500 1 000
SEP SEP
10 2,03 1,93 1,88 1,85 1,84 10 1,42 1,39 1,37 1,36 1,36
11 1,99 1,89 1,84 1,81 1,80 11 1,41 1,37 1,36 1,34 1,34
12 1,95 1,85 1,80 1,77 1,76 12 1,40 1,36 1,34 1,33 1,33
13 1,92 1,82 1,77 1,74 1,73 13 1,39 1,35 1,33 1,32 1,32
14 1,89 1,79 1,74 1,71 1,70 14 1,38 1,34 1,32 1,31 1,30
15 1,87 1,77 1,72 1,69 1,68 15 1,37 1,33 1,31 1,30 1,29
16 1,85 1,75 1,69 1,66 1,65 16 1,36 1,32 1,30 1,29 1,29
17 1,83 1,73 1,67 1,64 1,63 17 1,35 1,31 1,29 1,28 1,28
18 1,81 1,71 1,66 1,62 1,61 18 1,30 1,31 1,29 1,27 1,27
19 1,80 1,69 1,64 1,61 1,60 19 1,34 1,30 1,28 1,27 1,26
29 1,69 1,58 1,52 1,49 1,48 29 1,30 1,26 1,23 1,22 1,22
49 1,60 1,48 1,42 1,38 1,37 49 1,27 1,22 1,19 1,17 1,17
99 1,53 1,39 1,32 1,28 1,26 99 1,24 1,18 1,15 1,13 1,12
199 1,48 1,34 1,26 1,21 1,19 199 1,22 1,16 1,12 1,10 1,09
499 1,46 1,31 1,22 1,16 1,13 499 1,21 1,14 1,11 1,08 1,07
999 1,45 1,30 1,21 1,14 1,11 999 1,20 1,14 1,10 1,07 1,05
NOTE 1 See explanation to Formula (9).
NOTE 2 df is the degree of freedom; n − 1 for s ; and n − p − 1 for s .
SEP c SEC
7.6 Slope
ˆ
The slope, b, of the simple regression ya=+ by⋅ is often reported in the NIR reports and publications.
Notice that the slope shall be calculated with the reference values as the dependent variable and the
predicted NIR values as the independent variable, if the calculated slope is intended to be used for
adjustment of NIR results (like in the case of the inverse multivariate regression used to build the
prediction model).
From the least squares fitting, slope and intercept are calculated by Formula (10) and Formula (11),
respectively:
s
yy
b = (10)
s
ˆ
y
where
is the covariance between reference and predicted values;
s
yy
is the variance of the n predicted values.
s
ˆ
y
10 © ISO 2017 – All rights reserved
ay=−by (11)
where
is the mean of the reference values;
y
b is the slope;
is the mean of the predicted values.
y
As for the bias, a t test can be calculated to check the hypothesis that b = 1 as in Formula (12):
sn. −1
()
ˆ
y
tb=−1 . (12)
obs
s
res
where
is the variance of the n predicted values;
s
ˆ
y
n is the number of independent samples;
s is the residual standard deviation.
res
The residual standard deviation, s , is defined in Formula (13):
res
n
2
ya−+by
()
∑ ii
i=1
s = (13)
res
n−2
where
n is the number of independent samples;
a is the intercept (see Formula (11);
b is the slope (see Formula (10);
th
y is the i reference value;
i
th
is the i predicted value obtained when applying the multivariate NIR model.
y
i
NOTE s is like s when the predicted values are corrected for slope and intercept. Be aware to not
res SEP
confuse bias and intercept. See also Figure 1.
The bias equals the intercept only when the slope is exactly one.
The slope, b, will be considered as different from 1 when Formula (14) applies:
tt≥ (14)
obs
()12−α/
where
t is the observed t value, calculated according to Formula (12);
obs
t is the t value obtained from Table 1 for a probability of α = 0,05 (5 %).
(1−α/2)
A too-narrow range or uneven distribution will lead to useless correction of the slope even when
the s is correct. The slope can only be adjusted when the validation set covers a large part of the
SEP
calibration range.
EXAMPLE For n = 20 samples with a residual standard deviation [see Formula (13)] of 1, a standard deviation
of the predicted values of S = 2 and a calculated slope of b = 1,2, the observed t value is 1,7 and then the
obs
ˆ
y
slope is not significantly different from 1 as the t value (see Table 1) for n = 20 samples is 2,09. If the slope is 1,3,
the t value is 2,6 and then the slope is significantly different than 1.
obs
8 Sampling
Sampling is not part of the method specified in this document.
NOTE Recommended sampling procedures are given in ISO 6497 and ISO 24333.
It is important that the laboratory receives a sample which is truly representative and has not been
damaged or changed during transport or storage.
9 Procedure
9.1 Preparation of test sample
All laboratory samples should usually be kept under conditions that will not change the composition of
the sample from the time of sampling to the time of commencing the procedure.
The preparation of samples for routine measurements needs to be made in the same way as the
preparation of the validation samples. It is necessary to apply standard conditions.
Before the analysis, the sample should be taken in such a way as to obtain a sample representative of
the material to be analysed.
For specific procedures, see specific NIR standards.
Guidelines for specific NIR standards are given in Annex A.
9.2 Measurement
Follow the instructions of the instrument manufacturer/supplier.
The prepared sample should reach a temperature within the range included in the validation.
9.3 Evaluation of result
For the routine results to be valid, they shall be within the range of the calibration model used.
Results obtained on samples detected as spectral outliers cannot be regarded as reliable.
If multiple measurements are made on the same sample, calculate the arithmetic mean if the
repeatability conditions (see 12.1) are observed.
For the expression of results, refer to specific NIR standards.
12 © ISO 2017 – All rights reserved
10 Checking instrument stability
10.1 Control sample
At least one control sample should be measured at least once per day to check instrument hardware
stability and to detect any malfunction. Knowledge of the true concentration of the analyte in the
control sample is not necessary. The sample material should be stable and, as far as possible, resemble
the samples to be analysed. The parameter(s) measured should be stable and, as far as possible, identical
to or at least biochemically close to the sample analyte. A sample is prepared as described in 9.1 and
stored in such a way as to maximize the storage life. These samples are normally stable for lengthy
periods but the stability should be tested in the actual cases. Control samples should be overlapped to
secure uninterrupted control.
The recorded day-to-day variation should be plotted in control charts and investigated for significant
patterns or trends.
10.2 Instrument diagnostics
For scanning spectrophotometers the wavelength/wavenumber (see 5.1) accuracy and precision should
be checked at least once a week, or more frequently if recommended by the instrument manufacturer,
and the results should be compared to specifications and requirements (see 5.1).
A similar check of the instrument noise shall be carried out weekly or at intervals recommended by the
manufacturer.
10.3 Instruments in a network
If several instruments are used in a network, special attention shall be given to standardization of the
instruments according to the manufacturer’s recommendations.
11 Running performance check of calibration
11.1 General
The suitability of the calibration for the measurement of individual samples should be checked. The
outlier measures used in the calibration development and validation can be applied, e.g. Mahalanobis
distance and spectral residuals. In most instruments, this is done automatically.
If the sample does not pass the test, i.e. the sample does not fit into the population of the samples used
for calibration and/or validation, it cannot be determined by the prediction model, unless the model
is changed. Thus, the outlier measures can be used to decide which samples should be selected for
reference analysis and included in a calibration model update.
If the calibration model is found to be suitable for the measured sample, the spectrum is evaluated
according to the validated calibration model.
NIR methods should be validated continuously against reference methods to secure steady optimal
performance of calibrations and observance of accuracy. The frequency of checking the NIR method
should be sufficient to ensure that the method is operating under steady control with respect to
systematic and random deviations from the reference method. The frequency depends inter alia on the
number of samples analysed per day and the rate of changes in sample population.
The running validation should be performed on samples selected randomly from the pool of analysed
samples. It may be necessary to resort to some sampling strategy to ensure a balanced sample
distribution over the entire calibration range, e.g. segmentation of concentration range and random
selection of test samples within each segment or to ensure that samples with a commercially important
range are covered.
The number of samples for the running validation should be sufficient for the statistics used to check
the performance. For a solid validation, at least 20 samples are needed (to expect a normal distribution
of variance). One can fill in the results of the independent validation set for starting the running
validation. To continue with about 5 to 10 samples every week is sufficient to monitor the performance
properly. Using fewer samples it is hard to take the right decision in case one of the results is outside
the control limits.
11.2 Control charts using the difference between reference and NIR results
Results should be assessed by control charts, plotting running sample numbers on the abscissa and
the difference between results obtained by reference and NIR methods on the ordinate; ±2 s (95 %
SEP
probability) and ±3 s (99,8 % probability) may be used as warning and action limits where the s
SEP SEP
has been obtained on a test set collected independently of calibration samples.
If the calibration and the reference laboratories are performing as they should, then only 1 point in
20 points should plot outside the warning limits and 2 points in 1 000 points outside the action limits.
Control charts should be checked for systematic bias drifts from zero, systematic patterns and excessive
variation of results. General rules applied for Shewart control charts may be used in the assessment.
However, too many rules applied simultaneously may result in too many false alarms.
The following rules used in combination have proved to be useful in detection of problems:
a) one point outside either action limit;
b) two out of three points in a row outside a warning limit;
c) nine points in a row on the same side of the zero line.
Additional control charts plotting other features of the running control (e.g. mean difference between
NIR and reference results) and additional rules may be applied to strengthen decisions.
In the assessment of results, it should be remembered that s and measured differences between
SEP
NIR and reference results also include the imprecision of reference results. This contribution can be
reduced to a negligible part if the imprecision of reference results is reduced to less than one third of
[17]
the s .
SEP
To reduce the risk of false alarms, the control samples should be analysed independently (in different
series) by both NIR spectrometry and reference methods to avoid the influence of day-to-day systematic
differences in, for example, reference analyses.
If the warning limits are often exceeded and the control chart only shows random fluctuations (as
opposed to trends or systematic bias), the control limits may have been based on a too optimistic s
SEP
value. An attempt to force the results within the limits by frequent adjustments of the calibration will
not improve the situation in practice. The s should instead be re-evaluated using the latest results.
SEP
If the calibration equations after a period of stability begin to move
...
NORME ISO
INTERNATIONALE 12099
Deuxième édition
2017-08
Aliments des animaux, céréales et
produits de mouture des céréales —
Lignes directrices pour l’application
de la spectrométrie dans le proche
infrarouge
Animal feeding stuffs, cereals and milled cereal products — Guidelines
for the application of near infrared spectrometry
Numéro de référence
©
ISO 2017
DOCUMENT PROTÉGÉ PAR COPYRIGHT
© ISO 2017, Publié en Suisse
Droits de reproduction réservés. Sauf indication contraire, aucune partie de cette publication ne peut être reproduite ni utilisée
sous quelque forme que ce soit et par aucun procédé, électronique ou mécanique, y compris la photocopie, l’affichage sur
l’internet ou sur un Intranet, sans autorisation écrite préalable. Les demandes d’autorisation peuvent être adressées à l’ISO à
l’adresse ci-après ou au comité membre de l’ISO dans le pays du demandeur.
ISO copyright office
Ch. de Blandonnet 8 • CP 401
CH-1214 Vernier, Geneva, Switzerland
Tel. +41 22 749 01 11
Fax +41 22 749 09 47
copyright@iso.org
www.iso.org
ii © ISO 2017 – Tous droits réservés
Sommaire Page
Avant-propos .iv
Introduction .v
1 Domaine d’application . 1
2 Références normatives . 1
3 Termes et définitions . 1
4 Principe . 2
5 Appareillage . 2
6 Étalonnage et validation initiale . 2
6.1 Généralités . 2
6.2 Méthodes de référence . 3
6.3 Valeurs aberrantes . 3
6.4 Validation des modèles d’étalonnage . 4
6.4.1 Généralités . 4
6.4.2 Correction du biais . 4
6.4.3 Ajustement de la pente . 4
6.4.4 Élargissement de l’ensemble d’étalonnage . 4
6.5 Changements des conditions de mesurage et d’utilisation des appareils . 5
7 Statistiques pour le mesurage des performances . 5
7.1 Généralités . 5
7.2 Représentation graphique des résultats . 5
7.3 Biais . 7
7.4 Erreur quadratique moyenne de prédiction (s ) . 8
RMSEP
7.5 Erreur-type de prédiction (s ) . 9
SEP
7.6 Pente .10
8 Échantillonnage .12
9 Mode opératoire.12
9.1 Préparation de l’échantillon pour essai .12
9.2 Mesurage .12
9.3 Évaluation des résultats .12
10 Vérification de la stabilité de l’appareil .13
10.1 Échantillon de contrôle .13
10.2 Diagnostic des appareils .13
10.3 Appareils en réseau.13
11 Contrôle de performance de l’étalonnage .13
11.1 Généralités .13
11.2 Cartes de contrôle utilisant la différence entre résultats de référence et résultats NIR .14
12 Fidélité et exactitude .15
12.1 Répétabilité .15
12.2 Reproductibilité .15
12.3 Exactitude .15
12.4 Incertitude .15
13 Rapport d’essai .16
Annexe A (informative) Lignes directrices pour des normes NIR spécifiques .17
Annexe B (informative) Exemple de valeurs aberrantes et de cartes de contrôle .18
Annexe C (informative) Termes et définitions supplémentaires .24
Bibliographie .29
Avant-propos
L’ISO (Organisation internationale de normalisation) est une fédération mondiale d’organismes
nationaux de normalisation (comités membres de l’ISO). L’élaboration des Normes internationales est
en général confiée aux comités techniques de l’ISO. Chaque comité membre intéressé par une étude
a le droit de faire partie du comité technique créé à cet effet. Les organisations internationales,
gouvernementales et non gouvernementales, en liaison avec l’ISO participent également aux travaux.
L’ISO collabore étroitement avec la Commission électrotechnique internationale (IEC) en ce qui
concerne la normalisation électrotechnique.
Les procédures utilisées pour élaborer le présent document et celles destinées à sa mise à jour sont
décrites dans les Directives ISO/IEC, Partie 1. Il convient, en particulier de prendre note des différents
critères d’approbation requis pour les différents types de documents ISO. Le présent document a été
rédigé conformément aux règles de rédaction données dans les Directives ISO/IEC, Partie 2 (voir www
.iso .org/ directives).
L’attention est appelée sur le fait que certains des éléments du présent document peuvent faire l’objet de
droits de propriété intellectuelle ou de droits analogues. L’ISO ne saurait être tenue pour responsable
de ne pas avoir identifié de tels droits de propriété et averti de leur existence. Les détails concernant
les références aux droits de propriété intellectuelle ou autres droits analogues identifiés lors de
l’élaboration du document sont indiqués dans l’Introduction et/ou dans la liste des déclarations de
brevets reçues par l’ISO (voir www .iso .org/ brevets).
Les appellations commerciales éventuellement mentionnées dans le présent document sont données
pour information, par souci de commodité, à l’intention des utilisateurs et ne sauraient constituer un
engagement.
Pour une explication de la nature volontaire des normes, la signification des termes et expressions
spécifiques de l’ISO liés à l’évaluation de la conformité, ou pour toute information au sujet de l’adhésion
de l’ISO aux principes de l’Organisation mondiale du commerce (OMC) concernant les obstacles
techniques au commerce (OTC), voir le lien suivant: w w w . i s o .org/ iso/ fr/ avant -propos .html.
Le présent document a été élaboré par le comité technique ISO/TC 34, Produits alimentaires, sous-
comité SC 10, Aliments des animaux.
Cette deuxième édition annule et remplace la première édition (ISO 12099:2010), qui a fait l’objet d’une
révision technique.
iv © ISO 2017 – Tous droits réservés
Introduction
Le présent document a été rédigé en se basant sur l’ISO 21543 | FIL 201, qui a été élaborée par le comité
technique ISO/TC 34, Produits alimentaires, sous-comité SC 5, Lait et produits laitiers, et par la Fédération
internationale de laiterie (FIL).
NORME INTERNATIONALE ISO 12099:2017(F)
Aliments des animaux, céréales et produits de mouture
des céréales — Lignes directrices pour l’application de la
spectrométrie dans le proche infrarouge
1 Domaine d’application
Le présent document fournit des lignes directrices pour la détermination par spectrométrie dans
le proche infrarouge de constituants tels que l’eau, les matières grasses, les protéines, l’amidon et la
cellulose brute, et des paramètres tels que la digestibilité des aliments pour animaux, des céréales et
des produits de mouture des céréales.
Les déterminations sont basées sur des mesurages spectrométriques dans le domaine spectral du
proche infrarouge.
2 Références normatives
Le présent document ne contient aucune référence normative.
3 Termes et définitions
Pour les besoins du présent document, les termes et définitions suivants s’appliquent.
L’ISO et l’IEC tiennent à jour des bases de données terminologiques destinées à être utilisées en
normalisation, consultables aux adresses suivantes:
— IEC Electropedia: disponible à l’adresse http:// www .electropedia .org/
— ISO Online browsing platform: disponible à l’adresse http:// www .iso .org/ obp
3.1
appareil d’analyse dans le proche infrarouge
appareil NIR
appareillage qui, lorsqu’il est utilisé dans les conditions définies dans le présent document, permet
de prédire les teneurs en constituants (3.3) et les paramètres technologiques (3.4) dans les aliments des
animaux (3.2), les céréales et les produits de mouture des céréales, par le biais de relations avec les
absorptions dans le domaine du proche infrarouge
3.2
aliments des animaux
produit ou substance, y compris les additifs, traité, traité en partie ou non traité, destiné à être utilisé
pour l’alimentation des animaux par ingestion
EXEMPLE Matières premières, fourrage, farine de viandes et d’os, aliments mélangés pour bétail et autres
produits finaux, aliments pour animaux domestiques, etc.
3.3
teneur en constituants
fraction massique des substances déterminée à l’aide de la méthode chimique appropriée, normalisée
ou validée
Note 1 à l’article: La fraction massique est souvent exprimée en pourcentage.
Note 2 à l’article: Pour des exemples de méthodes appropriées, voir les Références [1] à [12].
EXEMPLE Eau, matières grasses, protéines, cellulose brute, fibres au détergent neutre (NDF) et fibres au
détergent acide (ADF).
3.4
paramètre technologique
propriété ou fonctionnalité d’aliments pour animaux (3.2), de céréales et de produits de mouture des
céréales, qui peut être déterminée à l’aide de la (des) méthode(s) appropriée(s), normalisée(s) ou
validée(s)
Note 1 à l’article: Il est possible de développer et de valider des méthodes NIR pour des paramètres et des types
d’échantillons autres que ceux énumérés ci-dessus, sous réserve que le mode opératoire spécifié dans le présent
document soit respecté. Les unités de mesure des paramètres déterminés suivent les unités utilisées dans les
méthodes de référence.
EXEMPLE Digestibilité.
4 Principe
Les données spectrales dans le proche infrarouge sont collectées et transformées en concentrations
de constituants ou de paramètres par des modèles d’étalonnage développés à partir d’échantillons
représentatifs des produits concernés.
5 Appareillage
5.1 Appareils d’analyse dans le proche infrarouge.
Appareils basés sur les mesurages en réflexion diffuse ou en transmission couvrant le domaine de
−1 −1
longueurs d’onde du proche infrarouge de 770 nm à 2 500 nm (12 900 cm à 4 000 cm ), ou des
segments de ce dernier ou à des longueurs d’onde ou des nombres d’onde sélectionnés. Le principe
optique peut être dispersif (monochromateurs à réseau par exemple), interférométrique ou non
thermique (par exemple diodes électroluminescentes, diodes laser et lasers). Il convient que l’appareil
soit doté d’un système effectuant des tests diagnostiques pour évaluer le bruit photométrique et la
reproductibilité, ainsi que l’exactitude et la fidélité des longueurs d’onde/des nombres d’onde (pour les
spectrophotomètres à balayage).
Il convient que l’appareil mesure un volume ou une surface d’échantillon suffisamment important(e)
pour éliminer toute influence significative d’un manque d’homogénéité découlant de la composition
chimique ou des propriétés physiques de l’échantillon pour essai. Dans les mesurages en transmission,
pour obtenir la linéarité et un rapport signal/bruit maximal, il convient d’optimiser l’intensité du signal
en adaptant le chemin optique à chaque type d’échantillon (épaisseur des échantillons) conformément
aux recommandations du fabricant.
5.2 Dispositif de mouture ou de broyage approprié, pour la préparation de l’échantillon (si
nécessaire).
NOTE Des changements des conditions de mouture ou de broyage peuvent influencer les mesurages NIR en
raison, par exemple, d’un réchauffement qui peut entraîner une perte des constituants volatils tels que l’eau.
6 Étalonnage et validation initiale
6.1 Généralités
L’appareil doit être étalonné avant d’être utilisé. L’étalonnage implique une comparaison avec une
référence et des procédés de réglage de l’appareil. Dans la mesure où un grand nombre de systèmes
différents peut être utilisé pour l’étalonnage des appareils NIR, aucun mode opératoire spécifique ne
peut être indiqué pour l’étalonnage.
2 © ISO 2017 – Tous droits réservés
Pour une explication des méthodes de développement de l’étalonnage, voir la Référence [16] et le
manuel d’instruction du fabricant respectif. Pour la validation, il est important de disposer d’un nombre
suffisant d’échantillons représentatifs, couvrant des variations telles que les suivantes:
a) les combinaisons et les gammes de concentration des constituants principaux et secondaires de
l’échantillon;
b) les effets saisonniers, géographiques et génétiques sur les fourrages, les matières premières pour
animaux et les céréales;
c) les techniques et les conditions de transformation;
d) les conditions de stockage;
e) la température de l’échantillon et de l’appareil;
f) les variations des appareils (c’est-à-dire les différences entre appareils).
NOTE Pour garantir une validation robuste, au moins 20 échantillons sont nécessaires.
6.2 Méthodes de référence
Il convient d’utiliser des méthodes de référence reconnues à l’échelle internationale pour déterminer
la teneur en eau, en matières grasses, en protéines et autres constituants et paramètres. Voir les
Références [1] à [12] pour des exemples.
Pour l’étalonnage, il convient d’utiliser la méthode de référence en contrôle statistique. Il est
indispensable de connaître la fidélité de la méthode de référence.
Quand cela est possible, il convient d’utiliser des références assurant la traçabilité des mesurages au
système SI (Système international d’unités), telles des matériaux de référence certifiés.
6.3 Valeurs aberrantes
Dans de nombreuses situations, des valeurs statistiques aberrantes sont observées au cours de
l’étalonnage et de la validation. Les valeurs aberrantes peuvent porter sur des données NIR (valeurs
aberrantes spectrales, désignées ci-après «valeurs aberrantes x») ou des erreurs dans les données de
référence ou des échantillons avec une relation différente entre les données de référence et les données
NIR (désignées ci-après «valeurs aberrantes y»); voir les exemples aux Figures B.1 à B.5.
Pour les besoins de la validation, les échantillons ne sont pas considérés comme des valeurs aberrantes
s’ils respectent les conditions suivantes:
a) s’ils se situent dans la plage de travail des constituants/paramètres de l’étalonnage ou des
étalonnages;
b) s’ils se situent dans les limites de la variation spectrale des échantillons d’étalonnage, telles
qu’estimées, par exemple, par la distance de Mahalanobis;
c) le résidu spectral se situe en dessous d’une limite définie par le procédé d’étalonnage;
d) si le résidu de prédiction se situe en dessous d’une limite définie par le procédé d’étalonnage.
S’il apparaît qu’un échantillon est une valeur aberrante, il convient alors de vérifier en premier lieu
s’il s’agit d’une valeur aberrante x. Si cette valeur dépasse les limites des valeurs aberrantes x définies
pour l’étalonnage, il convient de l’éliminer. S’il ne s’agit pas d’une valeur aberrante x, il convient alors
de vérifier la valeur de référence et la valeur NIR prédite, par exemple par des mesurages répétés. Si
cette vérification confirme les valeurs initiales, il convient alors de ne pas supprimer l’échantillon et de
l’inclure dans les valeurs statistiques de validation. Si les nouvelles valeurs indiquent que les valeurs
de référence initiales ou les valeurs NIR prédites sont erronées, il convient alors d’utiliser ces nouvelles
valeurs.
6.4 Validation des modèles d’étalonnage
6.4.1 Généralités
Avant d’être utilisées, les équations d’étalonnage doivent être validées localement sur un ensemble
d’essais indépendant représentatif de la population d’échantillons à analyser. Au moins 20 échantillons
sont nécessaires pour déterminer le biais, la pente et l’erreur-type de prédiction (SEP, voir 7.5). La
validation doit être effectuée pour chaque type d’échantillon, constituant/paramètre et autres facteurs
connus pour affecter ou pouvant avoir un effet sur le mesurage. L’étalonnage n’est valable que pour les
variations, c’est-à-dire les types d’échantillons, la gamme et la température utilisés lors de la validation.
NOTE 1 Les modèles d’étalonnage ne peuvent être utilisés que sur la gamme pour laquelle ils ont été validés.
Les résultats obtenus sur l’ensemble d’essais indépendant sont reportés sur un graphique, référence
en fonction de NIR et résidus en fonction des résultats de référence, pour illustrer les performances
de l’étalonnage. La SEP est calculée (voir 7.5) et les valeurs aberrantes, telles que des échantillons avec
un résidu dépassant ± 3 s , sont recherchées sur le graphique des résidus des données corrigées de
SEP
l’erreur systématique moyenne (biais).
Si le processus de validation montre que le modèle ne peut pas produire de valeurs statistiques
acceptables, il convient alors de ne pas l’utiliser.
NOTE 2 Ce qui sera acceptable dépendra par exemple des performances de la méthode de référence, de la
plage couverte, du but de l’analyse, etc. et il appartient aux parties concernées d’en décider.
Lorsqu’ils sont disponibles et adaptés, les matériaux de référence ou matériaux de référence certifiés
peuvent être utilisés dans le cadre de la validation des modèles d’étalonnage.
L’étape suivante consiste à ajuster les données NIR, y , et les données de référence, y , par régression
NIRS ref
linéaire (y = a + b × y ) pour produire des valeurs statistiques qui décrivent les résultats de
ref NIRS
validation.
6.4.2 Correction du biais
Un biais entre les méthodes est également recherché dans les données. Si la différence entre les
moyennes des valeurs NIR prédites et des valeurs de référence est significativement différente de zéro,
cela indique que l’étalonnage est biaisé. Il est possible de supprimer un biais en ajustant la constante
(voir 7.3) de l’équation d’étalonnage.
6.4.3 Ajustement de la pente
Si la pente, b, est significativement différente de 1, l’étalonnage est faussé.
L’ajustement de la pente/l’ordonnée à l’origine de l’étalonnage n’est généralement pas recommandé, sauf
si l’étalonnage est appliqué à de nouveaux types d’échantillons ou d’appareils. Si une nouvelle étude de
l’étalonnage ne permet pas de détecter de valeurs aberrantes, notamment des valeurs aberrantes «de
levier élevé», il est préférable d’élargir l’ensemble d’étalonnage pour inclure davantage d’échantillons.
Cependant, si la pente est ajustée, il convient alors de tester l’étalonnage sur un nouvel ensemble d’essais
indépendant.
6.4.4 Élargissement de l’ensemble d’étalonnage
Si l’exactitude de l’étalonnage ne répond pas aux attentes, il convient d’élargir l’ensemble d’étalonnage
pour inclure un plus grand nombre d’échantillons ou de réaliser un nouvel étalonnage. Dans tous les cas,
lorsqu’un nouvel étalonnage est développé sur un ensemble d’étalonnage élargi, il convient de répéter
le processus de validation sur un nouvel ensemble de validation. Si nécessaire, il convient de répéter
l’élargissement de l’ensemble d’étalonnage jusqu’à ce que des résultats acceptables soient obtenus sur
un ensemble de validation.
4 © ISO 2017 – Tous droits réservés
6.5 Changements des conditions de mesurage et d’utilisation des appareils
Sauf si un étalonnage supplémentaire est effectué, une validation locale d’une méthode NIR indiquant
l’exactitude de la méthode ne peut généralement pas être considérée comme valide si les conditions
d’essai ont changé.
Par exemple, les étalonnages développés pour une certaine population d’échantillons ne peuvent pas
être valides pour des échantillons en dehors de cette population, même si la gamme de concentration
de l’analyte n’a pas changé. Il est possible que l’étalonnage développé sur des ensilages provenant d’une
zone ne donne pas la même exactitude sur des ensilages provenant d’une autre zone si les paramètres
génétiques, de croissance et de traitement sont différents.
Des changements de technique de présentation des échantillons ou de conditions de mesurage, par
exemple la température, non compris dans l’ensemble d’étalonnage peuvent également influencer les
résultats analytiques.
Les étalonnages développés sur un appareil spécifique ne peuvent pas toujours être transférés
directement vers un appareil identique fonctionnant selon le même principe. Des ajustements du biais
ou de la pente/l’ordonnée à l’origine dans les équations d’étalonnage peuvent s’avérer nécessaires. Dans
de nombreux cas, il sera nécessaire de standardiser les deux appareils l’un par rapport à l’autre avant
[16]
de pouvoir transférer les équations d’étalonnage. Les modes opératoires de standardisation peuvent
être utilisés pour transférer les étalonnages entre des appareils de types différents à condition que les
échantillons soient analysés de la même manière (réflexion, transmission) et que le domaine spectral
soit commun.
Si les conditions ont changé, il convient de réaliser une validation supplémentaire.
Il convient de vérifier les étalonnages dès qu’une pièce importante de l’appareil (système optique,
détecteur) a été remplacée ou réparée.
7 Statistiques pour le mesurage des performances
7.1 Généralités
Les performances d’un modèle de prédiction doivent être déterminées par un ensemble d’échantillons
de validation. Cet ensemble est composé d’échantillons indépendants de l’ensemble d’étalonnage. Dans
une usine, il s’agira de nouveaux lots; en agriculture, il s’agira d’une nouvelle récolte ou d’un nouveau
lieu d’expérimentation.
Cet ensemble d’échantillons doit être soigneusement analysé suivant les méthodes de référence. Il est
indispensable d’apporter le plus grand soin à l’analyse des échantillons de validation et la fidélité des
résultats est plus importante pour l’ensemble de validation que pour les échantillons utilisés lors de la
phase d’étalonnage.
Le nombre d’échantillons de validation doit être au moins égal à 20 pour calculer les valeurs statistiques
avec une certaine confiance.
Le protocole NIR utilisé pour la détermination des performances du modèle de prédiction doit être le
même que celui utilisé en routine (un mesurage ou deux mesurages).
7.2 Représentation graphique des résultats
Il est important de visualiser les résultats sous forme de graphiques, c’est-à-dire de valeurs de référence
en fonction de valeurs prédites ou de résidus en fonction de valeurs prédites.
Les résidus sont définis par la Formule (1):
ˆ
ey=− y (1)
ii i
où
ème
y est la i valeur de référence (y );
i ref
ème
est la i valeur prédite (y ) obtenue en utilisant le modèle NIR à plusieurs variables.
NIRS
ˆ
y
i
La manière dont les différences sont calculées donnera un biais négatif lorsque les prédictions sont trop
élevées et un biais positif lorsque les prédictions sont trop faibles par rapport aux valeurs de référence.
Une représentation graphique des données fournit immédiatement un aperçu de la corrélation, du biais,
de la pente et de la présence de valeurs aberrantes évidentes (voir Figure 1).
Légende
1 droite à 45° (droite idéale avec un biais = 1 et une pente = 0) X Y
NIRS
2 droite (à 45° - biais) Y Y
ref
3 droite de régression linéaire
4 valeurs aberrantes
5 biais
NOTE Étant donné que les valeurs aberrantes (Légende 4) ont une forte influence sur le calcul de la pente, il
convient de les éliminer si les résultats sont destinés à être utilisés pour des ajustements
Figure 1 — Diagramme de dispersion pour un ensemble de validation, y = f(a + b × y )
ref NIRS
6 © ISO 2017 – Tous droits réservés
7.3 Biais
Avec les modèles NIR, on observe la plupart du temps un biais ou une erreur systématique. Un biais
peut avoir plusieurs causes: nouveaux échantillons d’un type totalement inconnu du modèle, dérive
de l’appareil, dérive dans la chimie par voie humide, changements dans le mode opératoire, dans la
préparation des échantillons, etc.
n étant le nombre d’échantillons indépendants, le biais (ou décalage) est l’écart moyen et peut être défini
par la Formule (2):
n
e= e (2)
∑ i
n
i=1
où e est le résidu tel que défini par la Formule (1) d’où la Formule (3):
i
n n
e =−yy =−yy (3)
∑∑i i
n
i==11i
où
ème
y est la i valeur de référence;
i
ˆ ème
y est la i valeur prédite;
i
y est la moyenne des valeurs de référence;
y est la moyenne des valeurs prédites;
L’importance du biais est vérifiée par un test t. Le calcul des limites de confiance du biais (BCL), T ,
b
détermine les limites d’acceptation ou de rejet des performances des formules sur le petit ensemble
d’échantillons choisi dans la nouvelle population; voir la Formule (4):
Tt=± sn/ (4)
b (/12−α ) SEP
où
α est la probabilité d’erreur de type I;
t est la valeur t de Student appropriée pour un test bilatéral avec des degrés de liberté associés
à la s et la probabilité choisie d’une erreur de type I;
SEP
n est le nombre d’échantillons indépendants;
s est l’erreur type de prédiction (définie en 7.5);
SEP
À titre d’exemple, avec n = 20 et s = 1, les BCL sont telles que dans la Formule (5):
SEP
T =± 20,/91× 20 =±04, 8 (5)
()
b
Cela signifie que le biais testé avec 20 échantillons doit être supérieur à 48 % de l’erreur-type de
prédiction pour être considéré comme différent de zéro.
Tableau 1 — Valeurs t de la distribution de Student avec une probabilité α = 0,05 (5 %)
n Valeurs t n Valeurs t
10 2,23 75 1,99
15 2,13 100 1,98
20 2,09 200 1,97
30 2,04 500 1,96
40 2,02 1000 1,96
50 2,01 — —
a
NOTE La fonction «TINV» dans Excel peut être utilisée.
a
Excel est l’appellation commerciale d’un produit fourni par Microsoft. Cette
information n’est donnée à l’intention des utilisateurs du présent document que par souci
de commodité et ne signifie nullement que l’ISO approuve ou recommande l’emploi exclusif
du produit ainsi désigné. Des produits équivalents peuvent être utilisés s’il est démontré
qu’ils conduisent aux mêmes résultats.
7.4 Erreur quadratique moyenne de prédiction (s )
RMSEP
La s est définie par la Formule (6):
RMSEP
n
e
∑ i
i=1
s = (6)
RMSEP
n
où
ème
e est le résidu du i échantillon;
i
n est le nombre d’échantillons indépendants;
Cette valeur peut être comparée à s et s (voir l’Annexe C).
SEC SECV
S comprend l’erreur aléatoire (s ) et l’erreur systématique (biais). Elle comprend également
RMSEP SEP
l’erreur des méthodes de référence (tout comme s et s ); voir la Formule (7):
SEC SECV
()n−1
s = se+ (7)
RMSEPSEP
n
où
n est le nombre d’échantillons indépendants;
s est l’erreur type de prédiction (définie en 7.5);
SEP
est le biais ou erreur systématique.
e
Il n’existe aucun test direct pour S . C’est la raison pour laquelle on sépare l’erreur systématique
RMSEP
(biais ou e ) de l’erreur aléatoire s .
SEP
8 © ISO 2017 – Tous droits réservés
7.5 Erreur-type de prédiction (s )
SEP
L’erreur-type de prédiction (s ), c’est-à-dire l’écart-type des résidus, qui exprime l’exactitude des
SEP
résultats de routine NIR corrigés de l’écart moyen (biais) entre les méthodes de routine NIR et de
référence, peut être calculée à l’aide de la Formule (8):
n
ee−
()
∑ i
i=1
s = (8)
SEP
n−1
où
n est le nombre d’échantillons indépendants;
ème
e est le résidu du i échantillon;
i
est le biais ou erreur systématique.
e
Il convient que la s soit reliée à la s (ou à la s ; voir l’Annexe C) pour vérifier la validité du
SEP SEC SECV
modèle d’étalonnage pour l’ensemble de validation choisi.
Les limites de confiance d’erreur inexpliquée (UECL), T , sont calculées à partir d’un test F (rapport de
UE
deux variances) (voir Référence [18] et Tableau 2). Voir la Formule (9):
Ts= F (9)
UE SEC (,α vM,)
où
s est l’erreur type d’étalonnage (voir l’Annexe C);
SEC
α est la probabilité d’erreur de type I;
v est n − 1 degrés de liberté pour le numérateur associé à la s de l’ensemble d’essais;
SEP
n est le nombre d’échantillons dans le processus de validation;
M est n – p − 1 degrés de liberté pour le dénominateur associé à la s (erreur-type d’étalonnage);
c SEC
[n est le nombre d’échantillons d’étalonnage, p est le nombre de termes ou de facteurs PLS du
c
modèle ou de coefficients de pondération en cas d’ANN (voir l’Annexe C). En mode ANN, les
coefficients de pondération sont tous les paramètres inconnus dans le modèle].
NOTE 1 s peut être remplacée par s , qui est une meilleure statistique que s ; très souvent, s est
SEC SECV SEC SEC
trop optimiste; (s > s > s ).
SEP SECV SEC
EXEMPLE Si n = 20, α = 0,05, M = 100, et s = 1, la valeur suivante est obtenue: T = 1,30.
SEP UE
Avec 20 échantillons, une s jusqu’à 30 % supérieure à la s peut être acceptée.
SEP SEC
1)
NOTE 2 La fonction «FINV» dans Excel peut être utilisée.
Le test F ne peut pas être utilisé pour comparer deux étalonnages sur le même ensemble de validation.
Il nécessite (comme dans ce cas) deux ensembles indépendants. Un autre test doit être utilisé pour
comparer deux modèles ou plus sur le même ensemble de données.
1) Excel est l’appellation commerciale d’un produit fourni par Microsoft. Cette information n’est donnée à
l’intention des utilisateurs du présent document que par souci de commodité et ne signifie nullement que l’ISO
approuve ou recommande l’emploi exclusif du produit ainsi désigné. Des produits équivalents peuvent être utilisés
s’il est démontré qu’ils conduisent aux mêmes résultats.
Tableau 2 — Valeurs F et racine carrée des valeurs F en fonction des degrés de liberté du
numérateur associé à la s et du dénominateur associé à la s
SEP SEC
F(α,v,M)
Fvα ,,M
()
df (s ) df (s )
SEC SEC
df (s ) 50 100 200 500 1 000 df (s ) 50 100 200 500 1 000
SEP SEP
10 2,03 1,93 1,88 1,85 1,84 10 1,42 1,39 1,37 1,36 1,36
11 1,99 1,89 1,84 1,81 1,80 11 1,41 1,37 1,36 1,34 1,34
12 1,95 1,85 1,80 1,77 1,76 12 1,40 1,36 1,34 1,33 1,33
13 1,92 1,82 1,77 1,74 1,73 13 1,39 1,35 1,33 1,32 1,32
14 1,89 1,79 1,74 1,71 1,70 14 1,38 1,34 1,32 1,31 1,30
15 1,87 1,77 1,72 1,69 1,68 15 1,37 1,33 1,31 1,30 1,29
16 1,85 1,75 1,69 1,66 1,65 16 1,36 1,32 1,30 1,29 1,29
17 1,83 1,73 1,67 1,64 1,63 17 1,35 1,31 1,29 1,28 1,28
18 1,81 1,71 1,66 1,62 1,61 18 1,30 1,31 1,29 1,27 1,27
19 1,80 1,69 1,64 1,61 1,60 19 1,34 1,30 1,28 1,27 1,26
29 1,69 1,58 1,52 1,49 1,48 29 1,30 1,26 1,23 1,22 1,22
49 1,60 1,48 1,42 1,38 1,37 49 1,27 1,22 1,19 1,17 1,17
99 1,53 1,39 1,32 1,28 1,26 99 1,24 1,18 1,15 1,13 1,12
199 1,48 1,34 1,26 1,21 1,19 199 1,22 1,16 1,12 1,10 1,09
499 1,46 1,31 1,22 1,16 1,13 499 1,21 1,14 1,11 1,08 1,07
999 1,45 1,30 1,21 1,14 1,11 999 1,20 1,14 1,10 1,07 1,05
NOTE 1 Voir explication de la Formule (9).
NOTE 2 df est le degré de liberté; n − 1 pour s ; et n − p − 1 pour s .
SEP c SEC
7.6 Pente
ˆ
La pente, b, de la régression simple ya=+ by⋅ est souvent mentionnée dans les rapports et
publications NIR.
Il convient de noter que la pente doit être calculée avec les valeurs de référence en tant que variable
dépendante et les valeurs NIR prédites en tant que variable indépendante, si la pente calculée est
destinée à être utilisée pour l’ajustement des résultats NIR (comme dans le cas de la régression inverse
à plusieurs variables utilisée pour réaliser le modèle de prédiction).
La pente et l’ordonnée à l’origine sont calculées à partir de la méthode des moindres carrés,
respectivement par la Formule (10) et la Formule (11):
s
yy
b = (10)
s
ˆ
y
où
est la covariance entre les valeurs de référence et les valeurs prédites;
s
yy
est la variance des n valeurs prédites.
s
ˆ
y
10 © ISO 2017 – Tous droits réservés
ay=−by (11)
où
est la moyenne des valeurs de référence;
y
b est la pente;
est la moyenne des valeurs prédites;
y
Comme pour le biais, un test t peut être effectué pour vérifier l’hypothèse selon laquelle b = 1 comme
dans la Formula (12):
sn. −1
()
ˆ
y
tb=−1 . (12)
obs
s
res
où
est la variance des n valeurs prédites;
s
ˆ
y
n est le nombre d’échantillons indépendants;
s est l’écart-type résiduel.
res
L’écart-type résiduel, s , est défini dans la Formula (13):
res
n
ya−+by
()
∑ ii
i=1
s = (13)
res
n−2
où
n est le nombre d’échantillons indépendants;
a est l’ordonnée à l’origine [voir la Formule (11)];
b est la pente [voir la Formule (10)];
ème
y est la i valeur de référence;
i
ème
est la i valeur prédite en utilisant le modèle NIR à plusieurs variables.
y
i
NOTE s est similaire à la s lorsque les valeurs prédites sont corrigées pour la pente et l’ordonnée à
res SEP
l’origine. Veiller à ne pas confondre biais et ordonnée à l’origine. Voir également la Figure 1.
Le biais n’est égal à l’ordonnée à l’origine que lorsque la pente est exactement égale à un.
La pente b sera considérée comme différente de 1 lorsque la Formula (14) s’applique:
tt≥ (14)
obs
12−α/
()
où
t est la valeur t observée, calculée selon la Formule (12);
obs
t est la valeur t obtenue à partir du Tableau 1 avec une probabilité de α = 0,05 (5 %).
(1−α/2)
Une gamme d’étalonnage trop étroite ou une distribution inégale conduira à une correction inutile de
la pente, même lorsque la s est correcte. La pente ne peut être ajustée que lorsque l’ensemble de
SEP
validation couvre une grande partie de la gamme d’étalonnage.
EXEMPLE Pour n = 20 échantillons avec un écart-type résiduel [voir Formule (13)] de 1, un écart-type des
valeurs prédites S = 2 et une pente calculée b = 1,2, la valeur observée t est égale à 1,7 et la pente n’est alors
obs
ˆ
y
pas significativement différente de 1 vu que la valeur t (voir Tableau 1) pour n = 20 échantillons est 2,09. Si la
pente est égale à 1,3, la valeur t est égale à 2,6 et la pente est alors significativement différente de 1.
obs
8 Échantillonnage
L’échantillonnage ne fait pas partie de la méthode spécifiée dans le présent document.
NOTE Les modes opératoires d’échantillonnage recommandés sont donnés dans l’ISO 6497 et l’ISO 24333.
Il est important que le laboratoire reçoive un échantillon qui soit réellement représentatif et qui n’ait
été ni endommagé ni modifié pendant le transport ou le stockage.
9 Mode opératoire
9.1 Préparation de l’échantillon pour essai
Il convient que tous les échantillons pour laboratoire soient généralement conservés dans des conditions
qui ne modifieront pas la composition de l’échantillon, depuis le moment où l’échantillonnage est réalisé
jusqu’au moment où le mode opératoire est lancé.
Il est nécessaire que les échantillons pour mesurages de routine soient préparés de la même manière
que les échantillons de validation. Il est nécessaire d’appliquer des conditions définies.
Avant l’analyse, il convient de prélever l’échantillon de manière à obtenir un échantillon représentatif
du matériau à analyser.
Pour des modes opératoires spécifiques, se reporter à des normes NIR spécifiques.
Des lignes directrices relatives à des normes NIR spécifiques sont fournies en Annexe A.
9.2 Mesurage
Suivre les instructions du fabricant/du fournisseur de l’appareil.
Il convient que l’échantillon préparé atteigne une température comprise dans la gamme incluse dans la
validation.
9.3 Évaluation des résultats
Pour que les résultats de routine soient valables, ils doivent être inclus dans la gamme du modèle
d’étalonnage utilisé.
Les résultats obtenus sur des échantillons détectés comme aberrants spectralement ne peuvent pas
être considérés comme fiables.
Si plusieurs mesurages sont réalisés sur le même échantillon, calculer la moyenne arithmétique si les
conditions de répétabilité sont respectées (voir 12.1).
Pour l’expression des résultats, se reporter à des normes NIR spécifiques.
12 © ISO 2017 – Tous droits réservés
10 Vérification de la stabilité de l’appareil
10.1 Échantillon de contrôle
Il convient d’analyser au moins un échantillon de contrôle au moins une fois par jour pour vérifier la
stabilité physique de l’appareil et détecter tout dysfonctionnement. Il n’est pas nécessaire de connaître
la concentration réelle de l’analyte de l’échantillon de contrôle. Il convient que l’échantillon soit stable
et qu’il ressemble, autant que possible, aux échantillons à analyser. Il convient que le(s) paramètre(s)
mesuré(s) soi(en)t stable(s) et, autant que possible, identique(s) ou au moins biochimiquement proche(s)
de l’analyte de l’échantillon. Un échantillon est préparé comme décrit en 9.1 et stocké de manière à
assurer une durée de conservation maximale. Ces échantillons sont normalement stables pendant
de longues périodes, mais il convient de vérifier la stabilité en situation réelle. Il convient de faire
chevaucher les échantillons de contrôle afin de garantir un contrôle ininterrompu.
Il convient de tracer des cartes de contrôle avec les variations enregistrées au jour le jour et de
rechercher des tendances ou des profils significatifs.
10.2 Diagnostic des appareils
Pour les spectrophotomètres à balayage, il convient de vérifier l’exactitude et la fidélité de la longueur
d’onde/du nombre d’onde (voir 5.1) au moins une fois par semaine, ou plus fréquemment en cas
de recommandation par le fabricant de l’appareil, et il convient de comparer les résultats avec les
spécifications et les exigences (voir 5.1).
Une vérification similaire du bruit des appareils doit être effectuée toutes les semaines ou aux
intervalles recommandés par le fabricant.
10.3 Appareils en réseau
Si plusieurs appareils sont utilisés en réseau, une attention particulière doit être portée à la
standardisation des appareils conformément aux recommandations des fabricants.
11 Contrôle de performance de l’étalonna
...
Questions, Comments and Discussion
Ask us and Technical Secretary will try to provide an answer. You can facilitate discussion about the standard in here.
Loading comments...