Идентификация и классификация зерна гречихи методами микрофокусной рентгенографии и гиперспектрального изображения

Обложка

Цитировать

Полный текст

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

Аннотация

Классификация зерна гречихи имеет большое значение, поскольку отсутствие дефектных зерен является гарантией урожайности и качества. Зерна гречихи были отобраны случайным образом из партии зерна, которые различались по качеству. Идентификация и классификация зерна гречихи по степени выполненности проведена сочетанием анализа микрофокусного рентгеновского и гиперспектрального изображений и методов многомерного анализа. С помощью микрофокусной рентгенографии зерна гречихи были разделены на группы по степени выполненности. Гиперспектральное изображение зерен гречихи в диапазоне 935—1720 нм получено с помощью камеры Specim FX17. С помощью функции отбора полигонов были получены усредненные спектры и сформирована матрица данных образцов зерна. Методом главных компонент выделены полосы спектра, вносящие наибольший вклад в градацию образцов зерна по степени выполненности. Классификационная модель градации зерна гречихи на группы по степени выполненности построена методом дискриминантного анализа при помощи проекции на латентные структуры. Результаты исследования показали, что гиперспектральное изображение является потенциальным инструментом для быстрой и точной идентификации зерен гречихи, который может быть использован при крупномасштабной классификации зерен и определении качества зерен.

Об авторах

Ю. Т. Платов

ФГБОУ ВО «Российский экономический университет имени Г.В. Плеханова»

Автор, ответственный за переписку.
Email: Platov.YT@rea.ru
Россия, Москва, Стремянный пер., 36, 115054

С. Л. Белецкий

Всероссийский научно-исследовательский институт кондитерской промышленности — филиал ФГБНУ «Федеральный научный центр пищевых систем имени В.М. Горбатова» РАН

Email: grain-miller@yandex.ru
Россия, Москва, ул. Электрозаводская, 20/3, 107023

Д. А. Метленкин

ФГБОУ ВО «Российский экономический университет имени Г.В. Плеханова»

Email: dametl@mail.ru
Россия, Москва, Стремянный пер., 36, 115054

Р. А. Платова

ФГБОУ ВО «Российский экономический университет имени Г.В. Плеханова»

Email: Platova.RA@rea.ru
Россия, Москва, Стремянный пер., 36, 115054

А. Л. Верещагин

Бийский технологический институт АлтГТУ им. И.И. Ползунова

Email: val@bti.secna.ru
Россия, Бийск, ул. им. Героя Советского Союза Трофимова, 27, 659305

В. А. Марьин

Бийский технологический институт АлтГТУ им. И.И. Ползунова

Email: tehbiysk@mail.ru
Россия, Бийск, ул. им. Героя Советского Союза Трофимова, 27, 659305

Список литературы

  1. Алексенко С.С., Казимирова К.О., Штыков С.Н. Сравнительная оценка содержания свободных фенольных соединений и антиоксидантной активности различных образцов гречихи // Журнал аналитической химии. 2022. Т. 77. № 8. С. 704—713. doi: 10.31857/S0044450222080023
  2. Wang F.H., Yang J., Zhu H.L. Research on determination method of starch, protein and total flavonoids content in buckwheat by Near-infrared spectroscopy // Sensor Letters. 2014. V. 12. No. 3—4. P. 888—891.
  3. Wei Z., Alam T., Al Sulaie S., Bouye M., Deebani W., Song M. An efficient IoT-based perspective view of food traceability supply chain using optimized classifier algorithm // Information Processing & Management. 2023. V. 60. No. 3. P. 103275.
  4. Dyck G., Hawley E., Hildebrand K., Paliwal J. Digital Twins: A novel traceability concept for post-harvest handling // Smart Agricultural Technology. 2023. V. 3. P. 100079.
  5. Sun Y., Ye Z., Zhong M., Wei K., Shen F., Li G., Yuan J., Xing C. Rapid and nondestructive method for identification of molds growth time in wheat grains based on hyperspectral imaging technology and chemometrics // Infrared Physics & Technology. 2023. V. 128. P. 104532.
  6. Besançon L., Rondet E., Grabulos J., Lullien-Pellerin V., Lhomond L., Cuq B. Study of the microstructure of durum wheat endosperm using X-ray micro-computed tomography // Journal of Cereal Science. 2020. V. 96. P. 103115.
  7. Щукина П.А., Архипов М.В., Гусакова Л.П., Прияткин Н.С. Методика подготовки цифровых рентгеновских изображений семян к визуальному дешифрированию // Агрофизика. 2020. № 3. С. 36—44.
  8. Zhang J., Qu M., Gong Z., Cheng F. Online double-sided identification and eliminating system of unclosed-glumes rice seed based on machine vision // Measurement. 2022. V. 187. P. 110252.
  9. Platov Y.T., Metlenkin D.A., Platova R.A., Rassulov V.A., Vereshchagin A.L., Marin V.A. Buckwheat identification by combined uv-vis-nir spectroscopy and multivariate analysis // Journal of Applied Spectroscopy. 2021. V. 88. P. 723—730.
  10. Li X., Feng X., Fang H., Yang N., Yang G., Yu Z., Shen J., Geng W., He Y. Classification of multi-year and multi-variety pumpkin seeds using hyperspectral imaging technology and three-dimensional convolutional neural network // Plant Methods. 2023. V. 19. No. 1. P. 1—18.
  11. An D., Zhang L., Liu Z., Liu J., Wei Y. Advances in infrared spectroscopy and hyperspectral imaging combined with artificial intelligence for the detection of cereals quality // Critical Reviews in Food Science and Nutrition. 2022. V. 63. No. 29. P. 1—31.
  12. Caporaso N., Whitworth M.B., Fisk I.D. Near-Infrared spectroscopy and hyperspectral imaging for non-destructive quality assessment of cereal grains // Applied spectroscopy reviews. 2018. V. 53. No. 8. P. 667—687.
  13. Мусаев Ф.Б., Белецкий С.Л. История и перспективы применения рентгенографии в семеноводстве и семеноведении // Известия высших учебных заведений России. Радиоэлектроника. 2021. Т. 24. № 6. С. 6—15.
  14. Jin B., Qi H., Jia L., Tang. Q., Gao L., Li Z., Zhao G. Determination of viability and vigor of naturally-aged rice seeds using hyperspectral imaging with machine learning // Infrared Physics and Technology. 2022. V. 122. P. 104097.
  15. Важов В.М. Гречиха на полях Алтая: монография. М.: Изд-во «Дом Академии естествознания», 2013. 188 с.
  16. Марьин В.А., Верещагин А.Л. Распределение размера ядра во фракциях зерна гречихи // Хранение и переработка сельхозсырья. 2019. № 1. С. 130—138.
  17. Zontov Y.V., Rodionova O.Y., Kucheryavskiy S.V., Pomerantsev A.L. PLS-DA–A MATLAB GUI tool for hard and soft approaches to partial least squares discriminant analysis // Chemometrics and Intelligent Laboratory System. 2020. No. 203. P. 104064.
  18. Мусаев Ф.Б., Потрахов Н.Н., Белецкий С.Л. Краткий атлас рентгенографических признаков семян овощных культур. М.: Изд-во ФГБНУ ФНЦО, 2018. 40 с.
  19. Белецкий С.Л., Хаба Н.А., Шилкова О.С. Новый аппаратно-программный рентгенодиагностический комплекс // Технологии производства и хранения материальных ценностей для государственных нужд. 2018. С. 26—32.
  20. Козьмина Н.П., Гунькин В.А., Суслянок Г.М. Зерноведение (с основами биохимии растений). М.: Колос, 2006. 464 с.
  21. Dziedzic K., Górecka D., Marques A., Rudzińska M., Podolska G. The Content of Phytosterols in Raw and Roasted Buckwheat Groats and By-products // Czech Journal of Food Sciences. 2015. V. 33. P. 424—430. https://doi.org/10.17221/121/2015-CJFS
  22. Anne Frank Joe A., Gopal A. Identification of spectral regions of the key components in the near infrared spectrum of wheat grain / 2017 International Conference on Circuit, Power and Computing Technologies (ICCPCT). P. 1—5. https://doi.org/10.1109/ICCPCT.2017.8074207
  23. Ertlen D., Schwartz D., Trautmann M., Webster R., Brunet D. Discriminating between organic matter in soil from grass and forest by near-infrared spectroscopy // European Journal of Soil Science. 2010. V. 61. No. 2. P. 207—216.
  24. Rosales J.H., Yaptenco K.F., Aguila M.J.B., Armstrong P.R. Rapid Differentiation of Commercially-Available Soy Sauces using Near-Infrared Spectroscopy // Philippine Journal of Agricultural and Biosystems Engineering. 2019. V. 15. No. 2. P. 3—12.
  25. Pomerantsev A.L., Rodionova O.E. Multiclass partial least squares discriminant analysis: Taking the right way—A critical tutorial // Journal of Chemometrics. 2018. V. 32. No. 8. P. e3030.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

© Российская академия наук, 2024

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».