Исследование возможности применения гиперспектральной съемки для оценки свежести плодов земляники

Обложка

Цитировать

Полный текст

Аннотация

Обоснование. Плоды земляники являются ценным и востребованным, но скоропортящимся, продуктом питания. Свежесть плодов зависит от времени, прошедшего от момента их сбора, и определяет срок сохранения ими питательной ценности, внешней привлекательности и безопасности для потребителя. Традиционные подходы к оценке состояния плодов отличаются субъективностью, трудоемкостью и низкой производительностью. Настоящая работа посвящена анализу возможности бесконтактной оценки свежести плодов земляники на основе её гиперспектрального анализа.

Материалы и методы. В ходе исследования оценивались спектральные свойства внешней поверхности и внутренней структуры плодов земляники сорта Ремонтантная Елизавета II в течение 26 дней после сбора плодов. Средством измерения служил акустооптический видеоспектрометр видимого и ближнего инфракрасного диапазона. Цифровая обработка данных включала предварительное улучшение спектральных изображений, морфологическую обработку и определение количественной метрики отражательной способности в наиболее информативном спектральном диапазоне длин волн. Статистический анализ основывался на построении регрессионных моделей определения срока после сбора плодов. Модели оценивались по коэффициенту детерминации (), относительной ошибке () и среднеквадратическому отношению ().

Результаты. Предложен подход к бесконтактной оценке свежести плодов земляники на основе их оптического анализа. Получены математические модели определения срока после сбора плодов земляники Ремонтантная Елизавета II по гиперспектральным изображениям поверхности и внутренней структуры образцов. Показано, что анализ спектральных свойств внешней поверхности плодов обеспечивает более высокую точность определения срока после сбора плодов и позволяет достичь ,  и . Проведена оценка точности регрессионных моделей с полиномами разных порядков, показавшая наибольшую эффективность кубического полинома. Определен набор наиболее информативных для решаемой задачи спектральных интервалов, на основе которого проведен множественный регрессионный анализ, показавший наиболее высокую точность.

Заключение. Предложенный подход к бесконтактному количественному анализу свежести плодов земляники отличается объективностью, производительностью и автоматизированностью. Проведенная оценка отдельных этапов пробоподготовки, съемки, цифровой обработки данных и статистического анализа будет полезна при разработке методов диагностики продуктов питания. Предложенный подход может стать дополнением традиционных методов контроля качества пищевой продукции и использоваться при формировании оптимальных стратегий транспортировки, обработки, хранения и реализации партий земляники.

Об авторах

Георгий Владимирович Нестеров

Научно-технологический центр уникального приборостроения РАН

Email: NesterovGeorgiyV@yandex.ru
SPIN-код: 7418-5381

инженер-исследователь лаборатории акустооптической спектроскопии

 

Россия, ул. Бутлерова, 15, г. Москва, 117342, Российская Федерация

Анастасия Валентиновна Гурылева

Научно-технологический центр уникального приборостроения РАН

Автор, ответственный за переписку.
Email: guryleva.av@ntcup.ru
SPIN-код: 2873-8095
Scopus Author ID: 57212027073
ResearcherId: ABA-3399-2021

научный сотрудник лаборатории акустооптической спектроскопии

 

Россия, ул. Бутлерова, 15, г. Москва, 117342, Российская Федерация

Милана Олеговна Шарикова

Научно-технологический центр уникального приборостроения РАН

Email: sharikova.mo@ntcup.ru
ORCID iD: 0000-0001-5593-6170
SPIN-код: 5269-2077
Scopus Author ID: 57218281289
ResearcherId: GQY-7045-2022

младший научный сотрудник лаборатории акустооптической спектроскопии

Россия, ул. Бутлерова, 15, г. Москва, 117342, Российская Федерация

Светлана Александровна Суханова

Общество с ограниченной ответственностью "ФОТИНИЯ. И. ТОПОС ЛАБОРАТОРИЯ"

Email: f.i.toposlab@mail.ru

генеральный директор

 

Россия, ул. Калинина, 107а, ст-ца Динская, Динской р-н, Краснодарский край, 353204, Российская Федерация

Александр Сергеевич Мачихин

Научно-технологический центр уникального приборостроения РАН

Email: machikhin@ntcup.ru
ORCID iD: 0000-0002-2864-3214
SPIN-код: 4060-7193
Scopus Author ID: 23012533400
ResearcherId: L-4381-2016

заведующий лабораторией акустооптической спектроскопии

Россия, ул. Бутлерова, 15, г. Москва, 117342, Российская Федерация

Список литературы

  1. Леонтьева, Л. Н. (2012). Последовательный выбор признаков при восстановлении регрессии. Машинное обучение и анализ данных, 1(3), 335–346.
  2. Pozhar, V. E., et al. (2019). Hyperspectrometer based on an acousto-optic tunable filter for unmanned aerial vehicles. Light & Engineering, 27(3), 99–104. https://doi.org/10.33383/2018-029
  3. Azzini, E., et al. (2010). Bioavailability of strawberry antioxidants in human subjects. British Journal of Nutrition, 104(8), 1165–1173. https://doi.org/10.1017/S000711451000187X
  4. Bae, H., et al. (2014). Assessment of organic acids and sugars in apricots, plums, plumcots, and peaches during fruit maturation. Journal of Applied Botany and Food Quality, 87, 24–29. https://doi.org/10.5073/JABFQ.2014.087.004
  5. Bevacqua, D., Quilot-Turion, B., & Bolzoni, L. (2018). A model for temporal dynamics of brown rot propagation in fruit orchards. Phytopathology, 108(5), 595–601. https://doi.org/10.1094/PHYTO-07-17-0250-R
  6. Choi, J. Y., et al. (2021). Application of convolutional neural networks to assess the external quality of strawberries. Journal of Food Composition and Analysis, 102, 86–94. https://doi.org/10.1016/j.jfca.2021.104071
  7. Devassy, B. M., & George, S. (2021). Comparison of Regression Models for Estimating Strawberry Firmness Using Hyperspectral Imaging: Spectral Preprocessing to Compensate for Packaging Film. Journal of Spectral Imaging, 10, 55–69. https://doi.org/10.1255/jsi.2021.a3
  8. ElMasry, G., et al. (2007). Hyperspectral imaging for nondestructive determination of some quality attributes for strawberries. Journal of Food Engineering, 81(1), 98–107. https://doi.org/10.1016/j.jfoodeng.2006.10.016
  9. Gao, Z., et al. (2020). Real-time hyperspectral imaging for estimating strawberry ripeness in the field using deep learning. Artificial Intelligence in Agriculture, 4, 31–38. https://doi.org/10.1016/j.aiia.2020.04.003
  10. Giampieri, F., et al. (2012). The strawberry: composition, nutritional quality, and impact on human health. Nutrition, 28(1), 9–19. https://doi.org/10.1016/j.nut.2011.08.009
  11. Hu, X. F., et al. (2016). Nondestructive hardness assessment of kiwifruit using near-infrared spectroscopy. Proceedings - 2016 6th International Conference on Instrumentation and Measurement, Computer, Communication and Control, IMCCC 2016, pp. 69–72. https://doi.org/10.1109/IMCCC.2016.109
  12. Jha, S. K., et al. (2010). Firmness characteristics of mango hybrids under ambient storage. Journal of Food Engineering, 97(2), 208–212. https://doi.org/10.1016/j.jfoodeng.2009.10.011
  13. Katrašnik, J., Pernuš, F., & Likar, B. (2013). Radiometric calibration and noise estimation of acousto-optic tunable filter hyperspectral imaging systems. Applied Optics, 52(15), 3526–3537. https://doi.org/10.1364/AO.52.003526
  14. Ktenioudaki, A., et al. (2022). Decision support tool for determining shelf-life of strawberries using hyperspectral imaging technology. Biosystems Engineering, 221, 105–117. https://doi.org/10.1016/j.biosystemseng.2022.06.013
  15. Lu, R., & Peng, Y. (2006). Hyperspectral scattering for assessing peach fruit firmness. Biosystems Engineering, 93(2), 161–171. https://doi.org/10.1016/j.biosystemseng.2005.11.004
  16. Mendoza, F., et al. (2011). Integrated spectral and image analysis of hyperspectral scattering data for prediction of apple fruit firmness and soluble solids content. Postharvest Biology and Technology, 62(2), 149–160. https://doi.org/10.1016/j.postharvbio.2011.05.009
  17. Nunes, C. N., & Emond, J.-P. (2007). Relationship between weight loss and visual quality of fruits and vegetables. Proceedings of Florida State Horticultural Society, 120, 235–245.
  18. Omar, A. F. (2013). Spectroscopic profiling of soluble solids content and acidity of intact grapes, limes, and starfruit. Sensor Review, 33(3), 238–245. https://doi.org/10.1108/02602281311324690
  19. Sánchez, M. T., et al. (2012). Non-destructive characterization and quality control of intact strawberries based on NIR spectral data. Journal of Food Engineering, 110(1), 102–108. https://doi.org/10.1016/j.jfoodeng.2011.12.003
  20. Seki, H., et al. (2023). Visualization of sugar content distribution in white strawberries using near-infrared hyperspectral imaging. Foods, 12(5), 122–136. https://doi.org/10.3390/foods12050931
  21. Shao, Y., & He, Y. (2008). Nondestructive measurement of acidity of strawberries using visible and near infrared spectroscopy. International Journal of Food Properties, 11(1), 102–111. https://doi.org/10.1080/10942910701257057
  22. Wang, H., et al. (2015). Fruit quality evaluation using spectroscopy technology: A review. Sensors (Switzerland), 15(5), 11889–11927. https://doi.org/10.3390/s150511889
  23. Zhang, C., et al. (2016). Hyperspectral imaging analysis for ripeness evaluation of strawberries using support vector machine. Journal of Food Engineering, 179, 11–18. https://doi.org/10.1016/j.jfoodeng.2016.01.002
  24. Zhang, D., et al. (2018). Rapid prediction of sugar content in Dangshan pear (Pyrus spp.) using hyperspectral imagery data. Food Analytical Methods, 11(8), 2336–2345. https://doi.org/10.1007/s12161-018-1212-3
  25. Zhang, Y., et al. (2015). Predicting apple sugar content based on spectral characteristics of apple tree leaves in different phenological stages. Computers and Electronics in Agriculture, 112, 20–27. https://doi.org/10.1016/j.compag.2015.01.006

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

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».