Zastosowanie obrazowania hiperspektralneg do dyskryminacji odmianowej ziaren jęczmienia browarnego

Ewa Ropelewska, Piotr Zapotoczny

Abstrakt


e. Celem pracy było przeprowadzenie i ocena poprawności klasyfikacji ziaren należących do różnych odmian jęczmienia browarnego. Przebadano ziarna 8 odmian: Blask, Bordo, Conchita, Kormoran, Mercada, Serwal, Signora, Victoriana, o trzech poziomach wilgotności: 12, 14, 16%. Oznaczono wybrane parametry tekstury powierzchni ziarna w masie uzyskane ze zdjęć wykonanych przy użyciu technik obrazowania hiperspektralnego. Porównano dokładność dyskryminacji ziaren przeprowadzonej przy użyciu różnych metod selekcji i klasyfikacji danych. Dokonano porównania parami oraz porównania trzech, czterech i ośmiu odmian jęczmienia browarnego. Najbardziej dokładną dyskryminację stwierdzono w przypadku porównania parami. Odmiana Victoriana najbardziej odróżniała się od innych. Najbardziej podobną teksturę ziaren w masie stwierdzono w przypadku porównania odmian: Blask i Mercada. W przypadku ośmiu badanych odmian jęczmienia browarnego, najdokładniejszą dyskryminację (błąd klasyfikacji ‒ 55%) uzyskano dla obrazów wykonanych przy wilgotności 14% i długości fali 750 nm, dla selekcji atrybutów wykonanej z wykorzystaniem prawdopodobieństwa błędu klasyfikacji z uśrednionym współczynnikiem korelacji (POE + ACC) oraz dyskryminacji przeprowadzonej za pomocą liniowej analizy dyskryminacyjnej (LDA).

Słowa kluczowe


jęczmień jary browarny; masa ziarna; selekcja atrybutów; analiza wielowymiarowa; błąd klasyfikacji

Pełny tekst:

HTML (English)

Bibliografia


Gowen, A.A., O’Donnella, C.P., Cullen, P.J., Downey, G., Frias, J.M. (2007). Hyperspectral imaging - an emerging process analytical tool for food quality and safety control. Trends in Food Science and Technology, 18, 590-598.

Huang, H., Liu, L., Ngadi, M.O. (2014). Recent Developments in Hyperspectral Imaging for Assessment of Food Quality and Safety. Sensors, 14, 7248-7276.

Jakubczyk, T., Haber, T. (1981). Analiza zbóż i przetworów zbożowych. SGGW-AR, Warszawa.

Mahesh, S., Manickavasagan, A., Jayas, D.S., Paliwal, J., White, N.D.G. (2008). Feasibility of nearinfrared hyperspectral imaging to differentiate Canadian wheat classes. Biosystems Engineering, 10, 50-57.

Pierna, J.A.F., Vermeulen, P., Amand, O., Tossens, A., Dardenne, P., Baeten, V. (2012). NIR hyperspectral imaging spectroscopy and chemometrics for the detection of undesirable substances in food and feed. Chemometrics and Intelligent Laboratory Systems, 117, 233-239.

PN-EN ISO 712:2012. Ziarno zbóż i przetwory zbożowe - Oznaczanie wilgotności - Metoda odwoławcza.

Shahin, M.A., Symons, S.J. (2011). Detection of Fusarium damaged kernels in Canada Western Red Spring wheat using visible/near-infrared hyperspectral imaging and principal component analysis. Computers and Electronics in Agriculture, 75, 107-112

Sun, D.W. (2010). Hyperspectral Imaging for Food Quality Analysis and Control. Academic Press/Elsevier, San Diego, California, USA.

Wallays C., Missotten B., De Baerdemaeker J., Saeys W. (2009). Hyperspectral waveband selection for on-line measurement of grain cleanness. Biosystems Engineering, 104, 1-7.

Williams, P.J., Geladi, P., Britz, T.J., Manley, M. (2012). Investigation of fungal development in maize kernels using NIR hyperspectral imaging and multivariate data analysis. Journal of Cereal Science, 55, 272-278.

Zapotoczny, P. (2009). Dyskryminacja odmian ziarna pszenicy na podstawie cech geometrycznych. Agricultural Engineering, 5(114), 319-328.




##submission.license.cc.by-nc-nd4.footer##