Гиперспектральное машинное зрение для контроля качества зерна при бестарном хранении

70
views
ЗАКАЗАТЬ СИСТЕМУ

Основные моменты статьи

  • Гиперспектральная съемка — это новый метод получения пространственных и спектральных данных.
  • Это потенциально жизнеспособный подход к исследованию качества пищевых продуктов.
  • В статье обсуждается его применение для оценки качества зерна при бестарном хранении.
  • Подходом для достижения вышеуказанной цели является линейное или площадное сканирование.

Присутствие примесей в продовольственном  зерне  существенно влияет на его сортность и качество, а также на его общую приемлемость. Кроме того, хранение зерна насыпью подвержено ухудшению и потерям из-за факторов, которые могут быть биологическими (насекомые, грибки, клещи, плесень, грызуны) или экологическими (температура, влажность и относительная влажность).

Для проведения оценки качества с целью контроля ухудшения состояния хранящегося зерна насыпью используется несколько методов, от ручных методов (человеческие сенсорные ощущения) до микробиологических и химических тестов. Однако часто бывает сложно, долго и дорого различать загрязняющие вещества в зерне на складе, особенно если они физически, а иногда и визуально, похожи.

Гиперспектральная визуализация – новый метод, сочетающий технологию традиционной визуализации (компьютерное зрение), радиометрию и спектроскопию для одновременного получения как пространственной, так и спектральной информации об образце, – потенциально жизнеспособный подход. Исследования по применению этой технологии для контроля качества продовольственного зерна во время хранения насыпью, по-видимому, немногочисленны.

В данной работе представлен всесторонний обзор применимости гиперспектральной визуализации для оценки качества продовольственного зерна и показан потенциал ее применения при инспекции, оценке и контроле качества зерна при бестарном хранении. В частности, в работе представлены базовая теория и принципы гиперспектральной визуализации, а также ее недавнее применение при инспекции качества и безопасности агропродовольственной продукции.

В ней освещаются и обсуждаются потенциал и возможные подходы к применению этой технологии для инспекции, оценки и контроля качества продовольственного зерна при бестарном хранении. В частности, системы гиперспектральной визуализации, использующие линейное или площадное сканирование, были признаны пригодными и предложены для применения при инспекции качества зерна при бестарном хранении.

Существующая литература показала, что большинство исследований по применению гиперспектральной визуализации для оценки качества зерна были в основном сосредоточены на пшенице. Будущие исследования должны рассмотреть другие зерновые.

1. Введение

Контроль пищевого процесса  требует мониторинга в режиме реального времени и неразрушающего контроля в критических точках обработки, поскольку это может обеспечить быстрый подход, при котором загрязнения и инфекции могут быть идентифицированы, что приведет к высокому качеству продукта, безопасности и подлинности [1, 2].

Пищевые  зерна,  такие как бобовые, злаки, сорго и  масличные семена,  служат важной составляющей частью рациона человека и доступны во всех частях мира благодаря своему высокому питательному составу [3]. Доказано, что потребление зерновых обеспечивает некоторую пользу для здоровья из-за их высокого содержания питательных веществ, фитохимических веществ, пищевых волокон, резистентного крахмала, олигосахаридов и антиоксидантов, включая микроэлементы и  фенольные соединения, и эти соединения связаны с профилактикой заболеваний [4, 5].

Некоторые развивающиеся страны богаты сельскохозяйственной продукцией, но потери после сбора урожая вызывают серьезную озабоченность [6]. Послеуборочная технологическая ситуация со злаками и  зернобобовыми культурами  большинства развивающихся стран в основном заключается в применении традиционных методов, которые приводят к существенному ухудшению физических и диетических свойств собранной продукции [7]. Потери продовольственного зерна после уборки урожая в этих регионах составляют от 20 до 30% от общего объема производства зерна [6].

В большинстве развивающихся стран как измеримые, так и качественные потери выращиваемой продукции происходят на всех этапах единичных операций послеуборочной цепочки, таких как сбор урожая, обмолот, веяние, упаковка в мешки, хранение, транспортировка, обработка и доставка [7],  [8] и высокие проценты теряются, причем значительное количество регистрируется во время хранения.

Большая часть сельскохозяйственной продукции теряется из-за насекомых, грибков, плесени и клещей в результате неадекватных условий обработки и хранения зерна  [9], [10], [11]. Порча продовольственного зерна также вызвана особенностями окружающей среды, такими как повышенная температура окружающей среды, pH, влажность и относительная влажность [12].

Следовательно, существует необходимость в устранении послеуборочных потерь сельскохозяйственной продукции, особенно при хранении, для повышения  продовольственной безопасности  и улучшения безопасности и качества пищевых продуктов [5],  [13].

Хранящуюся зерновую массу можно рассматривать как искусственную экосистему, в которой ухудшение является результатом взаимодействия физических или экологических и биологических переменных [14]. Основными причинами потерь зерна являются высокие температуры и влажность зерна. Загрязнение зерна плесенью во многом зависит от таких факторов, как температура зерна, кислород и количество содержащейся влаги [15], и было рекомендовано, что степень развития плесени внутри хранящегося зерна резко возрастает с повышением температуры и доступной влаги [16].

Как правило, при оптимальных температурах в тропических регионах (27–33 °C) насекомые в хранящемся зерне размножаются быстрее и наносят значительный ущерб. При более низких температурах (менее 10 °C) насекомые не размножаются, а при экстремально низких и высоких температурах они погибают. Плесень будет использовать имеющуюся влагу в зерне для своего роста, и эта влажность демонстрируется с точки зрения относительной влажности воздуха [17, 18].

В результате параметры окружающей среды, такие как температура, относительная влажность и газовый состав, значительно влияют на степень порчи, вызванной развитием грибков, включая выработку микотоксинов [19], и приводят к значительным потерям значительной части зерна.

Существование и размножение биотических агентов в зерне зависят от температуры и влажности внутри зерна [20]. Тепло и влага образуются, когда зерно повреждается плесенью или нашествием насекомых, что приводит к возникновению горячей точки и, таким образом, к ухудшению его качества. В этом случае хранящееся зерно должно часто контролироваться, чтобы можно было немедленно предпринять корректирующие действия при необходимости, спасая большие количества зерна от порчи [14, 17].

Исследования показали, что качество и безопасность пищевых продуктов обычно определяются физическими, химическими и биологическими характеристиками [21, 22]. Традиционно оценка качества и безопасности пищевых продуктов включает визуальный осмотр человека наряду с химическим или биологическим анализом. Эти методы имеют множество проблем, таких как трудоемкость, медлительность, разрушительность и иногда неэкологичность [23],  [24],  [25].

Это привело к необходимости в точных, быстрых, работающих в режиме реального времени, неразрушающих и нехимических технологиях обнаружения для улучшения контроля качества, оценки и обеспечения безопасности пищевых продуктов. Гиперспектральная визуализация была признана новой технологией для мониторинга параметров качества сельскохозяйственных материалов [26], [27], [28].

Гиперспектральная съемка, также известная как химическая или спектроскопическая съемка, представляет собой инновационный метод, сочетающий в себе технологии традиционной съемки, радиометрии и спектроскопии для получения как пространственной (изображения), так и спектральной информации об образцах сельскохозяйственных материалов [27], [29], [30], [31], [32].

Изначально гиперспектральная съемка использовалась как неразрушающий инструмент для дистанционного зондирования, но теперь она разработана для облегчения полного и надежного анализа внутренних свойств и внешних характеристик образцов [21, 23, 25, 33 ].

Хотя существует множество хорошо написанных обзорных статей по применению гиперспектральной визуализации для анализа качества жидких и полужидких пищевых продуктов [ 34 ], мяса, птицы и рыбы [35], [36], [37], [38], [39], [40], [41], [42],  [43], [ 44], фруктов и овощей [45], [46], [47], [48], [49], [50], [51], [52], [53], обнаружения микроорганизмов ,  включая психротрофные микроорганизмы, в продуктах холодного хранения [54, 55], ветчине [56], злаках [4, 5, 9,  24, 57, 58] и сырах [59], обзоры по применению Технологии проверки и контроля качества зерна при бестарном хранении крайне ограничены. Целью настоящей работы является проведение всестороннего обзора применения гиперспектральной визуализации для оценки качества продовольственного зерна, включая основные теоретические основы и принципы метода визуализации, а также его современное применение при контроле качества и безопасности агропродовольственной продукции, после чего следует осветить потенциальные возможности его применения для проверки, оценки и контроля качества зерна при бестарном хранении, а также выявить будущие тенденции и проблемы, связанные с этим методом.

2. Система гиперспектральной визуализации

Гиперспектральная визуализация, также называемая спектральной визуализацией или химической визуализацией, является инновационной технологией, которая одновременно объединяет как пространственную (изображение), так и спектральную информацию от тестируемого объекта [18, 31]. Гиперспектральная визуализация является неразрушающим инструментом, разработанным с интеграцией принципов цифровой технологии визуализации, радиометрии и оптической спектрометрии [27].

Радиометрия является оценкой количества электромагнитной энергии, излучаемой за единицу времени (обычно выражается в ваттах) в определенном диапазоне длин волн [60]. Характерный радиометр сконфигурирован с одним датчиком, включая установленный фильтр для выбора проецируемого диапазона длин волн. Спектрометрия относится к количеству интенсивности света (обычно указывается в Вт/м2) в определенном диапазоне длин волн. В отличие от радиометра, спектрометры используют дифракционную решетку или призмы или несколько датчиков для разделения диапазона длин волн на различные полосы длин волн [61].

Новая технология «Гиперспектральной визуализации» была впервые разработана в ходе исследований в области дистанционного зондирования Земли с использованием данных визуализации без физического контакта [62], но позже нашла применение в различных областях, таких как сельское хозяйство [27,  30, 63], астрономия [64, 65], фармацевтика [66, 67], медицинская диагностика [68] и безопасность пищевых продуктов [5, 34, 38]. «Гипер» в слове «гиперспектральный» означает «несколько» или «много» и включает в себя сборку данных в сотнях диапазонов, при этом каждый диапазон или канал охватывает узкую и непрерывную часть электромагнитного спектра [4, 55].

Гиперспектральная визуализация является точной и подходящей инновацией для многих операций, поскольку она может генерировать как пространственную карту, так и спектральную вариацию [ 26 ]. Данные, собранные с помощью системы гиперспектральной визуализации, представляют собой трехмерную структуру, состоящую из одного спектрального и двух пространственных измерений, называемых «гиперкубами» или «кубом данных» ( рис. 1 ,  рис. 2 ). Сочетание технологии визуализации с техникой спектроскопии позволяет получить важную внешнюю характеристику тестируемого объекта (размер, геометрию, внешний вид, цвет) посредством извлечения признаков изображения, а также свойства или химические компоненты объекта посредством спектрального анализа [ [4] ,  [69] ].

Рис. 1. Схема гиперспектральной съемки «гиперкуб».

Рис. 2. Соотношение между пространственными и спектральными размерами, а — длина волны — режим сканирования, б — режим пространственного сканирования.

2.1 Преимущества и ограничения гиперспектральной съемки

Преимущества использования гиперспектральной съемки для оценки качества продуктов питания и сельскохозяйственных материалов заключаются в следующем [25, 9, 30, 47]:

  • i. Это неразрушающий, бесконтактный и неинвазивный инструмент и технология, обеспечивающая безопасность и качество пищевых продуктов.
  • ii. Безопасность окружающей среды, так как в эксперименте не используются никакие химикаты.
  • iii. Это позволяет лучше понять химические элементы пищевых продуктов и обычно называется химической визуализацией.
  • iv. Экономит время по сравнению с традиционным или химическим методом   контроля хранения и оценки качества продовольственного зерна .
  • v. Он обеспечивает правильный выбор области критического интереса для анализа изображения.
  • vi. Он одновременно получает спектральную и пространственную информацию, что позволяет получить более точные и актуальные данные о химических компонентах образца с интересующей платформы, а также дает возможность уточнить данные и провести дополнительные эксперименты.

Несмотря на свои преимущества, гиперспектральная съемка также имеет некоторые ограничения [4],  [45],  [70];

  • i. Система гиперспектральной визуализации имеет высокую стоимость по сравнению с другими методами обработки изображений;
  • ii. Из-за большого объема данных гиперспектральной съемки возникает потребность в накопителях большой емкости для хранения данных и высокоскоростных компьютерах для обработки данных;
  • iii. Во время получения изображения на сигналы могут влиять окружающие условия, такие как освещение, рассеяние и т. д., что приводит к плохому соотношению сигнал/шум;
  • iv. Идентификация и обнаружение различных объектов на одном изображении с использованием спектральных данных обычно затруднены, если только различные объекты не имеют различных характеристик поглощения.

2.2. Компоненты, конфигурация и получение гиперспектральных изображений

Компоненты системы гиперспектральной визуализации являются основой гарантии получения высококачественных гиперспектральных изображений для оценки качества испытуемого объекта, а также для предоставления подробной информации для дальнейшего эксперимента [34]. Типичная система гиперспектральной визуализации содержит следующие компоненты: объектив, спектрограф, камеру, освещение и компьютерную систему, как показано на  рис. 3  [71].

Компоненты камеры, спектрографа и освещения являются ключевыми факторами, которые определяют спектральный диапазон системы. Типичная система гиперспектральной визуализации обычно состоит из камеры на основе кремния (Si) с зарядовой связью (ПЗС) или CMDS (комплементарный металл-оксид-полупроводник), чтобы одновременно собирать спектральную и пространственную информацию, спектрограф играет роль дисперсии длин волн для распределения широкополосного света на различные длины волн [39, 71].

Светодиодные лампы или вольфрамово-галогеновые лампы обычно используются в качестве источников света в системах гиперспектральной визуализации для освещения исследуемого образца, а также в компьютерной системе для составления и хранения трехмерного гиперкуба [39].

Рис. 3. Схема основных компонентов системы гиперспектральной съемки.

В частности, луч света, отраженный от объекта образца, попадает в объектив перед спектрографом и разделяется на составляющие длины волн с помощью дифракционной оптики, содержащейся в спектрографе, что дает двумерные изображения; одно измерение представляет собой спектральную ось (λ), а другое содержит одно пространственное измерение (X) сканируемой линии [40, 56].

2.2.1 Получение гиперспектральных изображений

Существует три метода создания гиперспектральных изображений, как показано на  рис. 4: (i) точечное пространственное сканирование (метод Whiskbroom). (ii) линейный шаблон сканирования (система визуализации Push-broom). (iii) сканирование области (система визуализации с настраиваемой длиной волны) [72].

  • i. Точечное сканирование: перед точечным сканированием на поверхности образца сначала определяется нормальное пространственное положение сетки. Затем снимается один спектр одной точки в одном положении, поверхность перемещается, и регистрируется другой спектр. Перемещая образец по осям x и y (два пространственных измерения), можно получить полное гиперспектральное изображение. Точечное сканирование подходит для анализа небольшой поверхности для обнаружения второстепенных соединений [72].
  • ii. Система линейного сканирования или сканирования методом push-broom: изображение сканируется строка за строкой вдоль одной оси, а не по одному пикселю за раз, и хранится в формате Band Interleaved by Line (BIL), разработанном для сохранения реальных значений пикселей изображения в файле band для каждой строки или строки изображения [58, 73]. Пространственная и спектральная информация, хранящаяся в BIL, анализируются одновременно. Этот метод строит гиперкуб путем получения спектральных измерений из линии образцов с использованием двумерного диспергирующего элемента — двумерной матрицы детекторов. Он в основном используется в пищевой промышленности, где возможно использование ленточного конвейера для поточного получения изображений [13],  [74].
  • iii. Сканирование области: также известно как «система визуализации с настраиваемой длиной волны», «настраиваемый фильтр» или «сканирование фокальной плоскости». Этот метод позволяет получать пространственное изображение пищевого материала на одной длине волны и переходить к следующей [69]. По сути, он использует настраиваемые фильтры для получения изображений на одной длине волны за один раз [69, 75].

Рис. 4. Три подхода к получению гиперспектральных изображений: (a) сканирование методом «whisbroom» (точечное сканирование): изображение получается по точкам; (b) сканирование методом «push-broom» (линейное сканирование): изображение сканируется построчно вдоль одной оси; (c) зонное сканирование (сканирование по длине волны): изображение всего объекта/области получается на одной длине волны за раз. Стрелки указывают направление движения.

2.2.2 Анализ гиперспектральных изображений

Получение сигнала отражения, предварительная обработка, анализ спектральных данных и обработка изображений описаны как последовательность анализа гиперспектральных изображений [25, 31, 50]. Гиперкуб, сформированный гиперспектральной съемкой, содержит массив данных с большой размерностью. Ключевым принципом анализа гиперспектральных данных является минимизация размерности и сохранение ценной информации для анализа различий или измерений качества и безопасности пищевых продуктов. Блок-схема на  рис. 5  показывает этапы анализа спектральных изображений.

Рис. 5. Блок-схема процесса анализа гиперспектральных данных.

Стандартизация отражения: Целью стандартизации отражения является корректировка полученных изображений пищевых продуктов по темновому току камеры. Темновой отклик представляет собой фоновый отклик камеры, сформированный темновым током устройства. Он получается путем выключения источника света, полного закрытия объектива крышкой и получения отклика камеры. Яркостный отклик  W  представляет собой общую интенсивность отраженного света от источника освещения и получается от однородного эталона с высокой отражательной способностью – белой керамической плитки, которая отражает 99% света. После измерения оптического отраженного сигнала  I  образца скорректированное значение отражения  R  рассчитывается попиксельно с использованием методов [3], [4], [9], [21], [76].

Предварительная обработка : обычно выполняется для устранения нехимических искажений спектральных данных и подготовки информации для последующего анализа. Аномальные наблюдения могут быть вызваны следующими причинами [77]:

  • (i) Измерительный прибор: Неисправность компонента измерительной системы может привести к появлению таких посторонних показаний, как мертвые пиксели, неожиданные спектральные показания и пиковые значения.
  • (ii) Геометрия образца: Образцы могут иметь различную геометрию, в то время как генерируемые изображения обычно имеют квадратную форму, охватывающую как внешний фон, так и интересующую область. В результате изображение необходимо сгладить для точной обработки и получения необходимой информации.
  • (iii) Излучение: В этом случае может происходить рассеяние света и генерироваться шум.

Правильная предварительная обработка гиперспектральных данных обычно приводит к уменьшению как спектральных, так и пространственных ошибок [78]. Поэтому для получения приемлемого результата из спектральных данных важно предварительно обработать спектры. Предварительная обработка включает в себя спектральные и пространственные операции, такие как следующие.

Для увеличения размера изображения в результате посторонних показаний сжатие изображения может быть достигнуто с помощью байтового кодирования, выбора переменных и биннинга данных [77]. Байтовое кодирование может использоваться для сокращения объема памяти без потери информации [79]. Такого же результата (уменьшения размера изображения) можно добиться с помощью применения выбора переменных [80], который обычно выполняется с помощью генетического алгоритма [81].

Для устранения шума, сглаживания и сжатия изображений вейвлет (Wt) оказался эффективным инструментом [82]. В гиперспектральной визуализации одним из наиболее широко используемых Wt является семейство ортонормальных вейвлетов Добеши [77]. Выбор области интереса (ROI) можно выполнить вручную с помощью гистограмм и пороговых значений. Мертвые пиксели обычно обнаруживаются с помощью пороговых, генетических или эволюционных алгоритмов. Затем мертвые пиксели можно интерполировать с соседними пикселями, используя статистические инструменты медианы и среднего значения соседних пикселей, а выбросы можно удалить, используя сравнение ближайших соседних пикселей, при этом среди прочих рекомендуется медианная фильтрация [83, 84].

Обнаружение выбросов было достигнуто с помощью методов, основанных на расстоянии Махалабониса. Некоторые из этих подходов – это повторная выборка по полусреднему (RHM), наименьший половинный объем (SHV), минимальный объемный эллипсоид (MVE) и минимальный ковариационный определитель (MCD) [85]. Алгоритм сглаживания Савицкого-Голея был сообщен как наиболее широко используемый инструмент для удаления шума прибора [78], а коррекция рассеяния обычно достигается с помощью мультипликативной коррекции рассеяния (MSC) и стандартной нормальной переменной (SNV) [86].

Фильтр Савицкого-Голея также используется для генерации спектральных производных, которые можно применять для уменьшения аддитивных эффектов, таких как смещения и наклоны спектральной базовой линии. Первая производная удаляет аддитивную базовую линию, а вторая — линейную [87].

Другие процедуры, обычно выполняемые во время процедур предварительной обработки, включают операции сегментации, такие как пороговая оценка и маскирование, для отделения интересующего объекта от избыточной фоновой информации в гиперкубе [37].

Спектральный анализ данных : направлен на понимание множества компонентов, присутствующих в образце, и того, как они распределены. К этой категории относятся многие хемометрические инструменты. Анализ данных выполняется с помощью многомерного анализа с использованием одного или нескольких хемометрических инструментов, включая методы корреляции, классификации и спектральной деконволюции [5, 57]. Методы классификации, которые могут быть качественными/количественными и контролируемыми/неконтролируемыми, позволяют идентифицировать области гиперкуба со схожими спектральными характеристиками.

Для целей классификации обычно применяются сложные многомерные аналитические инструменты, такие как анализ главных компонентов (PCA), метод частичных наименьших квадратов (PLS), линейный дискриминантный анализ (LDA), дискриминантный анализ Фишера (FDA), мультилинейная регрессия (MLR) и искусственные нейронные сети (ANN) из-за большого размера гиперкубов (который может достигать ГБ в зависимости от разрешения изображения, спектрального разрешения и пиксельного биннинга [50].

Другие используемые инструменты включают в себя максимальное правдоподобие (ML), опорные векторные машины (SVM), ближайшие соседи (kNN), спектральный угловой картограф (SAM) и инструменты глубокого обучения (DL), такие как глубокая сеть убеждений (DBN), стекированный автоматический кодировщик (SAE) и сверточная нейронная сеть (CNN) [88]. В [89] отмечено, что наиболее широко используемым глубоким обучением также является CNN, а в [90] отмечено, что применение глубокого обучения в гиперспектральной визуализации продуктов питания является относительно новым.

Обработка изображений: это проводится для преобразования контраста, полученного на предыдущих этапах, в изображение, показывающее распределение компонентов. Чистое изображение после операций предварительной обработки подвергается окончательной обработке изображения для извлечения соответствующей информации, как физической, так и химической, с использованием обработки изображений и многомерных методов [77]. Оттенки серого или цветное картирование с масштабированием интенсивности часто используется для отображения композиционного контраста между пикселями на изображении [22]. Обычно выполняемые операции включают сегментацию изображения [91, 92], распознавание образов [78], разрешение, квантизацию соответствующих элементов [77] и морфологические исследования [91, 93,  94]. В [91] отмечено, что для обработки и анализа гиперспектральных изображений доступны многие коммерческие аналитические программные инструменты, такие как ENVI и MATLAB.

3. Применение гиперспектральных изображений в исследовании продовольственного зерна

Качество является решающим фактором для современной пищевой зерновой промышленности, поскольку высокое качество является основой рыночного спроса и  продовольственной безопасности. На уровне после сбора урожая зерна оценка и контроль качества по-прежнему выполняются с использованием традиционных и ручных методов, таких как микробиологические и химические тесты, что утомительно, дорого, занимает много времени и может быть непоследовательным из-за человеческого несовершенства [19].

Поэтому для проверки качества зерна необходимы неразрушающие, быстрые, точные и эффективные аналитические инструменты для обеспечения качества и безопасности [3, 57]. Благодаря быстрому прогрессу в области приборостроения, программного обеспечения и алгоритмических разработок, а также хемометрики, гиперспектральная съемка может внести все больший вклад в оценку качества и безопасности пищевых продуктов, особенно в зерновой отрасли. Она может играть жизненно важную роль в цветовой классификации зерна, идентификации здоровых и поврежденных насекомыми зерен пшеницы, прогнозировании химического состава зерна, классификации загрязняющих веществ в зерне [21, 23].

Гиперспектральная визуализация предлагает многообещающие возможности в оценке качества и безопасности отдельных семян зерновых культур [5, 95]. На основании существующих отчетов в литературе, существует множество исследований, которые были проведены для анализа зерна с использованием гиперспектральной визуализации, включая цветовую классификацию зерна, оценку доброкачественности зерна пшеницы, идентификацию здоровых или окрашенных зерен, классификацию стекловидных и нестекловидных зерен пшеницы и различение классов пшеницы [3, 75, 5, 9, 33, 96]; прежде всего использовали систему гиперспектральной визуализации в коротковолновой ближней инфракрасной области (SWNIR) (632–1098 нм) для классификации зерна по цветовым классам. После этого другая система гиперспектральной визуализации в ближней инфракрасной области (960–1700 нм) использовалась для дифференциации восьми типов пшеницы, выращиваемой в Западной Канаде  97].

Для классификации использовались модели LDA, квадратичного дискриминантного анализа (QDA) и модели ANN с точностью 94–100%, 86–100% и 80–100% соответственно. Был сделан вывод о том, что гиперспектральная съемка в ближнем инфракрасном диапазоне, наряду со статистическими и ANN-классификаторами, потенциально эффективна для классификации канадской пшеницы.

Аналогичным образом, система гиперспектральной визуализации в диапазоне 700–1000 нм была объединена с цветной визуализацией для идентификации здоровых и поврежденных насекомыми зерен пшеницы [98]. Кроме того, [99] оценили потенциал коротковолновой гиперспектральной визуализации в ближнем инфракрасном диапазоне (700–1000 нм) для обнаружения поврежденных мошками питомников пшеницы и получили высокую точность 95,3–99,3% при классификации здоровых и поврежденных мошками зерен пшеницы.

Кроме того, проблема, связанная с нежелательным прорастанием зерен, является серьезной проблемой в зерновой промышленности из-за того, что она снижает эффективность процесса и экономическую выгоду. Это преждевременное прорастание зрелых зерен злаков, часто называемое предварительным прорастанием, вызывает снижение жизнеспособности образца зерна. Быстрое, неразрушающее, в том числе точное обнаружение нежизнеспособного зерна необходимо для минимизации потерь, связанных с предварительным прорастанием. Было показано, что гиперспектральная съемка в ближнем инфракрасном диапазоне является полезным инструментом для исследования жизнеспособности зерен ячменя, пшеницы и сорго [100].

В [101] разработали макроскопическую гиперспектральную визуализацию с отражением в ближнем инфракрасном диапазоне (950–1700 нм) для прогнозирования химического состава зерен. Соответственно, для оценки зародыша зерна из областей эндосперма, включая определение дискретных зерен как объектов из наборов зерен, использовался анализ изображений в сочетании с анализом главных компонент. Анализ методом наименьших квадратов также использовался для прогнозирования концентраций масла или  олеиновой кислоты,  полученных из спектров зародыша или полного зерна.

По сравнению с традиционной спектроскопией, система гиперспектральной визуализации имеет преимущество в проведении этого типа развертывания в отдельных зернах, поскольку отдельные зерна довольно сложно измерить с помощью традиционных подходов к спектроскопии в ближнем инфракрасном диапазоне из-за их гетерогенной структуры. Результаты показали, что содержание масла оценивалось со среднеквадратичной ошибкой (RMSEP) 0,7%, а содержание олеиновой кислоты — со среднеквадратичной ошибкой (RMSEP) 14% для данного зерна  кукурузы. Кроме того, системы гиперспектральной визуализации эффективно применялись для косвенного обнаружения  повреждений фузариозом  кукурузы [102], пшеницы [58], а также для исследования развития грибка [103].

В дополнение к  Fusarium, повреждение других токсигенных грибов, таких как  Aspergillus  flavus,  Aspergillus parasiticus ,  Aspergillus niger  на кукурузе [1] и пшенице [99], также было обнаружено путем изучения гиперспектральных изображений в диапазоне 400–1000 нм или комбинации гиперспектральных изображений в диапазоне 700–1100 нм и цветных изображений. Одна из проблем в зерновой промышленности включает необходимость подхода к количественной оценке  загрязнения микотоксинами.

Соответственно, было обнаружено, что гиперспектральная съемка потенциально показала себя полезным методом для прогнозирования загрязнения молотой кукурузы  фумонизином,  вызванным  Fusarium  spp. [104], и оценки  концентрации афлатоксина  в зернах кукурузы, инокулированных спорами A.  flavus  [105]. Кроме того, [106] количественно оценили поражение мучнистой росой мягкой краснозерной  озимой пшеницы,  проанализировав два вида спектральных данных, а именно спектры в диапазоне 400–950 нм, измеренные с помощью гиперспектральной системы визуализации, и спектры в диапазоне 1000–2500 нм, измеренные с помощью анализатора Фурье-преобразования (FT)-NIR.

Было установлено, что спектры в видимом и коротковолновом ближнем инфракрасном диапазонах были более успешными (точность классификации 96% (уровень ±1)) для количественной оценки, чем спектры в длинноволновом ближнем инфракрасном диапазоне. Это могло быть связано с тем, что коротковолновый ближний инфракрасный диапазон может проникать гораздо глубже в продукт и обнаруживать свойства, которые были бы недоступны для длинноволнового ближнего инфракрасного диапазона [107]. выполнили превосходный и очень подробный обзор применения  ближней инфракрасной спектроскопии  и гиперспектральной визуализации для неразрушающей оценки качества зерновых культур и [108] обсудили перспективы и проблемы проверки и оценки качества продуктов питания в Нигерии с использованием гиперспектральной визуализации, призвав правительство и заинтересованные стороны изучать и поддерживать исследования по применению этой технологии.

4. Потенциальные возможности применения гиперспектральной визуализации при контроле качества хранения зерна насыпью

Гиперспектральная съемка стала потенциально новой технологией в сельскохозяйственных послеуборочных процессах, таких как распознавание синяков, идентификация инородных тел в продуктах питания, сортировка, классификация и прогнозирование химического состава сельскохозяйственной продукции. Тем не менее, гиперспектральная съемка будет играть уникальную роль в бестарном хранении зерна для обнаружения испорченных проростками семенных оболочек и зерен, обнаружения инородных тел в зерновых бункерах, обнаружения насекомых внутри зернового бункера и обнаружения грибковой инфекции в хранящемся зерне. 

На рис. 6 и  рис. 7  показана принципиальная схема возможных подходов к применению HSI к бестарному хранению зерна, предназначенному для проверки и оценки качества зерна во время хранения. Система будет состоять из камеры, спектрографа, источника УФ-излучения (жидкокристаллический перестраиваемый фильтр (LCTF) или акустооптический перестраиваемый фильтр (AOTF)) и, кроме того, блока обработки изображений (компьютер), каждый из этих блоков имеет свои уникальные функции в процессе гиперспектральной съемки. Камера одновременно собирает спектральную и пространственную информацию, а спектрограф выполняет функцию дисперсии длин волн, распределяя широкополосный свет по различным длинам волн.

Источники ультрафиолетового света освещают зерна, а компьютерная система формирует и сохраняет трёхмерный гиперкуб. Для глубокого сканирования можно использовать спектры в диапазонах MIR и FIR. Можно выбрать оптимальную длину волны и выполнить анализ с использованием таких хемометрических методов, как метод частичных наименьших квадратов (PLS), алгоритм последовательных проекций (SPA), генетический алгоритм с использованием метода частичных наименьших квадратов (GAPLS), анализ главных компонент (PCA) и иерархический кластерный анализ (HCA), а также инструмента глубокого обучения (DL) сверточной нейронной сети (CNN).

Рис. 6. Конфигурация точечного сканирования гиперспектральной съемки для получения гиперспектральных данных в хранилище.

 

Рис. 7. Конфигурация сканирования области гиперспектральной съемки для получения гиперспектральных данных в хранилище.

4.1. Обнаружение заражения зернохранилища насекомыми с помощью гиперспектральной съемки

Предотвратить заражение насекомыми проще, безопаснее и дешевле, чем бороться с ним. Кроме того, прямой ущерб, наносимый вредителями, снижает общие качественные показатели зерна, такие как вес,  питательная ценность  и всхожесть. Кроме того, заражение насекомыми ухудшает его свойства, вызывая неприятный запах, плесень и проблемы с перегревом, что может значительно снизить качество зерна и сделать его непригодным для переработки в пищу людям или животным.

Общие методы мониторинга зерна с использованием ловушек для насекомых, путем проникновения в силосы, наблюдения за состоянием и запахом поверхностного зерна, а также с помощью зонда, отбора проб из глубины силоса, метода воронок Берлезе и измерения концентрации углекислого газа в силосе требуют много времени, сложны и опасны, поэтому ими часто пренебрегают. Однако гиперспектральная съемка – бесконтактный и неразрушающий метод – предлагает новый подход, позволяющий заблаговременно определить скрытое расположение и степень заражения насекомыми всех стадий развития (яйца, куколки, личинки и имаго), что позволяет производителям или руководителям элеваторов принять меры до того, как зерно испортится настолько, что возникнут серьезные потери.
Гиперспектральное изображение в ближнем инфракрасном диапазоне демонстрирует эффективность обнаружения зерен пшеницы, поврежденных насекомыми. [13]. В исследовании здоровые зерна пшеницы, а также зерна, которые были заметно испорчены Sitophilus oryzae, Rhyzopertha dominica,  Cryptolestes ferrugineus и  Tribolium  castaneum  , сканировались в диапазоне длин волн 1000–1600 нм с использованием технологии спектральной визуализации. Было обнаружено, что 85–100% здоровых и поврежденных насекомыми зерен пшеницы были правильно классифицированы с использованием линейного дискриминанта и квадратичного дискриминанта. В связанном отчете [98] зерна пшеницы, поврежденные насекомыми рисовым долгоносиком, малым зерновым точильщиком, ржавым зерновым хрущаком и красным мучным хрущаком, исследовались с использованием коротковолнового ближнего инфракрасного гиперспектрального и цифрового цветного изображения. Выявлено, что достигнута точность 96,4% для здоровых и 91,0–100,0% для поврежденных насекомыми зерен пшеницы.

4.2. Выявление грибковой инфекции в хранящемся зерне методом гиперспектральной съемки

Грибы (плесени) считаются основными возбудителями порчи зерна. Они питаются и живут на хранящихся продуктах [17]. Потери зерна, вызванные грибами, связаны с ухудшением прорастания, окрашиванием семян, перегревом и образованием плесени, биохимическими изменениями и возможным образованием микотоксинов – ядовитых продуктов жизнедеятельности грибов [5], [10], [26]. Все эти изменения могут происходить и без того, чтобы плесень была видна невооруженным глазом.

Во время хранения при низком уровне влажности грибы обычно неактивны, но активны, когда влажность выше, как в жестком, влажном или случайно намокшем зерне [ 75 ]. Грибковая спора в основном вызывается  Aspergillus  spp. и  Penicillium  spp [ 109 ]. Однако созревший гриб и насекомое, а иногда и хранящееся зерно дышат, выделяя тепло, что приводит к образованию локализованной зоны высокой температуры в массе зерна, называемой горячей точкой, которая инициирует порчу зерна, особенно в области, где в зерновом бункере находится больше всего грибов и насекомых. Обычно идентификация грибов в хранящемся зерне проводится методом чашечного агара.

Проблема этого метода заключается в том, что он часто требует длительного инкубационного периода и может обнаруживать только ограниченные виды штаммов грибов [16]. Другие подходы, используемые для обнаружения грибков в хранящемся зерне, включают высокоэффективную жидкостную хроматографию (ВЭЖХ),  газовую хроматографию  и масс-спектроскопию (ГХ-МС), сенсорный анализ и электронные носы [110], [111], [112]. Эти методы используют летучие вещества, образуемые грибками, для обнаружения грибковой активности, что требует длительного периода наблюдения. Таким образом, было обнаружено, что система гиперспектральной визуализации, неразрушающий инструмент, обладает способностью и может быть использован для сканирования насыпного зерна для раннего обнаружения роста плесени и изменения цвета семян без контакта с поверхностью [113].

4.3. Обнаружение посторонних материалов в зернохранилище методом гиперспектральной съемки

Как правило, инородными телами считаются любые нежелательные материалы (грязь, камни, мертвые насекомые, крысиные экскременты и другие загрязнители), которые присутствуют в продовольственном зерне [114]. Когда зерновые бункеры заполнены, инородные и легкие материалы имеют тенденцию образовывать плотные карманы в центре бункера и могут образовывать ядро ​​материала сверху донизу, и это «сердцевина» иногда может быть настолько плотно упакована, что аэрационный или осушающий воздух обходит его, проходя через более чистое зерно, и поэтому эта зона может не высохнуть должным образом, что создает отличную среду для роста плесени и насекомых. Традиционные методы, такие как визуальный осмотр, для определения уровня посторонних материалов в бункере требуют много времени и усилий.

Предпочтительным методом является использование гиперспектральной визуализации, которая объединяет визуализацию и спектроскопию для улучшенной неразрушающей оценки материалов. Она может применяться для прогнозирования концентрации и распределения нескольких компонентов в образце. В [115] исследовалось использование гиперспектральной визуализации в ближнем инфракрасном диапазоне для обнаружения инородных тел, включая относительно однородный образец зерен белого риса и образец зерна смешанного сорта (содержащий различные обезвоженные бобовые). Было установлено, что одним из ключевых преимуществ гиперспектральной визуализации по сравнению с другими методами обнаружения инородных тел является возможность обнаружения и классификации инородных предметов на основе их спектральных характеристик.

5. Заключение

Гиперспектральная съемка открывает инновационные возможности для учёных и производителей в области пищевой и сельскохозяйственной науки; благодаря интеграции новой технологии спектральной и пространственной визуализации с радиометрией, это устройство может использоваться для картирования как внешнего, так и внутреннего распределения ингредиентов по поверхности образца. Дальнейшее повышение точности, достоверности и скорости гиперспектральной съемки может быть достигнуто благодаря более совершенным системам освещения, передовым фотометрическим датчикам и более быстрому оборудованию.

Поскольку гиперспектральная съемка остаётся перспективным методом анализа качества и безопасности пищевых продуктов, а инновационные системы обеспечивают гораздо более быструю, чем когда-либо, скорость получения и обработки изображений, потенциальная роль этой технологии в мониторинге и контроле качества хранения зерна представляется весьма очевидной. Исходя из существующих исследований, опубликованных в литературе, анализ гиперспектральных изображений может стать эффективным инструментом для дифференциации загрязнённого и испорченного зерна от незаражённого и здорового, что поможет значительно снизить наличие загрязняющих материалов из пищевой цепи. Учитывая огромный потенциал, который этот метод открывает для контроля качества зерна, необходимы дополнительные исследования, особенно для других зерновых культур, помимо пшеницы. Это поможет предоставить полезную информацию для оптимизации процессов оценки качества.

Литература

  1. A. Del Fiore, M. Reverberi, A. Ricelli, F. Pinzari, S. Serranti, A. Fabbri, C. Fanelli Early detection of toxigenic fungi on maize by hyperspectral imaging analysis Int. J. Food Microbiol., 144 (1) (2010), pp. 64-71
  2. A.A. Gowen, C.P. O’Donnell, P.J. Cullen, G. Downey, J.M. Frias Hyperspectral imaging – an emerging process analytical tool for food quality and safety control Trends Food Sci. Technol., 18 (12) (2007), pp. 590-598, 10.1016/j.tifs.2007.06.001
  3. N. Caporaso, M.B. Whitworth, I.D. Fisk Application of calibrations to hyperspectral images of food grains: example for wheat falling number J. Spectr. Imaging, 6 (a4) (2017), pp. 1-15, 10.1255/jsi.2017.a4
  4. T.M. Moghaddam, S.M.A. Razavi, M. Taghizadeh Applications of hyperspectral imaging in grains and nuts quality and safety assessment: a review J. Food Measur. Character., 7 (3) (2013), pp. 129-140, 10.1007/s11694-013-9148-1
  5. I. Orina, M. Manley, P.J. Williams Non-destructive techniques for the detection of fungal infection in cereal grains Food Res. Int., 100 (2017), pp. 74-86,  10.1016/j. foodres. 2017.07.069
  6. F. Bolarin, S. Bosa Post-harvest losses: a dilemma in ensuring food security in Nigeria J. Nat. Sci. Res., 5 (7) (2015), pp. 151-154
  7. K. Oni C., S. Obiakor I Post harvest food loss prevention. The role of the National Center for Agricultural Mechanization (NCAM), Ilorin under the FGN/UNDP first country cooperation framework. Proceedings of National Seminar for Cooperating Agencies under the CCF-I Framework on Postharvest Food Loss Prevention, April 18-19, Ibadan (2002), pp. 1-10
  8. F. Olayemi, J. Adegbola, E. Bamishaiye, E. Awagu Assessment of post harvest losses of some selected crops in eight local government areas of Rivers State, Nigeria Asian J. Agric. Rural Dev., 2 (1) (2012), pp. 13-23
  9. N. Hussain, D.W. Sun, H. Pu Classical and emerging non-destructive technologies for safety and quality evaluation of cereals: a review of recent applications Trends Food Sci. Technol., 91 (2019), pp. 598-608, 10.1016/j.tifs.2019.07.018
  10. H. Liu, Y.Q. Wang, X.M. Wang, D. An, Y.G. Wei, L.X. Luo, Y.L. Yan Study on detection method of wheat unsound kernel based on near-infrared hyperspectral imaging technology Guang Pu Xue Yu Guang Pu Fen Xi/Spectroscopy and Spectral Analysis, 39 (1) (2019), pp. 223-229, 10.3964/j.issn.1000-0593(2019)01-0223-07
  11. S. Liu, X. Tan, C. Liu Y., C. Zhu L., et al. Recognition of Fusarium head blight wheat grain based on hyperspectral data processing algorithm Spectrosc. Spectr. Anal., 39 (1) (2019), pp. 223-229
  12. R. Sashidhar, Y. Ramakrishna, R.V. Bhat Moulds and mycotoxins in sorghum stored in traditional containers in India J. Stored Prod. Res., 28 (4) (1992), pp. 257-260
  13. C.B. Singh, D.S. Jayas, J. Paliwal, N.D.G. White Fungal detection in wheat using near-infrared hyperspectral imaging Transactions of the ASABE, 50 (6) (2007), pp. 2171-2176
  14. R.N. Sinha, W.E. Muir Interrelations of Physical, Chemical and Biological Variables in the Deterioration of Stored Grains. Grain Storage: Part of a System AVI Publishers Inc., Connecticut (1973), pp. 15-47
  15. N. Nanje Gowda, K. Alagusundaram Use of thermal imaging to improve the food grains quality during storage Int. J. Curr. Agricult. Res., 1 (7) (2013), pp. 34-41
  16. J. Lacey, S. Hill, M. Edwards Micro-organisms in stored grains: their enumeration and significance Trop. Stored Prod. Inf., 39 (1980), pp. 19-33
  17. F. Fleurat-Lessard Integrated management of the risks of stored grain spoilage by seedborne fungi and contamination by storage mould mycotoxins–An update J. Stored Prod. Res., 71 (2017), pp. 22-40
  18. S. Neethirajan, C. Karunakaran, D. Jayas, N. White Detection techniques for stored-product insects in grain Food Control, 18 (2) (2007), pp. 157-162
  19. N. Magan, R. Hope, V. Cairns, D. Aldred Post-harvest fungal ecology: impact of fungal growth and mycotoxin accumulation in stored grain J.A. Bailey, B.M. Cooke (Eds.), Epidemiology of Mycotoxin Producing Fungi: under the Aegis of COST Action 835 ‘Agriculturally Important Toxigenic Fungi 1998-2003’, EU Proejct. Xu, X., Springer, New York (2003), pp. 723-730
  20. N.D. White D.S. Jayas, N.D. White, W.E. Muir (Eds.), Insects, Mites and Insecticides in Stored-Grain Ecosystems, Stored Grain Ecosystems, CRC Press, Boca Ranton (1995), pp. 123-168
  21. C. Erkinbaev, K. Henderson, J. Paliwal Discrimination of gluten-free oats from contaminants using near infrared hyperspectral imaging technique Food Control, 80 (2017), pp. 197-203, 10.1016/j.foodcont.2017.04.036
  22. P.M. Pieczywek, J. Cybulska, M. Szymańska-Chargot,  A. Siedliska, A. Zdunek, A. Nosalewicz, A. Kurenda Early detection of fungal infection of stored apple fruit with optical sensors – comparison of biospeckle, hyperspectral imaging and chlorophyll fluorescence Food Control, 85 (2018), pp. 327-338, 10.1016/j.foodcont.2017.10.013
  23. R. Calvini, S. Michelini, V. Pizzamiglio, G. Foca, A. Ulrici Exploring the potential of NIR hyperspectral imaging for automated quantification of rind amount in grated Parmigiano Reggiano cheese Food Control, 112 (10) (2020), p. 107111, 10.1016/j. foodcont .2020.107111
  24. A. Femenias, F. Gatius, A.J. Ramos, V. Sanchis, S. Marín Standardisation of near infrared hyperspectral imaging for quantification and classification of DON contaminated wheat samples Food Control, 111 (2020), p. 107074, 10.1016/j.foodc ont.2019.107074
  25. C.-H. Feng, Y. Makino Colour analysis in sausages stuffed in modified casings with different storage days using hyperspectral imaging – a feasibility study Food Control, 111 (2020), p. 107047, 10.1016/j.foodcont.2019.107047
  26. A. Femenias, F. Gatius, A.J. Ramos, V. Sanchis, S. Marín Use of hyperspectral imaging as a tool for Fusarium and deoxynivalenol risk management in cereals: a review Food Control, 108 (2020), p. 106819, 10.1016/j.foodcont.2019.106819
  27. H.J. He, D.W. Sun Hyperspectral imaging technology for rapid detection of various microbial contaminants in agricultural and food products Trends Food Sci. Technol., 46 (1) (2015), pp. 99-109, 10.1016/j.tifs.2015.08.001
  28. A. López-Maestresalas, J.C. Keresztes, M. Goodarzi, S. Arazuri, C. Jarén, W. Saeys Non-destructive detection of blackspot in potatoes by Vis-NIR and SWIR hyperspectral imaging Food Control, 70 (2016), pp. 229-241, 10.1016/j.foodcont.2016.06.001
  29. D. Liu, X.A. Zeng, D.W. Sun Recent developments and applications of hyperspectral imaging for quality evaluation of agricultural products: a review Crit. Rev. Food Sci. Nutr., 55 (12) (2015), pp. 1744-1757, 10.1080/10408398.2013.777020
  30. Y. Liu, H. Pu, D.W. Sun Hyperspectral imaging technique for evaluating food quality and safety during various processes: a review of recent applications Trends Food Sci. Technol., 69 (2017), pp. 25-35, 10.1016/j.tifs.2017.08.013
  31. S. Munera, J.M. Amigo, N. Aleixos, P. Talens, S. Cubero, J. Blasco Potential of VIS-NIR hyperspectral imaging and chemometric methods to identify similar cultivars of nectarine Food Control, 86 (2018), pp. 1-10, 10.1016/j.foodcont.2017.10.037
  32. I. Orrillo, J.P. Cruz-Tirado, A. Cardenas, M. Oruna, A. Carnero, D.F. Barbin, R. Siche  Hyperspectral imaging as a powerful tool for identification of papaya seeds in black pepper Food Control, 101 (2019), pp. 45-52, 10.1016/j.foodcont.2019.02.036
  33. L.M. Kandpal, S. Lee, M.S. Kim, H. Bae, B.-K. Cho Short wave infrared (SWIR) hyperspectral imaging technique for examination of aflatoxin B1 (AFB1) on corn kernels Food Control, 51 (2015), pp. 171-176, 10.1016/j.foodcont.2014.11.020
  34. A. Baiano Applications of hyperspectral imaging for quality assessment of liquid based and semi-liquid food products: a review J. Food Eng., 214 (2017), pp. 10-15, 10.1016/j.jfoodeng.2017.06.012
  35. Y.N. Chen, D.W. Sun, J.H. Cheng, W.H. Gao Recent advances for rapid identification of chemical information of muscle foods by hyperspectral imaging analysis Food Eng. Rev., 8 (3) (2016), pp. 336-350, 10.1007/s12393-016-9139-1
  36. J.H. Cheng, B. Nicolai, D.W. Sun Hyperspectral imaging with multivariate analysis for technological parameters prediction and classification of muscle foods: a review Meat Sci., 123 (2017), pp. 182-191, 10.1016/j.meatsci.2016.09.017
  37. J.H. Cheng, D.W. Sun Recent applications of spectroscopic and hyperspectral imaging techniques with chemometric analysis for rapid inspection of microbial spoilage in muscle foods Compr. Rev. Food Sci. Food Saf., 14 (4) (2015), pp. 478-490, 10. 1111/1541-4337.12141
  38. C.-H. Feng, Y. Makino, S. Oshita, J.F. García Martín Hyperspectral imaging and multispectral imaging as the novel techniques for detecting defects in raw and processed meat products: current state-of-the-art research advances Food Control, 84 (2018), pp. 165-176, 10.1016/j.foodcont.2017.07.013
  39. X. Fu, J. Chen A review of hyperspectral imaging for chicken meat safety and quality evaluation: application, hardware, and software Compr. Rev. Food Sci. Food Saf., 18 (2) (2019), pp. 535-547, 10.1111/1541-4337.12428
  40. H.J. He, D. Wu, D.W. Sun Nondestructive spectroscopic and imaging techniques for quality evaluation and assessment of fish and fish products Crit. Rev. Food Sci. Nutr., 55 (6) (2015), pp. 864-886, 10.1080/10408398.2012.746638
  41. M. Kamruzzaman, Y. Makino, S. Oshita Non-invasive analytical technology for the detection of contamination, adulteration, and authenticity of meat, poultry, and fish: a review Anal. Chim. Acta, 853 (1) (2015), pp. 19-29, 10.1016/j.aca.2014.08.043
  42. T.T. Pan, D.W. Sun, J.H. Cheng, H. Pu Regression algorithms in hyperspectral data analysis for meat quality detection and evaluation Compr. Rev. Food Sci. Food Saf., 15 (3) (2016), pp. 529-541, 10.1111/1541-4337.12191
  43. Z. Xiong, D.W. Sun, X.A. Zeng, A. Xie Recent developments of hyperspectral imaging systems and their applications in detecting quality attributes of red meats: a review J. Food Eng., 132 (2014), pp. 1-13, 10.1016/j.jfoodeng.2014.02.004
  44. Z. Xiong, A. Xie, D.W. Sun, X.A. Zeng, D. Liu Applications of hyperspectral imaging in chicken meat safety and quality detection and evaluation: a review Crit. Rev. Food Sci. Nutr., 55 (9) (2015), pp. 1287-1301, 10.1080/10408398.2013.834875
  45. A. Hussain, H. Pu, D.W. Sun Innovative nondestructive imaging techniques for ripening and maturity of fruits – a review of recent applications Trends Food Sci. Technol., 72 (2018), pp. 144-152, 10.1016/j.tifs.2017.12.010
  46. J.L. Li, D.W. Sun, J.H. Cheng Recent advances in nondestructive analytical techniques for determining the total soluble solids in fruits: a review Compr. Rev. Food Sci. Food Saf., 15 (5) (2016), pp. 897-911, 10.1111/1541-4337.12217
  47. Y. Lu, Y. Huang, R. Lu Innovative hyperspectral imaging-based techniques for quality evaluation of fruits and vegetables: a review Appl. Sci., 7 (2) (2017), pp. 189-224, 10.3390/app7020189 1-36
  48. L.S. Magwaza, U.L. Opara Analytical methods for determination of sugars and sweetness of horticultural products -A review Sci. Hortic., 184 (2015), pp. 179-192, 10.1016/j.scienta.2015.01.001
  49. L.S. Magwaza, S.Z. Tesfay A review of destructive and non-destructive methods for determining avocado fruit maturity Food Bioprocess Technol., 8 (10) (2015), pp. 1995-2011, 10.1007/s11947-015-1568-y
  50. P. Pathmanaban, B.K. Gnanavel, S.S. Anandan Recent application of imaging techniques for fruit quality assessment Trends Food Sci. Technol., 94 (2019), pp. 32-42, 10.1016/j.tifs.2019.10.004
  51. Y.Y. Pu, Y.Z. Feng, D.W. Sun Recent progress of hyperspectral imaging on quality and safety inspection of fruits and vegetables: a review Compr. Rev. Food Sci. Food Saf., 14 (2) (2015), pp. 176-188, 10.1111/1541-4337.12123
  52. A.M. Rady, D.E. Guyer Rapid and/or nondestructive quality evaluation methods for potatoes: a review Comput. Electron. Agric., 117 (2015), pp. 31-48, 10.1016/j.c ompag.2015.07.002
  53. B. Zhang, W. Huang, J. Li, C. Zhao, S. Fan, J. Wu, C. Liu Principles, developments and applications of computer vision for external quality inspection of fruits and vegetables: a review Food Res. Int., 62 (2014), pp. 326-343, 10.1016/j.foodres.2014.03.012
  54. A.A. Gowen, Y. Feng, E. Gaston, V. Valdramidis Recent applications of hyperspectral imaging in microbiology Talanta, 137 (2015), pp. 43-54, 10.1016/j.talanta.2015.01.012
  55. Q. Wei, X. Wang, D.W. Sun, H. Pu Rapid detection and control of psychrotrophic microorganisms in cold storage foods: a review Trends Food Sci. Technol., 86 (2019), pp. 453-464, 10.1016/j.tifs.2019.02.009
  56. A. Iqbal, D.-W. Sun, P. Allen An overview on principle, techniques and application of hyperspectral imaging with special reference to ham quality evaluation and control Food Control, 46 (2014), pp. 242-254, 10.1016/j.foodcont.2014.05.024
  57. K. Sendin, P.J. Williams, M. Manley Near infrared hyperspectral imaging in quality and safety evaluation of cereals Crit. Rev. Food Sci. Nutr., 58 (4) (2018), pp. 575-590, 10.1080/10408398.2016.1205548
  58. M.A. Shahin, S.J. Symons Detection of Fusarium damaged kernels in Canada Western Red Spring wheat using visible/near-infrared hyperspectral imaging and principal component analysis Comput. Electron. Agric., 75 (1) (2011), pp. 107-112, 10.1016/j.c ompag.2010.10.004
  59. T. Lei, D.W. Sun Developments of nondestructive techniques for evaluating quality attributes of cheeses: a review Trends Food Sci. Technol., 88 (2019), pp. 527-542, 10.1016/j.tifs.2019.04.013
  60. B. Lloyd, B. Farkas, K. Keener Characterization of radiant emitters used in food processing J. Microw. Power Electromagn. Energy, 38 (4) (2003), pp. 213-224
  61. M. Strojnik, M.K. Scholl D. Radiometry Malacara-Hernandez, B.J. Thompson (Eds.), Advanced Optical Instruments and Techniques, CRC Press, Boca Ranton (2017), pp. 459-516
  62. A.F. Goetz, G. Vane, J.E. Solomon, B.N.J.S. Rock Imaging spectrometry for earth remote sensing Science, 228 (4704) (1985), pp. 1147-1153
  63. V. Chelladurai, D.S. Jayas Near-infrared imaging and spectroscopy A. Manickavasagan, H. Jayasuriya (Eds.), Chapter 6, Imaging with Electromagnetic Spectrum: Applications in Food and Agriculture, Springer-Verlag Berlin Heidelberg, New York (2014), pp. 87-127
  64. N.H. Nguyen, J. Chen, C. Richard, P. Honeine, C. Theys Supervised Nonlinear Unmixing of Hyperspectral Images Using a Pre-image Methods, 59, European Astronomical Society Publications Series (2013), pp. 417-437
  65. F. Soulez, É. Thiébaut, L. Denis Restoration of Hyperspectral Astronomical Data with Spectrally Varying Blur, 59, European Astronomical Society Publications Series (2013), pp. 403-416
  66. C. Ravn, E. Skibsted, R. Bro Near-infrared chemical imaging (NIR-CI) on pharmaceutical solid dosage forms—comparing common calibration approaches J. Pharmaceut. Biomed. Anal., 48 (3) (2008), pp. 554-561
  67. B. Vajna, G. Patyi, Z. Nagy, A. Bódis, A. Farkas, G. Marosi Comparison of chemometric methods in the analysis of pharmaceuticals with hyperspectral Raman imaging J. Raman Spectrosc., 42 (11) (2011), pp. 1977-1986
  68. G. Lu, B. Fei Medical hyperspectral imaging: a review J. Biomed. Opt., 19 (1) (2014), Article 010901
  69. R. Lankapalli Determination of Physical Contaminants in Wheat Using Hyperspectral Imaging Ph.D thesis University of Manitoba, Winnipeg, Canada. (2015), p. 196
  70. S.R. Delwiche, E.J. Souza, M.S. Kim Limitations of single kernel near-infrared hyperspectral imaging of soft wheat for milling quality Biosyst. Eng., 115 (3) (2013), pp. 260-273, 10.1016/j.biosystemseng.2013.03.015
  71. J.-H. Cheng, D.-W. Sun Hyperspectral imaging as an effective tool for quality analysis and control of fish and other seafoods: current research and potential applications Trends Food Sci. Technol., 37 (2) (2014), pp. 78-91 J. T. i. F. S.
  72. G. ElMasry, M. Kamruzzaman, D.-W. Sun, P. Allen Principles and applications of hyperspectral imaging in quality evaluation of agro-food products: a review Crit. Rev. Food Sci. Nutr., 52 (11) (2012), pp. 999-1023
  73. J.C. Keresztes, M. Goodarzi, W. Saeys Real-time pixel based early apple bruise detection using short wave infrared hyperspectral imaging in combination with calibration and glare correction techniques Food Control, 66 (2016), pp. 215-226, 10.1016/j.foodcont.2016.02.007
  74. P.M. Mehl, Y.-R. Chen, M.S. Kim, D.E. Chan Development of hyperspectral imaging technique for the detection of apple surface defects and contaminations J. Food Eng., 61 (1) (2004), pp. 67-81
  75. G. Fox, M. Manley Applications of single kernel conventional and hyperspectral imaging near infrared spectroscopy in cereals J. Sci. Food Agric., 94 (2) (2014), pp. 174-179, 10.1002/jsfa.6367
  76. A. Folchy-Fortuny, J.M. Prats-Montalban, S. Cubero, J. Blasco, A. Ferrer VIS/NIR hyperspectral imaging and N-ways PLS-DA models for detection of decay lesions in citrus fruits Chemometr. Intell. Lab. Syst., 156 (2016), pp. 241-248
  77. M. Vidal, J.M. Amigo Pre-processing of hyperspectral images. Essential steps before image analysis Chemometr. Intell. Lab. Syst., 117 (2012), pp. 138-148
  78. J.M. Amigo Practical issues of hyperspectral imaging of solid dosage forms Anal. Bioanal. Chem., 398 (2010), pp. 93-109
  79. I. Schmalz Using standard image compression algorithm to store data from Computational Fluid Dynamics Comput. Geosci., 29 (2003), pp. 1021-1031
  80. C. Abrahamson, J. Johansson, A. Sparen, F. Lindgren Comparison of different variable selection methods conducted on NIR transmission measurements on intact tablets Chemometr. Intell. Lab. Syst., 69 (2003), pp. 3-12
  81. R. Leardi Genetic algorithms in chemometrics and chemistry: a review J. Chemometr., 15 (2001), pp. 559-569
  82. R.X. Gao, R. Yan From the Fourier Transform to Wavelet Transform: a Historical Perspective. Wavelets: Theory and Applications for Manufacturing Springer, New York (2011), pp. 17-31
  83. C.V. Cannistraci, F.M. Montevecchi, M. Alessio Median-modified wiener filter provides denoising, preserving spot edge and morphology in 2-DE image processing Protemics, 9 (2009), pp. 4908-4918
  84. D. Feuerstein, K.H. Parker, M.G. Boutelle Practical methods for noise removal and baseline drift Anal. Chem., 81 (2009), pp. 4987-4994
  85. P.J. Rowsseeuw, K.V. Driessen A fast algorithm for the minimum covariance determinant estimator Technometrics, 41 (1999), pp. 212-223
  86. M. Taghizadeh, A.A. Gowen, C.P. O’Donnell The potential of visible-near infrared hyperspectral imaging to discriminate between casing soil, enzymatic browning and undamaged tissues on mushroom (Agaricus bisporus) surfaces Comput. Electron. Agric., 77 (2011), pp. 74-80
  87. H. Martens, T. Naes Pretreatment and Linearization, Multivariate Calibration John Willey and Sons Ltd., New York (2011), pp. 314-356
  88. R. Gogineni, A. Chaturveli J. Chen, Y. Song, H. Li (Eds.), Hyperspectral Imaging Classification. Chapter 2, Processing and Analysis of Hyperspectral Imaging Data, Intech Open Ltd, London (2020), 10.5772/intechopen.88925
  89. L. Zhou, C. Zhang, F. Liu, Z. Qiu, Y. He Application of deep learning in food: a review Compr. Rev. Food Sci. Food Saf., 18 (2019), pp. 193-1811
  90. D. Saha, A. Manickavasagan Machine learning techniques for analysis of hyperspectral images to determine quality of food products: A review Curr. Res. Nutr. Food Sci., 4 (2021), pp. 28-44
  91. M.O. Ngadi, L. Liu D.W. Sun (Ed.), Hyperspectral Image Processing Techniques. Hyperspectral Imaging for Food Quality Analysis and Control, Elsevier Inc., London (2010), pp. 99-128
  92. S. Piqueras, L. Duponchel, R. Tauler, A. de Juan Resolution and segmentation of hyperspectral biomedical images by multivariate curve resolution-aternating least squares Anal. Chim. Acta, 705 (2011), pp. 182-192
  93. J.C. Russ Image Analysis of Food Microstructure CRC Press, Boca Raton (2005)
  94. I.C. Torres, J.M. Amigo, R. Ipsen, Using fractal image analysis to characterize microstructure of low-fat stirred yoghurt manufactured with microparticulated whey protein., Journal of Food Engineering, (109,) 721–729.
  95. S. Verdú, F. Vásquez, R. Grau, E. Ivorra, A.J. Sánchez, J.M. Barat Detection of adulterations with different grains in wheat products based on the hyperspectral image technique: the specific cases of flour and bread Food Control, 62 (2016), pp. 373-380, 10.1016/j.foodcont.2015.11.002
  96. D.D. Archibald, C.N. Thai, F.E. Dowell Development of short-wavelength near-infrared spectral imaging for grain color classification Precision Agricult. Biological Quality, 3543 (1999), pp. 189-198
  97. S. Mahesh, A. Manickavasagan, D. Jayas, J. Paliwal, N. White Feasibility of near-infrared hyperspectral imaging to differentiate Canadian wheat classes Biosyst. Eng., 101 (1) (2008), pp. 50-57
  98. C.B. Singh, D.S. Jayas, J. Paliwal, N.D. White Identification of insect-damaged wheat kernels using short-wave near-infrared hyperspectral and digital colour imaging Comput. Electron. Agric., 73 (2) (2010), pp. 118-125
  99. C.B. Singh, D.S. Jayas, J. Paliwal, N.D. White Detection of midge-damaged wheat kernels using short-wave near-infrared and digital colour imaging Biosyst. Eng., 105 (3) (2010), pp. 380-387
  100. C.M. McGoverin, P. Engelbrecht, P. Geladi, M. Manley Characterisation of non-viable whole barley, wheat and sorghum grains using near-infrared hyperspectral data and chemometrics Anal. Bioanal. Chem., 401 (7) (2011), pp. 2283-2289, 10.1007/s00216-011-5291-x
  101. B.A. Weinstock, J. Janni, L. Hagen, S. Wright Prediction of oil and oleic acid concentrations in individual corn (Zea mays L.) kernels using near-infrared reflectance hyperspectral imaging and multivariate analysis Appl. Spectrosc., 60 (1) (2006), pp. 9-16
  102. P. Williams, M. Manley, G. Fox, P. Geladi Indirect detection of Fusarium verticillioides in maize (Zea mays L.) kernels by near infrared hyperspectral imaging J. Near Infrared Spectrosc., 18 (1) (2010), pp. 49-58
  103. P.J. Williams, P. Geladi, T.J. Britz, M. Manley Investigation of fungal development in maize kernels using NIR hyperspectral imaging and multivariate data analysis J. Cereal. Sci., 55 (3) (2012), pp. 272-278
  104. G. Firrao, E. Torelli, E. Gobbi, S. Raranciuc, G. Bianchi, R. Locci Prediction of milled maize fumonisin contamination by multispectral image analysis J. Cereal. Sci., 52 (2) (2010), pp. 327-330, 10.1016/.JCS.2010.06.017
  105. H. Yao, Z. Hruska, R. Kincaid, R. Brown, T. Cleveland, D. Bhatnagar Correlation and classification of single kernel fluorescence hyperspectral data with aflatoxin concentration in corn kernels innoculated with Aspergillus flavus spores Food Addit. Contam., 27 (5) (2010), pp. 701-709
  106. M.A. Shahin, D.W. Hatcher, S.J. Symons Assessment of mildew levels in wheat samples based on spectral characteristics of bulk grains Qual. Assur. Saf. Crop Foods, 2 (2010), pp. 133-140
  107. N. Caporaso, M.B. Whitworth, I.D. Fisk Near infrared spectroscopy and hyperspectral imaging for non-destructive quality assessment of cereal grains Appl. Spectrosc. Rev., 53 (8) (2018), pp. 667-687
  108. N.A. Aviara, I.J. Ogbemudia, J.O. Ojediran, A.O. Raji Prospects and challenges of food quality inspection and evaluation in Nigeria using hyperspectral imaging The Proceedings of 12th CIGR Section VI International Symposium, Held at IITA, Ibadan, 22-25 October, 2018 (2018), pp. 560-592
  109. H.A.H. Wallace, R.N. Sinha Fungi associated with hot spots in farm stored grain Can. J. Plant Sci., 42 (1962), pp. 130-141
  110. H.H. Lin, M.A. Cousin Detection of mold in processed foods by high performance liquid chromatography J. Food Protect., 48 (1985), pp. 67–678.
  111. J. Schnurer, J. Olsson, S.J. Borjesson Fungal volatiles as indicators of food and feeds spoilage Fungal Genet. Biol., 27 (2–3) (1999), pp. 209-217.
  112. G. Keshri, N. Magan Detection an differentiation between mycotoxigenic and non-micotoxigenic strains of two Fusarium spp. using volatile roduction profiles and hydrolytic enzymes J. Appl. Microbiol., 89 (2000), pp. 825-833.
  113. M. Manley, P. Williams, D. Nilsson, P. Geladi Near infrared hyperspectral imaging for the evaluation of endosperm texture in whole yellow maize (Zea maize L.) kernels J. Agric. Food Chem., 57 (19) (2009), pp. 8761-8769
  114. A. Manickavasagan, D.S. Jayas, N.D.G. White Non-uniformity of surface temperatures of grain after microwave treatment in an industrial microwave dryer Dry. Technol., 24 (12) (2006), pp. 1559-1567.
  115. A.A. Gowen, C.P. O’”Donnell Near infrared hyperspectral imaging for foreign body detection and identification in food processing Spectrosc. Eur., 25 (6) (2013), pp. 6-11.

Авторы: Ndubisi A. Aviara, Jacob Tizhe Liberty, Ojo S. Olatunbosun, Habib A. Shoyombo, Samuel K. Oyeniyi b

ЗАКАЗАТЬ СИСТЕМУ

СХОЖИЕ СТАТЬИБОЛЬШЕ ОТ АВТОРА