澳洲坚果富含蛋白质、营养素、纤维和健康脂肪,其不饱和脂肪和抗氧化剂有益于代谢和心血管健康。但是容易出现质量缺陷,在收获后加工和处理对延长保质期和保证营养质量至关重要。高水分和湿度会导致霉菌和微生物生长,降低坚果质量和营养成分。由于坚果水分含量因农场和大气条件而异,需在供应链中持续监测水分。目前高光谱成像(HSI)可用于无损测定食品和农业中的物理和化学参数。主要应用于可见光、近红外(Vis/NIR)和短波红外(SWIR)。HSI技术已经应用于肉类、虾、大豆和树叶等复杂食品材料的水分含量,但尚未在澳洲坚果上应用。
本次试验样品于2022年的 5 月、7 月和 9 月从位于澳大利亚昆士兰州和新南威尔士州收集,以确保不同品种、生长条件和水分浓度的样品。共收集了 30 袋约 1 公斤的带壳澳洲坚果,并从这些袋子中随机抽取 15 个坚果进行成像。
图 1. 流程图
坚果仁样本分两个阶段收集。第一阶段是直接从加工线上收集仁,由加工厂的实验室工作人员进行机械破碎,水分含量低于3%。共收集了30袋约150克的坚果仁,并从这些袋子中随机抽取15个单独样品。第二阶段是手动破碎收集的带壳坚果样本(前面所述)中的坚果仁,水分浓度在 3% 到 25% 之间,然后立即进行成像(图 1)。坚果仁采样的第二阶段是特意获取水分浓度>3%的坚果仁。
本研究使用Resonon Pika XC2高光谱成像仪采集高光谱图像。样品被放置在定制的胶合板托盘上,以消除成像过程中的移动误差。首先,将带壳坚果样品随机放置在托盘上并进行成像(图 2a、b),然后旋转≈180° 并重新成像。对于果仁样品,将坚果以两个方向放置在托盘上以获取图像:1)底部朝上(图 3a、b)和 2) 底部朝下(图 3c、d)方向。
图 2. (a) 澳洲坚果的伪 RGB 高光谱图像,红色框表示手动选择的单个坚果的感兴趣区域 (ROI) 的示例(b) 使用机器视觉选择的 (a) 中所示相同坚果的灰度图像,黑色圆圈表示检测到的内外轮廓,内圆表示包含从中提取平均光谱并用于模型开发像素的 ROI。
图 3. (a) 澳洲坚果仁的伪 RGB 高光谱图像,底部朝上;(b) 使用机器视觉选择的与 (a) 中相同的坚果的灰度图像;(c) 澳洲坚果仁的伪 RGB 高光谱图像,底部朝下。(a) 和 (c) 中的红色框表示手动选择的单个果仁感兴趣区域 (ROI) 的示例。(b) 和 (d) 中的黑色圆圈表示使用机器视觉为每个单个果仁检测到的轮廓,内圈表示从中提取平均光谱并用于模型开发的 ROI。
图 4. (a) 从图像 1(黄色)和图像 2(红色)方向收集的澳洲坚果带壳平均反射率,以及通过平均合并的图像 1 和 2(黑色);(b) 图像 1;(c) 图像 2;和 (d) 图像 1 和 2 合并后的带壳坚果的主成分分析得分图;(e) 从底部朝上(黄色)和底部朝下(红色)方向收集的澳洲坚果仁的平均反射率,以及通过平均合并的底部朝上和底部朝下图像(黑色);(f) 底部朝上;(g) 底部朝下;和 (h) 底部朝上和底部朝下图像合并后的坚果仁的主成分分析得分图。默认情况下,平均相对反射率缩放为 10,000(整数)。由于相似性,图 (a) 中坚果壳图像 2 和图像 1 和 2 的组合的反射数据分别通过添加 200 和 400 个相对反射整数进行了缩放。
这项研究表明,可以使用机器视觉从高光谱图像中自动提取反射值,并利用这些值开发回归模型来预测澳洲坚果的水分浓度。使用从两幅图像中提取的数据可以提供更可靠的结果。我们的结果表明,来自不同方向的坚果图像的数据可以提供较高的预测精度,因此,该技术可以应用于坚果在传送带上运输的机械化加工。仅使用10 个波长带开发的 PLSR 模型提供了可使用的预测精度水平,同时降低了模型复杂性和计算需求。这项研究表明,高光谱成像结合机器视觉软件在收获后加工过程中预测澳洲坚果水分浓度具有巨大潜力。
更多
LR1601-IRIS 激光雷达 一体机在评估农田生态系统杂草竞争力中的应用
厂商
2024.08.20
ASD | ASD LabSpec 4 地物光谱仪在近地天体群中识别人造天体的应用
厂商
2024.08.16
LI-2100 | 水汽来源复杂性对内陆山区降水稳定同位素海拔效应的影响
厂商
2024.08.16
安装案例 | LabSpec 4 Standard-Res 长沙理工大学交通运输工程学院-便携式地物光谱仪
厂商
2024.08.16