ОПРЕДЕЛЕНИЕ И ВИЗУАЛИЗАЦИЯ СОДЕРЖАНИЯ ДЕОКСИНИВАЛЕНОЛА В ОБЪЕМЕ ПШЕНИЧНЫХ ЗЕРЕН С ПОМОЩЬЮ ГИПЕРСПЕКТРАЛЬНОЙ ВИЗУАЛИЗАЦИИ

Предложена система гиперспектральной визуализации как метод быстрого и неразрушающего контроля содержания микотоксина деоксиниваленола (DON) в пшеничных зернах, инфицированных фузариозом колоса. При предварительной обработке спектральных данных использованы преобразование стандартного отклонения случайной величины с нормальным распределением и мультипликативная поправка на разброс (MSC). Для выбора оптических длин волн использованы алгоритм последовательных проекций (SPA) и алгоритм прыгающих лягушек. Метод опорных векторов (SVM) и 851-2 дискриминационный анализ частными наименьшими квадратами применены при создании различных моделей для определения содержания DON. Сравнение полученных данных показало, что модель MSC-SPA-SVM с самой высокой классификационной точностью (100.00 % для обучающего теста и 97.92 % для проверочного набора) обладает наилучшими характеристиками. Эта модель использована для визуализации пространственного распределения уровня содержания DON.

гиперспектральное изображение, объем пшеничных зерен, содержание деоксиниваленола, выбор оптических длин волн, классификационная модель, визуализация пространственного распределения, hyperspectral imaging, bulk wheat kernels, deoxynivalenol content, optical wavelength selection, classification model, visualization map

1. http://www.dagz.boku.ac.at/fileadmin/data/H03000/H94000/pdf/Mycotoxin_regulations/ SCF_DON_opinion.pdf Retrieved 3-17-2017.

2. S. Simsek, K. Burgess, K. L. Whitney, Y. Gu, S.Y. Qian, Food Control, 2, 287-292 (2012).

3. L. Smeesters, W. Meulebroeck, S. Raeymaekers, H. Thienpont, Food Control, 70, 48-57 (2016).

4. J. G. A. Barbedo, C. S.Tibola, J. M. C. Fernandes, Biosyst. Eng., 131, 65-76 (2015).

5. J. J. Pestka, Anim. Breed. Feed, 3, 283-298 (2008).

6. A. Abysique, C. Tardivel, J. D. Troadec, B. Félix, PLoS One, 7, e133355 (2015).

7. M. Beyer, F. Pogoda, F. K. Ronellenfitsch, L. Hoffmann, T. Udelhoven, Int. J. Food Microbiol., 3, 370-374 (2010).

8. C. Maragos, M. Busman, Y. Sugita-Konishi, Food Addit. Contam., 8, 816-825 (2006). 851-9

9. A. B. Amar, S. Oueslati, A. Ghorbel, A. Mliki, Food Control, 2, 506-510 (2012).

10. M. S. Hamada, Y. N. Yin, Z. Ma, Cereal Res. Commun., 1, 85-94 (2012).

11. B. Jaillais, P. Roumet, L. Pinson-Gadais, D. Bertrand, Food Control, 54, 250-258 (2015).

12. H. Pettersson, L. Åberg, Food Control, 4, 229-232 (2003).

13. H. Cen, R. Lu, Q. Zhu, F. Mendoza, Postharvest Biol. Technol., 111, 352-361 (2016).

14. M. A. Shahin, S. J. Symons, Comput. Electron. Agric., 1, 107-112 (2011).

15. M. C. U. Araújo, T. C. B. Saldanha, R. K. H. Galvão, T. Yoneyama, H. C. Chame, V. Visani, Chemom. Intell. Lab. Syst., 2, 65-73 (2001).

16. H. Ma, H. Y. Ji, W. S. Lee, Spectrosc. Spectr. Anal., 36, No. 7, 2344-2350 (2017).

17. W. Luo, Y. Z. Du, H. L. Zhang, Spectrosc. Spectr. Anal., 33, No. 11, 3536-3541 (2016).

18. Y. Yuan, W. Wang, X. Chu, M. J. Xi, Spectrosc. Spectr. Anal., 36, No. 1, 226-230 (2016).

19. H. D. Li, Q. S. Xu, Y. Z. Liang, Anal. Chim. Acta, 740, 20-26 (2012).

20. P. J. Green, Biometrika, 4, 711-732 (1995).

21. M. H. Hu, Q. L. Dong, B. L. Liu, U. L.Opara, L. Chen, Postharvest Biol. Technol., 106, 1-10 (2015).

22. X. Li, C. Sun, L. Luo, Y. He, Comput. Electron. Agric., 112, 28-35 (2015).

23. S. Wold, M. Sjostrom, L. Eriksson, Chemom. Intell. Lab. Syst., 58, No. 2, 109-130 (2001).

24. M. Barker, W. Rayens, J. Chemom., 17, 166-173 (2003).

25. V. N. Vapnik, A. Lerner, Autom. Rem. Contr., 6, 774-780 (2008).

26. W. Wang, Z. Xu, W. Lu, X. Zhang, Neurocomputing, 3-4, 643-663 (2003).

27. H. Lin, Q. Chen, J. Zhao, P. Zhou, J. Pharma. Biomed., 5, 803-808 (2009).

28. Q. Yang, D. W. Sun, W. W. Cheng, J. Food Eng., 192, 53-60 (2017).

29. J. H. Cheng, D. W. Sun, LWT-Food Sci. Technol., 2, 892-898 (2015).

30. G. Elmasry, D. W. Sun, P. Allen, Food Res. Int., 9, 2624-2633 (2011).