Сортировка плодов авокадо по гиперспектральным изображениям

Показано применение методов гиперспектрального изображения (HSI) в диапазоне 400–1000 нм и многомерного анализа для сортировки плодов авокадо Хасс. Методом главных компонент осуществлена декомпозиция матрицы данных HSI плодов авокадо и выявлены полосы отражения в видимой и ближней инфракрасной областях спектра, взаимосвязанные с процессом созревания и содержанием влажности плодов авокадо. Установлено, что при использовании факторных нагрузок в качестве псевдоцвета возможна визуализация при поточной сортировке плодов авокадо по влажности. Построение калибровочных моделей определения влажности и сухого вещества плодов авокадо проведено на основе данных измерений влаж ности и гиперспектральных изображений. Формирование матрицы спектральных данных осуществляли двумя способами: посредством отбора спектральных сигнатур HSI случайным образом со всей поверхности плодов или поверхность изображения HSI плодов (исходные HSI) как области интереса (ROI). На основе данных измерений влажности и отбора спектральных сигнатур гиперспектральных изображений проведено построение калибровочных моделей определения влажности и сухого вещества плодов авокадо. При последовательном моделировании методом PLS (проекция на латентные структуры) разработаны точные калибровочные модели для определения влажности (R_P² = 0,89) и сухого вещества (R_P² = 0,92) в составе плодов авокадо. При построении калибровочных моделей по исходным HSI получены модели для прогнозирования влажности (R_С² = 0,99) и сухого вещества (R_С² = 0,99) в составе плодов авокадо. Предлагается использование калибровочных моделей по исходным HSI для определения влажности и сухого вещества в интервалах допустимых значений в соответствии с действующим стандартом UNECE STANDARD FFV-42:2019.

1. Hurtado-Fernandez, E., Fernandez-Gutierrez, A., Carrasco-Pancorbo, A. (2018). Avocado fruit — Persea americana. Chapter in a book: Exotic Fruits. Academic Press, 2018. https://doi.org/10.1016/B978–0–12–803138–4.00001–0

2. Magwaza, L. S., Tesfay, S. Z. (2015). A review of destructive and non-destructive methods for determining avocado fruit maturity. Food and Bioprocess Technology, 8(10), 1995–2011. https://doi.org/10.1007/s11947–015–1568-y

3. UNECE STANDARD FFV-42. 2019. ‘Concerning the marketing and commercial quality control of Avocados’. Agricultural Quality Standards, Geneva, Switzerland.

4. Donetti, M., Terry, L. A. (2014). Biochemical markers defining growing area and ripening stage of imported avocado fruit cv. Hass. Journal of Food Composition and Analysis, 34(1), 90–98. https://doi.org/10.1016/j.jfca.2013.11.011

5. Ochoa-Ascencio, S., Hertog, M. L., Nicolaï, B. M. (2009). Modelling the transient effect of 1-MCP on ‘Hass’ avocado softening: A Mexican comparative study. Postharvest Biology and Technology, 51(1), 62–72. https://doi.org/10.1016/j.postharvbio.2008.06.002

6. Hussain, A., Pu, H., Sun, D. -W. (2018). Innovative nondestructive imaging techniques for ripening and maturity of fruits — A review of recent applications. Trends in Food Science and Technology, 72, 144–152. https://doi.org/10.1016/j.tifs.2017.12.010

7. Lohumi, S., Lee, S., Lee, H., Cho, B. -K. (2015). A review of vibrational spectroscopic techniques for the detection of food authenticity and adulteration. Trends in Food Science and Technology, 46(1), 85–98. https://doi.org/10.1016/j.tifs.2015.08.003

8. Elmasry, G., Kamruzzaman, M., Sun, D. -W., Allen, P. (2012). Principles and applications of hyperspectral imaging in quality evaluation of agrofood products: A review. Critical Reviews in Food Science and Nutrition, 52(11), 999–1023. https://doi.org/10.1080/10408398.2010.543495

9. Manley, M. (2014). Near-infrared spectroscopy and hyperspectral imaging: non-destructive analysis of biological materials. Chemical Society Reviews, 43(24), 8200–8214. https://doi.org/10.1039/c4cs00062e

10. Faltynkova, A., Johnsen, G., Wagner, M. (2021). Hyperspectral imaging as an emerging tool to analyze microplastics: a systematic review and recommendations for future development. Microplastics and Nanoplastics, 1(1), Article 13. https://doi.org/10.1186/s43591–021–00014-y

11. Rodionova, O. Ye., Pomerantsev, A.L. (2006). Chemometrics: Achievements and prospects. Russian Chemical Reviews, 75(4), 271–287. https://doi.org/10.1070/RC2006v075n04ABEH003599

12. Granato, D., Putnik, P., Kovačević, D. B., Santos, J. S., Calado, V., Rocha, R. S. et al. (2018). Trends in chemometrics: Food authentication, microbiology, and effects of processing. Comprehensive Reviews in Food Science and Food Safety, 17(3), 663–677. https://doi.org/10.1111/1541–4337.12341

13. Pinto, J., Rueda-Chacón, H., Arguello, H. (2019). Classification of Hass avocado (persea americana mill) in terms of its ripening via hyperspectral images. TecnoLógicas, 22(45), 111–130. https://doi.org/10.22430/22565337.1232

14. Vega Diaz, J. J., Sandoval Aldana, A. P., Reina Zuluaga, D. V. (2021). Prediction of dry matter content of recently harvested ‘Hass’ avocado fruits using hyperspectral imaging. Journal of the Science of Food and Agriculture, 101(3), 897–906. https://doi.org/10.1002/jsfa.10697

15. Behmann, J., Acebron, K., Emin, D., Bennertz, S., Matsubara, S., Thomas, S. et al. (2018). Specim IQ: Evaluation of a new, miniaturized handheld hyperspectral camera and its application for plant phenotyping and disease detection. Sensors (Switzerland), 18(2), Article 441. https://doi.org/10.3390/s18020441

16. Lyu, Y. (2019). Identify the ripening stage of avocado by multispectral camera using semi-supervised learning on small dataset. Thesis (M. Phil.)-Hong Kong University of Science and Technology, 2019.

17. Albedo. Hyperspectral data processing software. Retrieved from https://geo.mipt.ru/albedo. Accessed October 20, 2022.

18. Ashton, O.B.O., Wong, M., McGhie, T. K., Vather, R., Wang, Y., RequejoJackman, C. et al. (2006). Pigments in avocado tissue and oil. Journal of Agricultural and Food Chemistry, 54(26), 10151–10158. https://doi.org/10.1021/jf061809j

19. Parodi, G., Sanchez, M., Daga, W. (November 12–16, 2007). Correlation of oil content, dry matter and pulp moisture as harvest indicators in Hass avo- cado fruit (Persea americana Mill) grown under two conditions of orchards in Chincha-Peru. Proceedings VI World Avocado Congress (Actas VI Congreso Mundial del Aguacate). Viña Del Mar, Chile, 2007.

20. Hofman, P. J., Jobin-Décor, M., Giles, J. (2000). Percentage of dry matter and oil content are not reliable indicators of fruit maturity or quality in late-harvested ‘Hass’ avocado. HortScience, 35(4), 694–695. https://doi.org/10.21273/HORTSCI.35.4.694

21. Posom, J., Klaprachan, J., Rattanasopa, K., Sirisomboon, P., Saengprachatanarug, K., Wongpichet, S. (2020). Predicting marian plum fruit quality without environmental condition impact by handheld visible – near-infrared spectroscopy. ACS Omega, 5(43), 27909–27921. https://doi.org/10.1021/acsomega.0c03203

22. Jamshidi, B., Minaei, S., Mohajerani, E., Ghassemian, H. (2014). Prediction of soluble solids in oranges using visible/near-infrared spectroscopy: Effect of peel. International Journal of Food Properties, 17(7), 1460–1468. https://doi.org/10.1080/10942912.2012.717332

23. Cen, H., He, Y. (2007). Theory and application of near infrared reflectance spectroscopy in determination of food quality. Trends in Food Science and Technology, 18(2), 72–83. https://doi.org/10.1016/j.tifs.2006.09.003

24. Croft, H., Chen, J. M. (2017). Leaf pigment content. Chapter in a book: Comprehensive Remote Sensing. Elsevier, 2017. https://doi.org/10.1016/B978–0–12–409548–9.10547–0

25. Saha, S., Singh, J., Paul, A., Sarkar, R., Khan, Z., Banerjee, K. (2020). Anthocyanin profiling using UV–VIS spectroscopy and liquid chromatography mass spectrometry. Journal of AOAC International, 103(1), 23–39. https://doi.org/10.5740/jaoacint.19–0201

26. Cox, K. A., McGhie, T. K., White, A., Woolf, A. B. (2004). Skin colour and pigment changes during ripening of ‘Hass’ avocado fruit. Postharvest Biology and Technology, 31(3), 287–294. https://doi.org/10.1016/j.postharvbio.2003.09.008

27. Anne Frank Joe, A. Gopal, A. (April 20–21, 2017). Identification of spectral regions of the key components in the near infrared spectrum of wheat grain. Proceedings of IEEE International Conference on Circuit, Power and Computing Technologies, ICCPCT. Kollam, 2017. https://doi.org/10.1109/ICCPCT.2017.8074207

28. Ollinger, S. V. (2011). Sources of variability in canopy reflectance and the convergent properties of plants. New Phytologist, 189(2), 375–394. https://doi.org/10.1111/j.1469–8137.2010.03536.x