Метод автоматизированной оценки эффективности средств повышения сохранности плодов с помощью акустооптического видеоспектрометра

Баташова С.С., Золотухина А.А., Гурылева А.В., Платонова Н.Б., Кунина В.А.

Полный текст на elibrary.ru

Ссылка для цитирования:

Баташова С.С., Золотухина А.А., Гурылева А.В., Платонова Н.В., Кунина В.А. Метод автоматизированной оценки эффективности средств повышения сохранности плодов с помощью акустооптического видеоспектрометра // Оптический журнал. 2024. Т. 91. № 7. С. 25–36. http://doi.org/10.17586/1023-5086-2024-91-07-25-36

Batashova S.S., Zolotukhina A.A., Guryleva A.V., Platonova N.B., Kunina V.A. Method for automated assessment of the effectiveness of means to improve fruit safety using an acousto-optical imaging spectrometer [in Russian] // Opticheskii Zhurnal. 2024. V. 91. № 7. P. 25–36. http://doi.org/10.17586/1023-5086-2024-91-07-25-36

Ссылка на англоязычную версию:

Аннотация:

Предмет исследования. Методы и алгоритмы регистрации, обработки и интерпретации спектральных изображений для задач оценки поверхностных дефектов плодов. Цель работы. Разработка метода оценки эффективности технологий повышения сохранности плодов на основе автоматического выявления и количественной оценки их поверхностных дефектов средствами видеоспектрометрии. Метод. Регистрация спектральных изображений осуществлена акустооптическим видеоспектрометром с рабочим спектральным диапазоном 450–850 нм (ширина полосы пропускания 2,5 нм на длине волны 650 нм) с шагом 5 нм. Для обработки спектральных изображений применены широко апробированные операции и алгоритмы улучшения и анализа данных, в том числе коррекция неравномерности освещенности, пространственной и спектральной неоднородности коэффициента пропускания оптической системы, различные типы фильтрации изображений, пороговая бинаризация, морфологические операции и классификация объектов по спектральным признакам. Апробация предложенного подхода проведена в экспериментальном исследовании по оценке эффективности продления сохранности плодов персика и нектарина с помощью обработки ингибирующим выработку этилена препаратом. Основные результаты. Разработана методика регистрации и обработки спектральных изображений, позволяющая в автоматическом режиме обнаруживать и количественно характеризовать поверхностные дефекты плодов. Введен оценочный параметр, определяемый как отношение площади дефекта к общей площади поверхности плода и обеспечивающий сопоставление различных вариантов эксперимента. Апробация подхода показала возможность автоматизированного определения дефектов плода с относительной погрешностью 11%. Практическая значимость. Разработанные алгоритмы обработки данных обеспечивают возможность проведения регулярной диагностики образцов и выявления дефектов на ранних стадиях. Методика регистрации и обработки спектральных изображений может быть распространена на приборы, построенные на других физических принципах получения пространственного распределения спектральных характеристик объектов. Разработанное решение пригодно для дополнения существующих методов оценки технологий продления сохранности плодов и способствует внедрению видеоспектрометрических приборов в рутинную практику агропромышленного комплекса.

Ключевые слова:

видеоспектрометрия, спектральные изображения, цифровая обработка, спектр отражения, классификация, неинвазивный анализ, акустооптика, плодовые культуры, технологии обработки плодов, персики, нектарины

Благодарность:

в части разработки схемы эксперимента по хранению и подготовки образцов публикация подготовлена в рамках реализации государственного задания ФИЦ СНЦ РАН FGRW-2022-0014, госрегистрация № 123013100006-9. В части разработки методик регистрации и обработки спектральных изображений, интерпретации и статистической обработки данных работа проводилась в рамках выполнения государственного задания НТЦ УП РАН (проект FFNS-2022-0010).

Коды OCIS: 110.2970, 330.6180

Список источников:

1.   Dristi D., Manoranjan P., Manzur M., et al. Comparative analysis of machine and deep learning models for soil properties prediction from hyperspectral visual band // Environments. 2023. V. 10. № 5. P. 77. https://doi.org/10.3390/environments10050077.
2.   Soucy N., Sekeh S.Y. CEU-Net: Esemble semantic segmentation of hyperspectral images using clustering // J. Big Data. 2023. V. 10. № 1. P. 42. https://doi.org/10.1186/s40537-023-00718-3
3.   van Vliet-Perez S.M., van de Berg N.J., Manni F., et al. Hyperspectral imaging for tissue classification after advanced stage ovarian cancer surgery — a pilot study // Cancers. 2022. V. 14. № 6. P. 1422. https://doi.org/10.3390/cancers14061422
4.   Jong L.S., de Kruif N., Geldof F., et al. Discriminating healthy from tumor tissue in breast lumpectomy specimens using deep learning-based hyperspectral imaging // Biomed. Opt. Exp. 2022. V. 13. № 5. P. 2581–2604. https://doi.org/10.1364/BOE.455208
5.   Singh T., Garg N.M., Iyengar S.R.S. Nondestructive identification of barley seeds variety using near-infrared hyperspectral imaging coupled with convolutional neural network // J. Food Process Eng. 2021. V. 44. № 10. P. e13821. https://doi.org/10.1111/jfpe.13821
6.   Garini Y., Young I.T., McNamara G. Spectral imaging: Principles and applications // Cytometry Part A. 2006. V. 69A. № 8. P. 735–747. https://doi.org/10.1002/cyto.a.20311
7.   Fan S., Huang W., Guo Z., et al. Prediction of soluble solids content and firmness of pears using hyperspectral reflectance imaging // Food Analytical Methods. 2015. V. 8. № 8. P. 1936–1946. https://doi.org/10.1007/s12161-014-0079-1
8.   Juhnevica-Radenkova K., Radenkovs V., Kundzins K., Seglina D. Effect of ozone treatment on the microstructure, chemical composition and sensory quality of apple fruits // Food Sci. and Technol. Internat. 2019. V. 25. № 3. P. 252–267. https://doi.org/10.1177/1082013218815285
9.   Li J., Chen L., Huang W., et al. Multispectral detection of skin defects of bi-colored peaches based on vis — NIR hyperspectral imaging // Postharvest Biol. Technol. 2016. V. 112. P. 121–133. https://doi.org/10.1016/j.postharvbio.2015.10.007
10.   Manley M. Near-infrared spectroscopy and hyperspectral imaging: Non-destructive analysis of biological materials // Chem. Soc. Rev. 2014. V. 43. № 24. P. 8200–8214. https://doi.org/10.1039/c4cs00062e
11.   ElMasry G., Wang N., Vigneault C. Detecting chilling injury in Red Delicious apple using hyperspectral imaging and neural networks // Postharvest Biol. Technol. 2009. V. 52. № 1. P. 1–8. https://doi.org/10.1016/j.postharvbio.2008.11.008
12.   Molto E., Blasco J., Gomez-Sanchis J. Analysis of hyperspectral images of citrus fruits // Hyperspectral Imaging for Food Quality Analysis and Control. 2010. P. 321–348. https://doi.org/10.1016/b978-0-12-374753-2.10010-3
13.   Polder G., van der Heijden G. Measuring ripening of tomatoes using imaging spectrometry // Hyperspectral Imaging for Food Quality Analysis and Control. 2010. P. 369–402. https://doi.org/10.1016/B978-0-12-374753-2.10012-7
14.   Qin J., Lu R. Measurement of the optical properties of fruits and vegetables using spatially resolved hyperspectral diffuse reflectance imaging technique // Postharvest Biol. Technol. 2008. V. 49. № 3. P. 355–365. https://doi.org/10.1016/j.postharvbio.2008.03.010
15.   Shang M., Xue L., Zhan Y., et al. Full-surface defect detection of navel orange based on hyperspectral online sorting technology // J. Food Sci. 2023. V. 88. № 6. P. 2488–2495. https://doi.org/10.1111/1750-3841.16569
16.   Балабанов П.В., Жиркова А.А., Дивин А.Г. и др. Информационно-измерительная система для управления процессом сортировки овощей и фруктов // Вестник тамбовского государственного технического университета. 2022. Т. 28. № 4. С. 526–533. https://doi.org/10.17277/vestnik.2022.04.pp.526-533
   Balabanov P.V., Zhirkova A.A., Divin A.G., et al. An information-measuring system to monitor vegetable and fruit sorting process [in Russian] // Bulletin of the Tambov State Technical University. 2022. V. 28. № 4. P. 526–533. https://doi.org/10.17277/vestnik.2022.04.pp.526-533
17.   Егорович С.Н. Температурный режим и продуктивность сортов персика во влажных субтропиках России // Новые технологии. 2018. Т. 13. № 4. С. 230–235.
   Egorovich S.N. Temperature regime and productivity of peach varieties in humid subtropics of Russia [in Russian] // New Technologies. 2018. V. 13. № 4. P. 230–235.
18.   Причко Т.Г. Регулирование качества плодов при выращивании, уборке, хранении и переработке // Садоводство и виноградарство. 2004. № 6. С. 2–4.
   Prichko T.G. Regulation of fruit quality during cultivation, harvesting, storage and processing [in Russian] // Horticulture and Viticulture. 2004. № 6. P. 2–4.
19.   Zanella A. Control of apple superficial scald and ripening — a comparison between 1-methylcyclopropene and diphenylamine postharvest treatments, initial low oxygen stress and ultra-low oxygen storage // Postharvest Biol. Technol. 2003. V. 27. № 1. P. 69–78. https://doi.org/10.1016/S0925-5214(02)00187-4
20.   Першакова Т.В., Лисовой В.В., Купин Г.А. и др. Способы обеспечения стабильного качества растительного сырья в процессе хранения // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2016. Т. 116. № 2. С. 205–217.
   Pershakova T.V., Lisovoy V.V., Kupin G.A. et al. Methods of ensuring stable quality of plant raw materials during storage [in Russian] // Polythematic Online Scientific Journal of Kuban State Agrarian University. 2016. V. 116. № 2. P. 205–217.
21.   Уайлд Г., Парадовский А. Коммерческое использование технологии применения ингибитора этилена (1-МСР) за последние 8 лет в США // Тез. докл. междунар. научно-практической конф. — Высокоточные технологии производства, хранения и переработки плодов и ягод. Краснодар, Россия. 07–10 сентября 2010. С. 330–336.
   Wild G., Paradovsky A. Commercial use of ethylene inhibitor (1-MCP) technology in the USA: High-precision technologies for the production, storage and processing of fruits and berries [in Russian] // Internat. Scientific and Practical Conf. — High-precision Technologies for the Production, Storage and Processing of Fruits and Berries (Abstracts of reports). Krasnodar, Russia. September 07–10, 2010. P. 330–336.
22.   Омарова З.М., Причко Т.Г., Омаров М.Д. и др. Особенности уборки, переработки и изменения, происходящие в плодах фейхоа (Acca sellowiana O. Berg) при хранении // Субтропическое и декоративное садоводство. 2023. № 86. С. 85–96. https://doi.org/10.31360/2225-3068-2023-86-85-96
   Omarova Z.M., Prichko T.G., Omarov M.D., et al. Features of harvesting, processing and changes occurring in feijoa fruits (Acca sellowiana O. Berg) during storage [in Russian] // Subtropical and Decorative Gardening. 2023. № 86. P. 85–96. https://doi.org/10.31360/2225-3068-2023-86-85-96
23.   Pozhar V., Gaponov M., Machikhin A., Shirokov S. Hyperspectral monitoring AOTF-based apparatus // J. Phys. Conf. Ser. 2019. V. 1368. № 2. P. 022046. https://doi.org/10.1088/1742-6596/1368/2/022046
24.   Мачихин А.С., Пожар В.Э., Батшев В.И. Акустооптический видеоспектрометрический модуль для медицинских эндоскопических исследований // Оптический журнал. 2013. Т. 80. № 7. С. 44–49.
   Machikhin A., Pozhar V., Batshev V. Acousto-optic video spectrometer module for medical endoscopic studies // J. Opt. Technol. 2013. V. 80. № 7. P. 439–443. https://doi.org/10.1364/JOT.80.000439
25.   Шарикова М.О., Баландин И.А., Батшев В.И., Козлов А.Б. Пространственно-спектральная коррекция акустооптического видеоспектрометра // Оптический журнал. 2023. Т. 90. № 11. С. 79–89. http://doi.org/10.17586/1023-5086-2023-90-11-79-89
   Sharikova М.O., Balandin I.A., Batshev V.I., Kozlov A.B. Spatial and spectral correction of acousto-optical videospectrometer // J. Opt. Technol. 2023. V. 90. № 11. P. 00–00. http://doi.org/10.1364/JOT.90.000000
26.   Shang M., Xue L., Zhang Y., et al. Full surface defect detection of spherical fruit based on hyperspectral online sorting technology // J. Food Sci. 2022. V. 88. № 6. P. 2488–2495. https://doi.org/10.1111/1750-3841.16569
27.   Anuar M.S.K., Asral J., Nasri S. A study of image processing using morphological opening and closing processes // Internat. J. Control Theory and Applications. 2016. V. 9. № 31. P. 15–21.
28.   Nidamanuri R.R., Zbell B. Normalized spectral similarity score (NS3) as an efficient spectral library searching method for hyperspectral image classification // IEEE J. Sel. Top. Appl. Earth Obs. Remote. Sens. 2011. V. 4. № 1. P. 226–240. https://doi.org/10.1109/JSTARS.2010.2086435