Введение: Необходимость системы комплексной оценки качества муки, включая выявление примесей, добавок, улучшителей, предполагает использование машинного зрения и машинного обучения, являющихся передовыми направлениями искусственного интеллекта. Важным источником данных для анализа служат оптические спектральные методы.
Цель: изучение оптических фотолюминесцентных свойств различных видов муки для разработки методов автоматической идентификации состава смесей в процессах хранения и производства хлебобулочных изделий.
Материалы и методы: Для спектральных измерений использовались образцы муки из пшеницы, ржи, овса, риса, гороха, гречки и нута. Оптические спектральные измерения полученных образцов муки проводили в расширенном спектральном диапазоне 200–500 нм на дифракционном спектрофлуориметре СМ-2203.
Результаты: Все спектральные характеристики содержат максимумы на длинах волн: 272 нм, 286 нм, 290 нм, 362 нм, а также слабый максимум при 424 нм. Наиболее сильное возбуждение наблюдается у рисовой муки, а наименьшее — у гречневой. Для нутовой муки имеет место сильное поглощение в коротковолновой (260–290 нм) и длинноволновой (420 нм и более) областях. У остальных исследованных видов муки характеристики примерно схожие. Интегральные параметры Η во всей исследуемой области 220–500 нм определяются с погрешностью до 10,9 % (для овсяной муки), для всех остальных исследованных видов муки значения этих параметров различаются до 4,3 раз. Однако для проектирования систем машинного зрения целесообразно проводить идентификацию видов муки по интегральным параметрам в более узких областях λ1-λ2 и по их соотношениям. На основе отобранных признаков построены модели классификации, показавшие точность до 88,9 % при тестировании, выявлены проблемные пары классов, такие как гороховая и гречневая мука.
Выводы: Интегральные и статистические параметры спектров обладают высокой разделяющей способностью. Наибольшей комплексной оценкой отличаются отношение Η220-500/Η470-500 (85,3 %), эксцесс (84,8 %) и математическое ожидание (84,6 %), которые рекомендуется использовать в качестве базовых для построения алгоритмов классификации. Практическая проверка на моделях машинного обучения подтвердила возможность автоматической идентификации видов муки с точностью, удовлетворяющей требованиям промышленного контроля.
Introduction: The need for a comprehensive flour quality assessment system, including the presence of impurities, additives, and improvers, involves the use of machine vision and machine learning, an advanced field of artificial intelligence. An important area of obtaining data for analysis is the use of optical spectral methods.
Purpose: To study the optical photoluminescent properties of various types of flour in order to develop methods for automatic identification of the composition of mixtures during storage and production of bakery products.
Materials and Methods: For spectral measurements, flour samples from wheat, rye, oats, rice, peas, buckwheat and chickpeas were used. Optical spectral measurements of the obtained flour samples were carried out in the extended spectral range of 200–500 nm on a CM 2203 diffraction spectrofluorimeter.
Results: All spectral characteristics contain peaks at the following wavelengths: 290nm, 272 nm, 286 nm, 362 nm, as well as a weak maximum of 424 nm. Rice flour has the strongest excitement, and buckwheat flour has the least. For chickpea flour, strong absorption occurs in the short-wavelength (260–290 nm) and long-wavelength (420 nm or more) regions. The other types of flour studied have approximately similar characteristics. The integral parameters H in the entire studied range of 220–500 nm are determined with an error of up to 10.9 % (for oat flour) and differ by 4.3 times for all the studied types of flour. However, for the design of machine vision systems, it is advisable to identify flour types by integral parameters in the narrower areas of λ1-λ2 and by their ratios. Based on the selected features, classification models were built that showed accuracy of up to 88.9 % during testing, while problematic pairs of classes such as pea and buckwheat flour were identified.
Conclusion: The integral and statistical parameters of the spectra have a high separation ability. The ratio H220-500/H470-500 (85.3 %), kurtosis (84.8 %) and mathematical expectation (84.6 %) are the most complex estimates, which are recommended to be used as the basis for constructing classification algorithms. Practical testing on machine learning models has confirmed the possibility of automatic identification of flour types with accuracy that meets the requirements of industrial control.
The authors declare that there are no conflicts of interest present.