Информационные системы оценки технологических достоинств пшеницы

В практике пищевой промышленности востребованы высокоточные и экспрессные методики определения технологических качеств пшеницы и прогнозирования потребительских свойств продуктов ее переработки. Перспективным является использование для этих целей показателя твердозерности, однако на сегодняшний день его определение сопряжено с низкой точностью, высокими трудозатратами, использованием дорогостоящего инструментария. Целесообразны разработки автоматизированных систем анализа размолотого зерна на мукомольных предприятиях. Такие системы могут использоваться для определения целевого назначения производимой муки. В статье описана автоматизированная система оценки технологических свойств продуктов переработки зерна в процессе помола. В основе системы лежат методики формирования данных о форме и размерах частиц в потоках размола зерна. Для этого производимые цифровой камерой Sony IMX219 микроснимки частиц размола зерна подвергались обработке микрокомпьютером Raspberry Pi 3 с разработанным программным обеспечением на основе библиотеки алгоритмов компьютерного зрения OpenCV. Для моделирования работы такой системы на производстве была сконструирована лабораторная установка. Поскольку для успешного анализа частиц компьютерным зрением необходимо устранение эффекта слипания частиц, пользовались для этой цели совместным влиянием электростатических полей и вибрации. Оптимальные технические параметры подобраны опытным путем - электрическое напряжение около 24 кВ и частота вибраций анализируемых образцов продуктов размола зерна около 45 Гц. Для получения высокого напряжения использовался генератор коротких импульсов на основе высокочастотных тиристоров ТЧ63. Меняя напряжение питания генератора, можно плавно варьировать напряжение на выходе от 1 до 35 кВ. Один вывод высоковольтного источника питания заземлен, второй вывод подключен к датчику-регистратору частиц размола. Разработан алгоритм оценки твердозерности пшеницы на основе данных о форме и размерах частиц продуктов размола зерна - построено соответствующее регрессионное уравнение. Точность разработанного алгоритма определили путем сравнения с результатами оценки твердозерности референтным методом - по показателю микротвердости - способности зерна сопротивляться деформации (вдавливанию). Микротвердость зерна оценивали на микротвердомере ПМТ-3 с квадратной пирамидкой. Установленные эмпирические зависимости позволяют производить оценку твердозерности зерна с погрешностью не более 3%. Благодаря экспрессности такой оценки, возможны контроль и коррекция технологического процесса на мукомольных предприятиях.

технологические свойства, зерно пшеницы, продукты переработки зерна, гранулометрический анализ, компьютерное зрение, твердозерность, информационные системы

1. Беркутова Н.С. Методы оценки и формирования качества зерна. М.: Росагропромиздат, 1991. 206 с.

2. Беркутова Н.С., Швецова И.А. Микроструктура пшеницы. М.: Колос, 1977. 122 с.

3. Казеннова Н.К., Шнейдер Д.В., Цыганова Т.Б. Формирование качества макаронных изделий. М.: ДеЛи принт, 2009. 100 с.

4. Калачев М.В. Малые предприятия для производства хлебобулочных и макаронных изделий. М.: ДеЛи принт, 2008. 288 с.

5. Суворов О.А., Лабутина Н.В., Карягина С.В., Погорелов А.Г. Аналитические измерения в хлебопекарном производстве // Пищевая промышленность. 2008. № 3. С. 24-25.

6. Лабутина Н.В. Технология производства хлебобулочных изделий из замороженных полуфабрикатов. Смоленск: Универсум, 2004. 236 с.

7. Медведев П.В., Федотов В.А. Информационно-измерительные системы управления потребительскими свойствами зерномучных товаров // Баранова Т.И. Современные тенденции в экономике и управлении: новый взгляд: монография. Оренбург: ООО «Агентство «Пресса», 2013. С. 35-51.

8. Мелешкина Е.П., Туляков Д.Г., Витол И.С. Реологические свойства разных видов муки и композиционных смесей // Вестник Алтайского государственного аграрного университета. 2017. № 4. С. 174-179.

9. Каллан Р. Основные концепции нейронных сетей. М.: Издательский дом «Вильямс», 2001. 287 с.

10. Buyukozturk O., Hearing B. Crack propagation in concrete composites influenced by interface fracture parameters // International Journal of Solids and Structures. 1998. No. 35. P. 4055-4066.

11. Chung O.K., Ohm J.B., Lookhart G.L., Bruns R.F. Quality characteristics of hard winter and spring wheats grown under an overwintering condition // Journal of Cereal Science. 2003. No. 37. P. 91-99.

12. Karim A.A., Norziah M.H., Seow C.C. Methods for the study of starch retrogradation // Food Chemistry. 2000. No. 71. P. 9-36.

13. Maghirang E.B., Lookhart G.L., Bean S.R., Pierce R.O., Xie F., Caley M.S., Wilson J.D., Seabourn B.W., Ram M.S., Park S.H., Chung O.K., Dowell F.E. Comparison of quality characteristics and breadmaking functionality of hard red winter and hard red spring wheat // Cereal Chemistry. 2006. No. 83. P. 520-528.

14. Parker J.R. Algorithms for Image Processing and Computer Vision. Indiana: Wiley Publishing Inc., 2010. 504 p.

15. Pomeranz Y. Composition and functionality of wheat flour components // Wheat chemistry and technology. 1988. Vol. 2. P. 219-370.

16. Rundgren K., Lyckfeldt O., Sjöstedt M. Improving Powders with Freeze Granulation // Ceramic Industry. 2003. No. 1. P. 40-44.

17. Souza E.J., Martin J.M., Guttieri M.J., O’Brien K., Habernicht D.K., Lanning S.P., Carlson G.R., Talbert L.E. Influence of genotype, environment, and nitrogen management on spring wheat quality // Crop Science. 2004. No. 44. P. 425-432.

18. Zhang H.T., Tian Y., Sun Z.Y. Research on the classification of wheat grain hardness based of the near infrared hyperspectral imaging analysis // Journal of Henan agricultural sciences. 2015. No. 44. P. 181-184.

19. Mo X.S., Huang W., Chen J.W. Test on the new national standard of wheat hardness index // Journal of flour. 2008. No. 6. P. 22-23.

20. Caporaso N., Whitworth M., Fisk I. Application of calibrations to hyperspectral images of food grains: example of wheat // Falling Number Journal of Spectral Imaging. 2016. No. 1. P. 46-52.

21. Varzakas T. Quality and safety aspects of cereals (wheat) and their products // Critical Reviews in Food Science and Nutrition. 2016. Vol. 56. No. 15. P. 2495-2510. doi:10.1080/10408398.2013.866070

22. Katyal M., Singh N., Chopra N., Kaur A. Hard, medium-hard and extraordinarily soft wheat varieties: Comparison and relationship between various starch properties // International Journal of Biological Macromolecules. 2019. No. 123. P. 1143-1149.

23. Huang M., Wang Q.G., Zhu Q.B., Qin J.W., Huang G. Review of seed quality and safety tests using optical sensing technologies // Seed Science and Technology. 2015. No. 43(3). P. 337-366. doi: 10.15258/sst.2015.43.3.16

24. Tanabata T., Shibaya T., Hori K., Ebana K., Yano M. Smart Grain: high-throughput phenotyping software for measuring seed shape through image analysis // Journal of Plant Physiology. 2012. No. 160(4). P. 1871-1880. doi:10.1104/pp.112.205120

25. Gonzalez-Dugo V., Hernandez P., Solis I., Zarco-Tejada P.J. Using high-resolution hyperspectral and thermal airborne imagery to assess physiological condition in the context of wheat phenotyping // Remote Sensing. 2015. No. 7(10). P. 13586-13605. doi:10.3390/rs71013586

26. Nuttall J.G., O’Leary G.J., Panozzo J.F., Walker C.K., Barlow K.M., Fitzgerald G.J. Models of grain quality in wheat // Field Crop Research. 2017. No. 202. P. 136-145. doi:10.1016/j.fcr.2015.12.011