Автоматическая идентификация видов муки по спектрам поглощения

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.

1. Березина, Н. А., Хмелева, Е. В., Артемова, Е. Н., Осипова, Г. А., & Шведова, М. Н. (2019). Моделирование поликомпозитной смеси для хлебобулочных изделий. Ползуновский вестник, 1, 11-16.

2. Вершинина, О. Л., Гончар, В. В., Росляков, Ю. Ф., & Тычина, А. В. (2019). Использование безглютеновой гречневой муки в производстве хлеба из смеси ржаной и пшеничной муки. Известия высших учебных заведений. Пищевая технология, 5-6(371-372), 35-38. https://doi.org/10.26297/0579-3009.2019.5-6.8.

3. Донская, Г. А., Бычкова, Т. С., & Юрова, Е. А. (2024). Исследование радиопротекторного потенциала муки из масличных культур. Ползуновский вестник, 4, 86–92. https://doi.org/10.25712/ASTU.2072-8921.2024.04.013

4. Жазыкбаева, Г. М. (2022). Современный метод контроля качества муки с помощью "ИНФРАНЕО". Инновационная техника и технология, 9(4), 17-21.

5. Кладов, Е. А., Есин, С. Б., & Егорова, Е. Ю. (2022). Компьютерная обработка изображений и их интерпретация в анализе гранулометрического состава масличной муки. Ползуновский вестник, 4-1, 48-56. https://doi.org/10.25712/ASTU.2072-8921.2022.04.006.

6. Крадецкая, О. О., Чилимова, И. В., Дашкевич, С. М., Утебаев, М.О., & Каиржанов, Е.К. (2022). Взаимосвязь цветовых различий муки и зерна с зольностью и силой муки различных сортов мягкой пшеницы. Вестник науки Казахского агротехнического университета им. С. Сейфуллина. 2-1(113), 24-34. https://doi.org/10.51452/kazatu.2022.2(113).951.

7. Кунашева, Ж. М., & Кодзокова, М. Х. (2018). Применение дробленой муки из риса в пищевых технологиях. Новые технологии, 4, 62-67.

8. Лебедев, Д. В., Рожков, Е. А., Леонов, В. А., & Мальнев, И. Д. (2019). Применение электротехнологических оптико-электронных способов в хлебопекарном производстве для определения качества пшеничной муки и концентрации мучной пыли в воздухе. АгроЭкоИнфо, 4(38), 35.

9. Мирошина, Т. А., & Резниченко, И. Ю. (2025). Потенциал гречневой муки в производстве безглютеновых хлебобулочных, макаронных и кондитерских изделий. Вестник КрасГАУ, 8(221), 204-216. https://doi.org/10.36718/1819-4036-2025-8-204-216.

10. Никонорова, Ю. Ю., Волкова, А. В., & Макушин, А. Н. (2021). Исследование реологических свойств теста и хлеба из смеси муки пшеничной высшего сорта и сорговой муки. Вестник КрасГАУ, 4(169), 155-160. https://doi.org/10.36718/1819-4036-2021-4-155-160.

11. Почицкая, И. М. (2022). Научно-практические основы разработки системы комплексной оценки качества пищевых продуктов: специальность 05.18.15 "Технология и товароведение пищевых продуктов и функционального и специализированного назначения и общественного питания": диссертация на соискание ученой степени доктора технических наук, 514.

12. Рукшан, Л. В., & Новожилова, Е. С. (2023). Исследование технологических свойств муки, полученной из обработанных разными способами семян люпина. Пищевая промышленность, 6, 30-32. https://doi.org/10.52653/PPI.2023.6.6.009.

13. Серебреникова, Е. С., & Анисимова, Л. В. (2022). Качество муки из зерна сорго и реологическиесвойства теста из смеси пшеничной и сорговой муки. Ползуновский вестник, 3, 71-80. https://doi.org/10.25712/ASTU.2072-8921.2022.03.010.

14. Черных, В. Я., Сарбашев, К. А., Шуленин, А. В., & Жирнова, Е. В. (2017). Определение цветовых характеристик пшеничной муки при производстве хлебобулочных и макаронных изделий. Хлебопродукты, 2, 44-47.

15. Шаболкина, Е. Н., Шевченко, С. Н., & Анисимкина, Н. В. (2021). Результаты изучения биохимических свойств зерна овса голозерного и физических свойств теста смесей с пшеничной мукой. Зерновое хозяйство России, 4(76), 61-65. https://doi.org/10.31367/2079-8725-2021-76-4-61-65.

16. Штейнберг, Т. С., & Морозова, О. В. (2021). Оценка метрологических характеристик сканирующего анализатора муки при определении оптических свойств компонентов методом анализа цифрового изображения. Хлебопродукты, 7. 36-38. https://doi.org/10.32462/0235-2508-2021-30-7-36-38.

17. Akın, P.A., Sezer, B., Bean, S.R., Peiris, K., Tilley, M., Apaydın, H. & Boyacı, İ.H. (2021). Analysis of corn and sorghum flour mixtures using laser-induced breakdown spectroscopy. J Sci Food Agric, 101, 1076-1084. https://doi.org/10.1002/jsfa.10717

18. Brabec, D., Grothe, S., Perez-Fajardo, M., Pordesimo, L., & Yeater, K. (2024). Potential of a flatbed scanner for evaluation of flour samples for dark specks and flour color. Cereal Chemistry, 101, 508–517. https://doi.org/10.1002/cche.10758

19. Guo, X., Meng, X., Li, L., Qiu, X., Li, C., Guo, G., Sun, X., Gong, T., & Tian, Y. (2024). A moisture detection sensor for flour based on the gas in scattering media absorption spectroscopy. Microw Opt Technol Lett, 66, e34011. doi:10.1002/mop.34011

20. He, P., Wu, Y., Wang, J., Ren, Y., Ahmad, W., Liu, R., Ouyang, Q., Jiang, H., & Chen, Q. (2020). Detection of mites Tyrophagus putrescentiae and Cheyletus eruditus in flour using hyperspectral imaging system coupled with chemometrics. J Food Process Eng. 43, e13386. https://doi.org/10.1111/jfpe.13386

21. Hernández-Aguilar, C., Domínguez-Pacheco, A., Cruz-Orea, A., & Ivanov, R. (2019). Photoacoustic Spectroscopy in the Optical Characterization of Foodstuff: A Review. Journal of Spectroscopy, 5920948. https://doi.org/10.1155/2019/5920948

22. Jenfa, M. D., Adelusi, O. A., Aderinoye, A., Coker, O. J., Martins, I. E., & Obadina, O. A. (2024). Physicochemical compositions, nutritional and functional properties, and color qualities of sorghum–orange-fleshed sweet potato composite flour. Food Science & Nutrition, 12, 2364–2378. https://doi.org/10.1002/fsn3.3922

23. Nagel-Held, J., Kaiser, L., Longin, C. F. H., & Hitzmann, B. (2022). Prediction of wheat quality parameters combining Raman, fluorescence, and near-infrared spectroscopy (NIRS). Cereal Chemistry, 99, 830–842. https://doi.org/10.1002/cche.10540

24. Pompeu, D.R., Souza, J.N.S. & Pena, R.S. (2021), Fast and non-destructive determination of simultaneous physicochemical parameters of Manihot esculenta flour using FT-NIR spectroscopy and multivariate analysis. Int. J. Food Sci. Technol., 56, 3826-3833. https://doi.org/10.1111/ijfs.14998

25. Rai, D., Rai, A.K., Rai, A.K., Singh D. B., & Yadav A. K. (2025). LIBS–a promising technique for control of food quality. Journal of Optics. https://doi.org/10.1007/s12596-024-02436-2

26. Shao, Y., Xuan, G., Hu, Z., & Wang, Y. (2019). Detection of adulterants and authenticity discrimination for coarse grain flours using NIR hyperspectral imaging. J Food Process Eng. 42, e13265. https://doi.org/10.1111/jfpe.13265

27. Yue, M., Zhang, S., Zhang, J., Wang, S., Yu, X., Li, H., Yin, X. & Ma, C. (2023). Potato flour content determination of potato–wheat flour mixture based on hyperspectral imaging. Int J Food Sci Technol, 58, 4780-4789. https://doi.org/10.1111/ijfs.16587