Detection of different stages of fungal infection in stored canola using near-infrared hyperspectral imaging

Nous avons utilisé un système d’imagerie hyperspectrale dans le proche infrarouge pour détecter différents stades d’infection fongique dans des graines de canola entreposé. Nous avons examiné des graines de canola artificiellement infectées (champignons : Aspergillus glaucus et Penicillium spp.) au moyen d’un tel système, selon 61 longueurs d’onde s’échelonnant de 1 000 à 1 600 nm à intervalles réguliers. Les résultats obtenus avec les longueurs d’onde 1 100, 1 130, 1 250 et 1 300 nm se sont révélés significatifs et ont été retenus pour l’analyse discriminante statistique. Nous avons élaboré des modèles de classification par paires, à deux classes et à six classes pour identifier les échantillons sains et les échantillons à différents stades d’infection fongique. Nous avons utilisé trois classificateurs discriminants (linéaire, quadratique et de Mahalanobis) pour identifier les échantillons sains ainsi que les cinq stades de l’infection à l’A. glaucus et les cinq stades de l’infection au Penicillium spp. dans les graines de canola. Les trois classificateurs ont permis d’identifier les graines de canola saines et les graines infectées avec un taux d’exactitude de plus de 95 % dans le cas des graines saines, et de plus de 90 % pour les premiers stades de l’infection à l’A. glaucus et au Penicillium spp. L’exactitude de la classification est passée à 100 % avec l’augmentation du niveau d’infection (période écoulée depuis l’inoculation). Le taux de germination et la teneur en acides gras libres ont été analysés pour tous les échantillons examinés à l’aide du système d’imagerie. Le taux de germination diminuait avec l’augmentation du niveau d’infection, tandis que la teneur en acides gras libres augmentait avec l’augmentation du niveau d’infection.