Feasibility of near-infrared hyperspectral imaging to differentiate Canadian wheat classes

La distinction des différentes classes de blé est un problème de taille pour l’industrie céréalière canadienne. En effet, certaines classes de blé ont un aspect semblable, mais présentent des différences appréciables de composition chimique et donc de qualité d’utilisation finale. La distinction visuelle comporte plusieurs inconvénients, don’t le fait de donner des résultats incohérents, de prendre du temps et d’exiger beaucoup de travail. Nous avons employé un système d’imagerie hyperspectrale proche infrarouge pour élaborer des modèles de classification permettant de distinguer les classes de blé cultivées dans l’Ouest canadien. À l’aide d’une caméra proche infrarouge à détecteur InGaAs, nous avons balayé des échantillons de blé en vrac avec des longueurs d’onde de 960 nm à 1700 nm, à intervalles de 10 nm. À partir des images ainsi obtenues, nous avons extrait 75 intensités de réflectance relative, que nous avons utilisées pour distinguer les classes de blé selon divers modèles de classification fondés soit sur une analyse statistique, soit sur un réseau neuronal artificiel. Avec un modèle fondé sur une analyse discriminante linéaire avec validation croisée de type « leave-one-out », l’exactitude de classification était de 100 % dans le cas du blé roux de printemps Canada Prairie (CPSR), du blé rouge d’hiver de l’Ouest canadien (CWRW) et du blé tendre blanc de printemps de l’Ouest canadien (CWSWS) et demeurait supérieure à 94 % dans le cas des autres classes de blé, soit le blé extra fort de l’Ouest canadien (CWES), le blé de force blanc de printemps de l’Ouest canadien (CWHWS), le blé roux de printemps de l’Ouest canadien (CWRS), le blé blanc de printemps Canada Prairie (CPSW) et le blé dur ambré de l’Ouest canadien (CWAD). Avec un modèle fondé sur une analyse discriminante quadratique, toujours avec validation croisée de type « leave-one-out », l’exactitude de classification était supérieure à 86 % pour toutes les classes de blé. Enfin, avec des modèles fondés sur un réseau neuronal standard à trois couches ou un réseau neuronal à rétropropagation de type « Ward net », avec ensembles de validation indépendants et proportion apprentissage-essai-validation de 60-30-10 ou de 70-20-10, l’exactitude de classification était supérieure à 90 %.