Performance evaluation of a model for the classification of contaminants from wheat using near-infrared hyperspectral imaging
Citation
Ravikanth, L., Singh, C.B., Jayas, D.S., et White, N.D.G. (2016). « Performance evaluation of a model for the classification of contaminants from wheat using near-infrared hyperspectral imaging. », Biosystems Engineering, 147, p. 248-258. doi : 10.1016/j.biosystemseng.2016.04.001
Résumé en langage clair
The presence of contaminants in wheat reduces its quality and thereby its grade. The identification of these contaminants in wheat is difficult when they are physically and sometimes visually similar. Moreover, manual contaminant identification methods are time-consuming and labour intensive. Near-infrared (NIR) hyperspectral imaging is an advanced image processing technique used effectively for quality evaluation of various food and agricultural products. This technique can be an effective alternative to the traditionally used manual contaminant identification methods. This study reports the performance evaluation of the previously developed classification model to differentiate seven foreign material types (barley, canola, maize, flaxseed, oats, rye, and soybean); six dockage types (broken wheat kernels, buckwheat, chaff, wheat spikelets, stones, and wild oats); and two animal excreta types (deer and rabbit droppings) from Canada Western Red Spring (CWRS) wheat using NIR hyperspectral imaging. We were able to detect the various contaminants in wheat.
Résumé
La présence de contaminants dans le blé réduit sa qualité et donc son grade. L’identification des contaminants dans le blé est difficile lorsqu’ils sont physiquement, et parfois visuellement, similaires. De plus, les méthodes manuelles d’identification des contaminants exigent beaucoup de temps et de main-d’œuvre. L’imagerie hyperspectrale dans le proche infrarouge est une technique perfectionnée de traitement d’images qui est utilisée avec profit pour évaluer la qualité de différents produits agroalimentaires. Cette technique peut remplacer de façon efficace les méthodes manuelles d’identification des contaminants. La présente étude rend compte de l’évaluation de la performance d’un modèle de classification élaboré pour distinguer sept types de matières étrangères (orge, canola, maïs, graines de lin, avoine, seigle et soja), six types d’impuretés (grains de blé cassés, sarrasin, fragments de paille, épillets de blé, pierres et folle avoine) et deux types d’excréments d’animaux (cerf et lièvre) dans le blé roux de printemps de l’Ouest canadien (CWRS) à l’aide de l’imagerie hyperspectrale dans le proche infrarouge. Le modèle de classification évalué avait été mis au point à l’aide d’une technique de prétraitement spectral avec variable normale standard et d’un classificateur k-NN (k plus proches voisins). Nous avons réalisé deux expériences distinctes pour identifier et quantifier (par nombre) les types de contaminants présents dans le blé. La performance du modèle de classification a été comparée aux résultats de validation du modèle. Les résultats obtenus avec le modèle de classification mis au point étaient très proches des résultats de validation. Ce modèle peut donc être utilisé pour la classification de différents contaminants présents dans le blé.