Разработка экспресс-метода оценки качества зерна с применением машинного зрения и цифровой обработки изображений тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Трошкин Дмитрий Евгеньевич

• Трошкин Дмитрий Евгеньевич
• кандидат наук
• 2022

Оглавление диссертации кандидат наук Трошкин Дмитрий Евгеньевич

РЕФЕРАТ

SYNOPSIS

Введение

Глава 1. Обзор литературных источников

1. 1 Анализ нормативной документации и требований, предъявляемых к качеству пшеницы и ее контролю по визуальным признакам

1.1.1 Деление пшеницы на классы

1.1.2 Деление пшеницы на типы

1.1.3 Деление ячменя на классы

1.1.4 Методы оценки цвета и запаха зерна пшеницы и ячменя

1.1.5 Показатель стекловидности зерна пшеницы и ячменя

1.2 Обзор существующих устройств для контроля качества зерна

1.2.1 Сравнительный анализ оборудования для определения стекловидности зер

1.2.2 Комплексные анализаторы зерна

1.2.3 Сравнительный анализ анализаторов зерна

Глава 2. Объекты, материалы и методы исследования

2.1 Материалы исследования

2.1 Макет измерительного устройства

2.2 Инструкция на пользование аппаратно-программным комплексом для оценки качества зерна пшеницы и ячменя по показателям стекловидности и цвет

2.3 Алгоритм автоматической оценки качества зерен пшеницы по показателю качества «стекловидность» на основании результатов анализа их изображений

Глава 3. Экспериментальные исследования

3.1 Определение оптимального режима работы нижнего модуля подсветки

3.2 Оценка эффективности алгоритма компенсации неравномерности освещения зоны анализа

3.3 Исследование возможностей сегментации цифровых изображений для анализа стекловидности пшеницы и ячменя без использования кассет

3.4 Результаты оценки общей стекловидности пробы пшеницы программным алгоритмом в видимом диапазоне длин волн

3.5 Исследование влияния расположения зерен в зоне анализа АПК на определяемое значение общей стекловидности отборных проб пшеницы в видимом диапазоне длин волн

3.6 Исследование влияния цвета зерна пшеницы на расчетное значение показателя стекловидности

3.7 Исследование влияния расположения зерен в зоне анализа АПК на определяемое значение общей стекловидности отборных проб пшеницы при использовании ИК-подсветки

3.8 Исследование влияния цвета зерен на определяемое значение общей стекловидности отборных проб пшеницы при использовании ИК -подсветки

3.9 Исследование стекловидности пивоваренного ячменя

3.10 Сравнение результатов органолептического анализа стекловидности зерен ячменя и данных, полученных при помощи АПК

3.11 Исследование координат цвета системы EBC

Глава 4. Оценка экономической эффективности аппаратно-программного комплекса для анализа показателей качества зерновых культур

Заключение

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЯ

Приложение

Приложение

Приложение

РЕФЕРАТ

Введение диссертации (часть автореферата) на тему «Разработка экспресс-метода оценки качества зерна с применением машинного зрения и цифровой обработки изображений»

I. ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Зерно и продукты его переработки являются основой рациона питания современного человека. Наиболее значимые культуры - пшеница и ячмень. По данным Росстат, валовой сбор зерна в Российской Федерации в 2018 году составил 116 млн т, при этом 70 млн т из них - это пшеница, 25 млн т - ячмень. Зерновые культуры имеют стратегическое значение как с точки зрения продовольственной безопасности страны, так и с точки зрения экспортного потенциала отечественного агропромышленного комплекса. Потому все более важным становится контроль качества зерна, причем в современных условиях ведения бизнеса предпочтителен именно экспресс-анализ показателей качества, поскольку каждая минута простоя при приемке сырья сокращает прибыль предприятия. Оценка качества зерна производится в основном по органолептическим показателям, таким как: запах, вкус, цвет. Одним из важнейших визуальных показателей качества зерна пшеницы и ячменя является стекловидность зерна. Данный показатель качества связан с пищевой ценностью зерна, содержанием белка и крахмала, влажностью и рядом других физико -химических показателей. Вторым по значимости показателем качества зерна является цвет. Цвет зерна позволяет оценить его биохимическое состояние. Изменение цвета может указывать на повреждение зерна в процессе сбора и хранения, его зараженность различными патогенами. Для пивоваренной отрасли остро стоит проблема прогнозирования цвета конечного продукта на основании цвета исходного сырья (солода). На сегодняшний день, уровень развития современных компьютерных технологий, электроники и оптики позволяют создавать системы машинного зрения, способные автоматизировать задачи, связанные с визуальной оценкой качества зерна пшеницы и ячменя по показателям стекловидность и цвет. Между тем, существующие технические решения, позволяющие проводить оценку стекловидности в количественном виде, не учитывают влияние цвета и плотности взаимного расположения зерновок на результаты анализа, либо требуют дополнительной проверки результатов

оператором, перекалибровки, пополнения статистики, либо технически сложны и обладают высокой стоимостью. Цвет зерна, а также солода и сусла в основном определяется органолептическим способом, не обладающим точностью и не позволяющим прогнозировать цвет конечного продукта на основании цвета исходного сырья, что требуется, например, в пивоваренной промышленности. Таким образом, актуальной является разработка экспресс-метода оценки качества зерна пшеницы и ячменя по показателям стекловидность и цвет с использованием технического зрения и технологий обработки цифровых изображений, а также реализующего его оптико-электронного устройства, чему и посвящается данная работа.

Степень разработанности темы. Проблемой оценки качества зерна по показателям цвет и стекловидность занимались такие ученые как S. Serranti (2013), Т.С. Штейнберг (2019), С.В. Зверев (2018), E. Kaya (2019). Была показана возможность оценки стекловидности и цвета зерна пшеницы по спектрофотометрическим характеристикам, предложена концепция «цифрового эталона» зерна, апробированы методы анализа цифрового изображения зерна методом сравнения с цифровым эталоном по трем цветовым каналам, проведены первые попытки фотосепарации зерна с использованием данного метода, а также разработан прототип сканирующего анализатора зерна. Идеи оценки качества зерна различных культур нашли свою реализацию в виде обновленной версии отечественного диафаноскопа «Янтарь», использующего для анализа стекловидности цифровую камеру и базу данных для сравнения и расчета конечного результата (Р.Ю. Антонов, 2020), в оборудовании ООО «Воронежсельмаш» для процесса фотосепарации, в диссертации Зиятдиновой В.А.(2019). Исследовалась связь между стекловидностью и содержанием белка Н.И. Васько (2018), С.В. Зверевым (2017), B.X. Fu (2018), E. Chichti (2018), A.N. Sieber (2015), и многими другими учеными. Однако в научных статьях до сих пор не рассматривалось влияние цвета и плотности размещения зерен при анализе стекловидности пробы в видимом диапазоне длин волн, по этой причине операторам приходится часто калибровать приборы для оценки стекловидности на

разных пробах зерна, поскольку невозможно определить статичные пороговые значения коэффициента пропускания для классификации зерна пшеницы и ячменя по стекловидности в видимом диапазоне, кроме того анализ стекловидности ячменя до сих пор проводят в основном органолептическим методом ввиду сильного поглощения света его внешними оболочками. В данной работе предлагается данные ограничения преодолевать при помощи смены источника видимого излучения для анализа в режиме на пропускание на источник ИК-излучения, а также расширением динамического диапазона. Цель и задачи исследования.

Целью диссертационной работы является разработка методики и экспресс-метода оценки качества зерна пшеницы и ячменя по показателям стекловидности и цвета с применением машинного зрения и цифровой обработки изображений. Для достижения поставленной цели работы были решены следующие задачи:

- провести анализ нормативной документации, обзор существующих методов и устройств для оценки показателей качества зерна пшеницы и ячменя: стекловидность и цвет зерна;

- провести поиск классификационного признака для разделения зерна пшеницы и ячменя на категории по стекловидности;

- разработать алгоритмы оценки качества зерна пшеницы и ячменя по показателям: стекловидность и цвет на основании анализа цифровых изображений зерен;

- изучить влияние цвета зерна, а также плотности расположения зерен в зоне анализа на результаты оценки стекловидности программным алгоритмом;

- разработать схему и реализовать аппаратурно-программный комплекс для оценки качества зерна пшеницы и ячменя по показателям: стекловидность и цвет;

- сравнить возможности разработанного аппаратно-программного комплекса с органолептическим способом определения стекловидности;

- провести анализ возможностей сегментации цифровых изображений зерен с целью определения оптимального числа объектов в зоне анализа;

- оцифровать координаты цвета системы European Brewing Convention (EBC), определить возможность прогнозирования цвета сусла на основании цвета солода;

- составить инструкцию на пользование аппаратурно программным комплексом для оценки качества зерна пшеницы и ячменя по показателям: стекловидность и цвет;

- оценить экономический эффект от применения аппаратно-программного комплекса для анализа показателей качества зерновых культур.

Научная новизна работы:

- Установлено, что расчетный показатель стекловидности пробы при анализе в видимом диапазоне зависит от плотности расположения зерна и при увеличении плотности расположении зерен до соприкосновения друг с другом может снижаться более чем на 25%.

- Показано влияние цвета зерна на результаты оценки стекловидности в видимом диапазоне длин волн, а также установлено, что зерновки краснозерных сортов пшеницы имеют пониженное, по сравнению с белозерными сортами, расчетное значение стекловидности за счет повышенного поглощения видимого излучения в плодовых оболочках краснозерного зерна.

- Выявлена зависимость между координатой цвета органолептической системы EBC и координатой яркости Y колориметрической системы XYZ, что позволяет оцифровать шкалу EBC и перейти от органолептического анализа к измерению цвета в количественном виде, тем самым увеличить скорость и точность анализа.

Практическая значимость работы:

- Обоснован выбор источника излучения для анализа стекловидности пшеницы и ячменя в режиме «на пропускание», работающего в ближнем инфракрасном диапазоне на длине волны 940 нм.

- Научно обоснована эффективность применения технологий машинного зрения и алгоритмов обработки цифровых зерен для определения коэффициента пропускания в инфракрасной области, применяемого в качестве классификационного признака для разделения зерен пшеницы и ячменя на категории по стекловидности.

- Разработанный метод объективной оценки стекловидности зёрен пшеницы и ячменя с использований технологий обработки цифровых изображений позволяет сократить совокупное время анализа одной пробы более чем в 2 раза по сравнению со стандартным органолептическим методом.

- Показана возможность прогнозирования цвета сусла на основании цвета солода с неопределенностью около 6%.

- Разработан аппаратно-программный комплекс для экспресс-анализа зерна пшеницы и ячменя по стекловидности и цвету, проведена апробация методик определения стекловидности пшеницы и ячменя, цвета солода. Получены акты производственных испытаний от ООО «Пивоваренная компания «Балтика» и Всероссийского Института Генетических Ресурсов Растений им. Н.И. Вавилова, определяющие перспективы практического использования разработанных методик для решения как производственных, так и селекционных задач.

Основные научные положения, выносимые на защиту.

- экспериментальные данные по влиянию плотности размещения зерна в зоне анализа и его цвета на расчетное значение общей стекловидности пробы зерна в видимом диапазоне длин волн;

- целесообразность использования источника ИК-излучения в модуле нижней подсветки, а также обоснование выбора его режима работы;

- пороговые значения коэффициента пропускания зерна пшеницы и ячменя в инфракрасном диапазоне длин волн для классификации по стекловидности;

- корреляционная зависимость между координатой цвета EBC и яркостью в системе XYZ.

Степень достоверности и апробация результатов

Степень достоверности работы подтверждается использованием современных методов обработки и анализа информации, методов математической статистики. Результаты исследования представлены на 10 международных и всероссийских конференциях.

Получены акты производственных испытаний из Всероссийского института генетических ресурсов растений имени Н.И. Вавилова Растениеводства (ВИР) и пивоваренной компании «Балтика».

Публикации. По теме работы опубликовано 5 печатных работ, включая 2 публикации в базе данных Scopus и 3 в изданиях перечня ВАК.

Структура и объем работы. Диссертация состоит из введения, 4 частей, заключения, списка использованной литературы и приложений. Работа изложена на 206 страницах, содержит 42 рисунка, 28 таблиц, 3 приложения.

II. ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается необходимость проведения исследования. Представлены цель, задачи, новизна и практическая значимость работы.

В первой главе приводится анализ государственных стандартов на различные показатели качества зерна пшеницы и ячменя, определяемые визуально. Основными показателями качества, исследуемыми в работе, являются стекловидность и цвет. Приводится информация по каждому показателю качества, даются комментарии касательно возможности определения данных показателей качества методами машинного зрения. Также приводится обзор существующих устройств для контроля качества зерна и их сравнительный анализ, выявляющий отсутствие на рынке устройств для комплексного экспресс -анализа зерна.

Во второй главе описаны объекты, материалы и методы исследования. В качестве материала исследования были использованы пробы зерна мягкой пшеницы сортов: Лютесценс 275, Г-39018, Jo 8149, HD 1639, а также зерна твердых сортов: Pingüino

"S", DF-33/777 и Тимирязевская степная. Также отбирались пробы ячменя трех различных сортов, предоставленные ООО «Ностерс». Пробы зерна отбирались в соответствии с ГОСТ 13586.3-2015 Зерно. Правила приемки и методы отбора проб.

Макет измерительного устройства

Для проведения экспериментальных исследований был разработан и создан макет устройства, вид в разрезе, которого представлен на рисунке 1. Устройство содержит два источника излучения, верхний и нижний, работающие в видимом и инфракрасном диапазонах длин волн соответственно, рассеивающую платину, специальную кассету на 100 ячеек для размещения образцов зерна и телевизионную камеру с объективом, передающую цифровые изображения зерен на персональный компьютер для дальнейшей обработки.

Верхний осветительный модуль представлен купольным источником освещения на базе светодиодов ARL-3528WW, излучающих в видимом диапазоне длин волн.

Модуль нижней подсветки представляет собой массив 10 х 10 ИК светодиодов KP-3216F3C с Я max = 940 нм.

Для обеспечения объективности результатов анализа перед проведением измерений проводились колориметрическая, фотометрическая и метрическая калибровки. Такой подход позволил обеспечить соответствие измерений стандартам Государственной системы обеспечения единства измерений. Объекты исследования помещались в зону анализа на прозрачной подложке из оргстекла или в специальной кассете на 100 зерен, как показано на рисунке 2, производилась съемка в режимах «на отражение» и «на пропускание». Полученные цифровые изображения проб зерна в различных режимах обрабатывались специально разработанным программным обеспечением, выполняющим задачи сегментации цифровых изображений зерен и оценки стекловидности и цвета.

Рисунок 1 - Схема аппаратно-программного комплекса (АПК): 1 - узел регистрации, 2 - модуль верхней подсветки, 3 - модуль нижней подсветки, 4 -

кассета для размещения зерен

Рисунок 2 - АПК с пробой зерна в зоне анализа перед проведением экспериментальных исследований

Экспериментальные исследования проводились при нормальных условиях по ГОСТ 15150-69:

- температура окружающей среды: от 10 до 30 °С,

- относительная влажность воздуха при температуре 25 °С: до 100%,

- атмосферное давление: 84-107 кПа (630-800 мм. рт. ст.).

Описание алгоритма оценки стекловидности зерна

Для автоматической оценки качества зерен пшеницы по показателю «стекловидность» был реализован программный алгоритм, полученный на основании предварительно проведенных экспериментальных исследований стекловидности зерна пшеницы и ячменя, осуществляющий анализ цифровых изображений зерен пшеницы.

Принципиально, полученный алгоритм можно разделить на два основных блока: блок сегментации и блок расчета общей стекловидности пробы.

Блок сегментации в программном алгоритме выполняет функцию «отделения» зерен друг от друга на исходных цифровых изображениях проб. Данная функция необходима, поскольку позволяет реализовывать размещение объектов в зоне анализа АПК в режиме «монослой», без использования кассеты, что значительно упрощает работу оператора и ускоряет процесс анализа. Принцип действия разработанного алгоритма сегментации представлен в виде блок-схемы (рисунок 3).

Результат работы алгоритма сегментации проиллюстрирован на рисунке 4, разными цветами на рисунке обозначены различные наборы пикселей, соответствующие отдельным зернам.

Импорт изображения

Запись данных в массив

к к

1 г

Компенсация Сегментация

неравномерности методом

освещения водоразделов

> г > к

Предварительная Бинаризация

обработка изображения

Рисунок 3 - Блок-схема алгоритма сегментации цифровых изображений зерен

пшеницы

1

Рисунок 4 - Сравнение сегментированного и исходного изображений

Оценка общей стекловидности пробы основана на определении показателя пропускания каждой зерновки и их последующая классификация на категории: стекловидное, частично-стекловидное и мучнистое зерно.

Для расчета потребуется использовать изображение, полученное в режиме «на пропускание» в оттенках серого. Коэффициент пропускания объекта на цифровом изображении после проведения соответствующих калибровок и компенсаций может быть рассчитан как средняя интенсивность составляющих его пикселей.

Для классификации зерна на категории по стекловидности были подобраны эмпирически граничные значения коэффициента пропускания (КП). При КП > 0.58 зерновка считалась стекловидной, при КП < 0.53 - мучнистой. Промежуточные значения соответствовали частично-стекловидному зерну.

По окончании классификации зерновок общая стекловидность пробы зерна рассчитывалась как сумма всех стекловидных зерен и половины количества частично-стекловидных, в соответствии с ГОСТ 10987-76 Зерно. Методы определения стекловидности:

С - V + —, (1)

2

где О - общая стекловидность пробы, V - число стекловидных зерен, - число частично-стекловидных зерен.

Третья глава работы посвящена проведению экспериментальных исследований.

Определение оптимального режима работы нижнего модуля подсветки

Для определения оптимального с точки зрения стабильности режима работы нижнего источника подсветки АПК были проведены серии измерений яркости фона в двух режимах: непрерывном, когда между измерениями источник оставался включен, и импульсном, в котором нижний источник включался лишь на время, необходимое для снятия камерой изображения, а все остальное время оставался не активным. На протяжении интервала времени в 1 час проходила съемка изображений фона. Затем рассчитывалась средняя интенсивность пикселей изображения.

График зависимости яркости источника от времени при непрерывной работе представлен ниже на рисунке 5. Как видно из рисунка 5, при работе источника в непрерывном режиме происходит значительное снижение яркости получаемых цифровых изображений. Данное явление связано с изменением спектра излучения инфракрасных диодов: при нагреве происходит перераспределение спектральной плотности мощности таким образом, что часть мощности переходит в среднюю и

дальнюю ИК области, тем самым снижается количество мощности излучения, улавливаемого камерой, поскольку камера, используемая в АПК, способна воспринимать только излучение ближнего ИК-диапазона. Таким образом, целесообразно использовать импульсный режим.

-20 - \

-25 - -_

-30 -1-1-1-1-1-

0 10 20 30 40 50 60

мин

Рисунок 5 - Процентное изменение яркости источника при работе в непрерывном

режиме

Оптимальный интервал между повторными измерениями, обеспечивающий стабильную работу устройства, был подобран эмпирически и составил приблизительно 1.5 - 2 минуты. Данного времени обычно хватает для удаления отснятых образцов из зоны анализа и проведению подготовительных мероприятий для съемки новой пробы.

Оценка эффективности алгоритма компенсации неравномерности освещения зоны анализа

Для обеспечения стабильной работы установки необходимо было оценить повторяемость получаемых результатов (значение коэффициента пропускания) для одного и того же объекта, перемещаемого по зоне анализа.

В качестве объекта исследования использовался оптический фильтр НС -2, из набора образцов цветных оптических стекол, перемещаемый по рабочей области зоны анализа. Фильтр был взят в качестве объекта исследования, поскольку он обладает однородностью величины пропускания по всей площади, что значительно снижает количество необходимых экспериментальных измерений, а значит увеличивает достоверность результатов.

Фильтр размещался в зону анализа поверх кассеты, происходила съемка изображения, фильтр перемещался в следующую позицию и так до тех пор, пока последовательно не оказались перекрыты все ячейки кассеты. Для каждой из областей полученных изображений, соответствующих ячейкам кассеты, рассчитывался коэффициент пропускания. Значения коэффициента пропускания сравнивались. Для оценки повторяемости результатов рассчитывался коэффициент вариации, значение которого составило менее 1%.

Влияние взаимного расположения и ориентации зерен на результаты оценки стекловидности в видимом диапазоне длин волн

Было проведено исследование с целью установить влияние ориентации зерен и взаимного расположения на результат оценки стекловидности зерна мягкой краснозерной пшеницы сорта Лютесценс 275, регион происхождения: РФ, Омская обл. Исследование проводилось по описанной ранее методике, проба зерна исследовалась 10 раз, причем первые два измерения проводились при равномерном расположении зерен в зоне анализа в двух положениях: бороздкой вверх и бороздкой вниз (Рисунок 6) для минимизации влияния взаимного расположения зерен друг на друга, а также исключения возможных ошибок обнаружения алгоритма сегментации цифровых изображений. Общая стекловидность исследуемой пробы составила 70%, данное значение впоследствии принималось за эталон. Результаты работы алгоритма оценки общей стекловидности пробы представлены в таблице 1.

Рисунок 6 - Цифровые изображения зерен бороздкой вниз (слева) и бороздкой

вверх (справа)

Таблица 1 - Результаты оценки стекловидности пробы пшеницы сорта Лютесценс 275

Общая

№ измерения стекловидных частично мучнистых стекловидность, %

1 52 39 9 72

2 51 37 12 70

3 46 39 15 66

4 37 39 24 57

5 33 44 23 55

6 41 36 23 59

7 30 46 24 53

8 41 44 15 63

9 37 40 23 57

10 19 55 26 47

Анализ первых двух изображений свидетельствует об отсутствии влияния ориентации зерна на результаты оценки стекловидности пробы. Однако анализ остальных цифровых изображений пробы показал значительный разброс полученных значений. Выявлена положительная корреляция между плотностью расположения объектов в зоне анализа и снижением определяемого показателя общей стекловидности зерна одной пробы. Было выяснено, что один и тот же образец при отсутствии соседних и в случае окружения другими образцами проявляет различную степень «яркости», т. е. снижается интенсивность свечения объекта при прохождении через него оптического излучения от источника,

расположенного снизу. Данное явление объясняется уменьшением поступающего светового потока на поверхность зерновки, при близком расположении образцов друг относительно друга, поскольку соседние образцы препятствуют поступлению света от источника на боковые поверхности зерновки, возникает теневая зона, соответственно, измеренная средняя интенсивность объекта на цифровом изображении падает. В качестве решения данной проблемы было предложено использовать инфракрасные диоды в модуле нижней подсветки.

Исследование влияния цвета зерна пшеницы на расчетное значение показателя стекловидности в видимом диапазоне длин волн

Мягкая пшеница традиционно разделяется на белые и красные сорта. За цвет краснозерной пшеницы главным образом отвечает пигмент красного или красно-коричневого цвета, содержащийся в плодовых оболочках, у белого зерна данный пигмент отсутствует. Целью исследования являлось определение влияния цвета зерна на работу алгоритма определения стекловидности по цифровым изображениям зерна, полученным в видимом диапазоне длин волн. Стекловидность зерна пшеницы нескольких сортов оценивалась при помощи программного алгоритма и методом поперечного разрезания по ГОСТ (данное значение принималось за эталонное). Полученные данные представлены в таблице 2.

Таблица 2 - Результаты оценки общей стекловидности проб пшеницы мягких и твердых сортов

сорт цвет измеренная стекловидность, % реальное значение, %

Лютесценс 275 красное 78 78

Г-39018 белое 83 3

Jo 8149 белое 48 0

HD 1639 белое 97 11

Pinguino "S" янтарное 100 99

DF-333/77 янтарное 100 100

Тимирязевская степная янтарное 100 98

Как видно из представленных результатов, при исследовании стекловидности пшеницы разных сортов могут возникать ситуации, когда образцы зерна красной пшеницы с высокой стекловидностью могут обладать меньшим коэффициентом пропускания по сравнению с образцами белозерной пшеницы мучнистой консистенции. Было выдвинуто предположение, что данное различие в способности пропускать свет связано с наличием особого красно -коричневого пигмента, содержащегося во внешних оболочках зерна краснозерной пшеницы. Отметим еще раз, что в зерне белозерной пшеницы сортов Г-39018, Jo 8149 и НО 1639 данный пигмент отсутствует. В качестве решения данной проблемы было предложено использовать инфракрасные диоды в модуле нижней подсветки.

Исследование влияния расположения зерен в зоне анализа АПК на определяемое значение общей стекловидности отборных проб пшеницы при использовании ИК-подсветки

Ранее было сделано предположение, что использование ИК-источника освещения, используемого для анализа зерен пшеницы в режиме «на пропускание», позволит исключить или значительно ослабить влияние взаимного расположения зерен друг относительно друга на результат определения показателя стекловидности зерна пшеницы. Для проверки данного предположения был проведен эксперимент с использованием лабораторного макета измерительной установки, содержащего массив ИК-диодов в нижнем источнике излучения с длиной волны 940 нм.

Исследовалась проба зерна мягкой краснозерной пшеницы сорта Лютесценс 275, регион происхождения: РФ, Омская обл. Исследование проводилось по описанной ранее методике (см. п. 3.3), серия экспериментов состояла из 10 измерений с перемешиванием пробы. Результаты эксперимента представлены в таблице 3.

Таблица 3 - Результаты оценки общей стекловидности пробы пшеницы сорта

Лютесценс 275 с использование ИК -источника излучения

№ измерения стекловидных частично мучнистых Общ. стекл., %

1 82 12 6 88

2 84 11 5 89,5

3 83 9 8 87,5

4 84 11 5 89,5

5 80 14 6 87

6 80 15 5 87,5

7 84 10 6 89

8 84 9 7 88,5

9 85 8 7 89

10 83 14 3 90

Полученные результаты свидетельствуют об отсутствии корреляции между плотностью расположения объектов и снижении рассчитанного показателя общей стекловидности пробы пшеницы. Оценка повторяемости результатов расчета показателя общей стекловидности программным алгоритмом проводилась путем расчета СКО, полученное значение составило 0,7. Размах выборки составил 3%, что является приемлемым, соответствует требованиям ГОСТ.

Список литературы диссертационного исследования кандидат наук Трошкин Дмитрий Евгеньевич, 2022 год

СПИСОК ЛИТЕРАТУРЫ

1. ГОСТ 9353-2016. Пшеница. Технические условия

2. ГОСТ 10940-64 Зерно. Методы определения типового состава

3. ГОСТ 28672-2019 Ячмень. Технические условия

4. Markovic, I. Application of Statistical Indicators for Digital Image Analysis and Segmentation in Sorting of Agriculture Products / I. Markovic, D. Markovic, J. Ilic, S. Vojislav [et al] // Tehnicki Vjesnik. - 2018 - Vol. 25. - pp. 1739-1745.

5. Ropelewska, E. The application of computer image analysis based on textural features for the identification of barley kernels infected with fungi of the genus fusarium / E. Ropelewska // Agricultural Engineering. - 2018. - Vol. 22(3). - pp. 49.

6. Зверев, С. В. Характеристики цвета зерна тритикале / С. В. Зверев, И. А. Панкратьева, О. В. Политуха [и др.] // Инновационные технологии производства и хранения материальных ценностей для государственных нужд. - 2016. - № 6(6). - С. 112-116.

7. Widiastuti, M. Digital image analysis using flatbed scanning system for purity testing of rice seed and confirmation by grow out test / M. Widiastuti, A. Hairmansis, E. R. Palupi, S. Ilyas // Indonesian Journal of Agricultural Science. - 2018. - Vol. 19(2). - pp. 49-56.

8. Алгазинов, Э. К. Методы распознавания элементов зерновых смесей по результатам измерения спектральных характеристик в системах сепарации реального времени / Э. К. Алгазинов, М. А. Дрюченко, Д. А. Минаков // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. - 2013. - № 2. - С. 9-19.

9. Olgun, M. Wheat grain classification by using dense SIFT features with SVM classifier / M. Olgun, A. Onarcan, K. Ozkan, S. I§ik, O. Sezer, K. et. al // Computers and Electronics in Agriculture. - 2016 - Vol. 122. - pp. 185-190.

10. Донских, А.О. Методы классификации элементов зерновых смесей на основе анализа спектральных характеристик в видимом и инфракрасном диапазонах длин волн / А. О. Донских, Д. А. Минаков, А. А. Сирота, В. А.

Шульгин // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. - 2016. - №2 1. - С. 150-160.

11. Донских, А. О. Алгоритм выделения спектров элементов зерновых смесей на основе обработки данных спектральных измерений в потоковом режиме / А. О. Донских, Д. А. Минаков, А. А. Сирота // Информатика: проблемы, методология, технологии: сборник материалов XVII международной научно-методической конференции: в 5 т., Воронеж, 09-10 февраля 2017 года. - Воронеж: Общество с ограниченной ответственностью "Вэлборн", 2017. - С. 72-77.

12. Kaya, E. Detection of Impurities in Wheat and Classification of Durum Wheat Vitreousness in a Dynamic System / E. Kaya, i. Sarita§, i. A. Ozkan // 4th International Conference on AdvancedTechnologies & Sciences (ICATRome). -2016.

13. Nitka, A. design of an automated rice grain sorting system using a vision system / A. Nitka, A. Sioma // Proc. SPIE 10808, Photonics Applications in Astronomy, Communications, Industry, and High-Energy Physics Experiments. -

2018. - DOI: 10.1117/12.2501658.

14. Kaya, E. Towards a real-time sorting system: Identification of vitreous durum wheat kernels using ANN based on their morphological, colour, wavelet and gaborlet features / E. Kaya, i. Saritas // Computers and Electronics in Agriculture. -

2019. - Vol. 166. - 105016.

15. Минкин, Ю. И. Оценка качества пшеницы внутри зернового бункера комбайна на основе технологий компьютерного зрения / Ю.И. Минкин, А.В. Панченко, А.Ю. Шканарев, И.А. Коноваленко [и др.] // Экстремальная робототехника. - 2017. -№1(1). - С. 231-237.

16. Wu, T.T. Vis- and NIR-based instruments for detection of black-tip damaged wheat kernels: a comparative study / T.T. Wu, pp.R. Armstrong, E.B. Maghirang // Trans. ASABE. - 2018. - Vol. 61. - pp. 461-467.

17. Wu, T.T. Optimized detection models for wheat black tip disease and multiple classification results / T.T. Wu, K.Q. Yu, H.H. Zhang, et al. // Spectrosc. Spectr. Anal. - 2018. - Vol. 38. - pp. 3912-3916.

18. Shao, Y.Y. Determination of damaged wheat kernels with hyperspectral imaging analysis / Y.Y. Shao, C. Gao, G.T. Xuan, et al. // Int. J. Agric. Biol. Eng. -2020. - Vol. 13. - pp. 194-198.

19. Chen, F.N. Hyperspectral reflectance imaging for detecting typical defects of durum kernel surface / F.N. Chen, P.L. Chen, K. Fan, et al. // Intell. Autom. Soft Comput. - 2018. - Vol. 24.

20. Shen, Y. Detection of stored-grain insects using deep learning / Y. Shen, H. Zhou, J. Li, F. Jian, D. Jayas // Computers and Electronics in Agriculture. - 2018. -Vol. 145. - pp. 319-325.

21. Xu, D.G. Application of modern information technology in the detection of stored grain insects / D.G. Xu, F. Li // J. Chin. Cereals Oils Assoc. - 2021. - Vol. 36. - pp. 185-194.

22. Shi, W.Y. Efficient detection of internal infestation in wheat based on biophotonics / W.Y. Shi, K.K. Jiao, Y.T. Liang, et al. // J. Photochem. Photobiol. B-Biol. - 2016. - Vol. 155. - pp. 137-143.

23. Johnson, J.B. An overview of near-infrared spectroscopy (NIRS) for the detection of insect pests in stored grains / J.B. Johnson // J. Stored Prod. Res. - 2020.

- Vol. 86. - 101558.

24. Prabha, V. Machine Vision System for Food Grain Quality Evaluation: A Review / V. Prabha, J.A. Moses // Trends in Food Science & Technology. - 2016. -Vol. 56(10). - pp. 10-16.

25. Csakvari, E. Wheat Quality Estimation Using Vision-Based Digital Image Analysis / E. Csakvari, M. Halassy, A. Enyedi, F. Gyulai, J. Berke - 2021. DOI:10.21203/rs.3.rs-266773/v1.

26. Bhande, A. Quality identification of wheat by using image processing / A. Bhande, S.V. Rode // International Journal of Engineering Science and Computing.

- 2016. - Vol. 6(4). - pp. 3824-3826.

27. Медведев, П. В. Новые методы оценки технологических свойств зерна пшеницы с использованием информационных технологий / П. В. Медведев, В. А. Федотов, И. А. Бочкарева // Хлебопродукты. - 2017. - № 1. - С. 60-63.

28. Медведев, П.В. Управление качеством продуктов переработки зерна и зерномучных товаров / П.В. Медведев, В.А. Федотов., И.А. Бочкарева // Научный журнал НИУ ИТМО. Серия «Процессы и аппараты пищевых производств». - 2016. - №1.

29. Лебедев, Д.В. Отсортировка по цвету зараженных фузариозом и головней семян пшеницы в многокритериальном фотоэлектронном сепараторе / Д.В. Лебедев, Е.А. Рожков // Электротехнологии и электрооборудование в АПК. - 2019. - №4(37). - С.25-29

30. Serranti, S. The development of a hyperspectral imaging method for the detection of Fusarium-damaged, yellow berry and vitreous Italian durum wheat kernels / S. Serranti, D. Cesare and G. Bonifazi // Biosystems Engineering. - 2013.

- Vol. 115. - pp. 20-30.

31. Львова, Л. С. Метод определения фузариозных зерен ржи и ячменя / Л. С. Львова, А. В. Яицких // Защита и карантин растений. - 2014. - № 2. - С. 4244. Хить, Я. В. Методы обработки NIR-изображений для модели распознавания скрытой заражённости зерна пшеницы рисовым долгоносиком / Я. В. Хить // Электронный сетевой политематический журнал "Научные труды КубГТУ". - 2014. - № S6. - С. 150-155.

32. ГОСТ 10967-2019. Зерно. Методы определения запаха и цвета

33. ГОСТ 13586.3-2015 Зерно. Правила приемки и методы отбора проб

34. Штейнберг, Т.С. Технология определения характеристик зерна методом математического анализа его цифрового изображения / Т.С. Штейнберг, О.Г. Шведова., А.Л. Аматуни // Сборник научных трудов Международной научно

- практической конференции РГАУ - МСХА им К.А. Тимирязева. - 2016. -С.455-458.

35. Стрижова, Ф.М. Растениеводство: учебное пособие / Ф.М. Стрижова, Л.Е. Царева, Ю.Н. Титов. - Барнаул: Изд-во АГАУ, - 2008. - 219 с.

36. Личко, Н.М. Стандартизация и подтверждение соответствия сельскохозяйственной продукции. Учебник для вузов / Н.М. Личко. - М.: ДеЛи плюс, 2013. - 512с.

37. Родионова, Н. С., Современная теория и технология получения, обработки и применения продуктов комплексной переработки зародышей пшеницы / Н.С. Родионова, Т.В. Алексеева // Вестник ВГУИТ. - 2014. -№4(62), - С.99-109.

38. Kaya, E. Correlations Between Color Features of Vitreous and Non-vitreous Durum Wheat Kernels With Linear Regression / E. Kaya, i. Sarita§ // International Conference on Engineering Technologies. - 2018. - pp. 248-251.

39. Vermeulen, pp. Discrimination between durum and common wheat kernels using near infrared hyperspectral imaging / pp. Vermeulen, M. Suman, J. A. F. Pierna, V. Baeten // Journal of Cereal Science. - 2018. - pp. 74-82.

40. Зверев С.В. Распознавание мучнистых зерен пшеницы по уровню плотности потока отраженного излучения в красной области спектра / С. В. Зверев, И. В. Козырев, О. В. Политуха, В. Б. Зайцев // Международная научно -практическая конференция, посвященная памяти Василия Матвеевича Горбатова. - 2017. - № 1. - С. 131-134.

41. Зверев, С.В. Стекловидность как показатель качества зерна пшеницы / С.В. Зверев, И.А. Панкратьева, О.В. Политуха, Н.А. Игорянова, В.Б. Зайцев // Хранение и переработка зерна. - 2017. - №11(219). - С.33-34.

42. Рындин, А.Ю. Физические методы определения качества зерна: анализ источников / А.Ю. Рындин // Вестник НГИЭИ. 2013. №12 (31).

43. Sieber, A. Vitreosity, its stability and relationship to protein content in durum wheat / A. Sieber, T. Wurschum, C. Friedrich, H. Longin // J. Cereal Sci. - 2015. -Vol. 61. - pp. 71-77.

44. Xiao Fu, B. Kernel vitreousness and protein content: Relationship, interaction and synergistic effects on durum wheat quality / B. Xiao Fu, K. Wang, B. Dupuis, et all // J. Cereal Sci. - 2018. - Vol. 79. - pp. 210-217.

45. ГОСТ 10987-76 Зерно. Методы определения стекловидности.

46. Зверев, С.В. Оценка стекловидности зерна тритикале и пшеницы по спектральным характеристикам / С. В. Зверев, О. В. Политуха, И. А. Панкратьева [и др.] // Хлебопродукты. - 2017. - № 9. - С. 54-55.

47. Зверев С.В. Фотосепарирование зерна тритикале по признаку стекловидности / С. В. Зверев, О. В. Политуха, И. А. Панкратьева [и др.] // Хранение и переработка зерна. - 2017. - № 3(211). - С. 24-25.

48. Wen, K. Application of Computer Vision Technology on Seed Conditioning and Parameter Determination of Zhengdan958 Corn Variety (Zea Mays L.) / K. Wen, L. Yang, J. Wang, Q. Sun // DEStech Transactions on Computer Science and Engineering. - 2018. - pp. 134-138.

49. Lurstwut, C. Application of image processing and computer vision on rice seed germination analysis / C. Lurstwut, Pornpanomchai // Int. J. Appl. Eng. Res. -2016. -Vol. 11. - pp. 6800-6807.

50. Jayas, D.S. Wheat quality evaluation / D.S. Jayas, J. Paliwal, C. Erkinbaev, P.K. Ghosh, C. Karunakaran / S. DA-Wen (Ed.) // Computer Vision Technology for Food Quality Evaluation. - 2016. -Vol. 2. - Academic press, London. - pp. 385-412.

51. Sabanci, K. Grain classifier with computer vision using adaptive neuro-fuzzy inference system / K. Sabanci, A. Toktas, A. Kayabasi // Journal of the Science of Food and Agriculture. - 2017. - Vol. 97. - pp. 3994-4000.

52. Зверев, С.В. Спектрофотометрический метод повышения качества зерна пшеницы / С. В. Зверев, И. А. Панкратьева, О. В. Политуха, В. Б. Зайцев // Хлебопродукты. - 2018. - № 3. - С. 46-48.

53. Zhang, D.Y. Integration of spectroscopy and image for identifying fusarium damage in wheat kernels using hyperspectral imaging / D.Y. Zhang, G. Chen, H.H. Zhang, et al. // Spectroc. Acta Pt. A-Molec. Biomolec. Spectr. - 2020. - Vol. 236. - 118344.

54. Hui, G.Y. Research on the pre-processing methods of wheat hardness prediction model based on visible-near infrared spectroscopy /

G.Y. Hui, L.J. Sun, J.N. Wang, et al. // Spectrosc. Spectr. Anal. - 2016. - Vol. 36. - pp. 2111-2116.

55. Erkinbaev, C. Single kernel wheat hardness estimation using near infrared hyperspectral imaging / C. Erkinbaev, K. Derksen, J. Paliwal // Infrared Phys. Technol. - 2019. - Vol. 98. - pp. 250-255.

56. Агапкин, А.М. Изучение качества зерна мягкой пшеницы с помощью экспресс-метода БИК (ближней инфракрасной) - спектроскопии / А.М. Агапкин, Ю.Д. Белкин // Экономика и предпринимательство. - 2020. -№1(114). - C. 1273-1277.

57. Li, L. Optical techniques in non-destructive detection of wheat quality: A review / L. Li, S. Chen, M. Deng, Z. Gao // Grain & Oil Science and Technology. -2022. - Vol. 5(1). - pp. 44-57.

58. Rutkovskaya, T.S. Possibilities of automatic assessment of the vitreous nature of wheat and linear characteristics of grain (seeds) by digital image analysis / T.S. Rutkovskaya, R.Y. Antonov, & G. pp. Petrov // Agrarian Science. - 2020. Vol. 338 (5). - pp. 87-90.

59. Venora, G. Quality assessment of durum wheat storage centres in Sicily: Evaluation of vitreous, starchy and shrunken kernels using an image analysis system // G. Venora, O. Grillo, R. Saccone // Journal of Cereal Science. - 2009. - Vol. 49(3). - pp. 429-440.

60. Штейнберг, Т. С. Исследование оптических характеристик зерна и его анатомических частей для разработки экспрессных методов оценки качества муки и зерна / Т. С. Штейнберг // Научно-инновационные аспекты хранения и переработки зерна: к 85-летию ГНУ ВНИИЗ Россельхозакадемии / Под редакцией Мелешкиной Е.П. - Москва: Всероссийский научно-исследовательский институт зерна и продуктов его переработки, 2014. - С. 236-246.

61. Штейнберг Т.С. Разработка перспективного метода "Анализ цифрового изображения зерна" для оценки его качества / Т. С. Штейнберг, О. Г. Шведова, А. Л. Аматуни, И. Б. Павлов // Инновационные технологии производства и

хранения материальных ценностей для государственных нужд. - 2015. - № 3(3). - С. 339-353.

62. Штейнберг, Т.С. Цветовые характеристики зерна озимой твердой пшеницы / Т. С. Штейнберг, Л.И. Семикина, О.Г. Шведова, А.И. Коваль // Вестник Восточно-Сибирского государственного университета технологий и управления (Вестник ВСГУТУ). - 2018. - №3(70). - С. 67-74.

63. Whan, A. GrainScan: A low cost, fast method for grain size and colour measurements / A. Whan, A. Smith, C. Cavanagh, J.-P. Ral, L. Shaw, C. Howitt, L. Bischof // Plant methods. - 2014. - DOI: 10. 23. 10.1186/1746-4811-10-23.

64. Dudhrejia, M.N. Size measurement and color calibration in image based grain examining / M. N. Dudhrejia, C. B. Bhatt, M.K. Shah // Int. J. of Advanced Research in Computer Science and Management Studies. - 2016. - Vol. 4(11). - pp. 39-50.

65. Liu, T. Rice and wheat grain counting method and software development based on Android system / T. Liu, W. Chen, Y. Wang, W. Wu, et al // Computers and Electronics in Agriculture. - 2017. - Vol. 141. - pp. 302-309.

66. Штейнберг, Т. С. Система измерения влажности зерна и зернопродуктов / Т. С. Штейнберг, Т. А. Леонова // Методы оценки соответствия. - 2009. - № 9. - С. 8-11.

67. Ye, D.D. Non-destructive prediction of protein content in wheat using NIRS / D.D. Ye, L.J. Sun, B.R. Zou, et al. // Spectroc. Acta Pt. A-Molec. Biomolec. Spectr. - 2017. - Vol. 189. - pp. 463-472.

68. Williams, P.C. Application of chemometrics to prediction of some wheat quality factors by near-infrared spectroscopy / P.C. Williams // Cereal Chem. -2020. - Vol. 97. - pp. 958-966.

69. Mao, X.D. Modeling research on wheat protein content measurement using near-infrared reflectance spectroscopy and optimized radial basis function neural network / X.D. Mao, L.J. Sun, G.Y. Hui, et al. // J. Food Drug Anal. - 2014. - Vol. 22. - pp. 230-235.

70. Mishra, P. Improved prediction of protein content in wheat kernels with a fusion of scatter correction methods in NIR data modelling / P. Mishra, S. Lohumi // Biosyst. Eng. - 2021. - Vol. 20. - pp. 93-97.

71. Caporaso, N. Protein content prediction in single wheat kernels using hyperspectral imaging / N. Caporaso, M.B. Whitworth, I.D. Fisk // Food Chem. -2018. - Vol. 240. - pp. 32-42.

72. Sabanci, K. Weight Estimation of Wheat by Using Image Processing Techniques / K. Sabanci, C. Aydin // Journal of Image and Graphics. - 2016. - Vol.4.

- pp. 51-54.

73. Mebatsion, H. K. Automatic classification of non-touching cereal grains in digital images using limited morphological and color features / H. K. Mebatsion, J. Paliwal & D.S. Jayas // Computers and Electronics in Agriculture. - 2013. - Vol 90. - pp. 99-105.

74. Aznan, A. Rice Seed Varieties Identification based on Extracted Colour Features using Image Processing and Artificial Neural Network (ANN) / A. Aznan, R. Ruslan, I. Rukunudin, F. Azizan, A. Hashim // International Journal on Advanced Science, Engineering and Information Technology. - 2017. - Vol. 7. - pp.2220.

75. Лузев, В. С. Классификация зерен продовольственных культур по текстуре / В. С. Лузев, А. Б. Голик // Вестник алтайской науки. - 2015. - № 1(23). - С. 428-433.

76. Dubosclard, pp. Automatic visual grading of grain products by machine vision / pp. Dubosclard, S. Larnier, H. Konik, A. Herbulot, M. Devy // Journal of Electronic Imaging. - 2015. - Vol. 24(10). - pp. 11-17.

77. Wang, Y. An automatic detection method to the field wheat based on image processing / Y. Wang, Z.-G. Cao, X.D. Bai, Z. Yu, Y. Li // Proc. SPIE. - 2013. -8918. 10.1117/12.2031139.

78. Saini, M.S. Analysis of Wheat Grain Varieties Using Image Processing: A Review / M.S. Saini, J. Singh & N.R. Prakash // Int. Journal of Science and Research.

- 2014. - Vol. 3(6), - pp. 490-495.

79. Kapadia, V. Case Report Adv Biotech & Micro Seed Image Analysis and Its Application in Seed Science Research / V. Kapadia, K. Patil // Advances in Biotechnology & Microbiology. - 2018. - Vol. 7. - pp. 001-003.

80. Goriewa-Duba, K. An Evaluation of the Variation in the Morphometric Parameters of Grain of Six Triticum Species with the Use of Digital Image Analysis / K. Goriewa-Duba, M. Wiwart, A. Duba, U. Wachowska // Agronomy. - 2018 -№8. - 10.3390/agronomy8120296.

81. Delwiche, S. R. Multiple view image analysis of freefalling U.S. wheat grains for damage assessment / S. R. Stephen, I-C. Yang and R. A. Graybosch // Comput. Electron. Agric. -2013. - Vol. 98. - pp. 62-73.

82. Singh, C.B. Identification of insect-damaged wheat kernels using short-wave near-infrared hyperspectral and digital colour imaging / C.B. Singh, D.S. Jayas, J. Paliwal, et al. // Comput. Electron. Agric. - 2010. - Vol. 73. - pp. 118-125.

83. Zahra, B. Detection of sunn pest-damaged wheat samples using visible/near-infrared spectroscopy based on pattern recognition / B. Zahra, J. Bahareh, R. Mansour, et al. // Spectroc. Acta Pt. A-Molec. Biomolec. Spectr. - 2018. - Vol. 203. - pp. 308-314.

84. Антонов, Р. Ю. Экспресс-анализатор стекловидности пшеницы-диафаноскоп „Янтарь" / Р.Ю. Антонов // Хлебопродукты. - 2019. - № 5. - С. 36-38.

85. Антонов, Р. Ю. Измерительная сеть на основе электронного диафаноскопа „Янтарь" / Р. Ю. Антонов, Т. С. Рутковская // Хлебопродукты. - 2019. - № 11. - С. 34-36.

86. Голик, А.Б. Программный модуль «Анализатор стекловидности зерна пшеницы» для анализатора зернопродуктов «ГРАН» / А.Б. Голик, В.С. Лузев, Л.В. Устинова, // Сборник статей и докладов конференции «Современные проблемы техники и технологии пищевых производств». - 2006. - C. 296-304.

87. Штейнберг, Т.С. Метод анализа цифрового изображения зерна для оценки его качества / Т.С. Штейнберг, О.В. Морозова, Л.И. Семикина // Хранение и переработка сельхозсырья. - 2014. - №10. - С. 47-51.

88. Гонсалес, Р., Цифровая обработки изображений в среде MATLAB / Р. Гонсалес, Р. Вудс, С. Эддингс. - М.: Техносфера, - 2006. - 621 c.

89. Ruslan, R. Effect of Background Color on Rice Seed Image Segmentation Using Machine Vision / R. Ruslan, M.F. Ibrahim, S. Bejo, A. Aznan, I. Rukunudin, F. Azizan. - 2018. - pp. 1-4. 10.1109/ICASSDA.2018.8477614.

90. Форсайт, Д. А., Компьютерное зрение. Современный подход / Д.А. Форсайт, Ж. Понс // - М.: Издательский дом «Вильямс». - 2004.

91. Anantha, A.D. Segmentation of food items using watershed algorithm and predicting the country of food items / A.D. Anantha, pp. Sriramya // Int. J. of Recent Technology and Engineering. - 2019. - Vol. 7. - pp. 497-501.

92. Репко, Н.В. Состояние производства ячменя в Российской Федерации / Н.В. Репко, К.В. Подоляк, Е.В. Смирнова, И.О. Макарова // Научный журнал КубГАУ. -2015. - №106(02).

93. Кулистикова, Т. Росстат пересмотрел данные по урожаю-2019 / Т. Кулистикова // Агроинвестор. - 2020. - №2.

94. ГОСТ 5060-86. Ячмень пивоваренный. Технические условия.

95. Булгаков, Н. И., Биохимия солода и пива / Н. И. Булгаков // М.: Пищевая промышленность, - 1976. - 358 с.

96. Ростовская, М.Ф. Влияние параметров солодоращения на качество пшеничного солода / М.Ф. Ростовская, А.Н. Извекова, Н.Н. Извекова // Пиво и напитки. - 2014. - №4.

97. Полонский, В. И. Поглощение воды зерном ячменя связано с его плотностью / В. И. Полонский, А. В. Сумина // Вестник КрасГАУ. - 2011. -№9.

98. Полонский, В. И. Метод оценки стекловидности зерна ячменя / В. И. Полонский, А. В. Сумина // Вестник КрасГАУ. - 2013. - №3.

99. Рыбалка, А.И. Современные направления улучшения качества зерна ячменя / А.И. Рыбалка, М.М. Копусь, Д.П. Донцов // Аграрный вестник Юго-Востока. - 2009. - № 3. - С. 24-27.

100. Васько, Н. И. Стекловидность эндосперма и содержание белка в зерне сортов пленчатого и голозерного ячменя / Н. И. Васько, М. Р. Козаченко, П. Н. Солонечный и др. // Зернобобовые и крупяные культуры. - 2018. - №4 (28).

101. ГОСТ 10939-64 Зерно. Методы определения засоренности, прохода мелких зерен и выравненности.

102. Koren, D. How to objectively determine the color of beer? / D. Koren, B.H. Vecseri, G. Kun-Farkas et al. // Journal of Food Science and Technology. - 2020. -Vol. 57. - pp. 1183-1189.

ПРИЛОЖЕНИЯ Приложение 1

Приложение 2

Приложение 3

СПИСОК ПУБЛИКАЦИЙ ПО ТЕМЕ ДИССЕРТАЦИИ

№ Выходные данные Индексирование

1 Troshkin D.E., Chertov A.N., Gorbunova E.V., Meledina T.V., Sevastyanova L.V., Alekhin A.A. Non-Destructive Method in Determining the Barley Grain VitreousityZ/Вестник Московского государственного технического университета им. Н.Э. Баумана. Серия: Приборостроение, 2021, No. 3(136), pp. 144-154 ВАК, РИНЦ

2 Трошкин Д.Е., Горбунова Е.В., Чертов А.Н., Сычева Е.А., Алёхин А.А., Лоскутов И.Г., Зуев Е.В. Определение стекловидности пшеницы методом технического зрения в ближнем ИК диапазоне длин волн // Известия высших учебных заведений. Приборостроение -2020. - Т. 63. - № 7. - С. 666-672 ВАК, РИНЦ

3 Troshkin D.E., Chertov A.N., Baranov I.V., Mironova D.Y., Meledina T.V., Trapeznikova A.V. Digital method for determining the vitreousity of malt barley//Proceedings of SPIE, 2020, Vol. 11552, pp. 115520Y Scopus, Web of Science

4 Troshkin D., Chertov A., Gorbunova E., Baranov I.V., Mironova D.Y., Kushkoeva A.S., Zuev E., Loskutov I. A study of the influence of the orientation and arrangement features of wheat grains and their color on determination of the vitreousity//Proceedings of SPIE, 2019, Vol. 11061, pp. 110610K Scopus, Web of Science

5 Трошкин Д.Е., Горбунова Е.В., Алёхин А.А., Горбачёв А.А., Чертов А.Н., Лоскутов И.Г., Зуев Е.В. Количественная оценка стекловидности пшеницы методом технического зрения // Хлебопродукты -2019. - № 6. - С. 52-56 ВАК, РИНЦ

ТЕКСТЫ ПУБЛИКАЦИИ

Non-l.TiestnirLlvc Method in licttrnilLiLnji the Barley Grain VLtrcousdty

certain specialized varieties found application as the main raw materia] in the brewing industry [1].

Beer production includes many technological operations, during which complex physicochemical reactions are taking place that require a certain ratio of the initial components, including protein, starch and others; therefore, the initial raw material quality is strictly regulated [3]. Malt is produced at the first stage, i.e., the germinated grain, then it is dried at a certain technological temperature [41.. Germination time is closely connected to the grain ability to absorb moisture, as the denser grain needs more time to germinate [5). The grain density is connected to peculiarities in its composition and internal structure [6-9]. Denser grains contain more protein, loose grains — more starch [10]. These features determine significant ditierence in the grain ability to permit, the optical radiation through, and this leature, as is known [ 11-13], is used to determine the grain vitreous ity.

To assess the wheat and rice grain vitreousky methods provided in GOST* are used, while vitreousity is not determined in the brewing barley evaluation. Meanwhile, this indicator correlates with the protein content and is important in malting, especially in the first two days oi grain germination. Therefore, in parallel with the protein determination, barley vitreousity is evaluated.

The main difference between a barley grain and wheat and rice grains, which analysis is calculated by the standard method using a diaphanoscope [13], lies in the dense truit coat significantly absorbing optical radiation and strongly complicating the study of barley by this method. The existing method oi cutting grains is time-consuming and, therefore, is not suitable for express-evaluation. It is proposed to solve this problem to use the vitreousity evaluation method by the grain digital images obtained in the nearlR range [13-15],

It should be noted that methods used to evaluate vitreousity could not be applied determining uniformity [16] of a barley sample by this indicator. It characterizes only the range of alterations in grain vitreousity within a sample.

Objective of this work is to study possibility of applying methodology developed by the authors in evaluating the wheat grain vitreousity compared to the barley grain and selecting optimal filming parameters to obtain information on the grain vitreousity.

Scientific novelty of the conducted research consists in the proposed method for non-destructive objective evaluation of the barley grain vitreousity based on the digital image analysis, as well as in the method ot grain sample uniformity evaluation by the vitreousity indicator.

'COST IC9£7-76. (¡rail). Methods for vitreousity determination. [SiiN 0236-3911. Вкпш мгту км. Н.Э. Баумана. Op Приборостроение. 2021. № 3 145

D-E- Troihkin. A.X. Chcrtav. E.V. Corfeunova

Materials and methods used to solve the problems, accepted assumptions. Samples of three different varieties of barley were used in experimental studies, which were provided by LLC "Nosters". Grain samples were taken in accordance with COST*.

A hardware and software complex developed by the authors was used for experimental studies [15] (Fig. 1). The complex consists of upper and lower sources radiating in the visible and infrared ranges, scattering plate, spccial cassette with 100 cells tor placing grain samples and television camera with a lens transmitting digital images of grains to the personal computer tor consequent processing.

Fig. 1. Hardware and software complex: 1 is upper radiation source; - is camera with lens; 3 is cassette lor placing grain samples, 4 is Light scattering plate; 5 is lower radiation source

To ensure objectivity of the analysis results, colorimetric, photometric and metric calibrations arc performed before measurements are taken. This approach makes it possible to ensure compliance of measurements with the standards of the State System for Ensuring Uniformity of Measurements.

Measurements were taken as follows. The analyzed grains were placed in a spccial cassettc with 100 cells with the same orientation (Fig. 2). This casscttc with samples was put into the analysis zone, and the grains were filmed in the transmission mode using the lower radiation source.

The resulting images were processed by an algorithm implemented in the MATLAB environment. The algorithm in the grain image digital processing

' GOST 13S86.3-2015. Grain. Rules of acceptance and methods «/sample selection. 146 ISSN BecrsuK MITY mm. H.3. BcyMaaa. Cep. llp«6opocTpoeime. 2021. V> 3

Non-Destructive Method in Determining the Barley Grain Vilreomity

Fig. 2. Test samples arrangement in the cassette

consisted of two blocks, including digital image segmentation and general vitreousity calculation.

Images were preprocessed in the segmentation block, which consisted in eliminating noise and radiation irregularities in the analysis zone and in increasing the contrast, followed by binarization. The resulting black and white image was segmented (17, 18]. As a result of this procedure, image areas corresponding to caryopses (single grains) were determined.

At the second stage, general vitreousity of the sample was calculated. Vitreousity analysis involves dividing grains into three groups: vitreous, partially vitreous and better use powdery. For this, transmittance of each caryopsis is calculated, and the obtained values are compared wtth the threshold values lor each of the three groups determined empirically using the cross-section inspection method [11, 12].

Transmittance was calculated using the areas obtained by the grain digital image segmentation. Transmittance of each caryopsis in each obtained area of the original image converted into grayscale was calculated by the following formula:

V, =

N

Z Int„

n = t

N

(1)

where V, is the vitreousity index of the i-th object; Int„ is the pixel value of an image belonging to the object; iY is the number of pixels in the digital image belonging to this caryopsis.

To divide grains into groups according to their vitreousity, the following threshold values of transmittance were empirically established. If V'i > 62, the ob-

ISSN 0236-3933. Вестник МГТУ им. Н.Э. Баумана. Сер. Приборостроение. 2021. .Vi 3

147

li.t. 'J'rtislkldn, AM.CIkiUv. E_V. (.itirbuiuyva

ject was assigned to the vitreous grain category; if V'j < the obiecl was considered better use powdfl^ if the viLreousity index was in the range of 52 £ V, i 62, the Limns WCK classified as partially vitreous.

Alter separating bLlI catyopKt into three groups, gram sample general vit-reousity calculated using the formula (2) [10| from GOST\

0=P+P/2, (2)

where O is the sample general vitreousilyi F is the number of vitreous grains" P is the number ol samples» each carvopsis transmiltance was calculated; and the obtained values were registered in a special file for further processing. Resides,. results ivere partially vitreous grains.

Then-, cm the basis ol the caryopses calculated transmiltance coelJ it le nl s. Idr each type of barley graj[] a distribution tiistugram was constructed character i/ing the sample uniformity m terms of the vitreousity quality indicator.

At the third stage, a number of series of 10 measurements, five in each orientation, Le.i groove up and groove down, were performed to assess the elfect digram orientation on the result ol the algorithm lor calculating the total general vitreousity. For any of the two orientations, average value of each carvop-sis Iransmittance was calculated. After that, it was assigned to one ol the three groups according to vitreousity. Repeatability ol results was evaluated using the variation coelficient.

Results. Barley gram is characterized by dense fruit shells; there I ore. in order to obtain adequate results in evaluating iLs vitreousity, it is necessary either to increase the radiation source power or Lhe exposure time, thereby expanding the dynamic range. The second method is used in this work. Exposure time was increased by 3 times in comparison with time used in analysing the wheat grains [12].

To determine the vitreousily transmit lance threshold values* experimental studies were carried out on the barley gram experimental samples ol three dil-lerent varieties. Twit sanipies containing 100 grains of each grade were selected, it was a total of 600 grams. After filming the visualized On the monitor screen {Pig. 5).

Results of evaluating viitreousity of three barley samples are presented in Table 1.

As follows from the data in Table 1, the third variety has the lowest total vitreouslty in unnecessarg among the presented barley varieties.

" GO ST 109J17-76. Grain. Methods for vitreousity determination. L4B tSSK tt2ifi-393i. BctnukMrry ui. HLJ. Eaywuia. Cep. I [piioupucTpiMnHi;. 202 L. >1 i

Non-D« tractive Method in Determining the Barley Grain Vitreous it y

^ ^ «J 5J.4 4U y

^ IJ" ^ M»

^ I' jj' V «M M< ^ n» TV»

7»4 4^5 ^f Ml IU

V \8m ^ V

v % |' \

^ S ^J

\y H4 ^ y ^ y y ^ y

^ M) 14 1 «« ^J

^ ^ y m ^ rvi mi y y

Fift- 3. Obtained results visualization

The general vitreousity indicator is useful, when it is necessary to provide a general characteristic of the grain sample. However, more information is required to evaluate the sample uniformness under this indicator. Grain distribution histograms in terms o( transmittance were built for each sample of barley sample presented for this purpose (Fig. 4).

Table I

General vitreousity evaluation results

Variety Number of vitreous grains, pieces Number of partially vitreuus rains, pieces General vitreousity, %

First 15 38 34

Second 15 36 33

Third 4 20 14

Histograms in Fig. 4 analysis demonstrates that most of the third variety grains (78 %) arc within the 0.36-0.52 range adopted as the reference for better use powdery grains, in contrast to the first (51.5 %) and to the second (46.5 %) varieties, which gives grounds to assert that the third variety barley grain is more uniform in terms ol transmittance.

Results obtained in evaluating the eifcct of grain orientation on the result of the general vitreousity calculation algorithm introduction are presented in Table 2.

ISSN 0236-3933. BecTMHK Mm «m. H3. Eavstana. Cep. lIpnóapocTpoeHMe. 2021. * 3

N9

^un-Di!stjii£lLvu M.eLiwHl ¡ii [^i'ldrcTiiiun^ Liw Itarlry (ruin VLlTüuusiLy

rab¡e 2

Uirky u.mplc vilrHmiiHy HMly^iü ¡n virio u* oricntalionfl

Number üf gratu» pin* (irüfL arica taltan

Cretft up CrtfiiÉ J'.hv, j:

VLtrcous is 22

]]artially vitituq 24 24

KirLcucccius 58 54

Varialiun cotrfTicierU ivas 4.6 S-ü. Thus^ it i.:* impurtacil in measurdments tu keep m mind that ibis JaclLir collLJ repulí in discrepan!/}' in Lt: l- me-asunrixurnL residís iviihin ihe 5 íi ranye.

In ütdít tu evalúale lJilj algoritlim operalion ad¿t)u¿cy in deltimmmg lJilj barltv vitrfúüslíy 1 t-lih-J un ibe digital icnage analysis,, resulll repe-aLabibly ivas evaluaLed bv UJ repealtd nieasurtmtn Ls uf a smgje barlev sauiph: anJ cakulal-: i lll ibe VanatfQffl líütffident RljmlILí t>bLaL[]eti are: re-ílected ::i Table 3,

Tabk J

EváuiLiaii oi hcíuIi rcpralability

hfatsimuBt tuiuibuT Viueotii tiumbuj PuHdf llttÍHJUi gruilhS. UlimllLE FuNfULÉÍWJ grita*. Mitmber

] 13 13 75

2 12 13 75

3 12 13 75

4 11 14 75

5 12 13 75

6 13 13 74

7 12 14 74

a 12 13 75

9 12 13 75

ID 14 12 74

Thr vanalmn coe-lik ient valué was 1.1 % andkatiny the result high repeal-abiliLy.

Cunclusiun, Repulís ul' experimenta] sludies ccmfirmed eiliciency oí the melbud tur determining lJil- barley gra.ni. vitrÉOuüily bv maehni-e visión and diyLal i.nljul' processinji lechnnquL-s. OpLimal filmmji naode was seLvcled and alyiniLhm lur pn.h.tü£Lnj; th-c barley gjaiii únales was elaboraled in urdeT lu l'UsmIv ibem bv vrtreousiLy. The prupused appruai'h maJ^s it posible

]SSN DZK-HU. »uLiiiiiK MI "IT iil H.í Eayinna- Ccp. J lpnaapL>CTpixHQr. 2021. M 3 151

li.h. J'ruslildn, A-N- Clmtov. E_V Ciurtajjuyva

lo evaluate the grain sample uniformity according to this indicator» which is important in solving the malting problems.

When assessing the sample orientation influence on the algorithm Operation result in calculating tlie general vilreousity» VAliatitnlCHffldent was 4.6

Result repeatability in the algorithm operation was evaluated. Variation coefficient was only 1.1 which confirmed high repeatability of the results.

The proposed approach could be introduced to evaluate the barley grain quality in Lrade operations, as well as within the incoming quality control at the food industry malting factories. Unlike the standard cutting method in accordance with GOST\ Our approach ensures high evaluation performance» is more informative and dues not sutler Irom any disadvantage as&ociaLed with the human factor.

Translated by K_ Zyknva

REFERENCES

11] Kepku N.V., Podolvak K.V., Sniirnova EV, et al. ilemdition of barley production in ihe Russian federation. Niaahnyy zimrnal KrdijAL' [Scientific Journal of KubSAU], 2D13-. no. ] Oft (in Ruii.Jl Available at htlpJ/c|kubj£m.rW2015№/pdft7C.pdJ" |2] Kulislikciva T. Rnistat peresmotre] dannye po urnzhayu-2019 [Koafltat revised data cm fl*harwtt-20l i]. agrainvestor-nE website.

Available- at: httpsJA^^^vagroinmtoi.nVanjJitiL^Licvi-s^JJJtH-roiitJt-pcrciniotii:]-dannyopo-urozbayu-2CH9(aiccetscd: 10.07.2020J (in Rust.).

|3] bulgakov NJ. Binkhinuya Eoloda i piva (Biochemistry of malt and beer|. Moscow, ]]ishchevaya promyshJenuost" Fubl.,

|4] Roatovikaya M.K.. Izvekova A.^'.., Irvckova N.N. Influence of malting parameters cm ihe wheat malt quality. Pivo i napilki (Beer and Beverages]- 20l4r no. 4, pp. (in Russ.).

15] I'oloiiskiy V.I., Sumina A.V. Barley corn water uptake related to its density. ficshiifc KrosGA U [Bulletin of KSAU], 2011, no. 9, pp. 67-72 (in Kuss.).

tu B.X., Wang l>upuis B., of al. Kernel vitreousness and protein content: relationship, interaction jnd synergistic etfects on durum wheat quality. /. £jfr™J 201fl, vol. 79r pp. 210-217. IX>I: httpsJMoLcHg/lO.lOlti/j.jcLZO^.OS.OOj

[7]iicber A.N., Wiirschum TH l.onjin -C.F.H. VitrroLuity, its- stability and relationship to protein content in durum wheat, f. ilenxtlSc., 2015, voL 61, pp. 71-77. DCil: hltps:/Jdoi.org/10.10] fi/j.jcs.2014.1 Q.OOS

[a] EtolonLkiy V.I., Sumina. A.V. The assessment method of barley grain glasiLneii. Vfesfti*KrasCAU [Bulletinof KSAU)r20]3h no. 3r pp. 33-36 (in ftnsa.).

" GOjT 13586.3-2015. Grain. Rules of acceptance and methods of sajnple selection.

152 tSSN 0236-3933. JtecTTiKitMITi' nu. HLJ. Kayauia. t>p. I[piioupocTpuenm:. MIL. M i

^□n-l)i^itru£li.yi! -MfUwhii in L vk m:m:n£ lIh.' Harlry Irrjni VLlruuusiLr

|9] RvhaJka AJ_ Kopus* MM., Dcmtsov U.E. Modern tcndencics of bar)cy grain quality impravcminL Agrnmyy vestnik Yiiga-Vüslahi [Agrarian Reporter oi liouth-East], 20CW. no. 3r pp. 18-21 (m Russ.j.

| BO] VieIo Nip Eiozachcnko \LK_, Solonrchnyy P.N., et aL Oindospe.mii vitreouscicss and protein content in jj.raLii of chaffy and naked hurley culthsiG. /.¿rRohüb&vye i krapyittiyv ki*rtury [O.egumes and Groat Crops], 20118, no. 4, pp. 9*H02 (in RuisJ. DOG hltps:Hdoi.org/10.2441 l/23(W-34flÄ-201B-l 1056

111] Zvctct S.V., Pankrafyeva I.A., Politukha O.V^etaL Classiness at an indicator of the quality of wheat grain. /Cfcrnpiipu'f ipcrerabolka ztvjidr2CH7, no. ] I, pp. 33-34 (in Russ.). 102] Cbicbti £Lr Cirreie M, t ieo rge M.r el. al A wheat grain quantitativ evaluation tif vitrcoLisncEsby light transmission analysis ('¿real Sc.r 201fl, vol. S3, pp. 58^62

| 13] Troshkin D.E., Corbunova E.V.» Alckhin A.A., el al. ijuanlitalive aE^E-tnicnt of wheat vitreous by the technical vision method. Khbboprodukty,. 2019, no. 6, pp. 52-56 tin Russ.J.DOL httpsJMoL.ojg/lü.32462rtk235-25Q8-2(}] 9-28^-52-55

| L4] Troshkin 1?.. t'hjcrtnv A.r tiorbunova E.. ct al. A study ot the influence of the ori-en-tatkm and arrangement features of wheat grains and their color cm dctemiLnatiori of the vitieousity. jPiwl JSPiE, 2Q19h llflfiL DOL httparfdoLor^ I 0.1117/122526010

105] Traahkic [3-E.j Gorbunova E.V., Cherlor A.W., ct al. Determination of wheat vltre-onsity with machine vision in the near ir wavelength range. tp/cstiya vjsdmkh udiebnyLh mrttfiJejij^. AihmKhsnii! (louinal of Instrument Engineering], 2020, voL 63„ no. 7. pp. 660-672 (in Riieel) IK)I: htlps:tfdoi.org/10.1758e№02l-3454-2020-63-7-S66-672

116] Physical ot defining grain quality: analysis -of sources. Virtwifc NEUffl [Bulletin NCIE1], 2013, no. 12. pp 72-32 (in Kuss.).

107] Gonzalez R.C., Woods R.E., Eddins S.L Digital image processing using MATLAEL Pearson Prentice Hall 2tKM.

108] Forsyth l>.A., Ponce \. tiomputer vision: a modern approach. Prentice Hall, 2002.

Troshkin U.E. — Post-Graduate Student, Faculty ot' Applied Optici, 1TMÜ Universi-Iv (Kfonvcrkskiy prospekt 49, St. Ottelsburg, 197101 Russian Federation J.

Chcrlov A.N. — Cand. Sic. (Eng.), Assoc. Protestor, Faculty of Applied Oplics, 1TMO University (KronverksJiiy prospekl 49, St. Petersburg, 197101 Russdan Operation).

Uorbunova E.V. — Cand. Sic. (Eng.), Research Scientist, Facullv ot Laser Photonics and Optoelectronics, 1TMO Universilv (Kronverkskiy prospekl 49, St. Petersburg, I971Ü1 Russian Federation).

Meledina T.V. — Dr. Sc. (Eng.)r Professor, faculty of Food Biotechnology and Engineering, ITMp University (Kronverkskly prospekl 49, St. Petersburg, 197LÜ1 Russian Federation).

Sevaslyanova L.V. — Head of the Laboratory, LLC "Hosiers" (Zavodskaya uL 32. str. 3, Si. Petersburg, Usl-Slavyankar 192076 Russian Federation).

ISSN 0136-3933. üernuiK MITV dm. H.3l Bayujua. Cap. J IpnfrapocTpoeniaEL 2021. V" 3 153

13.i. Trushldn, A.N. iJhtrt'jv, h_Y. Ciarbuiuyva

Alekhm A. A. — t jnd. be. (Eng.). Assisl. Lecturer, FacuLly of Applied Optics, ITMO University (Krcmvcrkikiy prospekl St. Petersburg, 19710L Russian federation K

P Lea he cite th i s arlkJe as:

Troshkiu D.L., tlhertov A.N.r Ciorbunova H.V.r et al. Non-destructive method in determining the barley grain vitrcou sity. Herald at the Aflundn Moscow Slafe Teth\iail University, Series Instrument Engineering, 2021» no. 1 pp. 144-154. DO I: hltpsfldo Lctrg/ M. 1 SfiiflJOZiS-3933-202 ] -3-144-154

5В6 Д. Е. Трошуии, Е. В. Г'орбуюаа. А. И. Черопмн Ар.

УДК6X3-11,0П4ДР, 535.34

ОПРЕДЕЛЕНИЕ: СТЕКДОКИДНОСТИ пшкшш.м МЕТОДОМ ТЕХНИЧЕСКОГО ПРЕНИЯ и БЛИЖНЕМ НК-ДИАПАЗОНЕ ДЛИН ВОДИ

Д. Е.Тюшкнн1. Е В. Горбунова1. А Н. Чертов", Е. А. Сычева1, а. а. Алехин1, М. Г. Лоскутов5. Е. в. Зуев1

'пцяерс-шп^ги 1ТТМОщ 19 7101. Си пв - Т Ьт ¡гр г'л'р-л Рос-сип Я-ят?: <1 ■ 11>|П' 111 ||Д—|7 ш ■.7L4YirjfL ji.vi k-.vji шс'/иигилт л.ч1спгичггкш:рсслух-снгры-пнг/шй гслг. Н. И. Еснт.има, 190011. ' '¡шкт-Нсшсралрл Растя

1*а1л:*итр11инпия виириии сшсзш^ыь-твовапмл мгтнкла нижний л ни lilk.~j.i3ii.i-■11ХТ1С шл^иньзи L = 11-■-1-лIиI.IисмЕШЕга! йшйИкп тртит и имршкл ки ни-при^?1шн. Иривигдечш pcLy.ibrj.Tij ^нирмшьип ашлич шлмвдовапшо. ыршглии-них с I шпиль мивлии^м ририишммк! аиторшна лщыралхмзрг'чткшшиш) кии-глскиа. 3ill.il липашп прчэмлмли.ч. ш 7 иортая твсрлит н ьияимн птшу, от-.ипаюшнлин цветом л 'Л'.-Ш'/чы.Ш'.ч-п,!'.-. ьфш. 11 р■-: =■ 11^■ I:-1л иалу^ыиих ри-лульлашв 1-:у|||'...]ц.11.и1|, но спвдфпкшу мстчт ып;.АийМ исмлри срила трип. T- LUMi~.il. чти при липпи ■ ии.ылмэч лншыиг .тлим нтн ишал1 иш влишпш на ■хши'шии результат икативаьп ивьт ирш. 'ПЧ1 гиил иид шолнпшх? л>:г..1Ц':|пМ'.^11, р^лр.илгпи, иилулл^миа с шздиэщьн» ^■■.-■».■.и.-» 1:-Л1ЫХ. в 1Ш1:шщк цкмя лшфаиоыгатк. ,']лв ;, I р;м:..м м.ч влняния шлил^ннып ^шллмшыш фастирт иридли'-*:пш нтрвд^.лмть ':1'Л1М'НИ:1:М>Л ь ив -л 1:1:-.■ 11:-11-: л им м ;а м,||Ч"|р1л^_,м мм 'ифпс н П л11:+:11■■ I Шч-чкиш'мч^ длим ии'ш. 1:ро-

всл^ниыс кч-чкрк'кии-м.шг.- mll.il .шмиши пыл тли р.: шли ¡то грвдлшижпнш — ;:111■ I■ ■-:1-:■■ ■ ■ ■:■ ■: — ишш ^хилк^кп. рш)льтатив, пил уши ни к твоапе-

Ь"КН1Ти лришп. Л ВИПХШЮШ Л1Л1Ги 1'р.' и крт. Инкгормыоьть р-.-|у:М,ГЛ| '||

нтм^ришп: 11и I:■ п Iе ■ мриалах 5 что и1Н1ттт.~~пу1п трсчнэва1111я.м спюарп

Ллнгигаш? ¿.чиа: пиичшцп, л™вежааIл.!вас гтг^, ли одни чи» гаг 1рсш<г, ir.inr.rjii лк>-йрахтий, л11;I■ пI. инфракрасное сил^шиг

Введение. СтекловЕцлость — важлыи показатель качества 1грпа. опрсдсляюиЕЕЕИ сто дальнейшее цирц шиин Для плеслееееье. сое:елсеео Г0СТЙЯ^й1((, чем выли се стаккцд-ееость-. выенс ]] 1ЦЦШ1, ко юры ¡1 свячылает устолчлвые природные ЕсрлтлакЕЕ зфнв с техно-ТП11 ■ ■. I плит злилсвыми ее товарлыывЕ доспшюшш, нлпричер с содср&шлнем [I, 2].

В соответствии с ГОСТ 1 [ИЫ7-7б Еггекщрщщвостъ шленины рф^епиат еео ра!рпу терла или с ееоыонеьео вкхувпьЕюго днафаЕЕоекопа. Исполыоваппе такого прибора ееоево.тяст анали-тлровать стеищнндносгь терла 6л рагарсча, что, однако. также ивлястся достаточЕЕС трудоемкой процедурой. Кроне тою. ц силу осоосееееостсй строения и pioi.nL! -фЕЕгельЕшз'о асЕпарата чешнш далЕЕЫ]! метол ееслыа ечпгагтъ оаъективны^Е.

11 рактЕЕчеекЕЕ единствен нок альтерлатЕЕвил Б1 г^альЕЕЫм днафашкискпш ла ссгоднлшннй день- як'ш-гтея диафаЕЕпекоЕС „ЯЕГтарь"' прюЕЕТлодетва ксшлзееии „"^кал"' {С'лшгг-] (етерйург) [3]. НрллЕ(ЕЕП его ра№гы так;[Еочаегсл в- лроевечлваЕЕЕЕИ пробы черна световым еютежом в вндеемоы диапазоне дпеен нолее с гиклелл'ЕОЕней обра№ткол и аЕЫ-шшм пллучеллпго Епооро^енля веем зсрся. Нтасрелля привлдягея в п□ щ'автоштичняоы jj.cn алтоматлчееком режиме. О'еалЕпова-ееы как егандартЕсыл аЕЕапЕЕЧ- "зерсЕЕ в кассете, так и анализ [Ерл прпллБольлом вчаЕЕ^ЕНо^с распо-ложслЕЕЕЕ терел д -зстс аЕЕалвпа. Из ЕЕедостагков ^трллсгва след>ст лтлест^ь со\ралеЕЕие с>6ъ-еОЕЕВЕЕОСГЕЕ 1ННЛН31, ПрИНИНОЁЕ КОТОрС*Т> ЯЛЛЯеТСЯ НСОЙКСМЕЕМОСГЬ выопра оператором ЗШЕЩ-ееых оорашин стапавцдных, частично стсзсеобилееы» л ^сучилстих черен ее а экране еципью-

г-Ль. ЩЯ [№КД.1КиИ_ ММ-т. В.МТ

(Tnfte&r.Jenuc стьккхаиКкн пт luuctouipi .iil-tinm/mii телnunxktrfti tf/епии 667

тера перед ззроведезэззем измерении. Ьще один недостаток — необходимость з!спопыованз!я м ll'l-i'iеlIН-:сIя нас I ро hki I днафаноскшн. Как отмечают еесвмее рачраоогчнкн [41. образцы черна Есе мозут являться эталонными вс.чс;ктвззс ззеоднородногти его структуры. На текущий момент л ал наг проблема решается щчршбзшш в качестве ^талонов сьптнчссжга фвичътров.

Кроне тозо. следует упомяЕЕуть работы [5—7], в которых ззредлагастея метод промышленном сенарацзззз черна тритикале и ззшеззнцы по nvuaiw стсешмндносги, основаЕЕИып на Р !L'L]LLLi ня\ отражательной! ещербнрпя стикщро, частично стскловидних и нучннстьп черен в ilee.jji чо й области ессекгра. ОдЕЕако ЕЕравомерность [ЕсполъзоваЕЕЕШ поддбяэго ееодяодэ для рагчделения черна вычывает сомнение, ззоснольку Ешкачэтель стск-довеедееостчз фвЕЧЕЕческ! i свя-чаЕЕ е гкжачаггелем ззрочрачззоети черна, а ж- е характерисгикамвЕ отрямгннеэге им изучения.

Тины образом, на сегодняшззнн день задачу объмтнввого оззрелслсши покачателя сгтепюнндносги зерна, без полного отказа ог зрительного аи о. lee за. ззелъзя считать peuieiEHoii.

Коллективом авторов ЕЕастояшен статьи ззроводззтея кпшшхе нсокядааннй для сочда-еееея измерительного сре;(ства на оеззове технологий технического чрения ее обработки изображении для полностью автоматЕЕЧззроваЕЕНои оценки ..визуальных" попшпжй качества черна. В работе [К] былзз рассмотреззы вопросы влияния »"яичного расЕволожеззззя черезз в зоззе аЕвалввча на результаты оценки обшен стацрцдносп пробы и п^шшт решение, бази-руюшеееязза иепольчованнп НК-дззодов в качестве подсветки.

II Есастояшевв статье исследуется достоверность определения папвцдносп пшеззкцы elll основании аЕвалввча и ¡поражен и и в видимом «.ближнем Ж-стмтрапьных ряпцонвх.

I loci а ишв зазачза. I Ери проведеззшз онисанззыз в работе [К| ввсследоваиззвЕ было чамечено. что для разЕвых сортов евшенввцы существует рачнмзза в рэссчззтаЕвных ЗЕвачсЕвпя* ззокачоггсля етек-дшщдшкпц не связалЕвоя е плотностью раеззоложеззввя черезз. Ьыло выдвшзуго предположенззе, что тгот эффект может быть обусловлен ризлнчным цветом исследуемы* обрачззов зерна.

Мягкая ззшеззнвя традззззноззззо разделяется на белые за красные сорта. Ча ззвет краеззо-зернон ззшеззЕсцы отвечает, главззым образом, зззнменг красного лчм красЕвп-корввчззсвого цвета, содержащийся в плодовых оболочках [У]. У белого черна данный ззнгмсевт отсутствует. вслс;|ствнс чего ча ззвет зерновки отвечает в основном цвет эндосперма. Твердые же еорта [[[псеееецы .характеризуются желтоватым цветом эндосперма: „от желтого до яззтарЕвозо" (ГСЮТ «55-2 и 16)

Таким образом, была поставлена чада'ва ею иска достоверного метода определения стек-ловндноспз ншеницы.

>'еловняч шт^щалы 31 методы- Исследованззя проводились в Наззввоззалъззом исследовательском у1[ЕЕверевгтете НТМО, в Научззо-ззселедовательском центре оззтнко-тасктроЕЕЕЮзо Еврнборостросззввя в ззериод е ссззтября по декабрь 2(HLJ т.

На рис. I предетавлсЕЕ вид в разрезе аппаратззо-нрограммззого комплекса (АПК}, на котором проЕодз!лз]сь ззчмереззззя. где 1 — модуль верхней подсветки, 2 — телевизионная камера с объективом, J — сменная кассета для размезценззя образцов анализируемого зерна, 4 —

раееепваюшая пластина, 5 — модуль, нижней подсветки.

\

i

5

Рис. I

ma. tri СЬ. r^-EOPOCTPOEhvE. -ij.lj. Т. Ы WT

се в

J. E. Триюк1/иг E. В. Гйр&унамь A. H. Чсртт u t)p.

Лзнный АПК h h.jiec i l'î модифЕЕкацисн устровЕства. i.nmii. МИ.Ч.1 в [Ш|. СJee прсдназнзчен дня анализа показателен качества зерновых культур ее содержит сменЕЕые модули верхЕЕСн ее ннжнек Bupein на oceeobc излучающих лнодол. телевизионную камеру с тбиклиш, передающую ЕЕТОбраЖСЗЗЕШ НЗ ЕЕСрСОНаЛЬНЫЙ компьютер, сменную пссету ДЛЯ раЗМllILIеНИm об-разЕ[ов ЗЕьали звсруемого зерна, а шк рассеивающую пластину, Ессобходимую для создания равномерной освсщсззеюсти юны ЭЕЕалвЕза от модуля нижнее подсветки.

Непосредственно Ессред ЕЕроведсннсм измерений пос.есдовзтсльно выполняются котировочные процедуры: фотометрическая — для компенсэции неравномерности освещения зоны аЕШЛЕпа. колориметрическая — для задания точки белого, метрическая —для компенса-IHJLL днсторсии объектЕЕва камеры.

ИзМСрСШЕЯ ЕЕрОВОДЯТСЯ СЛСДуБОШЕЕМ ОЙраЗОМ. ОбрЭГЗЕЕЬЕ 4Cpj33 ШПЕИЩДОГСЯ В CEI ejJJliLJLtl >ЧО кассету на LCK) ячеек (рис. 2), с ееомо1цью тсесвизионной камеры получают цифровое изображение зерезз. Далее выполняется его обработка: расчет интегрального козффвЕцнеЕгтз jjponyc-канпя для каждого черна в кассете, сравнение полученных значений с заданными порогами, класенфЕЕкацпя зерен. ]]о зааершеннн проЕЕесса обработкЕЕ па зкрал компьютер» выводятся результаты анализа в виде количества стекловвЕдззых. частично стскловеедных ее муч!ЗЕЕСтых зерен в исследуемой пробе, а также показатель общей псеюзндностн пробы. рзеечвЕтаззЕЕЫн по методике. описаЕЕНой в ГОСТ HJL#t7-76.

Мл ери XI и для проведения исследований с описанием оылее ЕЕредостаьлены Всероссийским институтом генствЕческим рее>рсоь растении им. Н. В. Навнлова (Санкт-Петербург): зерна мягкой пшенипы сортов Лютесцснс 275 (хрз^зое, стешчоввЕдное}. [-ЗЧСНН {белое, мучнистое}, 1о Н14Р {красное, мучнистое}, Н1> 16ДЧ (белое, мучнистое}, а также черна твердых сортов — Кп^цепо ЧК"\ ОК-ЗЗУ777 и ТпмвЕрязевская степная, все трн сорта — стекловидные. (Немодное описание сортов ссхрансЕЕО ее приведено в скобкам.}

Из того матервЕала по иетоднже, описанной в РОСТ 135В6.3-2015. для каждого сорта бы/Еа отобран а 11роба п1Е1снееееы. содержэЕиэя по I ПК) зерен.

Сначала каждая ззроба анализировалась с немшцью ЛПК. Затем стекловндность оззреде-лялась зксЕЕсртом по методу поЕЕСречЕЕОго разреза в соответствии с ГОСТ Это зна-

ченпс принималось за эталонное. 'Зи член иг общей стекловндностн. полученные двумя методами, сравнивались.

Важно оговорить крвгтерпн отнесения зерен к стекловидным. мучЕЕнегым в частично стекловидным при проведении аЕсалпза с помощью АПК. Для оосспсчсззеея сдинстаа измере-

НЗВК КОЗффИПЕЕеНТОВ ЕЕрОПуСКЗЕЕЕЕЯ ЗСрНЗ НСОбХОДПЯ» ОЫ.ЕО ИСПОЛЬЗОВаТЬ ОДИН ЕЕ ТС ЖС ЕЕОрОГП

классификации .зля пиЕеннцы всех сортов. Нороти определялись лмпвЕрвЕчсскн на зерне сорта Леотссцснс 215. поскольку оно обладает наименьшим котффвЕциснтоы проззускэЕЕИя из всех представлснЕЕЫх стекловидным сортов. НернфЕЕкацця Енорогов осуществлялась методом анализа поперечного среза зерен по ПОСТ 1С^Л(7-76.

Рис. 2

r-JÛ. ВУЗДЁ. EÏVbOPOC TOÉ -г- L ИЛ. Т. bS. № 7

Оп¡пнЯе-ктю свык-юта^папчи яын и шгы лк'лннЛлк /ле.т а а чгсгаСт) цкииЯ С

Результаты ы абсуждеЕЕ1Ее, И табл. I приведены результаты, полученные при анпнзе зерен пшеницы под ншуивгем источника вндиыого дпаззазозза на основе белых свгтоднодов норки .\EtL-352BN со спевтрапьныы днвпазпщщ излучения ЗЙО—7К(3 ни.

_Ти^.зица 1

Сор с иии мммь: Хлраккрисшкп крыа ОЛии-н ГТ(СК11 ШОП 1, ЩК-ЧМ. пь

М(ю.1 [«■и'жвднн !ра| ни. БИШ^ИН СЦЧВЕ 1 |»а рцншний НЕ [41.1

.' ] 1 ^: ^ ь: 11 1Т5 ТВ 7Л

1'.Зу|3]Ч Бел«, ■! '.чм^кч 1>: В? 3

№■149 к'раыкк. ыучиистю!! 4| й

ЕЮ 16}/9 Бслис, мучшилш 47 11

Гтсшгы 100 И

№-ЯУ77 Я: 11 зрИ|>.% епшщдта ]|» 1»

Тнг.-лфп+.-пигап ^т^пии 100 рв

При апалЕЕЗс н:1 АПК в bli.ijjmo.vi диапазоне длил волн зерно считалось стекловврным. сел1Е его коэффициент пропускаЕвня 1>(1,55; зерно считалось мучнистым првЕ 0.4Я; в слу-чЕас сслз! значеззЕве Л- находилось б диаззагзоне |0,4М' 0,551. зерззо считалось частззчззп-стскло-вндным.

Как видно и з табл. 1. сдинын подход к определению скщшидносп зерна на оеззь>ла-пееее измерения его коэффвЕцнеЕгта пропускании, без учета особенностей мягкости 31 ззвета, еео-зволил установить. что краеззозерная пик!или с высокой стекповврностью (в даззззом случае это сорт Лзотссиенс 2753 нщ обладать меньзинм котффвЕЕшекгом пропустят по сравне-пееео е образцамЕЕ белозерной пиилншы мучнистон ионештснцнн (сорта Г-^У01Й ее НО 1639). возможно, данное различие в спосооззостее ззроЕЕуекдть свет связано с ЕЕапIчнем красЕЕО-корззчзэевоз'о пигмента. содержащегося во анеишнк обшюишл зерна красззозерЕвовЁ шнеззнии.

Для проверки предположения о влиянии пвета на 013редсленке показателя стекловидно-ети и для ЕЕзученвгя возмолгноспе его компенсации в АИЬГ источнззк ннжнси подсветки на ос-впе белых еветодЕЕОдов был заыевш на весточки к на основе з!з:1учаБощн?< ИК-дкодов маркЕЕ КА-352ЯР1С" с ззззковоп длиной волззы 940 нм.

Повторззыи эксЕЕерЕЕмеЕЕТ проводился по аЕЕалогичнон методике, результаты представлены в табл. 2.

Гоглылкг Г

{ М|1[ ИНк'Щ.ЦН.! X мри к ггр 1к:: ик м и'риа (Кйоаи сгн,".н1вв.и>ис1к |[рибы.%

М«ИИ ¡еИНПеСКННП зрччеии. Нк"-"И [.чучгынф Трл.1 МиИ'| мнии ЧП 1» 1

Л»лтсчги.1ли: 175 Красной. сиспшилкм 77,5 7К

Г-ЭН11 1!':л1>:. отчшатк 2,5 3

¿>■14? ЗчрКНОи. МуЧНИ [ЛЛ-Ч1 0 С

НИ 1ЬУ} IHJ.II>:. отчшктсы ]7 II

Гшимич! "5-" Яытаршх?, итикпешн.фнм? 1оо

БГ-333/77 ЯптзрЕнл:. ь1ьк.1'.'и:1.1:1'>- юо 100

Г11 ■■-11 -:Г'.ч':ь 11 -л-:и.ч сташш Яытарыис, СЕСЕЖМЩЦ ИЛ" ЧН

Мри анализе в ШС-дняпазоне длин волн зерно считалось стекловидным, если его котф-фззцЕЕеззт пропуеканз!я к >0,24; зерно еч1Еталоеь мучнзнттым прзз ^<0,2; в случае если значс-л1Ее к находилось в диапазоне (ОД; 0,24], зерно ечЕЕталоеь ■ЕастЕЕЧЕЕ0-стсклов1Едлым.

Как видно из таб.1. 2. при использовании ПК-дзюдов в качестве источника нижний подсветки для обоих методов быиз получены близкие результаты, самое большое отьлонсзз1Ее составило 6 % для сорта НЮ 163У. Такззм образом, ззепользованззе НК-ззггочзэЕЕка оказа-воеь полностью оззрав;[анззым.

И^Н. ЕГгЗйЕ!. ПРдеДОйСТРйЕтЕ. ММ 1.Ш,«1

670 Д. Е. Тришкин, Е. В. Гttpóynútia, Л. Н. Ч^ргЛйк a tfp.

Д.ТЯ ОПреДСЛСНЕЕЯ KRTOpiCMOOB результатов ИЗМСрСННЙ С ПОМОЩЬЮ ЛИК была проведена серна егз 5 Müh юр ныл ЕЕЗмеренпн двуя ЕЕроб пшеницы сорт dg JIijranp»c-275 и HD IftlP. ПоЛуЧСНЕЕЫС результаты ЕЕреДСГЛВЛСНЫ. в тапл.

Elosi^p гзмереии К<1.И|ЧНГПК1 пшц^п VTpLI!. С1ГТ КвШЕШ 1И !■'■! L-TChLTÜBH.nilUi; круги, IL: KuLimiiLTBü llll ■icp^:i. mit (¡гатя ипжщрцрцсп rpoöu, К

JknaqcE- 275 EID L639 Лкпгсч^ыс- 27S IED IÜ9 .'Itcrrci^nc- 275 MD IsS.i-Si Аопщеш> 275 IID I6J9

1 f¡2 12 12 ID 6 7fi кн. 17

1 14 10 К 7Ji VI in

3 КЗ 11 9 7 I PD H-7,5 16.5

i 84 11 II 6 5 II Ib

S И 12 14 II 6 77 К7 LS.5

CJÍD 0,37 0.1Й

Как видно из приведенным в табл. 1 данным, можно говорить о высокой ЕЕОвторяемоствЕ результатов. Некоторый разброс по количеству зерен, klibcc ифпцироввЕсны м в одну из групп СОГЛЗСЕЕО ЗЕЕаЛЕЕЗу Л ЛИК, ЫЦИЕгбыГЬ СЬЯЗЗЕ! С 1ШННШ позиционирован IIB "tepELl 1ввср\ EL1EE вниз бороздкой} относительно системы регистрации. Тем не менее даже в птом случае котф-фнпнент H J рн jjjh и не превысил ().'№.

ljK.EKi4iiiiJf. Проведенные исследования показали значительное влееяннс пвега терна пшснееееье на определение показатс.ш общей стекловидное™ пробы при аЕЕалпзе в видимом ДЕЕапатонсднин волн.

Поскольку в применяемым в настоящее время днафинкцри исвеользовзее аналогеечееын принцип, при проведении аназнзз качества зернэ на предприятвЕях зерновой пронышленво-стее ЯЕОгут возникать похожие l'il'i vüjjllli. Особенно при наличии в пробах зерна пшхншра ри-ным сортов.

Таким образом. существующие ннструыеягЕжьныс средства для опсеекее стскловидностее зервса ЕЕшенипы ELe тарантвЕруьот достолерноствЕ результатов.

УетаНОВЛСЕЕО. что данную пробьему возможно решить, провода ЗЕЕаЛЕЕЗ в ближнем ПК-ДЕЕапазонс длин волн. Такой вюдмод ееозволяст избежать с>туьсктеевееости визуального аналЕЕза и рсалЕЕЗолать оцсееку стекловидвюсти зерЕИ еецесницы ]]осредством иагашк коэффициента пропускания зерна в соответствии со стандартами Государственной системы о6сспс<еснеея единства измерении.

В свобо очередь, это ееозволеет реализовать обьалпшк сравнение ЕЕОказателсй етекло-видностп разных сортов зерна, а также открывает возможность по внесении изменений в 1ЧХ.Т ] (1УЙ7-76 за счет добавления в Etero объективЕЕЬвх количествен и ыл параметров. характс-рвгзующнх стеклобщность зерна.

В настоящее время коллектив авторов продолжает работу по оцифровке ееокзнтслсй качества зерна ЕЕшенипы н другвЕМ зерновым кулыгур.

СПИСОК ЛИТЕРАТУРЫ

1. ÍTÍCr? --J., PFjTrjffrjíTtt Т., L<3црн С. F. Н. VlIrUCtillY, Ib JtallllllV «Till ril.r.K4líllip Eil prutein LLCTlLCll in dlinjni'wllLLlI/r J.Í"™I Sei. 2015.yd-til. Р.71—77.

2. Bni Мао Fl¡, Al.-» ^rij J^'iE-'il." Jl. el al. k'jmi/l ülnicmuii!»; and г>г■ ii:i -ji:r._ ni: Ii.j I;111iTi:■ hip-. inteTaclkin and ¡¡упсгциНи 'j IIolL-; on durum wteal ipjalHy t! 1. CercaLSti. 2D1H, Val 79. P. IDO—>17.

1. .Iwguími» Г. К). "Экспртсс^шалнитр стск.'кнндивс-тп пикни и и — ^мафашхепг „Янтарь" И Хлийог jw. iyetu. 2019. №5. С. ift—Ж

,-jÚ. ЕШН. E¥VbQTQC 1PÚÉ rt.tl. Т. № 7

i)ajN¡ÚL'.i£Hue стек-ппанУнис/т! Ним ншгш .ui'mut.kj.u гпа.тическал) sjfatam

671

■4-.. rii.miw.'-.ir, P. MX, Pi'/uriXi'KiUf Г С. 1Eчмеритеплая lctl ii.i ixiiobi! мсктрсшюгл ¿шафамогконд .Jii:::pi." ti ^лиоитрядукты. 2019. Jill. C. 3 J—36.

5. Tüiymr C. /I., I i'ij мЛ',111 /л11 |'.ч.ч i: г If. A., FSautinyza О. Ti. и :ip. Си с LTpti фотометрический мстпл повьпскгипя качости чсрмj пшшии |цы ti ^лиоипрплукти. 201 К. .V.-С. ■■!■■!■—4S.

6. Tüi^mr С. ±í... iJant/uirui О. В., 11 ■: i j." 11. i ■ i:: г If. А. и лр. Пдемса стиЕлшмличтсти lepiia тритика-те и niirunuuu ID? СГСГКТрОЛЫГЫЫ fi ^lünUfipíl.^KTU. 2017. Jfe Ч1. С. .4-5 5.

7. ^GfjChTiT С. в., Ilantama О. B.r Паигрдтъева ii. А. к др. ФтнаццюшпЕ lepiLi трспикаш mi гаричнаку стиклопллнистн if Хранен iiu n nepqwiiflTKa lupiia. 2017. Ah J. C. 2Í—25.

Й. Трашкип Ц. Гпрйупааа i'.. В., .J ti-t.vju Л. А. и :ip. Калмчестпсшиа ащп пвакМп пш-лиши отто.^ом 1ГШ1Шi> трсшст,'/ Х.тлюириауЕгы. 20 L9. S: h. C. 52.—,= h.

3. JVb/liC' Kc-byame, Jil^'.ra CñCTIl?, Штауи.in ЛЫпрЯЛ! el al. FlavnruiJ unrnpiTuruJ:, г L' i j i. l'. I L.1 ftv-J Ciiji color of v.-liuaL if ESioM::i:rk:i:. ffiotedwlogy, in J UiixrliemiKljy. 2Д L7. Vol. I], в. II. Р. XII2—2 L ] ft.

ill Чертой A. I/., Рсрпуиояа E. B.r Псретшгин В. С. н ..тр. Апгыратнл^трофамыпый Ехшплекс дли лиснкн ■пеги сырья :iiil ii:i¿\ UMiiüíi, сга клаисмфыкшиш ir сертификации ft Пл. вушв. [| pií.]opiv:pivn:il. 202(1. Т. L.C. 55—6в.

CiE itfWU.1 |K|i ü V.ll|. lj"tJ I.'

— аспирант: Уинперсчгтст IITMO: факультет присладиш гапнки: E-mail: ■. 11 П Lü г Г-. ■ г. h I: L11 !■■ ли ]|.Ш

— кацд, теки, наук; Уинкрсотет IITMO: игсчнмшслелиытсльскнй

IKZlip Ч~1 ГТТ11 ЕО ■"] Л L"7p L4111L4" L"1 II pBHKJ^lOCTpi VIIMHI

Ei-rruil: L ' Li 'rhurii/' j'Lj itmii.ru

— калл. rent. тук. jmjcwt; Университет HTMO; факультет irpiriaaaiiioii ■пигмеи ; I -nuil ;i.n.lh-jrl■:i■. j mfuLru

— kшi:i. таен, наук: Упнвгрснтгт 1ГГМО; ítt.vi гисудпрсгаснпип ахкрр-литании: E-mail: lIil^jh imv.ru

— катгд. ttxjl. Утшвсрслггст I1TMO; флкуи-тгт прикла.фюм оптики; [!-rruiL: alrkh.in_a.afcj rruil.m

— д-р aioxT. наук; Ekeроссийский институт мистических ресурсом раси> ней: ни. IL И. liakiLitiu. итлел мистичсских рсс^ткив ивса, рки, ч"-ысии: чаилутещпи отче.шм: Ei-imil: Lloikutn^ Mr.ir.v.ni

— канд. сл. la^nc: DDqtocciiücKtiii имституг ГЕНппчтик ресурсов IUIIHÍ: пс. El. Н. IkiBiLiLU, utjilt мистических ресурлть нтенш^: [!-rru¡L: cjujcii'LJ virjn'.vjxi

Посгчпш'а Б иолэшг

as.06.2a2a г.

i nj.113 .llh mi ■■ | Троияяп Д. £., Гсратмш Е. Л, Чертам A. ft.. Стала Е А., Чили А. А^ Лоаутаа If. Г.,

li» Е. it. I hrptye.icNHC ltc uto о и.п ■ i L-nti fiiuviliiulj што.^оы техмичтекити ■ i p--11 :■ i n n плкжткы ИК-.пиаги шк .timi: К1Л11 tí lia. ц II. П[^"ЦМ1ЩМ ТГГ1 Т. 63,.ЧЬ 7. С. ft-frfc—672.

1м и три« Ьвки ч TptHtihmr ll.wxtA ñactíi^raua 1'ttpaynuea

. l.íd'^Liwjríij» Iiui*f?. j ii i1 tu y 4<rpmtw Елена . LicKcart&pi>ana ' >jimvj . ipmr.w Iríi'jTiWJig A.irjcnn JJ.^yw I ^кшнп -ifhs^ mttt

N/iri'iír/if Jyfí

DETERMINADO 14 OF WHEAT VITREOSГГУ WITH MACEIIHE VISION IN THE NCAP IR WAVELENGTH FUNÜE

D. E. Trashkiri1. E_ V. Gortiunova1, A. N. Cliertov1, E. A. SsfEfieva1.

А. А. ДЦЙМВ1,1. (L ythW. E. V. ZucV2

\mo LW^Erslry. 1QT101, SL Pgp.rsSiA4. ."íi.'ssla e-iTISÍ/.a.n.CÍÍErTQlígi'THli.TJ (. Víriñai Jtt-fTüisató/i ^arffiire cí Rían: fTEaoLTCK

JíOCJT. Sr. Reísraüjrs. fTassfc

The praUem ol rnpTivcrntnL DÍ wheal ■.ilmsiLv аЕвеыыптйп! -nelhad uinnq Lechnical veion jnd it-ulü prco^ssinq liDGhnGlDqiri is considered. R.ciiJfc ni expemiental ilLdica tíf seven hand arid nfl wheal vaneün with с flcrll ii cnlor :iriJ vilreosiLY prrlorrricd witti oevdnjed I-:■■ Jwe t ai d sc^Wart cnmjlc4 a s verified usirg lSe slandard mt1hn£ ol vriud imaeclicn of the grain. Thü' o ai i retar is lojn:: lo have

HJÜ t-r j j^. IW£Ü№CTPÜEhUE. ¿ÜHL Т. tú, № 7

€72

J. E. TpuioKiui, E. B. rQpiiyntHai, A. H. ^icjrmtMf rt t\p.

a sL-o'iq neqalhre efTed on vlreoslv Te-asurernenL in L it visible vravriciqlh range. Thn fact casts .octil □n the ri; iajil !v pi -esuti obtained Lrinq curtnL rslhodt ol vt eosrtv aixessmenL Tt> riirn~ia.1t the rifle-efiot dI qrair cofcr, v L-eceiLv analysis, n 1he -iiMir-nfi :iru J iravelenrill-. ranqe is proposed- The assumption is corf nctl a let cri eaperiTerti: hiqh enrwerqenoe nf 'mills ctotaned ty 1ec*in cal vision 3rd ,su;:l analvsis is noled. Tl !! repieplabihtv of nu jsL'frcr! ■(.sells re shown to be 5-lb, and thus meet ttir Slaie 3tarda~d rjqjiiuriunls.

Keywords: wheal, vitreosiLy. 1edin

il Misian, image nrncessing, cofcr. irrirared radiation REFERENCES

Sirber A.-N., Wiirachjm 1"., Lmrjn C.F.H. J. Certlt SZl., 2015r vd. fl1. pp. 71-77.

Din Xiao Fu, Kin Vi anc. Duppi H. ftfL J. Cereal SET, 201S. vd. 79, pp. 210-217.

Anlimt™ Ft.Vu. tf.llWQpraJliTriiy. H)l9, no. 5. pp. Hir Rluss.).

Anlciov R.Vu., RulkowuyaT.S. K.VsGED.TJjJUTy, 2D15, r»p. 11. pn. 34-36.4ln Rus&.J

Zverev S.V., Par valVev;; LA, Pohlukha Q.Y. et al. MHgpnxfdQf. 2D1B, ra. 3, №. Jfi-^a. 0>

Fbltt.)

Zverev S.V., PolHriiha OV., PSrJpsl^Ma IA. et al. KAfetopiwUiHy. 2D17, ixj. 5, pp. S4-55. 4in №ML)

Zverev S.V., PditiJkha O.V., Pankrtfyeva LflL eC d. MfeailHIfye f pere/atwrta Je.713. 2d17r rM. 1, pp. 24-25. {in Rluss.)

Troehwi D.E., GlriUVM E.V., Atafchri AA el al. KMe£OFnotfi/Kk 2d 1flL no. 6, pp. 5M6. | n Rcss.} hJariko Kpl-vrsma, fAjkiKo Oionn, hirovuki Nauqiwi el Sojcfe/ice. StmecJinstoijy. Sf\t) fitoi.le.'rY-Stry, 2D17, ro. 111611, pp. 2113-211R.

Ctiotav JUL. Garburava E.V.. F^retya;m V.S. eL aJ. JbLTTaf or foSumErr 5rfl/.nesrtif, 2020, no. 1{83). pp. 55-60. (in Rijss.)