Spectrochimica Acta Partie A: Molecular and Biomolecular Spectroscopy 203 (2018) 308 - 314

Contenu des listes disponibles à ScienceDirect

Spectrochimica Acta Partie A: moléculaire et biomoléculaire

spectroscopie
page d'accueil Journal: www.el grav i er .com / l ocate / saa

La détection des échantillons de blé endommagés souné par spectroscopie visible / proche
infrarouge sur la base de la reconnaissance des formes

Zahra Basati une , Bahareh Jamshidi b , • , Mansour Rasekh une , Yousef Abbaspour-Gilandeh une
une Département de génie biosystèmes, Faculté des ressources agricoles et naturelles, Université de Mohaghegh Ardabili, Ardabil, Iran
b Institut de recherche en génie agricole, Organisation de recherche en éducation et de vulgarisation agricoles (AREEO), Karaj, Iran

article Info abstrait

Article historique: La présence de sunnpest-damagedgrains réduit inwheatmass la qualité de fl notre et breadproduced de celui-ci. Par conséquent, il est essentiel d'évaluer la
Reçu 3 Mars 2018 qualité des échantillons dans la collecte et des centres de stockage de blé et fl nos moulins. Dans cette recherche, la capacité de la spectroscopie visible /
Reçu sous forme révisée le 16 mai 2018 Accepté le
infrarouge proche (Vis / NIR) combiné avec recognitionmethods motif a été étudié pour la discrimination des échantillons de blé avec des pourcentages
29 mai 2018 Disponible en ligne 30 mai 2018
différents de Sunn pestdamaged. A cette fin, divers échantillons appartenant à fi cinq classes (sains et 5%, 10%, 15% et 20% malsain) ont été analysés à
l'aide Vis / la spectroscopie NIR (plage de longueurs d'onde de 350 - 1000 nm) sur la base de deux motifs supervisées ou non recognitionmethods. L'analyse
en composantes principales (ACP) et l'analyse de classification hiérarchique (HCA) que les techniques non supervisées et douce modélisation
Mots clés:
Reconnaissance de formes
indépendante des analogies de classe (SIMCA) et analyse des moindres carrés-discriminantes partielle (PLS-DA) comme des méthodes supervisées ont

parasites endommagées été utilisés. Les résultats ont montré que Vis / NIR spectres d'échantillons sains ont été regroupés correctement utilisant à la fois PCA et HCA. En raison de
Vis / NIR spectroscopie du la forte chevauchement entre les quatre classes malsaines (5%, 10%, 15% et 20%), il n'a pas été possible de distinguer tous les échantillons malsains dans
blé les classes individuelles. Cependant, lorsque l'on considère que les deux principales catégories de santé et en mauvaise santé, un degré acceptable de
séparation entre les classes peuvent être obtenues après classi fi cation avec des méthodes de reconnaissance de formes surveillées de SIMCA et PLS-DA.
SIMCA basée sur la modélisation PCA correctement classi fi échantillons ed dans deux classes de santé et malsaine avec classi fi la précision de cation de
100%. De plus, la puissance des longueurs d'onde de 839 nm, 918 nm et 995 nmwere plus que d'autres longueurs d'onde pour distinguer deux classes de
saines et malsaines. Il a également été conclu que PLS-DA offre une excellente classi fi les résultats de cations d'échantillons sains et malsains (R 2 = 0,973 et
RMSECV = 0,057). Par conséquent, la spectroscopie Vis / NIR basée sur des techniques de reconnaissance des formes peut être utile pour distinguer
rapidement les échantillons de blé sains de ceux endommagés par souné dans les centres d'entretien et de traitement.

© 2018 Elsevier BV Tous droits réservés.

1. Introduction
Le blé est l'une des espèces les plus importantes de céréales, et étant donné qu'il constitue la
principale alimentation humaine, de vastes zones d'exploitations agricoles à travers le monde sont
dédiés à sa culture. L'Iran, en tant que grand pays de culture du blé dans le monde, a produit 13,5
millions de tonnes en 2017, selon l'Organisation pour l'alimentation et l'agriculture des Nations Unies
(FAO 1 ). L'utilisation principale du blé et produit dérivé est dans le secteur alimentaire, où le blé est
généralement broyé en fl notre et utilisé pour la fabrication du pain, comme principal produit de blé,
des gâteaux, des biscuits, des beignets, des biscuits, des biscuits, des pâtes et des nouilles [ 1 , 2 ]. Le
composant majeur qui distingue des autres grains de blé est la section de gluten. souné est l'un des
facteurs les plus importants qui les effets sur les caractéristiques du gluten de blé et il enlève d'un état
d'équilibre de sorte que la qualité
de la boulangerie fl notre résultant de ces grains est réduit. Enfin, le pain produit des grains fromsuch
a des propriétés lowvolume, pauvres sensorielles, texture inacceptable et la forme anormale [ 3 - 6 ]. En
réduisant la qualité du pain produit, les déchets résultat augmente également. Par conséquent, il est
important de déterminer la qualité et de qualité des grains de blé (mélange indésirable de blé bug
endommagés et le blé en bonne santé) dans ses centres d'entretien et de traitement (par exemple
dans des silos de blé et fl nos moulins). À l'heure actuelle, en Iran, le blé est inspecté et classé
manuellement. Selon la norme nationale de l'Iran n ° 13535, 2 l'échantillonnage est effectué par des
personnes formées à l'aide d'un échantillonneur et la machine chariot de blé et transmis au
laboratoire. Aftermixing et en divisant thewhole échantillon par le dispositif de division, des
échantillons de 100 g sont mesurées en utilisant une échelle numérique. Ensuite, visuellement, les
grains endommagés par souné se trouvent andmeasured dans un échantillon de 100 g. Les
méthodes manuellement ou les méthodes basées sur la connaissance de l'homme, sont subjectives,
parfois incompatibles, du temps et

• Auteur correspondant.
Adresse e-mail: b.jamshidi@areeo.ac.ir (B. Jamshidi).
1 http://www.fao.org/giews/countrybrief/country.jsp?code=IRN . 2 http://isiri.gov.ir/portal/ fi le /? 26983 / 13535.pdf .

https://doi.org/10.1016/j.saa.2018.05.123
1386-1425 / © 2018 Elsevier BV Tous droits réservés.
 Z. Basati et al. / Spectrochimica Acta Partie A: Molecular and Biomolecular Spectroscopy 203 (2018) 308 - 314 309

ont une faible précision [ 2 ]. En outre, les méthodes chimiques sont destructrices, lent et la main-d'œuvre techniques de reconnaissance ont été étudiées. L'approche proposée peut être utilisée pour la détection
et la consommation de produits chimiques [ 1 ]. Ces deux approches ne sont pas appropriées à appliquer du ravageur endommagé-Sunn des échantillons de blé à partir d'échantillons sains dans des silos et fl nos
pour l'inspection en ligne [ 2 ]. Aujourd'hui, dans l'industrie de la transformation des céréales, l'utilisation moulins.
d'outils de mesure de la qualité en temps réel est également considéré. À cette fin, plusieurs méthodes
basées sur la spectroscopie proche infrarouge (NIR) ont été développés [ 2 ], En raison de sa capacité à 2. Matériels et méthodes
fournir rapidement les produits d'informations qualitatives et quantitatives.
2.1. La préparation des échantillons

NIR re fl La spectroscopie de exion est simple, rapide, peu coûteux, et prête à la méthode de mise Grains de blé de variété Azar (10 kg) ont été préparées et transformées au laboratoire. Tous les
en œuvre en ligne [ sept - 9 ]. Ces dernières années, la spectroscopie proche infrarouge est largement visuellement séparés ont été blés en deux groupes de qualité des grains endommagés ravageurs
utilisé pour déterminer la qualité et certains attributs internes des produits agricoles (graines de sains et Sunn. Puis, en utilisant des grains endommagés ravageurs sains et Sunn, fi cinq groupes avec
suchas: paddy [ dix ]; blé [ 11 ]; olive [ 12 ]; fruit kiwi [ 13 ]; Pomme [ 14 ]; Betterave à sucre [ 15 ]; Orange [ 8différents
, 16 pourcentages de grains endommagés sunn nuisibles ont été préparées (0% (en bonne
]; tomate [ 17 ]; Patate [ 18 ]). La spectroscopie NIR implique l'interaction entre le rayonnement santé), 5%, 10%, 15% et20% endommagés sunnpest-). La raison de la sélection de ces
électromagnétique et la matière [ 18 ]; qui peut fournir des informations importantes sur la structure
themolecular et la nature chimique de la matière. Sa longueur d'onde varie de 780 à 2500 nm [ 19 ]. fi cinq groupes était d'avoir les deux échantillons sains (sans Sunn grains pestdamaged (0%)) et des
Les méthodes spectrales fournissent une très grande quantité de données, ce qui peut être complexe échantillons malsains (avec 5% ou plus Sunn pestdamaged qui est le critère du rejet de l'échantillon
en raison de l'effet de la dispersion, l'hétérogénéité du tissu, le bruit de l'appareil et l'environnement. en termes de la qualité). Chacune de classe inclus 20 échantillons différents. Au total, ont été utilisés
Par conséquent, les données spectrales doivent être prétraités pour fournir des informations 100 échantillons de blé pour l'expérience. Un petit broyeur électrique (Tefal, modèle 8500) a été
pratiques pour l'utilisateur [ 20 ]. Développer une bonne calibrationmodel est l'une des themost étapes utilisé pour les échantillons de poudre.
importantes dans l'analyse NIR. Régression linéaire multiple (MLR), principal composant de
régression (PCR) et moindres carrés partiels (PLS) sont couramment utilisés méthodes d'étalonnage
linéaires, ainsi que localement la régression pondérée (LWR) pour les modèles non linéaires [ 21 ]. 2.2. Vis / NIR Spectra Acquisition
Ces techniques ont pour but de fournir une description synthétique de grands ensembles de données,
ce qui permet des évaluations à travers le spectre [ 20 ]. Une re diffuse fl Dispositif de spectroscopie de réflectance (SCINO UV S-4100 - Vis / NIR
spectrophotomètre, Corée), équipé d'un détecteur réseau de photodiodes (PDA), a été utilisé pour
recueillir des re fl Les spectres de réflectance d'échantillons de blé entier (100 échantillons). Les
échantillons ont été analysés 5 fois pour créer des spectres moyenne dans la gamme de longueurs
d'onde de 350 - 1000 nm (de longueurs d'onde de 190 à 350 nm et de 1000 à 1100 nm ont été omis en
Dans le traitement des céréales fi domaine, plusieurs chercheurs ont évalué les capacités de raison de grandes variations de l'intensité et du bruit de l'existence de ces régions), avec une
spectroscopie proche infrarouge pour la qualité et la détermination des composés de grains de blé ou résolution de 0,95 nm. Tous les spectres enregistrés comme absorbance (log (1 / R)). Le logiciel a
fl notre [ 22 - 27 ]. En outre, quelques journaux ont rapporté la faisabilité d'algorithmes d'analyse été utilisé LabPro®Plus pour l'acquisition et l'affichage des spectres. L'absorption des spectres visible
qualitative et reconnaissance de formes pour classer les échantillons de blé et fl notre utilisation de la / NIR de tous les échantillons sont indiquées dans Fig. 1 . Enfin, toutes les analyses des spectres
spectroscopie proche infrarouge [ 20 , 28 ]. Lavin et al. [ 29 ] A suggéré que NIR re fl spectroscopie de acquis a été réalisée en utilisant le logiciel X10.5 démêleur (CAMO Software, Oslo, Norvège).
réflectance avec l'algorithme génétique de reconnaissance de formes (GA) est susceptible de prédire
l'état cireux de blé dur. Foca et al. [ 30 ] classi à plusieurs variables calculées fi modèles de cations en
utilisant le paquet de transformée en ondelettes pour ef fi la reconnaissance des formes cace
(WPTER) algorithme de classification fi cation du blé panifiable fl base de la nôtre sur la spectroscopie
proche infrarouge. WPTER a été utilisé après trois stratégies différentes pour choisir les conditions 2.3. Outlier Détection et pré-traitement des données
optimales pour le développement de la modélisation indépendante douce des modèles analogies de
classe (SIMCA). Serranti et al. [ 2 ] Étudié la possibilité d'utiliser la technique d'imagerie hyperspectrale Avant le prétraitement et le développement des méthodes de reconnaissance des formes, des valeurs
(HSI) pour classer les différents types de grains de blé, vitreux, baies jaunes et fusariés. Les aberrantes qui peuvent entraîner des erreurs frommeasurement, pollution des effets de l'échantillon et la
hypercubes ont été analysées en appliquant différentes techniques chimiométriques, comme une température ont été identifiés fi ed et enlevé [ 32 ], Parce qu'ils ont de grandes tire parti avec un haut en fl uence
analyse en composantes principales (ACP) à des fins exploratoires, moindres carrés partiels analyse sur la modélisation. Les valeurs aberrantes ont été détectés en utilisant la Q-T résiduelle en fonction de
discriminante (PLS-DA) pour classi fi cation des trois types de blé et l'intervalle PLS-DA (LIT-DA) pour Hotelling 2 terrain ( Fig. 2 ) Qui sont des statistiques disponibles pour les modèles factoriels
la sélection d'un ensemble réduit d'intervalles de longueur d'onde efficace. L'étude a démontré que la
bonne classi fi les résultats de cations ont été obtenus non seulement compte tenu de la gamme de
longueurs d'onde étudiées entier, mais aussi la sélection de seulement trois intervalles étroits de
quatre longueurs d'onde (1209 - 1230 nm, 1489 - 1510 nm et 1601 - 1622 nm). Shahin et Symons [ 31 ]
Utilisé une imagerie visible NIRhyperspectral systemto détecter fusariumdamage dans les grains de
blé de printemps CanadaWestern Red (CWRS) sur 450 - gamme 950 nm. L'utilisation de l'APC et
l'analyse discriminante linéaire (LDA), les modèles développés pour classi noyau fi cation en deux
étapes, le son et endommagées, puis ensuite les grains endommagés dans doux et sévère. En
utilisant LDA, le son et les grains endommagés pourraient être classi fi ed avec une précision globale
de 92% et l'étendue des dommages fusarium peut être prédite avec une précision approchant 86%.
pourrait être utilisé un ensemble de six gammes d'ondes pour obtenir des précisions semblables à
ceux de la gamme de 450 - 950 nm.

Cette recherche vise à développer une solide Vis / NIR algorithme basé dans la gamme de 350 à
1000 nm pour le classement qualité des produits de blé. A cette fin, les deux méthodes de modèle
supervisé et non supervisé Fig. 1. L'absorption Vis / NIR spectres des échantillons de blé.
 Z. Basati et al. / Spectrochimica Acta Partie A: Molecular and Biomolecular Spectroscopy 203 (2018) 308 - 314
Fig. 2. Le Q-résiduel par rapport à T Hotelling 2 tracé des échantillons pour détecter les valeurs aberrantes. 310
comme PCA. Caporaso et al. [ 27 ] A également utilisé des parcelles résiduelles par rapport à l'effet de levier
pour identifier des valeurs aberrantes spectrales pour la prédiction de la teneur en protéines dans les grains de
blé individuels en utilisant l'imagerie hyperspectral. T Hotelling 2 et Qresiduals permettent d'expliquer comment
un modèle est décrit un échantillon donné. T de Hotelling 2 a une relation linéaire avec l'effet de levier des
échantillons. Le Q-résiduelle est la somme des carrés des résidus sur les variables pour chaque échantillon.
Les limites critiques associés (avec signi fi les niveaux de signi 5%) sont affichés sous forme de deux lignes
rouges Fig. 2 . Comme il est indiqué, les échantillons en dehors de ces limites sont des valeurs aberrantes.
Après élimination des valeurs extrêmes (7 échantillons), tous les autres échantillons (93 échantillons) ont été
utilisés pour la classification et classi fi cation.
pré-traitements peuvent spectraux réduire ou d'éliminer l'arrière-plan des informations non
souhaitées et bruits en plus des informations échantillon [ 33 ]. moyenne mobile (MA) qui est l'une des
méthodes souvent utilisées pour réduire et éliminer les bruits dans les données a été utilisé pour le
lissage (taille de segment pour déplacer un lissage moyenne = 3). Dans cette étude, les deux autres
procédés de pré-traitement de la variable aléatoire normale standard (SNV) et
fi Dérivé première (D1) ont été utilisées pour normaliser et d'augmenter la résolution spectrale,
respectivement. SNV est une normalisation pondérée qui élimine les interférences multiplicatives de
taille de particules par dispersion et mise à l'échelle de centrage et de spectres individuels [ 8 ]. le fi Dérivé
de première (D1) des spectres en fonction de la Savitzky - algorithme de Golay (avec des points de
lissage = 5 et ordre polynomial = 2) a également été appliquée pour réduire décalage spectral [ 33 ].
Ce prétraitement spectrale a été réalisée en utilisant le logiciel v10.5 démêleur (CAMO Software AS,
Norvège).
2.4. Reconnaissance du motif Unsupervised
L'analyse en composantes principales (ACP) est une méthode de classification ou de
reconnaissance de motif sans surveillance. Après le prétraitement, l'APC est souvent fi l'étape de première
analyse exploratoire des données et réalisé pour détecter les groupes dans les données spectrales [ 34 ]. Il
est également utilisé pour réduire la dimensionnalité des données à plusieurs variables et transférer des
variables d'origine dans un sous-espace de faible dimension de fi défini par les composants principaux
(PC). PC, composites linéaires des variables d'origine, sont dans les directions de la variance maximale [ 2 ,
dix ]. L'interprétation indépendante de chaque PC permet une vue d'ensemble de la structure de données
en révélant les relations entre les échantillons ainsi que la détection d'échantillons aberrants. En général,
la fi quelques premiers PC sont utilisés pour analyser les caractéristiques communes entre les échantillons
et leur regroupement. En followingdistributionof les échantillons dans l'espace des PC, il est possible
d'échantillons d'analyse de regroupement [ 2 ]. Afin de vérifier la possibilité de regroupement des
échantillons de blé dans le fi cinq groupes de qualité, le modèle PCA a été utilisé. Après lissage (MA), la
normalisation (SNV) et la conduite D1 sur la base du Savitzky - algorithme de Golay sur les données
spectrales (plage de longueur d'onde de 350 - 1000 nm), tous les échantillons ont été analysés à l'aide
PCA.
Analyse hiérarchique Cluster (HCA) est une autre méthode de classification non supervisée qui
recherche la construction d'une hiérarchie des clusters. L'analyse typologique est une analyse
exploratoire des données de formof. Il est utilisé pour grouper des objets de manière à réduire au
minimum la différence au sein des groupes tandis que maximise la différence entre les groupes ou
grappes [ 35 ]. regroupement hiérarchique organise observations dans une structure d'arbre ou
dendrogramme sur la base de la similitude ou de dissemblance entre les grappes. Cette technique
combine successivement les groupes qui sont les plus semblables et se poursuit jusqu'à ce que
toutes les variables sont regroupées dans un seul groupe. Dissemblances entre les groupes d'objets
peuvent etre de fi défini de manière à mesurer la distance et la méthode de liaison [ 36 ]. La mesure de
distance spécifique fi es comment est mesurée la similitude entre les clusters et spécifique de la
méthode de liaison fi es comment les groupes sont combinés et comment les similitudes entre le
groupe combiné et les grappes restantes sont calculés. Après avoir utilisé des méthodes de
pré-traitement de la MA, SNV et D1 sur les données spectrales combinées, HCA a été effectuée en
utilisant la distance euclidienne au carré et le procédé de liaison unique (du plus proche voisin). Dans
cette technique, la distance minimale entre les variables est utilisée pour dé fi ne un cluster. En
d'autres termes, la distance entre les grappes est la distance entre les membres les plus proches [ 36 ].
2.5. Pattern Recognition Supervisé
independentmodeling souple de l'analogie de classe (SIMCA) est un procédé de reconnaissance
de formes pour classi supervisé fi cation de données qui décrit séparément chaque classe dans un
espace de PC [ 37 ]. Afin de construire les classi fi modèles cationiques, les échantillons appartenant à
chaque classe doivent être analysées à l'aide de l'APC. Un échantillon inconnu sera comparé aux
modèles de classe et la distance à une classe. Il sera classi fi ed en tant que membre d'une classe si
elle est assez similaire aux échantillons d'étalonnage; sinon il sera rejeté [ 34 ]. Distance minimale à
une classe est interprétée comme la plus haute probabilité d'appartenance de classe [ 38 ].
Dans cette recherche, après prétraitement (MA + SNV + D1) des spectres, environ, 75% et 25%
des échantillons de chaque classe ont été considérés au hasard pour les ensembles d'étalonnage et
de validation, respectivement. Les échantillons de calibrage pour chaque classe ont été décrites à
l'aide d'un modèle PCA. Ces modèles ont été développés individuellement et le nombre de PC a été
déterminé pour chaque modèle. Enfin, la chaî SIMCA fi er a été utilisé pour classer les échantillons
inconnus de l'ensemble de validation basée sur les modèles développés.
analyse discriminante par les moindres carrés partiels (PLS-DA), une autre classification supervisée fi
technique de cations, est basée sur les moindres carrés partiels (PLS) modèle d'étalonnage qui se
concentre sur la séparation des classes révélateur et nécessitant des caractéristiques des données
pertinentes pour le classement fi cation [ 32 , 38 ]. PLSDA est utilisé dans la régression et la catégorisation
comme une réduction dimensionnelle et technique informationmodeling. Cette méthode fi PDN variables
latentes (EFV) qui ont le plus covariance avec des variables qui représentent l'appartenance de
l'échantillon dans les différents groupes. En termes simples, PLS-DA cherche un modèle linéaire des
principales variables qui peuvent mieux prévoir le regroupement des échantillons. PLS-DA est effectué
en utilisant un codage binaire exclusif [ 39 ]. Par exemple, pour distinguer deux classes A et B, ce modèle
utilise la variable de codage d'une réponse pour chaque classe en attribuant 0 et 1 pour les membres
des classes A et B, respectivement. Au cours du processus d'étalonnage, en fonction du modèle PLS,
un échantillon inconnu avec la valeur prédite proche de 0 appartiendra à la classe A et si la valeur
prédite est proche de +1 l'échantillon est identifié fi ed dans la catégorie B [ 32 ]. Toutefois, lorsque la
valeur prédite est proche de 0,5, la reconnaissance de la classe de l'échantillon sera dif fi culte.
AfterMA + SNV + D1 pré-traitement de Vis / NIR spectres, 70 échantillons (environ 75% des
échantillons de chaque classe, 10 échantillons de classe sains et 60 échantillons de classe malsain)
ont été choisis au hasard pour le calibrage en PLS-DA classi fi er et 23 sont restés des échantillons
(environ 25% des échantillons de chaque classe, de la classe 3 échantillons sains et 20 échantillons
de classe malsain) ont également été utilisés dans le jeu de validation. Prédire la classe des
échantillons inconnus (ensemble de validation) en utilisant le modèle PLS développé pour l'ensemble
d'étalonnage a été effectué en fonction de la distance de Mahalanobis aux échantillons d'étalonnage.
 Z. Basati et al. / Spectrochimica Acta Partie A: Molecular and Biomolecular Spectroscopy 203 (2018) 308 - 314 311

3. Résultats et discussion

3.1. Vis / NIR Spectra Interprétation

La moyenne des spectres d'absorption Vis / NIR du fi ve différents groupes des échantillons sont
présentés dans Fig. 3 . Les courbes spectrales de la fi ve des classes ont la même tendance et le
comportement dans la gamme de 350 - 1000 nm. La position des pics était le même, mais leur
ampleur était différent. Une différence évidente observée entre la classe en bonne santé et quatre
classes malsaines (5%, 10%, 15% et 20% sunnpest endommagées) dans le caractère d'absorption.
Les spectres d'absorption des quatre classes d'échantillons de blé malsains étaient plus similaires et
environ chevauché région, en particulier inNIR. Dans tous les spectres, therewas une diminution
continue de l'absorbance dans la région visible de 350 - 600 nm [ dix ]. De 600 à

~ 780 nm, les courbes spectrales est restée relativement fl à faible jusqu'à ce qu'un pic a été trouvé
autour de 780 nm. Ce pic a été le plus probablement dû à la troisième bandes de O \\ harmoniques H
[ 40 ] et quatrième bandes d'harmoniques de C \\ H [ 41 ]. Les pics d'absorbance plus fortes ont été
trouvées dans la gamme spectrale de 780 à 1000 nm en raison de la vibration d'étirement des
harmoniques de O \\ H, C \\ H et N \\ H [ 8 ] Lié à la concentration de certains composés internes avec
Fig. 4. le fi dérivé première de Vis / NIR données des spectres d'échantillons de blé.
ces bandes. Trois pics d'absorbance autour de 839 nm, 884 nm et 918 nm correspondait à la bande
pourrait troisième harmonique du C \\ H [ 20 , 40 , 42, et ]. Ranzan et al. [ 20 ] Ont indiqué qu'il existe une
forte corrélation entre la teneur en protéines du blé fl nôtre et C \\ H bandes élastiques et la bande grains endommagés dans une classi globale fi modèle de cations. Par conséquent, les groupes
associée à l'amide. Par conséquent, les changements dans cette bande peuvent indiquer des malsains peuvent avoir au hasard des chevauchements considérables. La similitude entre les
changements dans la teneur en protéines du fi cinq classes de blé. Deux pics d'absorption qui ont été échantillons malsains peut se référer à l'échantillon des erreurs de préparation et d'échantillonnage.
trouvés autour de 963 et 995 nm peut être dû à des seconds harmoniques de O \\ H et N \\ H [ 20 , 40 ]. Néanmoins, il est important que les échantillons sains étaient distincts et loin des échantillons
le fi dérivé première de Vis / NIR spectres des échantillons de blé présentées dans Fig. 4 escroquerie fi rmé malsains (même 5% Sunn échantillons endommagés ravageurs). Pour tomake séparations plus
les pics d'absorbance. claires, d'autres classi fi ers été appliqués pour classer les fi cinq classes d'échantillons de blé.

3.2. Résultats de la reconnaissance du motif Unsupervised
Fig. 5 montre les résultats obtenus à partir de PCA pour le regroupement des échantillons de blé
dans le fi cinq groupes de qualité. Comme on peut l'observer, la
fi composant premier (PC1) et le second composant (PC2) ont expliqué 99% et 1% de l'ensemble de
données de variance, respectivement. Par conséquent, toute la variance des données est distribuée
par la fi deux premiers PC. le fi cinq groupes d'échantillons de blé sont considérées couleurs indifférentes
( Fig. 5 ). L'intrigue de score de PC1 vs PC2 indique une nette discrimination entre les classes de santé
et tous les échantillons malsains. Les échantillons sains étaient bien séparés des quatre autres classes
le long PC1. Les échantillons des quatre classes malsaines ont également été distribués dans les
bandes de PC1 et PC2, mais ces classes chevauchent et ne sont pas bien distingués. ont été bien
fermée, les échantillons appartenant à 5%, 10%, 15% et 20% des groupes sunn endommagés par les
animaux nuisibles à l'autre. Plus chevauchement a été trouvé entre 15% et 20% Sunn échantillons
endommagés ravageurs. Cela montre qu'il est difficile de différencier des échantillons malsains avec
différents pourcentages de Sunn exemptes de parasites
L'arbre diagramwhich est utilisé pour illustrer l'agencement des amas produits à partir de HCA
des échantillons de blé à base de spectres NIR est représenté sur la Fig. 6 . Selon existe fi cinq
grappes d'échantillons de blé, leurs noms ont été affichés avec fi cinq couleurs. Comme représenté
sur la Fig. 6 , Deux groupes d'échantillons de blé sains et malsains sont totalement reconnaissables et
distincts. Itwas a conclu que la méthode sans supervision de la reconnaissance des formes de HCA
peut distinguer ces deux groupes (sains et malsains) avec des distances considérables. Le cluster
malsain a été divisé en grappes denses qui se chevauchaient. Par exemple, 5% des échantillons
malsains ne sont pas complètement isolés dans un cluster, de sorte qu'un certain nombre de 5% des
échantillons malsains avec quelques échantillons malsains 10% formé un groupe. Par conséquent, la
méthode de HCA basées sur le regroupement de liaison unique et au carré distance euclidienne ne
pouvait pas distinguer les échantillons en amas malsains complètement séparés (5, 10, 15 et 20%).
Cependant, en utilisant le modèle de HCA des échantillons de blé à base de spectres NIR (plage de
longueur d'onde de 350 - 1000 nm), il est possible de distinguer des échantillons sains et malsains.

Fig. 5. parcelle score de PC et le regroupement des échantillons de blé dans la fi cinq classes: santé, 5% malsains, 10%,
Fig. 3. La moyenne des spectres d'absorption Vis / NIR des groupes de blé. 15% malsains insalubres et 20% malsains.
312 Z. Basati et al. / Spectrochimica Acta Partie A: Molecular and Biomolecular Spectroscopy 203 (2018) 308 - 314
Fig. 6. dendrogramme hiérarchique obtenu à partir HCA d'échantillons de blé à des spectres Vis / NIR.
3.3. Résultats de reconnaissance de modèle sous surveillance
Tableau 1 montre les résultats de classi SIMCA fi cation (PC utilisé pour chaque classe et classi fi précision
élevée pour séparer les échantillons sains et malsains de blé dans la gamme de longueurs d'onde de 350 - 1000
de cation) pour la séparation des échantillons de blé à partir de modèles de PCA pour chaque classe.
Les échantillons de la classe en bonne santé ont été classés avec une précision de 100% et aucun
des themwere classi fi ed dans une autre classe, à tort ou simultanément. Les échantillons
appartiennent à 5% et 15% des classes malsaines ne sont pas aussi attribués à plus d'une classe et
classi fi précision de edwith de 100% dans leurs classes respectives. En raison des classes malsaines
se chevauchent ( Fig. 5 ), Certains échantillons ont été membres de plus d'une classe. Par exemple,
deux échantillons de la classe malsaine de 10% étaient simultanément classi fi ed dans deux classes
de 5% et 10% des échantillons malsains. le classi fi la précision de cation des échantillons était de
60% pour la classe malsaine de 10%. Quatre échantillons appartenant à la classe de 20% ont été
simultanément classi fi ed dans deux classes de 15% et 20% des échantillons malsains. Par
conséquent, le plus bas classi fi la précision de cations (10%) a été appartenant à la classe de 20%
Sunn échantillons endommagés ravageurs. Il a été noté que SIMCA classi fi cation basée sur la
modélisation PCA n'a pas une haute performance pour catégoriser les échantillons malsains avec
différents pourcentages de Sunn endommagés ravageurs des blés. Il est dû à la superposition de ces
classes et la proximité de leurs modèles PCA. Cependant, les échantillons sains ont été correctement
classés dans leur catégorie. La précision totale de classi SIMCA fi er était de 74% pour la classi fi cation
fi cinq classes d'échantillons de blé.
Puisque le pouvoir de discrimination entre les différentes catégories de blé malsaine était plus faible
que prévu, tous les échantillons de 5%, 10%, 15% et 20% des classes malsaines ont été considérés
comme une classe d'échantillons malsains. Soixante-dix échantillons (environ 75% des échantillons de
chaque classe, 10 échantillons de classe sains et 60 échantillons de classe malsain) ont été choisis au
hasard pour les données de calibrage et 23 sont restées les échantillons (environ 25% des échantillons
de chaque classe, 3 échantillons de classe en bonne santé et 20 échantillons de classe malsaine) ont
été utilisés pour le jeu de validation. En appliquant classi SIMCA fi algorithme de cation basée sur la
modélisation PCA uniquement aux classes saines et malsaines, le total des classi fi la précision de cation
a été de 100% pour les échantillons de validation ( Tableau 2 ). Tous les échantillons appartiennent à la
classe en bonne santé (3 échantillons) ont été complètement séparés des échantillons malsains avec
une précision de 100%. Les échantillons de classe malsains (20 échantillons) ont été classés dans la
vraie classe avec une précision de 100%. Par conséquent, un procédé de reconnaissance de formes
supervisée de SIMCA
Tableau 1
classi SIMCA fi les résultats de cations pour la discrimination des échantillons de blé à base de spectres NIR.
Classe PC classi fi la précision de cations (%)
En bonne santé 3 100
5% malsain 2 100
10% malsain 1 60
15% malsain 1 100
20% malsain 1 dix
Total 74
Tableau 2
classi SIMCA fi les résultats de cations pour la discrimination de deux classes de blé saines et malsaines.
Classe PC classi fi la précision de cations (%)
En bonne santé 3 100
Mauvais pour la santé 1 100
Total 100
classi fi cation a une excellente capacité à discriminer les échantillons en deux groupes de blé sains et
malsains.
Fig. 7 indique fromPCAmodels distance des échantillons thewheat appartiennent à deux classes de
blé, dans la chaî SIMCA fi er. Les échantillons de chaque classe, dans l'ensemble d'étalonnage, avaient
distance du modèle PCA appartiennent à d'autres classes et étaient complètement distinctes les unes des
autres. Les échantillons inconnus de l'ensemble de validation ont également été classés correctement dans
leur classe respective. Aucun échantillon n'a été classé dans une autre classe, simultanément ou par
erreur. Par conséquent, classi SIMCA fi cation sur la base de la modélisation de la PCA a une puissance
nm.
Le pouvoir de discrimination de différentes longueurs d'onde pour distinguer deux classes de
santé et malsaine est montré dans Fig. 8 . Alors que la plupart des longueurs d'onde ont une signi fi l'impact
catif sur la séparation des échantillons de blé sains et malsains, les longueurs d'onde qui exercent le
plus d'impact sur la discrimination des classes de blé étaient 839 nm, 918 nm et 995 nm. Par
conséquent, la séparation des échantillons de blé peut être dû à 3e harmoniques de C \\ H autour de
839 nm et 918 nm et les harmoniques de 2ème O \\ \\ H et N H 995 nm environ [ 20 , 40 , 42, et ].
Les prédites par rapport aux valeurs de référence pour les données de calibrage du modèle
PLS-DA pour discriminer les échantillons de blé sains et malsains à base de spectres onNIR est indiqué
dans Fig. 9 . Tous les échantillons whichhad prédit des valeurs proches de 1 et 0 sont classi fi ed comme
appartenant à des classes de respectivement sains et malsains,. Le nombre optimal de LVs (5 LVs) a
été déterminée en utilisant la validation croisée dans le modèle. Dans le modèle PLSDA résultant, total
des échantillons de groupes en bonne santé (10 échantillons) ont été correctement classi fi ed et 60
échantillons de groupe malsains ont également été classi fi ed avec une grande précision en appliquant
la validation croisée. Les résultats de calibrationmodel basés sur la validation croisée ont montré un
haut coef fi cient de détermination (R 2 = 0,973), et un écart-type de validation croisée (RMSECV) de 0,057.
Après avoir obtenu des résultats satisfaisants dans l'étalonnage, 23 sont restés les échantillons ont été
utilisés dans le jeu de validation.
La figure 10. montre comment le modèle PLS-DA avec 5 VDL se comporte sur des échantillons
inconnus et prédit leur classe. Selon la figure, 3 échantillons de classe en bonne santé étaient
proches des valeurs idéales 1 et ces échantillons ont été correctement prédites en classe en bonne
santé. Cependant, quelques échantillons malsains ont la valeur prédite loin de 0 alors que ces
valeurs prédites sont pas près de 0,5 ou les écarts autour de la prédite
Fig. 7. distances exemples de modèles PCA des classes de blé.
 Z. Basati et al. / Spectrochimica Acta Partie A: Molecular and Biomolecular Spectroscopy 203 (2018) 308 - 314
Fig. 8. Discrimination puissance de différentes longueurs d'onde dans classi fi cation des échantillons de blé.
Les valeurs ne sont pas assez grandes pour inclure la valeur de 0,5. Par conséquent, on pourrait
prétendre que tous les échantillons malsains (20 échantillons) ont été correctement affectés au
groupe malsain. Enfin, les résultats indiquent que le modèle PLS-DA avait une très bonne capacité à
prédire les classes saines et malsaines. Ce résultat est en accord avec les résultats rapportés par
Ziegler et al. [ 43 ] Et Jamshidi et al. [ 32 ] Qui a évalué la possibilité de re fl réflectance la spectroscopie
NIR dans l'intervalle de 1200 - 2400 nm pour la discrimination rapide des noyaux et fl la nôtre de
différentes espèces de blé et dans la gamme de 450 - 1000 nm pour la détection de résidus de
pesticides dans le concombre, respectivement.
4. Conclusions
De nos jours, la spectroscopie proche infrarouge est largement utilisé pour le contrôle de la
qualité des céréales. Cette méthode est plus rapide et plus facile surelymuch que les méthodes
traditionnelles [ 44 ]. Dans cette recherche, la faisabilité de l'application conjointe de la spectroscopie
Vis / NIR dans l'intervalle de 350 - 1000 nm et la reconnaissance des formes à la fois non supervisé
(PCA et HCA) et supervisé (SIMCA et PLS-DA) a été étudiée techniques pour distinguer sunn
ravageur-endommagée de blé. Les résultats indiquent que les techniques de reconnaissance des
formes de non supervisée de PCA et HCA, avait le potentiel acceptable de distinguer les échantillons
sains et malsains. Cependant, ils ont échoué pour détecter des échantillons malsains avec différents
pourcentages de Sunn échantillons endommagés ravageurs. De plus, la précision de la chaî SIMCA fi cation
pour la différenciation des fi cinq grades de blé était de 74% en raison du chevauchement des classes
malsaines. , Il est donc nécessaire de faire beaucoup de travail pour la réalisation des résultats
acceptables pour classer tous les échantillons malsains. Cependant, en ne considérant que les deux
principales catégories d'échantillons sains et malsains, des résultats acceptables ont été obtenus en
utilisant des méthodes de reconnaissance de formes et sous la supervision de SIMCA PLS-DA.
SIMCA basée sur la modélisation PCA correctement classi fi échantillons de ed deux classes de santé
et malsaine avec classi fi la précision de cation de 100%. La puissance de la discrimination des
longueurs d'onde de 839 nm, 918 nm et 995 nm sont plus que d'autres longueurs d'onde de
distinguer deux
Fig. 9. Prédites par rapport aux valeurs de référence parcelle obtenue à l'aide du modèle d'étalonnage.
313
La figure 10.. Les valeurs prédites avec écart estimé pour les échantillons inconnus.
classes d'échantillons sains et malsains. Il a également noté que PLSDA offre une excellente classi fi les
résultats de cations d'échantillons sains et malsains (R 2 = 0,973 et RMSECV = 0,057). En tenant
compte des capacités de Vis / spectroscopie proche infrarouge couplée avec les techniques de
reconnaissance des formes pour distinguer les échantillons de blé endommagés ravageurs sains et
Sunn, il est suggéré que cette technologie peut être utilisée pour l'évaluation de la qualité rapide des
grains de blé ou résultant fl la nôtre en termes de contamination à souné. Sur la base des résultats
obtenus, en utilisant la reconnaissance des formes de surveillance SIMCA peut améliorer la précision
de la discrimination des échantillons dans les groupes sains et malsains.
Remerciements
Les auteurs remercient l'Organisation des affaires étudiantes du Ministère de la Science, de la
Recherche et de la technologie de l'Iran pour fi le soutien financier affecté à ce travail (n ° 42/1/202300).
Références
[1] J. Chen, S. Zhu, G. Zhao, la détermination rapide de protéines totales et gluten humide dans le blé commercial fl notre
utilisation de siSVR-NIR, Food Chem. 221 (2017) 1939 - 1946.
[2] S. Serranti, D. Cesare, G. Bonifazi, Le développement d'une méthode d'imagerie hyperspectral pour la détection
de Fusarium- endommagé, baie jaune et grains vitreux de blé dur italien, Biosyst. Eng. 115 (2013) 20 - 30.
[3] W. Tischler, Schaden und der Bekämpfung getreideschadlichen Blattwanzen, Arbeit Physiol Angew Entomol Berl
Dahlem. 6 (1939) 14 - 32.
[4] BR Critchley, Revue de la littérature de souné eurygaster integriceps Mettre. (Hemiptera,
Scutelleridae), Crop Prot. 17 (1998) 271 - 287.
[5] D. Chaque, JAK Farrell, MW Stufkens, dégâts de blé bogue dans la Nouvelle-Zélande blé: le mécanisme
d'alimentation de Nysius huttoni et ses effets sur le développement morphologique et physiologique du blé, J.
Sci. Nourriture Agric. 50 (1990) 297 - 309.
[6] P. Vaccino, M. Corbellini, G. Reffo, G. Zoccatelli, M. Migliardi, L. Tavella, Impact de
Eurygaster maura ( Heteroptera: Scutelleridae) l'alimentation sur la qualité du blé tendre par rapport à l'attaque
période, J. Econ. Entomol. 99 (2006) 757 - 762.
[sept] CB Singh, J. Paliwal, DS Jayas, NDG blanc, spectroscopie proche infrarouge: applications dans l'industrie
céréalière, Winnipeg CSBE, 2006, (06-189).
[8] B. Jamshidi, S. Minaei, E. Mohajerani, H. Ghassemian, Re fl exion Vis / NIR spectros-
copie pour la caractérisation du goût des oranges de Valence non destructifs, Comput. Électron. Agric. 85
(2012) 64 - 69.
[9] F. Dal-Pastro, P. Facco, F. Bezzo, E. Zamprogna, M. Barolo, utilisant les spectres PLS et NIR tomodel la fi étape
rstbreakage d'un processus de grainmilling, Comput. Chem assistée. Eng. 38 (2016) 1171 - 1176.
[dix] X. Li, Y. He, C. Wu, la discrimination non destructive des semences de riz de différentes tranches d'âge de stockage basé sur Vis /
spectroscopie proche infrarouge, Prod J. stocké. Res. 44 (2008) 264 - 268.
[11] TC Pearson, DT Wicklow, EB Maghirang, F. Xie, FE Dowell, détection d'une fl atoxin en
grains de maïs par un seul facteur de transmission et re fl La spectroscopie de réflectance, Trans. ASAE 44 (2001) 1247 - 1254.
[12] R. Moscetti, RP Haff, D. Monarca, M. Cecchini, R. Massantini, spectroscopie proche infrarouge pour la détection des
dommages orage de grêle sur les fruits d'olive, Postharvest Biol. Technol. 120 (2016) 204 - 212.
[13] PN Schaare, DG Fraser, Comparaison des re fl réflectance, transmission et Interactance
modes de spectroscopie infrarouge visible-proche pour mesurer les propriétés internes du kiwi ( Actinidia
chinensis), Postharvest Biol. Technol. 20 (2000) 175 - 184.
[14] M. Zude, B. Herold, JM Roger, V. Bellon-Maurel, S. Landahl, des tests non destructifs sur la prédiction des pommes fl ESH fi
et la teneur en solides fermeté solubles sur l'arbre et dans la vie de conservation, J. Food Eng. 77 (2006) 254 - 260.
[15] L. Pan, R. Lu, Q. Zhu, K. Tu, la mesure de l'humidité, les matières solides solubles, teneur en saccharose et les propriétés
mécaniques de la betterave sucrière en utilisant la spectroscopie portable visible et proche infrarouge, Postharvest Biol.
Technol. 102 (2015) 42 - 50.
[16] W. Suphamitmongkol, G. Nie, R. Liu, S. Kasemsumran, Y. Shi, une approche alternative pour la chaî fi cation des
variétés d'orange à base de spectroscopie proche infrarouge, Comput. Électron. Agric. 91 (2013) 87 - 93.
314 Z. Basati et al. / Spectrochimica Acta Partie A: Molecular and Biomolecular Spectroscopy 203 (2018) 308 - 314
[17] Y. Shao, Y. He, AH Gómez, AG Pereir, Z. Qiu, Y. Zhang, technique spectrométrique infrarouge visible / proche
pour une évaluation non destructive de la tomate « La canicule »
( Lycopersicum esculentum) caractéristiques de qualité, J. Food Eng. 81 (2007) 672 - 678.
[18] X. Ding, Y. Ni, S. Kokot, la spectroscopie proche infrarouge et chimiométrie pour la discrimination pure, en poudre,
pommes de terre violettes douces et leurs échantillons frelaté avec le blanc de la patate douce fl notre, Chemom. Intell.
Laboratoire. Syst. 144 (2015) 17 - 23.
[19] A. Davies, A. Grant, Review: analyse proche infra-rouge de la nourriture, Int. J. Food Sci. Technol. 22 (1987) 191 - 207.
[20] C. Ranzan, A. Strohm, L. Ranzan, LF Trierweiler, B. Hitzmann, JO Trierweiler, Blé
fl notre caractérisation par NIR et spectrale fi ltre basé sur Ant Colony Optimization, Chemom. Intell. Laboratoire.
Syst. 132 (2014) 133 - 140.
[21] AB Eldin, proche infrarouge Spectroscopie, dans: Isin Akyar, large Spectra de qualité (Ed.)
Contrôle, InTech 2011, p 237. - 248, disponible à partir de: http://www.intechopen.com/ livres / large
spectre-de-contrôle qualité / quasi-infrarouge-spectroscopie .
[22] M. Manley, AEJ McGill, BG Osborne, l'effet de diffusion de la lumière sur NIR re fl CE-
tance de spectres andtransmittance de blé, J. Near Infrared Spectrosc. 2 (1994) 93 - 99.
[23] JH Hong, K. Ikeda, I. Kreft, K. Yasumoto, proche infrarouge re diffuse fl exion spectro
analyse scopique des quantités d'humidité, de protéines, de l'amidon, l'amylose, et de tanin dans le sarrasin fl la
nôtre, J. Nutr. Sci. Vitaminol. 42 (1996) 359 - 366.
[24] SR Delwiche, RA Graybosch, CJ Peterson, prédisant la composition des protéines, des propriétés biochimiques et
propriétés de la pâte de blé rouge d'hiver
fl notre par re proche infrarouge fl exion, Cereal Chem. 75 (1998) 412 - 416.
[25] SR Delwiche, RA Graybosch, Identi fi cation de blé waxy par re proche infrarouge fl CE-
spectroscopie de tance, J. Cereal Sei. 35 (2002) 29 - 38.
[26] A. Salgo, S. Gergely, Analyse du développement des grains de blé en utilisant la spectroscopie proche infrarouge, J. Sci céréales. 56 (2002)
31 - 38.
[27] N. Caporaso, MB Whitworth, ID Fisk, prédiction de la teneur en protéines dans les grains de blé unique utilisant
l'imagerie hyperspectrale, Food Chem. 240 (2018) 32 - 42.
[28] C. Miralbés, Discrimination des variétés de blé européens utilisant re proche infrarouge fl CE-
spectroscopie tance, Food Chem. 106 (2008) 386 - 389.
[29] BK Lavin, N. Mirjankar, S. Delwiche, Classi fi cation de la condition cireuse de blé dur
blé par re proche infrarouge fl spectroscopie de réflectance en utilisant des ondelettes et un algorithme génétique,
Microchem. J. 117 (2014) 178 - 182.
[30] G. Foca, M. Cocchi, ML Vigni, R. Caramanico, M. Corbellini, A. Ulrici, différentes stratégies de sélection de fonction dans le
domaine ondelettes appliqué à classi de qualité à base NIR fi modèles de cations de blé panifiable fl la nôtre, Chemom.
Intell. Laboratoire. Syst. 99 (2009) 91 - 100.
[31] MA Shahin, SJ Symons, Détection de Fusarium grains endommagés dans les CanadaWestern
Rouge Blé de printemps utilisant l'imagerie hyperspectral visible / proche infrarouge et analyse en composantes
principales, Comput. Électron. Agric. 75 (2011) 107 - 112.
[32] B. Jamshidi, E. Mohajerani, J. Jamshidi, S. Minaei, A. Chari fi, détec- non destructif
tion de résidus de pesticides dans le concombre utilisant la spectroscopie visible / proche infrarouge,
Nourriture supp. CONTAM. Partie A Chem. Anal. Expo contrôle. Une analyse de risque. 32 (2015) 857 - 863.
[33] D. Ye, L. Sun, B. Zou, Q. Zhang, W. Tan, W. Che, la prédiction non destructive de la teneur en protéines du blé à
l'aide NIRS, Spectrochim. Acta A Mol. Biomol. Spectrosc. 189 (2018) 463 - 472.
[34] O. Galtier, O. Abbas, Y. Le Dréau, C. Rebufa, J. Kister, J. Artaud, N. Dupuy, Comparaison des PLS1-DA, PLS2-DA et
SIMCA pour classi fi cation selon la provenance des huiles de pétrole brut par MIR et les huiles d'olive vierges par NIR
pour les différentes régions spectrales, Vib. Spectrosc. 55 (2011) 132 - 140.
[35] B. Jamshidi, S. Minaei, E. Mohajerani, H. Ghassemian, reconnaissance de formes de spectroscopie proche infrarouge
pour la discrimination non destructive des oranges basées sur l'indice du goût, J. Agric. Machin. 5 (2015) 101 - 110
(en persan).
[36] O. Yim, KT Ramdeen, analyse typologique hiérarchique: comparaison des trois mesures de liaison et d'application
des données psychologiques, Quantität. Méthodes Psychol. 11 (2015) 8 - 21.
[37] R. De Maesschalck, A. Candol fi, DL Massart, S. Heuerding, les critères de décision pour la modélisation indépendante douce
analogie de classe appliquée aux données infrarouge proche, Chemom. Intell. Laboratoire. Syst. 47 (1999) 65 - 77.
[38] S. Schröder, SG Pavlov, I. Rauschenbach, EK Jessberger, HW Hubers, Détection et identification fi cation de sels et de
solutions de sels congelés combinant spectroscopie décomposition induite par laser et les méthodes d'analyse à
plusieurs variables: une étude pour une future exploration de Mars, Icarus 223 (2013) 61 - 73.
[39] S. Roussel, VE-Bellon Maurel, JM Roger, P. Grenier, authentifie doivent raisin blanc variété avec classi fi modèles
de cations à base de capteurs d'arôme, FT-IR et spectrométrie UV, J. Food Eng. 60 (2003) 407 - 419.
[40] L. Magwaza, U. Opara, H. Nieuwoudt, P. Cronje, W. Saeys, B. Nicolai, les applications de spectroscopie proche infrarouge pour
l'analyse de la qualité interne et externe des fruits d'agrumes un examen, l'alimentation bioprocédés Technol. 5 (2012) 425 - 444.
[41] B. Jamshidi, S. Minaei, E. Mohajerani, H. Ghassemian, prédiction des solides solubles dans les oranges en utilisant la
spectroscopie visible / proche infrarouge: effet de pelage, Int. J. Food Prop 17 (2014) 1460. - 1468.
[42] H. Cen, Y. Il, la théorie et l'application de re proche infrarouge fl La spectroscopie de réflectance dans dé-
la fin de la qualité alimentaire, Food Trends Sci. Technol. 18 (2007) 72 - 83.
[43] JU Ziegler, M. Leitenberger, CFH Longin, T. Würschum, R. Carle, RM Schweiggert, proche infrarouge re fl La
spectroscopie de réflectance pour la discrimination rapide des noyaux et
fl la nôtre de différentes espèces de blé, J. Food Compos. Anal. 51 (2016) 30 - 36.
[44] M. Cocchi, M. Corbellini, G. Foca, M. Lucisano, MA Pagani, L. Tassi, U. Alessandro, Classi fi cation du blé panifiable fl la
nôtre dans les différentes catégories de qualité par une fonction waveletbased sélection / classi fi algorithme de
cations sur les spectres NIR, Anal. Chim. Acta 544 (2005) 100 - 107.