Forscher aus Illinois entwickeln Modelle für Nahinfrarotspektroskopie zur Analyse von Maiskörnern und Biomasse
In der Agrar- und Lebensmittelindustrie ist die Bestimmung der chemischen Zusammensetzung von Rohstoffen wichtig für die Produktionseffizienz, die Anwendung und den Preis. Herkömmliche Labortests sind zeitaufwändig, kompliziert und teuer. Neue Forschungsergebnisse der University of Illinois Urbana-Champaign zeigen, dass die Nahinfrarot-Spektroskopie (NIR) und maschinelles Lernen eine schnelle, genaue und kostengünstige Produktanalyse ermöglichen können.
In zwei Studien untersuchen die Forscher den Einsatz der NIR-Spektroskopie zur Analyse der Eigenschaften von Maiskörnern und Sorghum-Biomasse.
"Die NIR-Spektroskopie hat viele Vorteile gegenüber herkömmlichen Methoden. Sie ist schnell, genau und kostengünstig. Im Gegensatz zur Laboranalyse erfordert sie keine Chemikalien und ist daher umweltfreundlicher. Die Proben werden nicht zerstört, und es können mehrere Merkmale gleichzeitig analysiert werden. Wenn das System einmal eingerichtet ist, kann es jeder mit minimaler Schulung bedienen", sagte Mohammed Kamruzzaman, Assistenzprofessor in der Abteilung für Agrar- und Bioingenieurwesen (ABE), die zum College of Agricultural, Consumer and Environmental Sciences und zum Grainger College of Engineering der U.I. gehört. Er ist Mitautor beider Arbeiten.
In der ersten Studie erstellten die Forscher ein globales Modell für die Analyse von Maiskörnern. Der Feuchtigkeits- und Proteingehalt beeinflusst den Nährwert, die Verarbeitungseffizienz und den Preis von Mais, so dass diese Informationen für die getreideverarbeitende Industrie von entscheidender Bedeutung sind.
NIR- und andere spektroskopische Verfahren sind indirekte Methoden. Sie messen, wie ein Material Licht bei verschiedenen Wellenlängen absorbiert oder emittiert, und erstellen dann ein einzigartiges Spektrum, das mit Hilfe von Modellen des maschinellen Lernens in Produkteigenschaften übersetzt wird. Viele Lebensmittel- und landwirtschaftliche Verarbeitungsbetriebe verfügen bereits über NIR-Geräte, aber die Modelle müssen für bestimmte Zwecke trainiert werden.
"Mais, der an verschiedenen Orten angebaut wird, unterscheidet sich aufgrund von Boden, Umwelt, Bewirtschaftung und anderen Faktoren. Wenn man das Modell mit Mais von einem Standort trainiert, ist es anderswo nicht genau", so Kamruzzaman.
Um dieses Problem zu lösen und ein Modell zu entwickeln, das an vielen verschiedenen Standorten anwendbar ist, sammelten die Forscher Maisproben aus sieben Ländern - Argentinien, Brasilien, Indien, Indonesien, Serbien, Tunesien und den USA.
"Um den Feuchtigkeits- und Proteingehalt in den Maiskörnern zu analysieren, kombinierten wir Gradient-Boosting-Maschinen mit partieller Kleinstquadrat-Regression. Dies ist ein neuartiger Ansatz, der genaue und zuverlässige Ergebnisse liefert", so Runyu Zheng, Doktorand in ABE und Hauptautor der ersten Studie.
Das Modell ist zwar nicht zu 100 % global, aber es bietet eine beträchtliche Variabilität in den Daten und wird an vielen Orten funktionieren. Bei Bedarf kann es mit zusätzlichen Proben von neuen Standorten aktualisiert werden, so Kamruzzaman.
In der zweiten Studie konzentrierten sich die Forscher auf Sorghum-Biomasse, die als erneuerbarer, kostengünstiger und ertragreicher Rohstoff für Biokraftstoffe dienen kann.
Die Umwandlung von Biomasse in Biokraftstoffe hängt von der chemischen Zusammensetzung ab, so dass eine schnelle und effiziente Methode zur Charakterisierung von Sorghum-Biomasse die Biokraftstoff- und Züchtungsindustrie sowie andere relevante Branchen unterstützen könnte, erklärten die Forscher.
Anhand von Sorghum von der University of Illinois Energy Farm konnten sie Feuchtigkeit, Asche, Lignin und andere Merkmale genau und zuverlässig vorhersagen.
"Wir haben die Proben zunächst gescannt und die NIR-Spektren als Ergebnis erhalten. Dies ist wie ein Fingerabdruck, der für verschiedene chemische Zusammensetzungen und strukturelle Eigenschaften eindeutig ist. Dann haben wir mit Hilfe der Chemometrie - einem mathematisch-statistischen Ansatz - die Vorhersagemodelle und Anwendungen entwickelt", so Md Wadud Ahmed, Doktorand in der ABE und Hauptautor der zweiten Arbeit.
Die NIR-Spektroskopie ist zwar nicht so genau wie eine Laboranalyse, aber für praktische Zwecke mehr als ausreichend und kann schnelle, effiziente Screening-Methoden für den industriellen Einsatz liefern, so Kamruzzaman.
"Ein großer Vorteil dieser Technologie ist, dass man die Produkte nicht entfernen und zerstören muss. Man kann einfach Proben zur Messung entnehmen, sie scannen und dann in den Produktionsstrom zurückführen. In einigen Fällen kann man die Proben sogar direkt in der Produktionslinie scannen. Die NIR-Spektroskopie bietet eine große Flexibilität für den industriellen Einsatz", schloss er.
Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.
Originalveröffentlichung
Runyu Zheng, Yuyao Jia, Chidanand Ullagaddi, Cody Allen, Kent Rausch, Vijay Singh, James C. Schnable, Mohammed Kamruzzaman; "Optimizing feature selection with gradient boosting machines in PLS regression for predicting moisture and protein in multi-country corn kernels via NIR spectroscopy"; Food Chemistry, Volume 456
Md Wadud Ahmed, Carlos A. Esquerre, Kristen Eilts, Dylan P. Allen, Scott M. McCoy, Sebastian Varela, Vijay Singh, Andrew D.B. Leakey, Mohammed Kamruzzaman; "Rapid and high-throughput determination of sorghum (Sorghum bicolor) biomass composition using near infrared spectroscopy and chemometrics"; Biomass and Bioenergy, Volume 186
Weitere News aus dem Ressort Wissenschaft
Holen Sie sich die Lebensmittel- und Getränke-Branche in Ihren Posteingang
Ab sofort nichts mehr verpassen: Unser Newsletter für die Lebensmittel- und Getränkeindustrie bringt Sie jeden Dienstag und Donnerstag auf den neuesten Stand. Aktuelle Branchen-News, Produkt-Highlights und Innovationen - kompakt und verständlich in Ihrem Posteingang. Von uns recherchiert, damit Sie es nicht tun müssen.
