Des chercheurs de l'Illinois développent des modèles de spectroscopie dans le proche infrarouge pour analyser les grains de maïs et la biomasse
Dans l'industrie agricole et alimentaire, la détermination de la composition chimique des matières premières est importante pour l'efficacité de la production, l'application et le prix. Les tests traditionnels en laboratoire sont longs, compliqués et coûteux. De nouvelles recherches menées par l'Université de l'Illinois Urbana-Champaign démontrent que la spectroscopie dans le proche infrarouge (NIR) et l'apprentissage automatique peuvent permettre une analyse rapide, précise et rentable des produits.
Dans deux études, les chercheurs explorent l'utilisation de la spectroscopie proche infrarouge pour analyser les caractéristiques des grains de maïs et de la biomasse du sorgho.
"La spectroscopie NIR présente de nombreux avantages par rapport aux méthodes traditionnelles. Elle est rapide, précise et peu coûteuse. Contrairement aux analyses en laboratoire, elle ne nécessite pas l'utilisation de produits chimiques, ce qui la rend plus respectueuse de l'environnement. Elle ne détruit pas les échantillons et permet d'analyser plusieurs caractéristiques en même temps. Une fois le système installé, n'importe qui peut le faire fonctionner avec une formation minimale", explique Mohammed Kamruzzaman, professeur adjoint au département d'ingénierie agricole et biologique (ABE), qui fait partie du College of Agricultural, Consumer and Environmental Sciences et du Grainger College of Engineering de l'université de l'I. Il est coauteur des deux articles.
Dans la première étude, les chercheurs ont créé un modèle global pour l'analyse des grains de maïs. La teneur en eau et en protéines a une incidence sur la valeur nutritionnelle, l'efficacité de la transformation et le prix du maïs, de sorte que ces informations sont cruciales pour l'industrie de la transformation des céréales.
Le proche infrarouge et d'autres techniques spectroscopiques sont des méthodes indirectes. Elles mesurent la façon dont un matériau absorbe ou émet de la lumière à différentes longueurs d'onde, puis construisent un spectre unique qui est traduit en caractéristiques du produit à l'aide de modèles d'apprentissage automatique. De nombreuses installations de transformation alimentaire et agricole disposent déjà d'un équipement NIR, mais les modèles doivent être formés à des fins spécifiques.
"Le maïs cultivé dans différents endroits varie en fonction du sol, de l'environnement, de la gestion et d'autres facteurs. Si vous entraînez le modèle avec le maïs d'un endroit, il ne sera pas précis ailleurs", explique M. Kamruzzaman.
Pour résoudre ce problème et mettre au point un modèle applicable à de nombreux endroits différents, les chercheurs ont collecté des échantillons de maïs dans sept pays : Argentine, Brésil, Inde, Indonésie, Serbie, Tunisie et États-Unis.
"Pour analyser l'humidité et les protéines dans les grains de maïs, nous avons combiné des machines à gradient de croissance avec une régression par moindres carrés partiels. Il s'agit d'une nouvelle approche qui permet d'obtenir des résultats précis et fiables", explique Runyu Zheng, doctorant en EBA et auteur principal de la première étude.
Bien que le modèle ne soit pas global à 100 %, il offre une variabilité considérable dans les données et fonctionnera dans de nombreux endroits. Si nécessaire, il peut être mis à jour à l'aide d'échantillons supplémentaires provenant de nouveaux sites, a fait remarquer M. Kamruzzaman.
Dans la seconde étude, les chercheurs se sont concentrés sur la biomasse du sorgho, qui peut servir de matière première renouvelable, rentable et à haut rendement pour les biocarburants.
La conversion de la biomasse en biocarburants dépend de sa composition chimique, de sorte qu'une méthode rapide et efficace de caractérisation de la biomasse de sorgho pourrait aider les industries des biocarburants, de la sélection et d'autres secteurs concernés, ont expliqué les chercheurs.
En utilisant du sorgho provenant de la ferme énergétique de l'université de l'Illinois, ils ont pu prédire avec précision et fiabilité l'humidité, les cendres, la lignine et d'autres caractéristiques.
"Nous avons d'abord scanné les échantillons et obtenu des spectres NIR en sortie. Il s'agit d'une sorte d'empreinte digitale propre aux différentes compositions chimiques et propriétés structurelles. Nous avons ensuite utilisé la chimiométrie - une approche mathématique et statistique - pour développer les modèles de prédiction et les applications", explique Md Wadud Ahmed, étudiant en doctorat à l'EBA et auteur principal du second article.
Bien que la spectroscopie NIR ne soit pas aussi précise que l'analyse en laboratoire, elle est plus que suffisante à des fins pratiques et peut fournir des méthodes de dépistage rapides et efficaces à usage industriel, a déclaré M. Kamruzzaman.
"L'un des principaux avantages de cette technologie est qu'il n'est pas nécessaire d'enlever et de détruire les produits. Il suffit de prélever des échantillons pour les mesurer, de les scanner, puis de les réintégrer dans le flux de production. Dans certains cas, il est même possible de scanner les échantillons directement dans la chaîne de production. La spectroscopie proche infrarouge offre une grande souplesse d'utilisation dans l'industrie", conclut-il.
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.
Publication originale
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
Autres actualités du département science
