Forscher entwickeln Nahinfrarot-Spektroskopie-Modelle zur Analyse von Maiskörnern und Biomasse

In der Agrar- und Lebensmittelindustrie ist die Bestimmung der chemischen Zusammensetzung von Rohstoffen wichtig für Produktionseffizienz, Anwendung und Preis. Herkömmliche Labortests sind zeitaufwändig, kompliziert und teuer. Neue Forschungsergebnisse der University of Illinois Urbana-Champaign zeigen, dass Nahinfrarotspektroskopie (NIR) und maschinelles Lernen eine schnelle, genaue und kostengünstige Produktanalyse ermöglichen.

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 zu Laboranalysen erfordert sie keine Chemikalien und ist daher umweltfreundlicher. Die Proben werden nicht zerstört und Sie können mehrere Merkmale gleichzeitig analysieren. Sobald das System eingerichtet ist, kann es jeder mit minimaler Schulung bedienen“, sagte Mohammed Kamruzzaman, Assistenzprofessor in der Abteilung für Agrar- und Biotechnik (ABE), Teil des College of Agricultural, Consumer and Environmental Sciences und des Grainger College of Engineering an der U. of I. Er ist Mitautor beider Arbeiten.

Im erste Studie, Die Forscher erstellten ein globales Modell zur Analyse von Maiskörnern. Feuchtigkeits- und Proteingehalt beeinflussen den Nährwert, die Verarbeitungseffizienz und den Preis von Mais, daher sind diese Informationen für die Getreideverarbeitungsindustrie von entscheidender Bedeutung. Die Forschung wurde in der Zeitschrift veröffentlicht Lebensmittelchemie.

NIR und andere spektroskopische Techniken sind indirekte Methoden. Sie messen, wie ein Material Licht bei verschiedenen Wellenlängen absorbiert oder emittiert, und konstruieren dann ein einzigartiges Spektrum, das mit maschinellen Lernmodellen in Produkteigenschaften übersetzt wird. Viele Lebensmittel- und Agrarverarbeitungsbetriebe verfügen bereits über NIR-Geräte, aber die Modelle müssen für bestimmte Zwecke trainiert werden.

„Der Maisanbau an verschiedenen Standorten ist aufgrund von Boden, Umwelt, Bewirtschaftung und anderen Faktoren unterschiedlich. Wenn Sie das Modell mit Mais von einem Standort trainieren, wird es an anderen Orten nicht genau sein“, sagte Kamruzzaman.

Um dieses Problem anzugehen 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 Feuchtigkeit und Protein in den Maiskörnern zu analysieren, haben wir Gradient-Boosting-Maschinen mit einer partiellen Kleinstquadrate-Regression kombiniert. Dies ist ein neuartiger Ansatz, der genaue und zuverlässige Ergebnisse liefert“, sagte Runyu Zheng, Doktorand in ABE und Hauptautor der ersten Studie.

Obwohl das Modell nicht 100% global ist, bietet es eine beträchtliche Variabilität in den Daten und wird an vielen Standorten funktionieren. Bei Bedarf kann es mit zusätzlichen Proben von neuen Standorten aktualisiert werden, bemerkte Kamruzzaman.

Im zweite Studiekonzentrierten sich die Forscher auf Sorghum-Biomasse, die als erneuerbarer, kostengünstiger und ertragreicher Rohstoff für Biokraftstoff dienen kann. Die Forschung wurde in der Zeitschrift veröffentlicht Biomasse und Bioenergie.

Die Umwandlung von Biomasse in Biokraftstoffe hängt von der chemischen Zusammensetzung ab. Eine schnelle und effiziente Methode zur Charakterisierung der Sorghum-Biomasse könnte daher der Biokraftstoff- und Züchtungsindustrie sowie anderen relevanten Branchen von Nutzen sein, erklärten die Forscher.

Mithilfe von Sorghum von der Energy Farm der University of Illinois konnten sie Feuchtigkeit, Asche, Lignin und andere Eigenschaften genau und zuverlässig vorhersagen.

„Wir haben zunächst die Proben gescannt und als Ergebnis NIR-Spektren erhalten. Das ist wie ein Fingerabdruck, der für verschiedene chemische Zusammensetzungen und Struktureigenschaften einzigartig ist. Dann haben wir Chemometrie – einen mathematisch-statistischen Ansatz – verwendet, um die Vorhersagemodelle und Anwendungen zu entwickeln“, sagte Md Wadud Ahmed, Doktorand in ABE und Hauptautor des zweiten Artikels.

Obwohl die NIR-Spektroskopie nicht so genau wie eine Laboranalyse sei, sei sie für praktische Zwecke mehr als ausreichend und könne schnelle, effiziente Screening-Methoden für den industriellen Einsatz liefern, sagte Kamruzzaman.

„Ein großer Vorteil dieser Technologie ist, dass Sie Produkte nicht entfernen und zerstören müssen. Sie können einfach Proben zur Messung entnehmen, sie scannen und sie dann wieder in den Produktionsablauf einführen. In einigen Fällen können Sie die Proben sogar direkt in der Produktionslinie scannen. Die NIR-Spektroskopie bietet viel Flexibilität für den industriellen Einsatz“, schloss er.