Determining vitreousness of durem wheat kernel using near infrared hyperspectral imaging
Détermination de la vitrescence de grains de blé par imagerie hyperspectrale proche infrarouge
Résumé
Vitreousness is an important grading factor for durum wheat kernel that is associated with protein content. The European Union (EU) regulation stipulates the use of a visual method to determine the vitreousness rate. However, some authors have been interested in the developpement of automatic and non destructive methods based on near infrared spectroscopy or digital imaging technology. In this paper, we propose to couple spectroscopy and digital imaging technology and thus to analyse the potentialities of near infrared hyperspectral imaging system to classify wheat kernels by their vitreousness. Hyperspectral reflectance images of wheat kernel at different vitreousness rate has been achieved (wavelength range : 650-1100 nm). A discrimination method using latent variables from a PLS enabled to obtain satisfactory discrimination results : perfect separation between vitreous and non-vitreous kernels and a classification rate reaching up to 94% for the discrimination of total and partial starchy kernel classes
La vitrescence est un important facteur de classification pour les grains de blé et qui est associé au taux de protéine. L'union Européenne stipule l'utilisation d'une méthode visuelle pour la détermination du taux de vitrescence. Cependant, certains auteurs se sont intéressés au développement d'une méthode non destructive et automatique basée sur la spectroscopie proche infrarouge ou l'analyse d'image. Dans ce papier, on propose de couples ces deux techonolies et ainsi d'analyser le potentiel de l'imagerie hyperspectrale proche infrarouge pour classifier les grains de blé suivant leur taux de vitrescence. Pour cela, nous avons acquis des images hyperspectrales de réflectance de grains de blés à différent taux de vitrescence (longueur d'onde : 650-1100 nm). Une méthode de discrimination basée sur l'utilisation de variables latentes issues d'une régression partielle moindres carrés (PLS) a permis d'obtenir des résultats satisfaisants: séparation parfaite entre grain vitreux et non vitreux et un taux de classification atteingnant 94% pour la discrimination de classes intermédiaires