Prediction of technological properties of wheat flour by combination of UV-VIS-NIR spectroscopy and multivariate analysis methods

Full Text

1. Введение

В настоящее время растет спрос на высококачественную сельскохозяйственную продукцию, что требует проведения инспекционных процессов в цепочках поставок производителей и дистрибьюторов с целью обеспечения высокого качества продукции для потребителей [1]. Пшеничная мука широко используется для производства различных видов хлебобулочных, кондитерских и макаронных изделий.

Изучение хлебопекарных свойств пшеничной муки позволяет оперативно выявлять ее целевое назначение и в определенной степени прогнозировать качество хлебобулочных изделий. Хлебопекарные свойства пшеничной муки определяются следующими показателями: количество и свойства клейковины, число падения и «сила» муки. «Сила» муки — это способность муки образовывать тесто, обладающее после замеса и в ходе брожения и расстойки определенными структурно-механическими свойствами [2].

Существует ряд методов и приборов, с помощью которых изучают свойства пшеничной муки, в том числе и «силу» муки. Среди таких приборов выделяют Фаринограф (Brabender, Германия) и Альвеограф (Chopin, Франция). Для контроля показателей технологических свойств зерна и продуктов его переработки данными методами требуется много времени и большое количество химических реактивов; кроме того, возможность выявления этих показателей в режиме реального времени отсутствует [3].

В современных условиях на предприятиях необходимо устанавливать показатели технологических свойств, отвечающие за определение дальнейшего назначения пшеничной муки, на месте (in situ) и в режиме реального времени. Для реализации этой задачи применяют бесконтактные и неразрушающие методы контроля. Технологические характеристики объектов возможно изучать и анализировать без разрушающего воздействия с помощью таких технологий, как электронный глаз или компьютерное зрение [4]. Среди неразрушающих способов исследования сельскохозяйственной продукции все более актуальными становятся спектроскопические методы, включая UV-VIS-NIR спектроскопию [5].

Использование портативного UV-VIS-NIR спектрометра для анализа технологических характеристик и оценки качества сельскохозяйственной продукции ранее было рассмотрено в работах [6–8]. В настоящее время ближняя инфракрасная спектроскопия широко применяется для определения содержания белка, клейковины, влаги в составе зерна [9]. При этом данные зарегистрированных UV-VIS-NIR спектров возможно задействовать для расчета колориметрических показателей пищевых продуктов. Использование данных UV-VIS-NIR спектров для расчета координат цвета в колориметрических системах проанализировано в работе [10]. В исследованиях [10, 11] применен колориметрический анализ для оценки возможности использования данного метода при контроле качества муки из маниоки и пшеничной муки соответственно. В данной работе изучены цветовые характеристики образцов пшеничной муки, различающихся по технологическим свойствам, для градации образцов на группы качества.

UV-VIS-NIR спектры множества образцов пшеничной муки считаются многомерными данными, поэтому для их анализа используют многомерные методы. Основное назначение этих методов — построение классификационных и градуировочных моделей [12]. В работе [13] применяли методы многомерного анализа в сочетании с данными NIR-спектров для прогнозирования значений показателей свойств, полученных с помощью фаринографа и параметров экстенсиграфа. В настоящем исследовании предлагается другой методический подход — не прогнозирование отдельных показателей технологических свойств сочетанием методов спектроскопии и многомерного анализа, а градация образцов пшеничной муки на группы по технологическим свойствам сочетанием методов спектроскопии и многомерного анализа. Эта гипотеза обусловлена тем, что в UV-VIS-NIR спектрах образцов пшеничной муки имеются полосы поглощения, соответствующие функциональным группам компонентов химического состава и различающиеся по интенсивности полос поглощения, что определяет, на наш взгляд, градацию образцов на группы по технологическим свойствам.

Применение портативных UV-VIS-NIR спектрометров и построение на их основе классификационных моделей методами многомерного анализа позволит существенно сократить время прогнозирования технологических свойств и определения группы качества. При непрерывном контроле на производстве выявление группы пшеничной муки по технологическим свойствам возможно в режиме реального времени, что является преимуществом в условиях непрерывного цикла производства продукта.

Целью работы является разработка методического подхода к градации образцов пшеничной муки на группы качества, различающиеся по технологическим свойствам, сочетанием методов UV-VIS-NIR спектроскопии и многомерного анализа.

2. Объекты и методы

В качестве объектов исследования выбраны 68 UV-VIS-NIR спектров пшеничной хлебопекарной муки высшего сорта, различающиеся по технологическим свойствам. В соответствии с методологией построения классификационной модели формируются две выборки: обучающая, необходимая для построения калибровочной модели, и тестовая — для верификации модели [14]. В нашем исследовании в обучающую выборку из 68 спектров включены 62 спектра, а в тестовую — 6 спектров.

Значения показателей технологических свойств образцов пшеничной муки, представленные в Таблице 1, были получены в Центре реологии пищевых сред ФГАНУ НИИ хлебопекарной промышленности. Количество и качество клейковины определяли по ГОСТ 27839–2013¹ на приборе ИДК-3М, а число падения — по ГОСТ 27676–88² на приборе ПЧП-5. Значения показателей реологических свойств образцов пшеничной муки выявлялись в соответствии с ГОСТ ISO 5530–1–2013³ на фаринографе Farinograph (фирма Brabender, Германия). Методика и технология определения технологических свойств будет представлена в отдельном исследовании.

 

Таблица 1. Средние значения технологических показателей пшеничной муки по трем группам качества с учетом стандартной ошибки выборки средств

Table 1. Mean values of technological indicators of wheat flour by three quality groups with account for the standard error

	группа 1	группа 2	группа 3
Номера спектров образцов пшеничной муки	37–42, 49, 50, 53–56, 65, 66	35, 36, 45–48, 51, 52, 59–62, 67, 68	1–34, 43, 44, 57, 58, 63, 64
Показатели	Средние значения по группам
«Число падения» (ЧП), с	365 ± 13,89	300 ± 15,61	355 ± 11,37
Количество клейковины (Gкл), %	28,7 ± 0,18	28,0 ± 0,42	26 ± 0,39
Качество клейковины, ед. ИДК	62 ± 3,10	62 ± 3,61	51 ± 2,61
Водопоглощение муки (V) на 500 ЕФ, %	58 ± 0,20	61 ± 1,24	59 ± 0,51
Время образования теста (a), мин	7,2 ± 2,15	5,1 ± 0,99	2 ± 0,21
Устойчивость теста (b), мин	17,9 ± 0,43	11,6 ± 0,94	9 ± 1,24
Разжижение теста через 10 минут после начала тестирования (d1)	8 ± 4,61	49 ± 3,92	51 ± 3,92
Разжижение теста через 12 минут после времени развития (d2)	8 ± 2,67	24 ± 3,37	43 ± 3,73
Число качества, ЧК	194 ± 3,31	106 ± 6,60	53 ± 1,32

 

Методами многомерного анализа [8] проведена процедура градации образцов пшеничной хлебопекарной муки, а также формирования групп качества по показателям технологических свойств. В результате выделены три группы: первая группа — образцы пшеничной муки с хорошими хлебопекарными свойствами, вторая группа — с пониженными хлебопекарными свойствами, третья группа — с низкими хлебопекарными свойствами. Средние значения технологических показателей образцов исследования представлены в Таблице 1.

Измерение UV-VIS-NIR спектров диффузного отражения проведено на портативном спектрометре ASD TerraSpec® 4 Hi-Res в диапазоне 350–2500 нм. Этот портативный прибор имеет массу 5,44 кг. Спектральное разрешение прибора в диапазоне до 1000 нм составляет 3 нм и 6 нм — в диапазоне от 1000 до 2500 нм. Апертура исследуемого участка — 12 мм. В качестве источника света используется галогенная лампа (# 8106–002, Welch Allyn, США). Управление спектрометром проводится с помощью программы RS³ (ASD Inc., США), установленной на портативном компьютере — ноутбуке ThinkPad X201 (Lenovo, Китай). Использование портативного спектрометра имеет ряд преимуществ: измерение диффузного отражения можно проводить in situ, без пробоподготовки; при измерении спектров применяется проба большого объема и массы, что повышает достоверность и репрезентативность результатов; сочетание видимого (VIS) и ближнего инфракрасного (NIR) диапазонов позволяет, с одной стороны, определить по VIS-диапазону цветовые характеристики и центры окраски природных пигментов, с другой — идентифицировать по NIR-диапазону функциональные группы компонентов химического состава пшеничной муки.

По видимому диапазону UV-VIS-NIR спектра диффузного отражения произведен расчет (при соблюдении следующих стандартных условий: измерение/наблюдение d/8° при источнике света D₆₅ и колориметрическом наблюдателе 10°) координат цвета в колориметрической системе МКО L*a*b*: L* — светлота; +a* — красный, -a* — зеленый; +b* — желтый, -b* — синий. C — насыщенность цвета, Н — цветовой тон [15].

Для применения многомерных методов проводили предварительную обработку UV-VIS-NIR спектров диффузного отражения в программном пакете Unscrambler (ver. 10.0.4, Camo Software, Норвегия). Предварительная обработка включала следующие этапы: коррекция мультипликативного рассеяния (MSC), процедура сглаживания спектров методом сглаженной скользящей средней (Moving Average) и преобразование коэффициентов диффузного отражения (R) в коэффициенты поглощения длин волн спектра по функции A = log(1/R). Профили UV-VIS-NIR спектров поглощения образцов пшеничной муки после предварительной обработки представлены на Рисунке 1.

 

Рисунок 1. Профили UV-VIS-NIR спектров образцов пшеничной муки после предварительной обработки. Положение полос поглощения спектра, приписываемых функциональным группам компонент состава пшеничной муки. Подробнее — см. Таблицу 3

Figure 1. Profiles of UV-VIS-NIR spectra of the wheat flour samples after the preliminary treatment. The location of the absorption bands of the spectrum assigned to the functional groups of the composition components of wheat flour. See Table 3 for further details

 

Для разработки классификационной модели градации образцов пшеничной муки на группы качества использованы следующие методы классификации в программном пакете Unscrambler (ver. 10.0.4, Camo Software, Норвегия):

• метод главных компонент (МГК): алгоритм — NIPALS (нелинейное итерационное проектирование при помощи чередующих наименьших квадратов), метод проверки — полная перекрестная кросс-валидация;
• сочетание метода главных компонент и линейного дискриминантного анализа (PCA-LDA).

3. Результаты и обсуждение

Анализ UV-VIS-NIR спектров образцов пшеничной муки выполнен в несколько этапов:

• по видимому диапазону (380–750 нм) спектра произведен расчет координат цвета в колориметрической системе МКО L*a*b* для образцов пшеничной муки из трех групп, различающихся по технологическим свойствам;
• по UV-VIS-NIR спектру выявлен перечень полос поглощения, приписываемых функциональным группам компонентов состава пшеничной муки, и методом главных компонент определены полосы поглощения, вносящие наибольший вклад в градацию образцов на группы;
• методом дискриминантного анализа построены классификационные модели градации образцов пшеничной муки на группы, различающиеся по технологическим свойствам, и проведена верификация одной из моделей по тестовой выборке образцов.

3.1. Цветовые характеристики пшеничной муки

Содержание и структура белка (качество клейковины), а также цвет пшеничной муки — наиболее ценные показатели свойств для пищевой промышленности и для гарантии качества конечных продуктов [16]. Матрица значений координат цвета L*a*b* образцов пшеничной муки обработана методом главных компонент. Две главные компоненты объясняют 99,9% по общей дисперсии (71% и 29% соответственно). По 1 ГК максимальное значение факторной нагрузки, равное 0,96, имеет координата светлоты L*, а наибольший показатель по 2 ГК, равный 0,96, присущ координате желтизны b*. Координата красноты а* имеет самые низкие значения факторных нагрузок по 1 и 2 ГК. Известно [17], что значение светлоты пшеничной муки определяется твердостью зерен и размером частиц пшеничной муки, а желтизна — содержанием природных пигментов.

 

Таблица 2. Координаты цвета образцов пшеничной муки по группам

Table 2. Coordinates of the color of the wheat flour samples by groups

Номер группы	Значение показателя	Координаты цвета
		L*	a*	b*	C	H
Группа 1	Максимум	96,1	0,77	12,78	12,8	87,8
	Минимум	92,4	0,41	9,39	9,4	86,3
	Среднее	94,5	0,52	11,07	11,1	87,3
Группа 2	Максимум	95,8	0,83	10,75	10,7	88,2
	Минимум	91,98	0,32	9,32	9,3	85,5
	Среднее	94,8	0,47	10,06	10,1	87,3
Группа 3	Максимум	96,2	0,53	11,06	11,1	88,1
	Минимум	90,5	0,33	8,48	8,5	86,6
	Среднее	94,6	0,45	9,66	9,7	87,3

 

В Таблице 2 представлены координаты цвета образцов из трех групп в колориметрической системе МКО L*a*b*. По окраске образцы из трех групп, разделенные по технологическим свойствам, различаются следующим образом: по значению светлоты L* и цветового тона Н практически не различаются, по красноте а* — очень слабо, а по желтизне b* и насыщенности цвета С — слабо различимы.

Флавоноиды и красноватые флабовены, в основном присутствующие во внешнем слое зерна, как и каротиноиды, которые отвечают за цвет зерна, находятся в эндосперме [18]. Накопление каротиноидов в эндосперме, обладающих антиоксидантными свойствами, определяет желтый цвет зерна [19]. Согласно исследованиям взаимосвязи природных пигментов и окраски злаков и их продуктов, координата желтизны b* взаимосвязана с содержанием природных пигментов — лютеина и бета-каротина [20]. Среди каротиноидов именно лютеин и бета-каротин являются основными компонентами, формирующими желтый оттенок зерна пшеницы. Если сравнить средние значения трех групп образцов по желтизне, то образцы первой группы желтее по сравнению с образцами второй и третьей групп (11,07 против 9,66–10,06). Можно предположить, что образцы из первой группы, обладающие среди трех групп лучшими хлебопекарными свойствами и имеющие незначительное превосходство по значениям координат желтизны b*, следовательно, имеют в своем составе большее содержание красящих пигментов — лютеина и бета-каротина.

3.2. Построение классификационной модели образцов пшеничной муки по данным UV-VIS-NIR спектров методом главных компонент

По результатам измерения UV-VIS-NIR спектров пшеничной муки, различающейся по технологическим свойствам на три группы, построены две матрицы данных на обучающей (X₁) и тестовой (X₂) выборках: X₁ размерностью 62 × 2151 (62 — количество UV-VIS-NIR спектров, 2151 — отсчеты на длинах волн) и X₂ размерностью 6 × 2151 (6 — количество UV-VIS-NIR спектров, 2151 — отсчеты на длинах волн).

Методом главных компонент матрица Х₁ преобразована в произведение двух матриц: Т — матрицу счетов (scores) координат спектров образцов и Р — матрицу факторных нагрузок (loadings) длин волн спектра. Число столбцов в матрицах Т и Р, равное А, называют числом главных компонент (ГК). Из матрицы Х₁ выделены четыре главные компоненты (А = 4), вклад которых в объяснимую дисперсию составляет 97,49% (69,58; 16,53; 8,98 и 2,40% соответственно).

Одной из задач исследовательского анализа данных является обнаружение выбросов и их удаление из обучающей выборки. На Рисунке 2 представлен график, на котором по оси абсцисс указаны значения статистики Hotelling’s T², а по оси ординат — значение F-Residuals. Для всех спектров образцов, полученных при анализе методом главных компонент, статистика Hotelling’s T² описывает расстояние до модели, охватываемое главными компонентами, а также показывает критический предел, связанный со статистическим доверительным интервалом. Из данного Рисунка видно, что пять спектров образцов находятся за пределами критических значений статистики Hotelling’s T². Это означает, что данные спектры образцов относятся к выбросам, в связи с чем они были удалены из обучающей выборки матрицы Х_1. Для дальнейшего анализа при исключении пяти спектров из матрицы Х₁ использована матрица Х₁₁.

 

Рисунок 2. Расположение точек, соответствующее спектрам образцов, в координатах двух осей: значения статистики Hotelling’s T² и F-Residuals

Figure 2. Location of points corresponding to the spectra of the samples in coordinates of two axes: values of Hotelling’s T² and F-Residuals statistics

 

На Рисунках 3а и 3б представлено расположение точек, соответствующих спектрам образцов из разных групп, в координатах 1–2 ГК и 2–3 ГК соответственно. На Рисунках 4а-4г приведены значения факторных нагрузок длин волн спектра поглощения образцов для 1, 2, 3 и 4 ГК.

 

Рисунок 3. График расположения точек, соответствующих спектрам образцов пшеничной муки в координатах: а) первой и второй главных компонент; б) второй и третьей главных компонент. Группа 1 — желтый цвет ▲; группа 2 — зеленый цвет ■; группа 3 — красный цвет ●

Figure 3. Graph of location of points corresponding to the spectra of the wheat flour samples in coordinates: a) the first and second principal components; б) the second and third principal components. Group 1 — yellow ▲; group 2 — green ■; group 3 — red ●

 

Рисунок 4. Факторные нагрузки длин волн спектра по четырем главным компонентам: а) по 1 ГК; б) по 2 ГК; в) по 3 ГК; г) по 4 ГК

Figure 4. Factor loadings of wavelengths of the spectrum by four principal components: a) by 1 PC; б) by 2 PC; в) by 3 PC; г) by 4 PC

 

Таблица 3. Положение полос поглощения спектра, приписываемых функциональным группам компонентов состава пшеничной муки

Table 3. Location of absorption bands of the spectrum assigned to the functional groups of the composition components of wheat flour

Положение полосы, нм	Функциональная группа	Компонент	Источник
396	Валентные колебания О–Н	Каротиноиды	[18, 21, 22]
482	Валентные колебания О–Н	Каротиноиды	[23, 24]
910	Изгиб связи О–Н	Крахмал	[25]
998	Изгиб связи О–Н	Крахмал	[25, 26]
1197	Второй обертон CH2 связи	Липиды	[27, 28]
1363	Второй обертон и растяжение C–H связей	Липиды	[15]
1454	Первый обертон валентных колебаний О–Н	Крахмал	[6, 25, 26]
1576	N–H и N–O связи	Белок	[29]
1702	Первый обертон C–H растягивающих колебаний метильной (–CH3), метиленовой (–CH2) и этениловой (–CH–CH-) групп	Липиды	[30, 31]
1778	Первый обертон деформационных колебаний C–H в жирных кислотах	Липиды	[30]
1932	Изгиб связи O–H	Вода	[26, 32, 33]
2097	Комбинация деформационных колебаний О–Н и валентных колебаний С–O	Крахмал	[6, 34]
2286	Валентные колебания С=О	Липиды	[31]
2318	Второй обертон деформационных колебаний С–Н, деформационные колебания СН2	Липиды	[6, 31, 34]

 

Интерпретация 1, 2, 3 и 4 ГК проведена по знаку (+/-) и по максимальному значению факторных нагрузок длин волн спектра, соответствующих функциональным группам компонентов состава пшеничной муки (Таблица 3).

По 1 ГК со знаком (+/-) факторные нагрузки спектра разделяются на два диапазона: со знаком (+) — видимая область, а со знаком (–) — ближняя инфракрасная область.

По 2 ГК со знаком (+) и по значению факторных нагрузок длин волн спектра выделяют функциональные группы, которые приписывают липидам (2286, 1702 нм), а также комбинации деформационных колебаний О–Н и валентных колебаний С–O, что соответствует крахмалу (2097 нм). Относительно ГК со знаком (–), выделяются функциональные группы при значениях 1932, 1454 и 482 нм, которые соответствуют молекулярной воде, первому обертону валентных колебаний О–Н и каротиноидам соответственно.

По 3 ГК со знаком (+) и по значению факторных нагрузок длин волн спектра выделяются функциональные группы при 1932, 910 и 998 нм, приписываемые молекулярной воде и изгибам ОН-связей групп крахмала, а со знаком (–) — при 482, 1576 и 1778 нм, приписываемые каротиноидам, первому обертону растяжения N–H связей и липидам соответственно.

По 4 ГК со знаком (+) выделяются функциональные группы при 1702, 1778 и 1363 нм, которые приписывают липидам, а со знаком (–) — группы при значениях 482 и 2097 нм, которые относятся к каротиноидам и крахмалу соответственно.

Многомерная градация образцов проведена по координатам образцов главных компонент. Образцы по 1 ГК разделяются на темные со знаком (+) и на более светлые со знаком (–). Действительно, если сравнить значения координат цвета образцов, имеющих знак (+) по 1 ГК (Таблица 4), со средними значениями координат цвета пшеничной муки трех групп (Таблица 1), то видно, что они имеют или более низкие значения светлоты (L* < 94,7), или более низкие значения желтизны (b* < 10,7).

 

Таблица 4. Цветовые характеристики образцов пшеничной муки, имеющие значения со знаком (+) по 1 ГК

Table 4. Color characteristics of the wheat flour samples having values with the plus sign (+) by 1 PC

Номер спектра образца	Номер группы	Координаты цвета
		L*	a*	b*	C	H
51	2	91,9	0,83	10,50	10,5	85,5
52	2	92,7	0,83	10,64	10,7	85,5
11	3	93,9	0,53	9,18	9,2	86,7
12	3	93,6	0,53	9,23	9,2	86,7
5	3	91,2	0,48	8,48	8,5	86,8
6	3	91,5	0,51	8,80	8,8	86,6
7	3	90,5	0,45	9,95	9,9	87,4
10	3	92,8	0,43	9,25	9,3	87,3

 

Следовательно, 1 ГК вносит наибольший вклад в градацию образцов на группы (вклад, равный 69,58% от общей дисперсии), но при этом не вносит различие между группами по технологическим показателям. Согласно ее интерпретации по факторным нагрузкам коэффициента спектра поглощения, она необходима для градации образцов на светлые и более темные.

При рассмотрении расположения спектров образцов в координатах 2 и 3 ГК и при сравнении их расположения с интерпретацией ГК по максимальным значениям факторных нагрузок, можно выявить следующее:

• спектры образцов из третьей группы имеют значения координат со знаком (–) по 2 ГК, которая имеет максимальные значения факторных нагрузок полос при 1932, 1454 и 482 нм, приписываемых функциональным группам ОН молекулярной воды, первому обертону валентных колебаний ОН-крахмала и каротиноидам;
• спектры образцов из второй группы имеют координаты со знаком (+) по 2 ГК, которая имеет максимальные значения факторных нагрузок полос при 2286 и 2097 нм, приписываемых липидам, а также комбинации деформационных колебаний О–Н и валентных колебаний С–О, которые относятся к крахмалу;
• спектры образцов из первой группы расположены вдоль линии (Рисунок 3б), соединяющей спектры образцов со знаком (+) по 2 ГК и со знаком (–) по 3 ГК. Они, в свою очередь, имеют максимальные значения факторных нагрузок полос при 2286, 2097, 482 нм, приписываемых функциональным группам липидов, крахмала и каротиноидов.

Следовательно, ГК взаимосвязаны со значением функциональных групп компонентов состава пшеничной муки и хорошо разделяют образцы, предварительно классифицированные по технологическим свойствам на группы. Поэтому ГК использованы для построения классификационной модели градации образцов на группы методом PCA-LDA.

3.3. Построение классификационной модели градации образцов пшеничной муки на три группы, различающиеся по технологическим свойствам, по данным UV-VIS-NIR спектроскопии методом PCA-LDA

PCA — метод анализа данных без обучения, который используется для уменьшения размеров матрицы X₂ с целью получения четырех ГК, объясняющих 97,49% от общей дисперсии. В качестве входных данных для алгоритма LDA использована матрица данных главных компонент (PCA). LDA — это метод анализа с обучением, поэтому для каждой строки матрицы РСА присвоен код — номер соответствующей группы качества. При построении классификационной модели методом PCA-LDA мы варьировали сочетанием меры расстояния между группами — линейного (евклидово), квадраты евклидового расстояния и расстояние Махаланобиса — и количеством используемых ГК.

Линейный метод используется в случае, когда разница между двумя группами может быть представлена линейной функцией. Когда группы разделяются между собой кривой линией, эффективна мера расстояния — квадраты евклидового расстояния. Эта мера может работать лучше в ситуациях, когда различные классифицируемые группы имеют основную изменчивость в разных направлениях. Расстояние Махаланобиса является способом измерения расстояния наблюдения до центров групп, этот метод задействует эллипсы для определения расстояний [35].

Результаты моделирования представлены в Таблице 5, а визуальное представление расположения спектров образцов из трех групп в координатах двух дискриминантных функций LD1 и LD2 — на Рисунке 5.

 

Таблица 5. Точность классификационной модели (%) от использования при построении меры расстояния между группами и количество главных компонент

Table 5. Accuracy of the classification model (%) on using in building the measure of distance between groups and the number of principal components

Мера расстояния	Количество главных компонент	Точность, %
Линейное (евклидово)	3	78,95
Линейное (евклидово)	4	85,96
Квадраты евклидового расстояния	3	92,98
Квадраты евклидового расстояния	4	96,49*
Махаланобис	3	92,98
Махаланобис	4	92,98

* Выделена модель с наибольшей точностью.

 

Рисунок 5. Результаты PCA-LDA. Расположение спектров образцов из трех групп в координатах двух дискриминантных функций LD1 и LD2: синие точки обозначают спектры образцов из 1 группы; красные — из 2 группы; зеленые — из 3 группы

Figure 5. Results of PCA-LDA. Location of the spectra of the samples from three groups in the coordinates of two discriminant functions LD1 и LD2: blue points denote spectra of the samples from the 1^st group; red points — from the 2^nd group; green points — from the 3^rd group

 

В Таблице 6 представлена классификационная матрица данных по принадлежности образцов из обучающей выборки к одной из предполагаемых групп, полученных по классификационной модели методом PCA-LDA при соблюдении следующих условий моделирования: мера расстояния между группами — квадраты евклидового расстояния; число ГК — 4. Наилучшие результаты показывает классификационная модель, построенная с использованием четырех главных компонент и мерой расстояния между группами — квадраты расстояний (Таблица 5). Точность предсказания в этом случае — 96,49%. Неточность классификационной модели объясняется слабым различием между первой и второй группами образцов пшеничной муки по технологическим свойствам: образцы из первой группы — с хорошими хлебопекарными свойствами, образцы из второй группы — с пониженными хлебопекарными свойствами.

 

Таблица 6. Классификационная матрица определения принадлежности спектров образцов из обучающей выборки к одной из трех групп образцов пшеничной муки

Table 6. Classification matrix of determination of assignment of the spectrum samples from the training sample to one of three groups of the wheat flour samples

Исходная группа	Предполагаемая группа
	1	2	3
1	14	2	0
2	0	13	0
3	0	0	28

Примечание: по диагонали Таблицы показано число правильно классифицированных образцов для каждой группы.

 

Для валидации классификационной модели использована исходная матрица Х₂, в которой представлены данные из тестовой выборки.

 

Таблица 7. Прогнозирование по классификационной модели принадлежности спектров образцов из тестовой выборки к одной из групп качества пшеничной муки, различающихся по технологическим свойствам

Table 7. Prediction by the classification model of the assignment of the samples from the test sample to one of the quality groups of wheat flour differed by technological properties

Номер спектра образца	Номер группы согласно технологическим свойствам	Номер группы, предсказанный моделью
2	3	3
9	3	3
22	3	3
46	2	2
59	2	2
66	1	1

 

В Таблице 7 показаны результаты прогнозирования по классификационной модели принадлежности спектров образцов из тестовой выборки к одной из групп качества пшеничной муки, различающихся по технологическим свойствам. Из Таблицы видно, что для всех образцов из тестовой выборки номер группы согласно технологическим свойствам совпадает с номером группы, предсказанным моделью. Таким образом, предполагаемый метод позволяет достичь точности градации образцов на группы, превышающей 90%. Точность градации образцов на группы качества методом РСА-LDA, вероятно, улучшится, когда в существующую базу данных будет включен большой набор обучающих данных. В связи с этим предлагаемый способ определения спектров образцов к одной из групп качества пшеничной муки, различающихся по технологическим свойствам, может быть высокоэффективным для практического применения в пищевой промышленности.

4. Выводы

Показан потенциал и преимущество использования UV-VIS-NIR спектроскопии для градации образцов пшеничной муки высшего сорта, различающейся по технологическим свойствам, по группам качества: первая группа — образцы пшеничной муки с хорошими хлебопекарными свойствами, вторая группа — с пониженными хлебопекарными свойствами, третья группа — с низкими хлебопекарными свойствами.

Применение портативного спектрометра позволяет проводить измерения UV-VIS-NIR спектров в диапазоне 350–2500 нм на месте и принимать решения о качестве пшеничной муки в режиме реального времени. Для анализа UV-VIS-NIR спектров и построения классификационной модели использованы методы многомерного анализа данных: метод главных компонент и линейный дискриминантный анализ (PCA-LDA).

По видимому диапазону (380–750 нм) спектра произведен расчет координат цвета пшеничной муки высшего сорта в колориметрической системе МКО L*a*b*. Показано, что координаты L* и b* вносят наибольший вклад в различение образцов по цвету. При этом координата светлоты L* не вносит вклад в различение образцов на группы качества по технологическим свойствам, а координата желтизны b* значимо различает и, по-видимому, связана с большим содержанием каротиноидов.

Методом PCA-LDA построена классификационная модель градации образцов пшеничной муки на группы, различающиеся по технологическим свойствам, с точностью 96,49%, и проведена верификация модели по тестовой выборке спектров.

 

¹ ГОСТ 27839–2013 «Мука пшеничная. Методы определения количества и качества клейковины». — Москва.: Стандартинформ, 2023. — 22 с.

² ГОСТ 27676–88 «Зерно и продукты его переработки. Метод определения числа падения». — Москва.: Стандартинформ, 2023. — 5 с.

³ ГОСТ ISO 5530–1–2013 «Мука пшеничная. Физические характеристики теста. Часть 1. Определение водопоглощения и реологических свойств с применением фаринографа». — Минск.: Стандартинформ, 2016. — 16 с.

About the authors

R. А. Platova

Plekhanov Russian University of Economics

Email: Platova.RA@rea.ru
ORCID iD: 0000-0001-9583-8188

Candidate of Technical Sciences, Docent, Department of Commodity Science

Russian Federation, Moscow

E. V. Zhirkova

Plekhanov Russian University of Economics

Email: Zhirkova.EV@rea.ru
ORCID iD: 0000-0002-8934-4162

Candidate of Technical Sciences, Docent, Department of Commodity Science

Russian Federation, Moscow

D. А. Metlenkin

Plekhanov Russian University of Economics

Author for correspondence.
Email: Metlenkin.DA@rea.ru
ORCID iD: 0000-0002-7006-2253

Engineer, Engineering Center

Russian Federation, Moscow

A. А. Lysenkova

Plekhanov Russian University of Economics

Email: ann.terra@mail.ru
ORCID iD: 0009-0002-8302-7542

Graduate student, Department of Commodity Science

Russian Federation, Moscow

Yu. T. Platov

Plekhanov Russian University of Economics

Email: Platov.YT@rea.ru
ORCID iD: 0000-0001-6157-572X

Doctor of Technical Sciences, Professor, Department of Commodity Science

Russian Federation, Moscow

V. A. Rassulov

All-Russian Scientific-Research Institute of Mineral Resources named after N. M. Fedorovsky

Email: rassulov@mail.ru
ORCID iD: 0000-0001-6235-0936

Candidate of Geological and Mineralogical Sciences

Russian Federation, Moscow

References

Supplementary files