Виолета Манчева Assess the ability to diagnose infected with Fusarium corn seeds by spectral analysis and simca method

ВЪВЕДЕНИЕ

Методите за определяне на качествените показатели най-общо могат да се разделят на методи, оценяващи вътрешни качествени показатели и методи, оценяващи външни качествени показатели на обектите. Вътрешните показатели дават информация за съдържанието на влага в семето, вътрешни дефекти, твърдост и състав.

При използване на визуални методи се анализира само повърхността на продукта или неговата видима част. За да се оцени състоянието на вътрешната структура се използват методи, базирани на спектрален анализ на различни участъци на електромагнитния спектър. При анализиране на спектралните характеристики във вълновия диапазон на видимата (VIS) и близката инфрачервена (NIR) области могат да се оценят различни качествени показатели, като степен на зрялост, съдържание на сухи вещества, заболяване, цвят ,влага, захари и др.

В областта на Image Processing са направени изследвания за диагностициране на заболяването Фузариоза по царевични семена чрез анализ на цифрови изображения. Създадени са методики за диагностициране на здрави и заразени царевични семена по цветови признаци за няколко цветови модела. В областта на разпознаване на образи е направена класификация на царевични семена чрез невронни мрежи и Fuzzy логика. Направените изследвания дават добри резултати, но те са получени на базата на външните качествени показатели на царевичните семена [10].

Резултатите от диагностицирането на заболяването Фузариоза, получени на базта на външни качествени показатели, не гарантират, че вътрешната структура на семената е напълно здрава. Това налага да се прави и спектрален анализ на изследваните семена.

Разработени са алгоритъми за разпознаване на заболели от Фузариоза царевични семена чрез анализ на спектралните им характеристики на базата на тяхното описание с линейни дискретни модели [3, 11]. В [11] е разработен алгоритъм за разпознаване на болни семена. Тъй като, от една страна са изследвани спектрите на малка извадка семена, а от друга – използвания спектрофотометър не е толкова прецизен, то този алгоритъм е усъвършенстван и повторен в [3]. Получените резултати показват, че само за четири от изследваните седем сорта този начин на класификация е надежден. Разработен е и подход за разпознаване на същото заболяване, базиран на обработката на спектралните данни и Wavelet трансформация [4]. Получените резултати от двата класификатора са различни – с лиейния е получено 100% разпознаване на заразените семена, а с вероятностната невронна мрежа – 93,3%.

С голяма популярност се използва метода Soft Independent Modeling of Class Analogy (SIMCA) за анализ на спектрални данни. Той дава оценка за класификацията на обекти от няколко класа [1, 2, 6, 8]. Тъй като до сега не е правена оценка на царевични семена с този метод, то би било интересно да се провери дали той ще даде надеждна класификация.

Целта на доклада е оценка на спектрални характеристики на здрави и заразени с Фузариоза царевични семена чрез SIMCA метод.

ИЗЛОЖЕНИЕ

Обект на изследването е заболяването розова Фузариоза (Fusarium Moniliforme) и проявата му по царевичните семена. Изследвани са извадки от седем сорта семена – Кнежа 308, Кнежа 436, Кнежа 613, Кнежа 620, 26А, XM87/136 и Русе 424. Спектралните им характеристики са получени чрез спектрофотометър на фирмата Ocean Optics във видимата и близката инфрачервена област в спектралния диапазон от 200 до 1000 nm. За всеки от сортовете са снети спектралните характеристики на дифузно отражение на 50 здрави и 50 заразени семена за двете им страни – зародиш и гръб. На фиг.1 са показани получените спектрални характеристики за един сорт. За останалите шест сорта те изглеждат по подобен начин.

Методите за класификация се базират на няколко подхода – разделяне, вероятност и подобие. Подходът, свързан с подобие допуска, че подобните проби се намират в една и съща част от пространството, определено от измерваните параметри. Към тази група спада метода SIMCA. Той е двуетапен. Първо се създава модел на базата на проби от групата за калибровка и след това този модел се използва за класификация на неизвестни проби.

Методиката за класификация на царевичните семена със SIMCA метод включва следните основни стъпки:

1. 
   Първата стъпка е изследваните обекти да се разделят на класове.
   

2. 
   Втората стъпка е разделянето на пробите на две групи – за обучение (калибровка) и за тестване.
   

3. 
   Третата стъпка включва създаване на независими модели.
   

При създаването на SIMCA модела за всеки сорт се използват данните от обучаващата група.

Методът SIMCA дава възможност да се избере начина на преобразуване на данните и броя на факторите, които участват при създаването на модела за класа. В конкретния случай са избрани броя на тези фактори да бъде 10.

При снемането на характеристиките със спектрофотометъра се получават шумове в сигналния поток. Ефектът от тези случайни изменения се намалява чрез изглаждане на характеристиките. Също така, спектрите могат да съдържа едва доловими стъпаловидни върхове, които са от важно значение за търсенето на разлики между двата класа. За откриването на тези върхове се изчислят първа и втора производни на спектърите за подобряване на резултатите. Преобразуванията с първа и втора производна, както и изглаждането са базират на полиномния филтър от втори ред на Savitzky-Golay [7].

4. 
   Четвъртата стъпка включва обработка на данните със SIMCA модела.
   

Параметърът Interclass Distance показва разстоянията между двата класа (клас „здрави” и клас „заразени”) в модела. Колкото това разстояние е по-голямо, толкова разделимостта между класовете е по-добра.

Параметърът Eigenvalues дава в проценти стойностите на факторите, от които е съставен модела за съответния клас. Факторите, които имат стойности близки до 100%, са най-значими за разделянето на класовете.

Параметърът Class Distances дава разстоянията от всяка проба до центровете на моделите за класовете. Тези разстояния се представят чрез множество диаграми, чиито брой зависи от броя на използваните класове. Двойките комбинации от класовете формират осите на диаграмата.

При обработката на данните от обучаващия модел се получават два показателя – Discriminating Power и Modeling Power, графиките на които за сорт Кнежа 308 са илюстрирани на фиг.2.

а) б)

Дължините на вълните, които са отговорни за класификацията на царевичните семена могат да бъдат идентифицирани използвайки графиката за Discriminating Power. По-високите стойности на Discriminating Power указват голямо влияние на дължините на вълните в класификацията на пробите. Показателът Modeling Power показва променливи, които имат значение за описание на спектрална информация представена в известен клас от проби. Това са типични области от 0 до 1.

5. 
   Петата стъпка включва SIMCA класификацията.
   

За качествен анализ на получените спектрални характеристики и за класификация на извадките със семена е използван специализирания софтуер SIMCA на програмата Pirouette Version 2.0 (Infometrics, Inc., Woodinville, WA, USA).

За получаване на по-точни резултати при класификацията са отстранени дължините на вълните в началото и края на спектралния диапазон, в които има наличие на шумове от спектрофотометъра. Това са диапазоните от 200 до 360 nm и от 950 до 1000 nm от електромагнитния спектър.

Стойностите за параметъра Interclass Distance между клас „здрави” и клас „заразени” за SIMCA модела при трите вида обработки е представен в табл.1.

Стойностите за първите три фактора, които участват при създаването на модела за съответния клас (C1 и C2) при трите вида трансформации са представени в табл.2.

Резултатите от табл.2 показват, че най-голямо значение за разделянето на клас здрави (C1) и клас заразени (C2) има първия фактор, тъй като неговата стойност е най-близка да 100%. При класификацията с обучаващия модел и обработка на данните с изглаждане той достига максимална стойност 99,8%. При другите две обработки на данните (с първа и втора производни) се вижда, че за разделянето на класовете от значение са първите три фактора.

а) б)

Двете прагови линии от фиг.3 са „критичните” стойностите за всяка обучаваща група. Всяка проба може да бъде визуално класифицирана чрез наблюдаване на позицията й в подучастъците. Началните линии разделят равнината в четири квадранта. Пробите във втори квадрант принадлежат само на единия клас – в случая на клас „здрави”. Пробите, попадащи в четвърти квадрант принадлежат само на другия клас – в случая на клас „заразени”. Пробите в трети квадрант могат да принадлежат и към двата класа, а пробите в първи квадрант не принадлежат към нито един от двата класа.

ЗАКЛЮЧЕНИЕ

Стойностите на параметърът Interclass Distance също показват добра разделимост на класовете (здрави и заразени) за шест от изследваните седем сорта царевица. Тези резултати са на базата на изглаждане на спектрите и трансформиране с първа производна.

Обработката със SIMCA метод дава сравнително висока точност на разпознаване на заразени с Фузариоза царевични семена. Най-добри резултати са получени при модела с втора производна на спектралните данни. Средната точност за всички сортове царевични семена достига 96.43% правилно разпознати.

Целесъобразно е да се направи по-детайлен анализ на Discriminating Power и Modeling Power, за да се търсят характерните дължини на вълните за разпознаването.

ЛИТЕРАТУРА

1. 
   Achim Kohler, A. Skaga, G. Hjelme, H. J. Skarpeid. Sorting salted cod fillets by computer vision: a pilot study., Computers and Electronics in Agriculture, Vol.36, Issue 1, 2002, p.3-16.
   
2. 
   Atanasova, S., R. Tsenkova, R. Vasu, M. Koleva, M. Dimitrov. Identification of mastitis pathogens in raw milk by Near infrared spectroscopy and SIMCA classification method., Food Science, Engineering and Technologies, Plovdiv, 2009, p.567-572.
   
3. 
   Daskalov, P., V. Mancheva, Ts. Draganova, R. Tsonev. An approach for Fusarium diseased corn kernels recognition using linear discrete models., Agricultural Science and Technology, Vol.2, Number 2, 2010, p.90-95.
   
4. 
   Draganova, Ts., V. Mancheva, P.Daskalov, R. Tsonev. Wavelet based approach for Fusarium corn kernels recognition using spectral data processing., 10^th IFAC Workshop on Programmable Devices and Embeded Systems (PDeS), Poland, 2010, p.19-23.
   
5. 
   Facchin S., J. Trierwieler, V. Conz, Soft sensor design: A new approach for variable selection., 2^nd Mercosur Congress on Chemical Engineering.
   
6. 
   Hesti Meilina, Shinichiro Kuroki, B.M. Jinendra, Kentarou Ikuta, Roumiana Tsenkova. Double threshold method for mastitis diagnosis based on NIR spectra of raw milk and chemometrics., Biosystems Engineering, Vol.104, Issue 2, 2009, p.243-249.
   
7. 
   Pirouertte Software Manual.
   
8. 
   Атанасова, С., Хр. Даскалов, Т. Стоянчев. Приложение на спектралния анализ в близката инфрачервена област за анализ на колбаси, контаминирани с Listeria monocytogenes., Хранителна наука, техника и технологии, Пловдив, 2009, с. 561-566.
   
9. 
   БДС 607 – 73. Царевица на зърно изкупваема и за реализация., 1973.
   
10. 
    Драганова, Ц., Изследване диагностицирането на заболяването фузариоза (Fusarium spp.) по царевични семена чрез използване на цифрови изображения и спектрални характеристики., Докторска дисертация, 2006.
    
11. 
    Драганова Ц., Пл.Даскалов, Р.Цонев, “Алгоритъм за разпознаване заболяването фузариоза на царевични зърна чрез анализ на спектралните им характеристики.”, „Научни трудове на Русенски Университет „Ангел Кънчев”, Том 40, Серия 1.1, 2003, с.33-38.
    

Виолета Манчева, Катедра “Автоматика, Информационна и Управляваща Техника”, Русенски университет “Ангел Кънчев”, тел.:082 888684, e-mail: vmancheva@uni-ruse.bg.

Рецензент: