Прогнозирование технологических свойств пшеничной муки сочетанием методов UV-VIS-NIR спектроскопии и многомерного анализа

Обложка

Цитировать

Полный текст

Аннотация

За последние десятилетия для идентификации и контроля состава пищевой продукции широко использовались методы оптической спектроскопии, не требующие сложной пробоподготовки. В настоящем исследовании проанализирована возможность применения UV-VIS-NIR спектроскопии в сочетании с многомерным анализом для градации пшеничной муки по группам, различающимся по технологическим свойствам. UV-VIS-NIR спектры содержат информацию о сочетании и интенсивности полос поглощения, приписываемых функциональным группам компонентов состава и определяющих технологические свойства пшеничной муки. Сформирована база данных UV-VIS-NIR спектров образцов пшеничной муки, различающихся по технологическим свойствам на три группы: первая группа — образцы пшеничной муки с хорошими хлебопекарными свойствами, вторая группа — с пониженными хлебопекарными свойствами, третья группа — с низкими хлебопекарными свойствами. По видимому диапазону UV-VIS-NIR спектра диффузного отражения произведен расчет координат цвета в колориметрической системе МКО L*a*b*. Самое значительное различие в цветовых координатах образцов между группами обнаружено в координате b*, что обусловлено различным содержанием красящих пигментов. База данных спектров использована для построения классификационной модели градации пшеничной муки на группы качества сочетанием методов главных компонент и линейного дискриминантного анализа (PCA-LDA). Достигнутые результаты указывают на то, что классификационная модель, построенная на обучающей выборке, способна различать спектры пшеничной муки по группам качества с точностью 96,49%. Эффективность модели проверена с использованием тестового набора спектров образцов пшеничной муки. Настоящее исследование подтверждает, что комбинация UV-VIS-NIR спектроскопии в сочетании с методом PCA-LDA обладает значительным потенциалом для определения группы качества пшеничной муки по технологическим свойствам.

Об авторах

Р. А. Платова

Российский экономический университет им. Г. В. Плеханова

Email: Metlenkin.DA@rea.ru
кандидат технических наук, доцент, кафедра товароведения и товарной экспертизы117997, Москва, Стремянный переулок, 36Тел.: +7–916–346–37–75

Е. В. Жиркова

Российский экономический университет им. Г. В. Плеханова

Email: Metlenkin.DA@rea.ru
кандидат технических наук, доцент, кафедра товароведения и товарной экспертизы117997, Москва, Стремянный переулок, 36Тел.: +7–929–590–45–48

Д. А. Метленкин

Российский экономический университет им. Г. В. Плеханова

Email: Metlenkin.DA@rea.ru
инженер, Инжиниринговый центр117997, Москва, Стремянный переулок, 36Тел.: +7–963–656–79–92

А. А. Лысенкова

Российский экономический университет им. Г. В. Плеханова

Email: Metlenkin.DA@rea.ru
аспирант, кафедра товароведения и товарной экспертизы 117997, Москва, Стремянный переулок, 36Тел.: +7–915–479–56–90

Ю. Т. Платов

Российский экономический университет им. Г. В. Плеханова

Email: Metlenkin.DA@rea.ru
доктор технических наук, профессор, кафедра товароведения и товарной экспертизы117997, Москва, Стремянный переулок, 36Тел.: +7–910–473–21–75

В. А. Рассулов

Всероссийский научно-исследовательский институт минерального сырья им. Н. М. Федоровского

Email: Metlenkin.DA@rea.ru
кандидат геолого-минералогических наук 19017, Москва, Старомонетный пер., д. 31Тел.: +7–905–778–45–16

Список литературы

  1. Cortés, V., Blasco, J., Aleixos, N., Cubero, S., Talens, P. (2019). Monitoring strategies for quality control of agricultural products using visible and near-infrared spectroscopy: A review. Trends in Food Science and Technology, 85, 138–148. https://doi.org/10.1016/j.tifs.2019.01.015
  2. Сибирина, Т. Ф., Мельникова, Е. В., Мордвинова, Н. М., Полубояринов, Н. А., Беляков, А. А. (2020). Прогнозирование силы муки яровой пшеницы, возделываемой в условиях лесостепи. Эпоха науки, 21, 49–60. https://doi.org/10.24411/2409-3203-2020-11007
  3. Porep, J. U., Kammerer, D. R., Carle, R. (2015). On-line application of near infrared (NIR) spectroscopy in food production. Trends in Food Science and Technology, 46(2(A)), 211–230. https://doi.org/10.1016/j.tifs.2015.10.002
  4. Galata, D. L., Meszaros, L. A., Ficzere, M., Vass, P., Nagy, B., Szabo, E. et al. (2021). Continuous blending monitored and feedback controlled by machine visionbased PAT tool. Journal of Pharmaceutical and Biomedical Analysis, 196, Article 113902. https://doi.org/10.1016/j.jpba.2021.113902
  5. Radman, M., Jurina, T., Benković, M., Tušek, A.J., Valinger, D., Kljusurić, J. G. (2018). Application of NIR spectroscopy in gluten detection as a cross-contaminant in food. Hrvatski Casopis za Prehrambenu Tehnologiju, Biotehnologiju i Nutricionizam, 13(3–4), 120–127. https://doi.org/10.31895/hcptbn.13.3-4.4
  6. Platov, Y. T., Metlenkin, D. A., Platova, R. A., Rassulov, V. A., Vereshchagin, A. I., Marin, V. A. (2021). Buckwheat identification by combined UV-VIS-NIR spectroscopy and multivariate analysis. Journal of Applied Spectroscopy, 88, 723–730. https://doi.org/10.1007/s10812-022-01315-7
  7. de Brito, A. A., Campos, F., dos Reis Nascimento, A., Damiani, C., da Silva, F. A., de Almeida Teixeira, G. H. et al. (2022). Non-destructive determination of color, titratable acidity, and dry matter in intact tomatoes using a portable VisNIR spectrometer. Journal of Food Composition and Analysis, 107, Article 104288. https://doi.org/10.1016/j.jfca.2021.104288
  8. Pourdarbani, R., Sabzi, S., Kalantari, D., Karimzadeh, R., Ilbeygi, E., Arribas, J. I. (2020). Automatic non-destructive video estimation of maturation levels in Fuji apple (Malus Malus pumila) fruit in orchard based on colour (Vis) and spectral (NIR) data. Biosystems Engineering, 195, 136–151. https://doi.org/10.1016/j.biosystemseng.2020.04.015
  9. Menezes, C. M., da Costa, A. B., Renner, R. R., Bastos, L. F., Ferrão, M. F., Dressler, V. L. (2014). Direct determination of tannins in Acacia mearnsii bark using near-infrared spectroscopy. Analytical Methods, 6(20), 8299–8305. https://doi.org/10.1039/C4AY01558D
  10. de Matos, M. F. R., Bezerra, P. Q. M., Correia, L. C. A., Viola, D. N., de Oliveira Rios, A., Druzian, J. I. et al. (2021). Innovative methodological approach using CIELab and dye screening for chemometric classification and HPLC for the confirmation of dyes in cassava flour: A contribution to product quality control. Food Chemistry, 365, Article 130446. https://doi.org/10.1016/j.foodchem.2021.130446
  11. Jeber, J. N., Hassan, R. F., Hammood, M. K., Al-Jeilawi, O. H. R. (2021). Sensitive and simple colorimetric methods for visual detection and quantitative determination of semicarbazide in flour products using colorimetric reagents. Sensors and Actuators B: Chemical, 341, Article 130009. https://doi.org/10.1016/j.snb.2021.130009
  12. Rodionova, O. Ye., Pomerantsev, A. L. (2006). Chemometrics: Achievements and prospects. Russian Chemical Reviews, 75(4), 271–287. https://doi.org/10.1070/RC2006v075n04ABEH003599
  13. Prasadi, V. P. N., Joye, I. J. (2023). Effect of soluble dietary fibre from barley on the rheology, water mobility and baking quality of wheat flour dough. Journal of Cereal Science, 112, Article 103715. https://doi.org/10.1016/j.jcs.2023.103715
  14. Парасич, А. В., Парасич, В. А., Парасич, И. В. (2021). Формирование обучающей выборки в задачах машинного обучения. Обзор. Информационно-управляющие системы, 4(113), 61–70. https://doi.org/10.31799/1684-8853-2021-4-61-70
  15. Aw, W. C., Ballard, J. W. O. (2019). Near-infrared spectroscopy for metabolite quantification and species identification. Ecology and Evolution, 9(3), 1336–1343. https://doi.org/10.1002/ece3.4847
  16. Шибаева, А. А., Мясникова, Е. Н. (2020). Факторы и стандарты, формирующие качество пшеничной муки. Технологии пищевой и перерабатывающей промышленности АПК-продукты здорового питания, 3, 72–77. https://doi.org/10.24411/2311-6447-2020-10064
  17. Horváth, Z. H., Véha, A. (2015). Colour characteristics of winter wheat grits of different grain size. Acta Universitatis Sapientiae, Alimentaria, 8(1), 70–77. https://doi.org/10.1515/ausal-2015-0006
  18. Мальчиков П. Н., Мясникова М. Г. (2020). Содержание желтых пигментов в зерне твердой пшеницы (Triticum durum Desf.): биосинтез, генетический контроль, маркерная селекция. Вавиловский журнал генетики и селекции. 24(5), 501–511. https://doi.org/10.18699/VJ20.642
  19. Lachman, J., Martinek, P., Kotikova, Z, Orsáka, M., Šulcaet, M. (2017). Genetics and chemistry of pigments in wheat grain — A review. Journal of Cereal Science, 74, 145–154. https://doi.org/10.1016/j.jcs.2017.02.007
  20. Fratianni, A., Irano, M., Panfili, G., Acquistucci, R. (2005). Estimation of Color of Durum Wheat. Comparison of WSB, HPLC, and Reflectance Colorimeter Measurements. Journal of Agricultural and Food Chemistry, 53(7), 2373–2378. https://doi.org/10.1021/jf040351n
  21. Steinberg, T. S., Meleshkina, E. P., Shvedova, O. G., Morozova, O. V., Zhiltsova, N. S. (2020). Changes of the optical properties of top-grade flour (semolina) from durum wheat during its ripening. Food Systems, 3(2), 24–28. https://doi.org/10.21323/2618-9771-2020-3-2-24-28
  22. Kolašinac, S. M., Dajić-Stevanović, Z. P., Kilibarda, S. N., Kostić, A. Ž. (2021). Carotenoids: New applications of “old” pigments. Phyton-International Journal of Experimental Botany, 90(4), 1041–1062. https://doi.org/10.32604/phyton.2021.015996
  23. Шлыкова, А. Н., Балабаев, А. А., Трухина, Е. В., Базарнова, Ю. Г. (2020). Получение каротиноидных пигментов из микроводорослей Chlorella. Вестник ПНИПУ. Химическая технология и биотехнология, 3, 20–37. https://doi.org/10.15593/2224-9400/2020.3.02
  24. Britton, G. (2020). Carotenoid research: History and new perspectives for chemistry in biological systems. Biochimica et Biophysica Acta (BBA)-Molecular and Cell Biology of Lipids, 1865(11), Article 158699. https://doi.org/10.1016/j.bbalip.2020.158699
  25. Dowell, F. E., Maghirang, E. B., Graybosch, R. A., Berzonsky, W. A., Delwiche, S. R. (2009). Selecting and sorting waxy wheat kernels using near-infrared spectroscopy. Cereal Chemistry, 86(3), 251–255. https://doi.org/10.1094/CCHEM-86-3-0251
  26. Joe, A. A. F., Gopal, A. (April 20–21, 2017). Identification of spectral regions of the key components in the near infrared spectrum of wheat grain. International Conference on Circuit, Power and Computing Technologies (ICCPCT). IEEE, Kollam. https://doi.org/10.1109/ICCPCT.2017.8074207
  27. Hoffman, L. C., Ni, D., Dayananda, B., Abdul Ghafar, N., Cozzolino, D. (2022). Unscrambling the provenance of eggs by combining chemometrics and nearinfrared reflectance spectroscopy. Sensors, 22(13), Article 4988. https://doi.org/10.3390/s22134988
  28. Wang, P., Ma, T., Slipchenko, M. N., Liang, S., Hui, J., Shung, K. K. et al. (2014). High-speed intravascular photoacoustic imaging of lipid-laden atherosclerotic plaque enabled by a 2-kHz barium nitrite Raman laser. Scientific Reports, 4(1), Article 6889. https://doi.org/10.1038/srep06889
  29. Puertas, G., Cazón, P., Vázquez, M. (2023). Application of UV-VIS-NIR spectroscopy in membrane separation processes for fast quantitative compositional analysis: A case study of egg products. LWT, 174, Article 114429. https://doi.org/10.1016/j.lwt.2023.114429
  30. Monago-Maraña, O., Eskildsen, C. E., Galeano-Díaz, T., de la Peña, A. M., Wold, J. P. (2021). Untargeted classification for paprika powder authentication using visible–Near infrared spectroscopy (VIS-NIRS). Food Control, 121, Article 107564. https://doi.org/10.1016/j.foodcont.2020.107564
  31. Núñez-Sánchez, N., Martínez-Marín, A. L., Polvillo, O., Fernández-Cabanás, V. M., Carrizosa, J., Urrutia, B. et al. (2016). Near Infrared Spectroscopy (NIRS) for the determination of the milk fat fatty acid profile of goats. Food Chemistry, 190, 244–252. https://doi.org/10.1016/j.foodchem.2015.05.083
  32. Uysal, R. S., Acar-Soykut, E., Boyaci, I. H. (2020). Determination of yolk: White ratio of egg using SDS-PAGE. Food Science and Biotechnology, 29, 179–186. https://doi.org/10.1007/s10068-019-00650-4
  33. Wilson, R. N., Nadeau, K. P., Jaworski, F. B., Tromberg, B. J., Durkina, A. J. (2015). Review of short-wave infrared spectroscopy and imaging methods for biological tissue characterization. Journal of Biomedical Optics, 20(3), Article 03090. https://doi.org/10.1117/1.JBO.20.3.030901
  34. Taira, E. (2021). Information and Communication Technology in Agriculture. Chapter in a book: Near-infrared spectroscopy: Theory, spectral analysis, instrumentation, and applications. Singapore: Springer, 2021. https://doi.org/10.1007/978-981-15-8648-4
  35. Næs, T., Isaksson, T., Fearn, T., Davies, T. (2002). A user-friendly guide to multivariate calibration and classification. NIR Publications, Chichester, UK. 2002.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Платова Р.А., Жиркова Е.В., Метленкин Д.А., Лысенкова А.А., Платов Ю.Т., Рассулов В.А., 2024

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».