Contactloze voorspelling van Brix voor bosbessen met hyperspectrale beeldvorming

Bosbessen komen oorspronkelijk uit Noord-Amerika en werden voor het eerst geteeld voor de verkoop in 1916 (USHBC, 2014). De Verenigde Staten zijn 's werelds grootste producent van blauwe bessen (FAOSTAT 2016). In 2016 werd alleen al in de Verenigde Staten in totaal 690 miljoen pond (312.978 metrische ton) gekweekte en wilde bosbessen geproduceerd en gebruikt (NASS 2020).1

Buiten de VS is Peru het grootste producerende land, gevolgd door Chili, Mexico en Argentinië. In Europa produceerde Spanje 48.520 ton (106.968.376 pond) en Duitsland 11.300 ton (24.912.255 pond) in 2020.2

Het is een diverse soort, met verschillende variëteiten die sterk verschillende smaakprofielen hebben. Vroeg bloeiende variëteiten zijn vaak zoeter en goed om als tussendoortje te eten, terwijl variëteiten die later in het seizoen bloeien zuurder zijn en de voorkeur genieten om mee te bakken.

Traditioneel worden bosbessen handmatig gecontroleerd op gebreken, onrijpe bessen of kneuzingen. De zoetheid van de bessen wordt vaak gemeten via destructieve methoden. Met Headwall's hyperspectrale beeldvorming (HSI) technologie, kunnen blauwe bessen worden geïnspecteerd op basis van hun conditie, en hun Brix waarde kan worden voorspeld, waardoor een niet-destructieve, snelle meting van grote hoeveelheden bessen, met resultaten in real time. Met hyperspectrale beeldvorming kunnen telers een waarde toekennen op basis van een snelle, nauwkeurige sortering.

mv.c-vnir-with-lens_hyperspectral-imager_800px-sq.png

VNIR-sortering van goede en slechte bosbessen

Telers beoordeelden de blauwe bessen op rijpheid, kneuzingen en gebreken en categoriseerden ze als goede of slechte kwaliteit. Ze werden gescand door Headwall met behulp van de perClass Mira Stage en de MV.C VNIR, en vervolgens werd een classificatiemodel gemaakt door perClass Mira Software te trainen om de verschillen tussen de door de teler gesorteerde bosbessen te herkennen.

Het model identificeert bosbessen en categoriseert ze als goed of slecht. Zoals getoond in Figuur 1 (hieronder), identificeerde het model correct 24/25 goede bessen en 23/24 slechte bessen. Dit suggereert dat VNIR hyperspectrale beeldvorming kan worden gebruikt om goede en slechte bosbessen met een hoge mate van nauwkeurigheid te sorteren.

blueberries-scanned-headwall-mv.c-nir-perclass-mira.png

NIR Bosbes Brix Regressie

Een volgende studie beoordeelde het vermogen van een Headwall MV.C NIR sensor met perClass Mira Stage en software om de zoetheid (Brix) van blauwe bessen te voorspellen. Zowel vroege als late bosbessen werden gemeten om de kwaliteit van het model over een heel groeiseizoen te testen.

Eerst werden hyperspectrale beelden van de bessen gemaakt, vervolgens werden de bessen geperst en werd met een Cole Parmer E81150-48 handheld digitale refractometer de Brix-waarde voor elke individuele bosbes gemeten. De bessen werden geannoteerd met de gemeten Brix-waarden en er werd een regressiemodel gebouwd. Herhaalde scans van dezelfde bessen maakten een uitgebreide testset mogelijk en bevestigden de kracht van het model. De plot van voorspelde versus gemeten Brix in figuur 3 combineert de resultaten van de vroege en late seizoensbessen.

Het classificatiemodel classificeert eerst elke pixel in de scène als een goede bes, slechte bes of achtergrond. Vervolgens worden aaneengesloten gebieden van ten minste 1000 bes-pixels gesegmenteerd van de achtergrond als “bes”-objecten. Deze objecten worden vervolgens geclassificeerd op basis van het percentage goede of slechte bes-pixels in dat object. Dit classificatiemodel had een succespercentage van 92% voor het correct classificeren van goede bessen als goed en slechte bessen als slecht.

Waarde toe te kennen op basis van productkwaliteit

Headwall's hyperspectrale sensoren in combinatie met de perClass Mira Stage en software stellen gebruikers in staat om snel classificatie- en regressiemodellen te bouwen en bij te werken. De perClass Mira modellen extraheren bruikbare informatie in real-time. Deze kunnen gebruikt worden op offline kwaliteitstestbanken, inline bij verpakkings-/verwerkingsfabrieken of in een lab. Dit stelt producenten in staat om bosbessen beter te sorteren en waarde toe te kennen op basis van productkwaliteit.

Foto: Een voorbeeld van kruisvalidatieresultaten van een volledig seizoensmodel. Bij de training werden bessen van alle partijen gebruikt (weergegeven in blauwe ruiten). Het model bleek sterk in zijn voorspellende vermogen met een regressiekleur van 0,882 voor de trainingsset en een RPD van 2,08.

Meer informatie?

Neem contact op met onze specialist in spectroscopie Kees van der Sar.

Meer informatie over real-time Brix-meting bosbessen met hyperspectrale beeldvorming

PDF downloads

Applicatie Note: Contactloze voorspelling van Brix voor bosbessen met hyperspectrale beeldvorming

Neem gerust contact met ons op voor meer informatie

Contactloze voorspelling van Brix voor bosbessen met hyperspectrale beeldvorming

Inventech is dé specialist in VNIR; ook voor een contactloze voorspelling van BRIX in fruit.