Применение вегетационных индексов гиперспектральных изображений для сортировки плодов авокадо

Исследования проводили с целью оценки информативности вегетационных индексов, рассчитанных по гиперспек тральным изображениям плодов авокадо, для их сортировки по физиологическому состоянию в период хранения. Работу выполняли в июле 2021 г. Использовали четыре вегетационных индекса: индекс нормализованного различия произрас тания (NDVI), в том числе его модификацию (NDVI679/757), индекс потребительской зрелости (CFI) и индекс растительной воды (PWI). Гиперспектральные изображения регистрировали с использованием портативной камеры и проводили отбор спектральных сигнатур плодов авокадо. Методом главных компонент выявлены наиболее информативные спектральные области – 679…757 нм и 900…970 нм, которые использовали для расчета и модификации вегетационных индексов. В ходе проведения расчетов обнаружено, что по мере роста величин индекса PWI уменьшаются индексы NDVI и NDVI757/679. При этом модифицированный индекс NDVI757/679 обладает более высокой обратной взаимосвязью с PWI (R²=0,99), чем NDVI с PWI (R²=0,95). По величинам двух вегетационных индексов (PWI, NDVI679/757) с использованием их как псевдоцветов в оттенках серого проводили процедуру визуализации гиперспектральных изображений. Это позволило выявить изменение физиологического состояния плодов авокадо: потемнение и увеличение влажности экзокарпия, явно не определяемые при органолептической оценке. Предложенный подход дает возможность использовать гиперспектральную информацию для определения потребительской зрелости и сортировки плодов авокадо по их физиологическому состоянию в период хранения в коммерческих организациях.

1. Skin colour and pigment changes during ripening of ‘Hass’ avocado fruit / K. A. Cox, T. K. McGhie, A. White, et al. // Postharvest Biology and Technology. 2004. Vol. 31. No. 3. P. 287–294.

2. Toivonen P. M. A., Brummell D. A. Biochemical bases of appearance and texture changes in fresh-cut fruit and vegetables // Postharvest biology and technology. 2008. Vol. 48. No. 1. P. 1–14. URL: https://www.sciencedirect.com/science/article/pii/S0925521407002888 (дата обращения: 01.07.2022). doi: 10.1016/j.postharvbio.2007.09.004.

3. Donetti M., Terry L. A. Biochemical markers defi ning growing area and ripening stage of imported avocado fruit cv. Hass // Journal of Food Composition and Analysis. 2014. Vol. 34. No. 1. P. 90–98.

4. Ochoa-Ascencio S., Hertog M. L., Nicolai B. M. Modelling the transient effect of 1-MCP on ‘Hass’ avocado softening: A Mexican comparative study // Postharvest Biology and Technology. 2009. Vol. 51. No. 1. P. 62–72.

5. Cerdas M. M., Umana G., Saenz A. Documento respaldo para la elaboracion del Reglamento Ofi cial de Aguacate (Persea americana). San Jose: Laboratorio Poscosecha, CIA, UCR, 2010. 12 p. URL: https://revistas.csuca.org/Record/AGROCOST15205 (дата обращения: 28.06.2022).

6. Computer vision based food grain classifi cation: A comprehensive survey / H. O. Velesaca, P. L. Suarez, R. Mira, et al. // Computers and Electronics in Agriculture. 2021. Vol. 187. Article 106287. URL: https://www.sciencedirect.com/science/article/pii/S0168169921003045 (дата обращения: 26.06.2022). doi: 10.1016/j.compag.2021.106287.

7. Hyperspectral imaging: A review on UAV-based sensors, data processing and applications for agriculture and forestry / T. Adao, J. Hruska, L. Padua, et al. // Remote sensing. 2017. Vol. 9. No. 11. Article 1110. URL: https://www.mdpi.com/20724292/9/11/1110 (дата обращения: 28.06.2022). doi: 10.3390/rs9111110.

8. Костин И. Г. Возможности использования современных геоинформационных систем для агроэкологического мониторинга земель сельскохозяйственного назначения // Достижения науки и техники АПК. 2020. Т. 34. № 9. С. 96–105. doi: 10.24411/0235-2451-2020-10917.

9. Идентификация кофе в зернах методами Фурье-ИК-спектроскопии и многомерного анализа / Д. А. Метленкин, Ю. Т. Платов, Р. А. Платова и др. // Известия высших учебных заведений. Пищевая технология. 2021. № 5-6. С. 92–97. doi: 10.26297/0579-3009.2021.5-6.17.

10. Идентификация таксонов морских рыб методом линейного дискриминантного анализа спектров отражения в ближней инфракрасной области / В. Ю. Новиков, А. В. Барышников, К. С. Рысакова и др. // Техника и технология пищевых производств. 2020. Т. 50. № 1. С. 159–166. doi: 10.21603/2074-9414-2020-1-159-166.

11. Метленкин Д. А., Платов Ю. Т., Рубцов А. Е. Идентификация сливочного масла методами ИК-спектроскопии и многомерного анализа // Пищевая промышленность. 2020. № 3. С. 58−61. doi: 10.24411/0235-2486-2020-10033.

12. Manley M. Near-infrared spectroscopy and hyperspectral imaging: non-destructive analysis of biological materials // Chemical Society Reviews. 2014. Vol. 43. No. 24. P. 8200–8214.

13. El Masry G., Sun D. W., Allen P. Near-infrared hyperspectral imaging for predicting colour, pH and tenderness of fresh beef // Journal of Food Engineering. 2012. Vol. 110. No. 1. P. 127–140.

14. Field detection of anthracnose crown rot in strawberry using spectroscopy technology / J. Lu, R. Ehsani, Y. Shi, et al. // Computers and electronics in agriculture. 2017. Vol. 135. P. 289–299. doi: 10.1016/j.compag.2017.01.017.

15. Abdulridha J., Batuman O., Ampatzidis Y. UAV-based remote sensing technique to detect citrus canker disease utilizing hyperspectral imaging and machine learning // Remote Sensing. 2019. Vol. 11. No. 11. Article 1373. URL: www.mdpi.com/2072-4292/11/11/1373 (дата обращения: 03.07.2022). doi: 10.3390/rs11111373.

16. NDVI: Vegetation change detection using remote sensing and gis–A case study of Vellore District / G. M. Gandhi, B. S. Parthiban, N. Thummalu, et al. // Procedia computer science. 2015. Vol. 57. P. 1199–1210. URL: https://www.sciencedirect.com/science/article/pii/S1877050915019444 (дата обращения: 05.07.2022).

17. Index Database: A database for remote sensing indices / V. Henrich, G. Krauss, C. Gotze, et al. Bonn: University of Bonn, Institute of Crop Science and Resource Conservation (INRES), 2017. URL: https://www.indexdatabase.de/db/i.php (дата обращения: 05.07.2022).