Characterisation of whole white maize kernels using spectral imaging
Date
2017-03
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Stellenbosch : Stellenbosch University
Abstract
ENGLISH ABSTRACT: Maize (Zea mays L.) is the most important cereal crop grown in South Africa. It is produced widely
across the country under diverse environments, and thus a variety of defects tend to occur. Grading
is an important quality and safety control step where these defective materials are identified and
quantified. This study considered the most important defective material classes, namely 6 types of
defective white maize kernels, 5 types of foreign matter, other colour kernels (yellow maize) and
pinked white maize kernels. Current maize grading is manual and tedious, and modern analytical
methods could improve this process. This study aimed to investigate the viability of using spectral
imaging with multivariate data analysis for maize grading by separating sound maize from the 13
defective materials classes.
NIR hyperspectral imaging with pixel-wise and object-wise data analysis were used for twoway
discrimination of the sound and defective material classes. The average spectra indicated
prominent bands at 1219 and 1476 (related to starch), 1941 (related to moisture), and 2117 nm
(related to protein). The loadings of principal component (PC) 1 exhibited similar bands. The objectwise
approach performed superiorly to the pixel-wise approach across all 13 analyses. Little
separation was observed in the principal component analysis (PCA) score plots in the pixel-wise
results due to a large similarity between classes. The object-wise approach utilised the average
spectrum for each maize kernel, and the overlap was reduced. Partial least squares discriminant
analysis (PLS-DA) models were calculated and used to classify an independent validation set of 30
sound kernels and 30 defective materials. The pixel-wise analyses achieved classification
accuracies ranging 75-99%. This approach was not able to accurately distinguish closely related
classes. The object-wise analyses performed well, with 8 of the 13 achieving 100% classification
accuracy, and the remaining 5 classes incurring only one error per analysis of 60 kernels.
Multispectral imaging followed to compare the two imaging techniques. Pixel-wise PCA was
applied to pre-process the spectral imaging data, followed by object-wise two-way PLS-DA
modelling using 17 sound kernels and 18 defective material objects. The PCA loadings revealed
that colour played a role in separating the classes, with a wide band appearing across 505, 525,
570 and 590 nm. Classification accuracies of 83-100% were achieved, and were generally slightly
lower than the results obtained for all classes using the NIR hyperspectral imaging instrument.
Spectral imaging was shown to be capable of separating white maize from 13 commonly
occurring defective materials. NIR hyperspectral imaging performed superiorly to multispectral
imaging, and the use of an object-wise data analysis approach further improved the accuracy of the
separations. These techniques have the potential to offer the maize industry a rapid, accurate and
objective alternative grading method.
AFRIKAANSE OPSOMMING: Mielies (Zea mays L.) is die belangrikste graangewas wat tans in Suid Afrika geproduseer word. Dit word landwyd geproduseer, en deurdat dit in soveel diverse omgewings groei, word verskeie defekte gereeld opgespoor. Gradering is ‘n baie belangrike kwaliteit- en veiligheidsmaatreël waardeur hierdie foutiewe materiaal uitgesonder en dan gekwantifiseer word. Hierdie studie oorweeg die mees prominente foutiewe materiaal klasse, naamlik: ses tipes foutiewe wit mieliepitte, vyf tipes vreemde materiaal, anderskleurige mieliepitte (geel mielies) en verpienkte wit mieliepitte. Huidige mieiliegradering is ‘n duur en tydsame proses, en moderne analitiese metodes kan hierdie proses verbeter. Hierdie studie stel ondersoek in om te bepaal asof die gebruik van spektrale beelding met meerveranderlike data ontleding vir mieliegradering lewensvatbaar is, deur gesonde mielies van die 13 foutiewe materiaal klasse te skei. Naby infrarooi (NIR) hiperspektrale beelding met pixel- en voorwerp-wyse data analiese is gebruik vir ‘n tweerigting diskriminasie van die gesonde en foutiewe materiaal klasse. Die gemiddelde spektra het prominente bande aangedui by 1219 en 1476 (stysel-verwant), 1941 (proteien-verwant) en 2117 nm (vog-verwant). Die lading-stip van hoofkomponent (HK) 1 het soortgelyke bande gewys. Die voorwerp-wyse benadering het regoor al 13 analises beter as die pixel-wyse benadering presteer. As gevolg van ‘n groot ooreenkomste tussen die verskillende klasse, was min skeiding geobserveer in die hoofkomponent analise (HKA) telling-beelde in die pixel-wyse resultate. Die voorwerp-wyse benadering het van die gemiddelde spektrum van elke mieliepit gebruik gemaak, en die oorvleuling was so verminder. Parsiële kleinste waarde diskriminantanalise (PKW-DA) modelle was bereken om 30 gesonde- en 30 foutiewe materiale te klassifiseer. Die pixel-wyse analises het klassifikasie akkuraatheid tussen 75-99% bereik. Hierdie benadering kon nie akkuraat tussen die verwante klasse onderskei nie. Die voorwerp-wyse analise het goed presteer, waar 8 van die 13, 100% klasifikasie akkuraatheid bereik het, en die oorblywende 5 klasse net een fout per analise van 60 pitte aangegaan het. Multispektrale beelding het gevolg om die twee beeldingstegnieke te vergelyk. Pixel-wyse HKA was bereken om skoonmaak van die beeld te akkomodeer, en was vervolg deur voorwerpwyse tweerigting PKW-DA modellering wat van 17 gesonde pitte en 18 voorwerpe van foutiewe materiaal gebruik gemaak het. Die HKA lading-stippe het onthul dat kleur ‘n massiewe rol in die skeiding van die klasse gespeel het, met ‘n wye band wat oor 505, 525, 570 en 590 nm verskyn het. Klassifikasie akkuraatheid van 83-100% was bereik, en was oor die algemeen iewat laer as die resultate wat in alle klasse bereik is tydens die gebruik van die NIR hiperspektrale beelding instrument. Dit was daardeur gewys dat spektrale beelding bekwaam was om wit mielies van 13 bekende foutiewe materiale te skei. NIR hiperspektrale beelding het beter gedoen as multispektrale beelding, en die gebruik van ‘n voorwerp-wyse data analise benadering het verder die akkuraatheid van die skeidings verbeter. Hierdie tegnieke het die potensiaal om vir die mielie industrie ‘n vinnige, akkurate en objektiewe alternatiewe graderings metode aan te bied.
AFRIKAANSE OPSOMMING: Mielies (Zea mays L.) is die belangrikste graangewas wat tans in Suid Afrika geproduseer word. Dit word landwyd geproduseer, en deurdat dit in soveel diverse omgewings groei, word verskeie defekte gereeld opgespoor. Gradering is ‘n baie belangrike kwaliteit- en veiligheidsmaatreël waardeur hierdie foutiewe materiaal uitgesonder en dan gekwantifiseer word. Hierdie studie oorweeg die mees prominente foutiewe materiaal klasse, naamlik: ses tipes foutiewe wit mieliepitte, vyf tipes vreemde materiaal, anderskleurige mieliepitte (geel mielies) en verpienkte wit mieliepitte. Huidige mieiliegradering is ‘n duur en tydsame proses, en moderne analitiese metodes kan hierdie proses verbeter. Hierdie studie stel ondersoek in om te bepaal asof die gebruik van spektrale beelding met meerveranderlike data ontleding vir mieliegradering lewensvatbaar is, deur gesonde mielies van die 13 foutiewe materiaal klasse te skei. Naby infrarooi (NIR) hiperspektrale beelding met pixel- en voorwerp-wyse data analiese is gebruik vir ‘n tweerigting diskriminasie van die gesonde en foutiewe materiaal klasse. Die gemiddelde spektra het prominente bande aangedui by 1219 en 1476 (stysel-verwant), 1941 (proteien-verwant) en 2117 nm (vog-verwant). Die lading-stip van hoofkomponent (HK) 1 het soortgelyke bande gewys. Die voorwerp-wyse benadering het regoor al 13 analises beter as die pixel-wyse benadering presteer. As gevolg van ‘n groot ooreenkomste tussen die verskillende klasse, was min skeiding geobserveer in die hoofkomponent analise (HKA) telling-beelde in die pixel-wyse resultate. Die voorwerp-wyse benadering het van die gemiddelde spektrum van elke mieliepit gebruik gemaak, en die oorvleuling was so verminder. Parsiële kleinste waarde diskriminantanalise (PKW-DA) modelle was bereken om 30 gesonde- en 30 foutiewe materiale te klassifiseer. Die pixel-wyse analises het klassifikasie akkuraatheid tussen 75-99% bereik. Hierdie benadering kon nie akkuraat tussen die verwante klasse onderskei nie. Die voorwerp-wyse analise het goed presteer, waar 8 van die 13, 100% klasifikasie akkuraatheid bereik het, en die oorblywende 5 klasse net een fout per analise van 60 pitte aangegaan het. Multispektrale beelding het gevolg om die twee beeldingstegnieke te vergelyk. Pixel-wyse HKA was bereken om skoonmaak van die beeld te akkomodeer, en was vervolg deur voorwerpwyse tweerigting PKW-DA modellering wat van 17 gesonde pitte en 18 voorwerpe van foutiewe materiaal gebruik gemaak het. Die HKA lading-stippe het onthul dat kleur ‘n massiewe rol in die skeiding van die klasse gespeel het, met ‘n wye band wat oor 505, 525, 570 en 590 nm verskyn het. Klassifikasie akkuraatheid van 83-100% was bereik, en was oor die algemeen iewat laer as die resultate wat in alle klasse bereik is tydens die gebruik van die NIR hiperspektrale beelding instrument. Dit was daardeur gewys dat spektrale beelding bekwaam was om wit mielies van 13 bekende foutiewe materiale te skei. NIR hiperspektrale beelding het beter gedoen as multispektrale beelding, en die gebruik van ‘n voorwerp-wyse data analise benadering het verder die akkuraatheid van die skeidings verbeter. Hierdie tegnieke het die potensiaal om vir die mielie industrie ‘n vinnige, akkurate en objektiewe alternatiewe graderings metode aan te bied.
Description
Thesis (MScFoodSc)--Stellenbosch University, 2017.
Keywords
Maize -- Spectral imaging, Chemometrics, Maize -- Grading, Maize -- Characterisation, Maize -- Multispectral imaging, Maize -- Hyperspectral imaging