سنجش غيرمخرب عيار چغندرقند با بهره‌گيري از تركيب طيف‌سنجي فروسرخ نزديك (NIR) با روش‌هاي شيمي‌سنجي

Non-Destructive Evaluation of Sugar content Using a Combination of Near-Infrared Spectroscopy (NIRS) and Chemometrics Methods

در اين پژوهش، توانايي روش طيف­سنجي NIR بازتابي به منظور سنجش غيرمخرب ميزان قند موجود در ريشه­هاي چغندرقند بررسي شد. در اين راستا، طيف­گيري از 120 نمونه­ چغندرقند در مد اندازه­گيري تقابلي و در محدوده­ي طيفي nm 2500-350 انجام شد. داده­هاي طيفي حاصل از اسپكترومتر، افزون بر اطلاعات نمونه شامل اطلاعات ناخواسته و نويز هستند. به همين دليل، براي دستيابي به مدل­هاي واسنجي دقيق، نياز به پيش­پردازش داده­هاي طيفي پيش از تدوين مدل­هاي رگرسيون است. در اين راستا، مدل­هاي­ واسنجي چندمتغيره حداقل مربعات جزئي (PLS) بر پايه­ي اندازه­گيري­هاي مرجع و اطلاعات طيف­هاي پيش­پردازش­شده با تركيب روش­هاي مختلف هموارسازي، نرمال­سازي و افزايش قدرت تفكيك طيفي براي سنجش ميزان قند تدوين شدند. نتايج پيش­گويي ميزان قند (SC) نمونه­هاي چغندرقند باپوست، با مدل PLS بر پايه تركيب SG+D2 بهترين تشخيص را دارا بود؛ به گونه­اي كه پيش­پردازش SG+D2 (973/0=، 306/0RMSEC=، 977/0=، و 265/0RMSEP =) با دقت عالي(660/6SDR=) توانست مقدار SC را پيش­گويي نمايد.

In this research, the ability of the reflectance near-infrared (NIR) spectrometry was investigated for non-destructive assessment of the sugar content of sugar beet roots. To this end, spectrometry of 120 samples of sugar beet was performed in the interactance measurement mode within the spectral range of 350-2500 nm using a contact probe. Spectral data obtained from the spectrophotometer included unwanted information and noise in addition to the information about the samples. In order to arrive at accurate analytical models, pre-processing of the spectral data was required prior to regression model simulation. For this purpose, multivariate calibration models of partial least squares (PLS) were developed based on the reference measurements and the information of the preprocessed spectra. A combination of different methods for assessment and prediction of sugar content was employed: smoothing, normalizing as well as increasing the spectral resolution. Prediction of the sugar content of intact samples with the PLS model based on SG + D2, had the best discrimination ability. Thus, SG+D2 preprocessing (R_C^2=0.973, RMSEC = 0.306, R_P^2= 0.977, RMSEP = 0.265) is suitable for predicting beet root sugar content with high accuracy (SDR= 6.660).