Abstract | Keywords | Export | Availability | Bookmark

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

De hoeveelheid MOG (Material Other than Grain) en gebroken korrels zijn belangrijke kwaliteitsparameters in graanproducten en hun concentratie is sterk afhankelijk van de instellingen van de maaidorser tijdens het oogsten. Indien deze kwaliteitsparameters on-line zouden kunnen opgemeten worden zou dit kunnen gebruikt worden als input voor de regeling van het dors- en reinigingsproces van de maaidorser om zo de concentratie van MOG en gebroken korrels onder een bepaalde gewenste waarde te houden. De automatisatie van het reinigingsproces van de maaidorser zou een uiterst interessante realisatie zijn in de nabije toekomst, aangezien de steeds groeiende populatie een stijgende vraag naar voedsel veroorzaakt. Hieraan moet een maximale efficiëntie van de voedselproductie en een maximale capaciteit van de dorsmachines tegemoetkomen. Het hoofddoel van dit onderzoek is de ontwikkeling van een sensor die de concentratie aan MOG en gebroken korrels van het geoogste gewas on-line op de maaidorser opmeet. Het werkingsprincipe van de sensor berust op multispectrale beeldverwerking. Eerst werden de spectrale eigenschappen van zuivere korrels en van de verschillende types MOG onderzocht door graanstalen van verschillende variëteiten van tarwe, gerst en maïs hyperspectraal op te meten. Op basis van deze data werd dan een genetisch algoritme toegepast om de beste combinatie van zes golflengtegebieden te selecteren voor de discriminatie tussen korrels en MOG voor tarwe, gerst en maïs. Het gebruik van zes golflengtegebieden in plaats van het volledige spectrum zorgt voor een stijging van de misclassificaties in de validatieset van 4.62% naar 7.12%, van 12.35% naar 22.91%, en van 16.16% naar 17.84% voor respectievelijk tarwe, gerst en maïs. Dit verlies in accuraatheid weegt niet op tegen de praktische voordelen voor de implementatie van een multispectraal imaging systeem. Na het selecteren van de best discriminerende golflengtegebieden voor de classificatie van pixels als korrel of MOG wordt de sensor ontworpen op die manier, zodat de reflectie van de verschillende golflengtegebieden kan worden geregistreerd. Er wordt geopteerd voor een pre-dispersieve methode, waarbij het staal achtereenvolgens belicht wordt met LEDs van de geselecteerde golflengten en de reflectie met een monochrome camera wordt opgemeten. Tijdens de oogst van 2006 en 2007 werd een databank aangelegd van beelden van graan van verschillende velden en van verschillende variëteiten van tarwe, gerst en maïs. Op basis van deze beelden worden lineaire en niet-lineaire modellen ontwikkeld voor het verkrijgen van een virtueel beeld. In dit virtueel beeld is het contrast tussen de korrels en het MOG maximaal door het combineren van de zes originele beelden. Lineaire technieken als CDA (Canonical Discriminant Analysis) en PLSDA (Partial Least Squares Discriminant Analysis) werden toegepast en LS-SVM (Least Squares-Support Vector Machine) werd getest als niet-lineaire techniek. De multivariate classificatie technieken maximaliseren het contrast tussen MOG en korrels in het virtueel beeld. Door elke pixel in dit virtueel beeld te classificeren door de grijswaarde met een drempelwaarde te vergelijken, wordt een binair beeld bekomen waarin de hoeveelheid MOG kan gekwantificeerd worden als oppervlakte% MOG in het beeld. De spectrale eigenschappen van granen kunnen variëren naargelang klimatologische invloeden, variëteiten, ziektes, schimmels of andere biologische effecten. Bovendien kan de intensiteit van de LED’s ook variëren. Dit alles kan de intensiteit van en het contrast in het virtueel beeld beïnvloeden en dus ook de optimale drempelwaarde of threshold om het virtueel beeld te binariseren. Daarom werd de performantie van verschillende adaptieve thresholds nagegaan en vergeleken met de performantie van een vaste threshold. De adaptieve threshold op basis van entropie werd als beste techniek weerhouden. Tenslotte werden, om de accuraatheid van de discriminantie alsnog te verhogen, spatiale eigenschappen van de pixels in rekening gebracht door het binair beeld morfologisch te verwerken. In het tweede deel van dit onderzoek werd de mogelijkheid nagegaan om de sensor aan te passen voor het monitoren van aflatoxine op maïskorrels. Tegenwoordig wordt de BGYF (Bright Green Yellow Fluorescence) test toegepast om de concentratie aan aflatoxine in een maïsstaal te schatten. Dit is een test waarbij fluorescentie wordt uitgelokt bij geïnfecteerde korrels waarna de fluorescenrende korrels worden geteld, maar deze test is zeer subjectief en tijdrovend. Daarom werd de sensor, die ontwikkeld werd in het eerste deel van dit onderzoek, aangepast door de LEDs van de specifieke golflengten te vervangen door LEDs van 365 nm en door een filter voor de camera te plaatsen om de fluorescentie te accentueren. Dan werd de mogelijkheid onderzocht om met de sensor fluorescerende korrels te detecteren door experimenteel de relatie te bepalen tussen het aantal getelde fluorescerende korrels per kilo maïs en het gemiddeld aantal fluorescerende korrels per beeld. Een goede correlatie (>0.9) werd bekomen tussen het aantal getelde fluorescerende korrels per kilo maïs en het gemiddeld aantal fluorescerende korrels per beeld. Vervolgens werd het signaal van de sensor vergeleken met de resultaten van een standaard staalname. Hieruit werd duidelijk dat de staalname procedure de grootste struikelblok is om een betrouwbaar signaal over aflatoxine contaminatie te genereren. Aangezien de kans op een fluorescerende korrel in een beeld veel kleiner is dan in het geval van MOG of gebroken korrels, moet het signaal over veel meer beelden uitgemiddeld worden om een betrouwbaar signaal te bekomen. Een mathematische benadering voor de quantificatie van fluorescerende korrels wees uit dat 1000 beelden nodig zijn om een aflatoxine concentratie van 5 ppb, hetgeen overeenkomt met de Europese HACCP limit voor menselijke consumptie, te detecteren. The amount of MOG (Material Other than Grain) and broken kernels are important quality parameters in grain products, which are highly dependent on the combine harvester settings. On-line knowledge of these quality parameters could be used to adapt the settings of the threshing and cleaning section in order to keep the proportion of MOG and broken kernels below a desired set point. The automation of the cleaning process of the combine is a desired realisation in the near future, since the ever growing world population implies a highly increasing food demand and thus a maximal efficiency of the food production and a maximal capacity of the harvesting machinery. Moreover, profit maximization of the individual farmers is also a driving force for the automation of harvesting machines. The main scope of this work is the development of a sensor that monitors the amount of MOG and the amount of broken kernels in the harvested crop on a combine harvester. Multispectral imaging is used for this purpose. First, the spectral properties of pure kernels and of the different types of MOG are investigated based on hyperspectral measurements from grain samples of different varieties of wheat, barley and corn. From these data, genetic algorithms are applied to select the best discriminating combination of six wavelength regions for the discrimination between kernels and MOG for wheat, barley and corn. When using only six wavelength regions instead of the full spectrum, the proportion of misclassified observations in the validation set increased from 4.62% to 7.12%, from 12.35% to 22.91%, and from 16.16% to 17.84% for wheat, barley and corn. The loss in discrimination accuracy is considered to be small compared to the practical advantages for implementation of the multispectral imaging system. Once the best discriminating waveband regions for classification of pixels as kernel or MOG are selected, the sensor is designed such that the reflected intensity for the different waveband regions can be recorded. A pre-dispersive method is chosen, in which the sample is sequentially illuminated with LED light of the selected wavebands and for each of these illuminations the reflected light is recorded by a monochrome camera. During the harvest season of 2006, a database of images from different fields and varieties in the region of Leuven of wheat, barley and corn is build. In order to obtain a virtual image with maximal contrast between kernels and MOG, linear and non linear models are built and tested on the database, which combine the six different monochrome images in a linear, respectively non linear way. The methods that have been applied to find the optimal linear combination are the Canonical Discriminant Analysis and the Partial Least Squares Discriminant Analysis. Least Squares - Support Vector Machines (LS-SVM) are also tested to investigate whether non-linear modelling can ameliorate the discrimination accuracy. The multivariate discriminant techniques maximize the contrast between MOG and kernels in the obtained virtual image. By thresholding the virtual image, a binary image is obtained in which the amount of MOG can be quantified as surface % of MOG in the image. The color properties of grains can differ due to climatological influences, different varieties, diseases, fungi infections or other biological circumstances. Moreover, the illumination intensity of one or more LEDs can vary. All these can influence the pixel values of the virtual image and thus also the optimal threshold value to binarize this virtual image. Therefore, the accuracy of using an adaptive threshold instead of a fixed threshold value was investigated. In order to further increase the discrimination accuracy, spatial properties of the pixels are also taken into account by applying morphological operations on the binary image. In a second part of this study, the feasibility to adapt the sensor for monitoring the aflatoxin content in corn is investigated. The Bright Green Yellow Fluorescence (BGYF) test which is commonly used to estimate the aflatoxin content in corn is very time consuming. Therefore, the sensor developed in the first part of this study was adapted by replacing the LEDs on the illumination print by LEDs of 365 nm and by mounting a filter in front of the camera to accentuate the fluorescent light. First, the possibility to segment fluorescent kernels on the images taken with the sensor and the relation between the sensor signal and the manually counted number of infected kernels was investigated. A high coefficient of determination (>0.9) was obtained between the number of counted fluorescent kernels per kilo and the average number of detected infected kernels per image. Second, the signal of the sensor on the combine was compared to the results of the standard sample measurement. However, since the prevalence of a fluorescent kernel in a corn sample is much lower than the prevalence of MOG in a grain sample, the sampling procedure is found to be an important issue for the aflatoxin quantification. Therefore, the number of images needed for a reliable sensor signal was determined and was found to around 1000 when the aflatoxin concentration is around 5 ppb, which is the European HACCP limit for human consumption. Ontwerp van een sensor om on-line de graanzuiverheid te bepalen op maaidorsers De hoeveelheid MOG (Material Other than Grain) en gebroken korrels zijn belangrijke kwaliteitsparameters in graanproducten en hun concentratie is sterk afhankelijk van de instellingen van de maaidorser tijdens het oogsten. Indien deze kwaliteitsparameters on-line zouden kunnen opgemeten worden zou dit kunnen gebruikt worden als input voor de regeling van het dors- en reinigingsproces van de maaidorser om zo de concentratie van MOG en gebroken korrels onder een bepaalde gewenste waarde te houden. De automatisatie van het reinigingsproces van de maaidorser zou een uiterst interessante realisatie zijn in de nabije toekomst, aangezien de steeds groeiende populatie een stijgende vraag naar voedsel veroorzaakt. Hieraan moet een maximale efficiëntie van de voedselproductie en een maximale capaciteit van de dorsmachines tegemoetkomen. Het hoofddoel van dit onderzoek is de ontwikkeling van een sensor die de concentratie aan MOG en gebroken korrels van het geoogste gewas on-line op de maaidorser opmeet. Het werkingsprincipe van de sensor berust op multispectrale beeldverwerking. Eerst werden de spectrale eigenschappen van zuivere korrels en van de verschillende types MOG onderzocht door graanstalen van verschillende variëteiten van tarwe, gerst en maïs hyperspectraal op te meten. Op basis van deze data werd dan een genetisch algoritme toegepast om de beste combinatie van zes golflengtegebieden te selecteren voor de discriminatie tussen korrels en MOG voor tarwe, gerst en maïs. Na het selecteren van de best discriminerende golflengtegebieden voor de classificatie van pixels als korrel of MOG wordt de sensor ontworpen. Er wordt geopteerd voor een pre-dispersieve methode, waarbij het staal achtereenvolgens belicht wordt met LED's van de geselecteerde golflengten en de reflectie met een monochrome camera wordt opgemeten. Tijdens de oogst van 2006 en 2007 werd een databank aangelegd van beelden van graan van verschillende velden en van verschillende variëteiten van tarwe, gerst en maïs. Op basis van deze beelden worden lineaire en niet-lineaire modellen ontwikkeld voor het verkrijgen van een virtueel beeld. In dit virtueel beeld is het contrast tussen de korrels en het MOG maximaal door het combineren van de zes originele beelden. Lineaire technieken als CDA (Canonical Discriminant Analysis) en PLSDA (Partial Least Squares Discriminant Analysis) werden toegepast en LS-SVM (Least Squares-Support Vector Machine) werd getest als niet-lineaire techniek. De spectrale eigenschappen van granen kunnen variëren naargelang klimatologische invloeden, variëteiten, ziektes, schimmels of andere biologische effecten. Bovendien kan de intensiteit van de LED’s ook variëren. Dit alles kan de intensiteit van en het contrast in het virtueel beeld beïnvloeden en dus ook de optimale drempelwaarde of threshold om het virtueel beeld te binariseren. Daarom werd de performantie van verschillende adaptieve thresholds nagegaan en vergeleken met de performantie van een vaste threshold. De adaptieve threshold op basis van entropie werd als beste techniek weerhouden. Tenslotte werden, om de accuraatheid van de discriminantie alsnog te verhogen, spatiale eigenschappen van de pixels in rekening gebracht door het binair beeld morfologisch te verwerken. Tenslotte werd een robuustheidsanalyse uitgevoerd van het algoritme voor verschillende variëteiten graan en voor verschillende oogstseizoenen. Een calibratie werd uitgewerkt van het sensorsignaal naar het gewichtspercentage MOG in de graanstroom. In het tweede deel van dit onderzoek werd de mogelijkheid nagegaan om de sensor aan te passen voor het monitoren van aflatoxine op maïskorrels. Tegenwoordig wordt de BGYF (Bright Green Yellow Fluorescence) test toegepast om de concentratie aan aflatoxine in een maïsstaal te schatten. Dit is een test waarbij fluorescentie wordt uitgelokt bij geïnfecteerde korrels waarna de fluorescenrende korrels worden geteld, maar deze test is zeer subjectief en tijdrovend. Daarom werd de sensor, die ontwikkeld werd in het eerste deel van dit onderzoek, aangepast door de LEDs van de specifieke golflengten te vervangen door LEDs van 365 nm en door een filter voor de camera te plaatsen om de fluorescentie te accentueren. Dan werd de mogelijkheid onderzocht om met de sensor fluorescerende korrels te detecteren en experimenten werden uitgevoerd om het sensorsignaal te calibreren naar de concentratie van aflatoxine in de graanstroom op de maaidorser.