Artificial neural networks in compositional analysis of rapeseed meal from NIRS – assessment of applicability
 
More details
Hide details
1
Institute of Mathematics and Physics, University of Technology and Agriculture, ul. Kaliskiego 7, 85-796 Bydgoszcz
2
Research Institute of Clinical Pharmacology, Faculty of Pharmacy, Medical Academy, ul. Bujwida 44, 50-345 Wrocław
 
Acta Agroph. 2005, 6(1), 261–272
KEYWORDS
ABSTRACT
Near Infra-Red Spectroscopy (NIRS) is a rapid and cost-effective method widely used for the determination of chemical composition of agricultural products. Reflectance spectra recorded in near infra-red region for a set of samples of known composition are used for establishing calibration model by use of one of standard multivariate calibration methods, like MLR (multiple linear regression), PCR (principal component regression) or PLS (partial least squares). Multivariate calibration is a task that can be tried to be solved with artificial neural networks (ANNs) as well. The present paper is aimed at assessing the applicability of artificial neural networks as a tool for the determination of the content of main nutritional components of rapeseed meal: protein, dry mass, fibre and oil, on the basis of NIRS measurements. To the knowledge of the authors, no paper has been published on modelling of the dependence of chemical composition of rapeseed meal and NIR spectra with ANNs. Two most popular types of ANNs are tried in this work: multi-layer perceptron (MLP) and radial basis function (RBF). The obtained results show that chosen types of ANNs can provide models of performance comparable to that characterizing models built with MLR.
METADATA IN OTHER LANGUAGES:
Polish
Sztuczne sieci neuronowe w analizie składnikowej śruty rzepakowej na podstawie NIRS – możliwości zastosowań
śruta rzepakowa, sztuczne sieci neuronowe, spektroskopia w bliskiej podczerwieni
Spektroskopia w bliskiej podczerwieni (NIRS) jest szybką i wydajną metodą, szeroko wykorzystywaną do określania składu chemicznego produktów rolniczych. Widma odbi-ciowe zarejestrowane w obszarze bliskiej podczerwieni dla zbioru próbek o znanym składzie wykorzystuje się do ustalenia modelu kalibracyjnego przy użyciu standardowych metod wielo-wymiarowej kalibracji, takich jak MLR, PCR lub PLS. Wielowymiarowa kalibracja jest zadaniem, które może być również rozwiązane przez sztuczne sieci neuronowe (ANNs). Celem tej pracy jest ocena możliwości zastosowań sztucznych sieci neuronowych jako narzędzia do określania zawartości głównych składników odżywczych śruty rzepakowej: białka, suchej masy, włókna i tłuszczu na podstawie pomiarów NIRS. Według wiedzy autorów w literaturze nie są znane prace na temat modelowania zależności składu chemicznego śruty rzepakowej na podstawie widm NIR przez ANNs. W pracy zastosowano dwa najpopularniejsze typy sztucznych sieci neuronowych: perceptron wielowarstwowy (MLP) i sieć z radialnymi funkcjami bazowymi (RBF). Otrzymano rezultaty w postaci modeli, których jakość jest porównywalna z jakością modeli możliwych do uzyskania za pomocą MLR.
eISSN:2300-6730
ISSN:1234-4125