Корреляционная зависимость между влажностью корма и его оптическими свойствами на примере жмыха подсолнечника

Каждый тип сельскохозяйственного корма имеет уникальные оптические свойства и характеристики питательной ценности, которые необходимо учитывать на этапе составления рациона кормления животных для обеспечения рационального ведения хозяйственных процессов на промышленных животноводческих предприятиях.

Арбитражные химические методы оценки содержания влажности и питательной ценности сельскохозяйственных кормов трудоемки в реализации. Мировая практика показывает, что оптические методы могут служить эффективной альтернативой для разработки и изготовления приборной базы нового поколения, позволяющей определять качественные свойства материалов, в том числе сельскохозяйственных кормов (питательную ценность). Наиболее трудоемкая процедура разработки оптических приборов — это получение оптических калибровок (см. определение), которые обеспечивают интерпретацию значений косвенного параметра, характеризующего питательную ценность сельскохозяйственных кормов.

Исследование описывает процесс получения оптических калибровок методом варьирования контрольного показателя (на примере влажности корма) с последующим построением корреляционной связи между значением косвенного параметра (интенсивности фотолюминесценции) и контрольного показателя. Формирует методику построения алгоритмической связи для определения питательной ценности сельскохозяйственного корма. В том числе в портативном экспресс-анализаторе, функционирующем на основе фотолюминесценции.

Предлагаемая методика варьирования контрольного показателя может быть применена для получения оптических калибровок для экспресс-определения общего содержания жира и других показателей питательной ценности.

1. Кирсанов В.В., Беляков М.В., Никитин Е.А., Благов Д.А., Михайличенко С.М. Спектральный анализ как инструмент определения качества смешивания многокомпонентной кормовой смеси. Вестник Башкирского государственного аграрного университета. 2023; (3): 41‒46. https://www.elibrary.ru/rcobbx

2. Pavkin D.Y., Belyakov M.V., Nikitin E.A., Efremenkov I.Y., Golyshkov I.A. Determination of the Dependences of the Nutritional Value of Corn Silage and Photoluminescent Properties. Applied Sciences. 2023; 18(13): 10444. https://doi.org/10.3390/app131810444

3. Морозов Н.М., Кирсанов В.В., Ценч Ю.С. Историко-аналитическая оценка развития процессов автоматизации и роботизации в молочном животноводстве. Сельскохозяйственные машины и технологии. 2023; 17(1): 11‒18. https://doi.org/10.22314/2073-7599-2023-17-1-11-18

4. Дорохов А.С., Кирсанов В.В., Павкин Д.Ю., Никитин Е.А., Михайличенко С.М., Благов Д.А. Анализ роботизированных кормораздатчиков для животноводческих комплексов по содержанию крупного рогатого скота. Электротехнологии и электрооборудование в АПК. 2023; 70(1): 94‒104. https://doi.org/10.22314/2658-4859-2023-70-1-94-104

5. Buelvas R.M., Adamchuk V.I., Leksono E., Tikasz P., Lefsrud M., Holoszkiewicz J. Biomass estimation from canopy measurements for leafy vegetables based on ultrasonic and laser sensors. Computers and Electronics in Agriculture. 2019; 164: 104896. https://doi.org/10.1016/j.compag.2019.104896

6. Giménez-Gallego J., González-Teruel J.D., Soto-Valles F., Jiménez-Buendía M., Navarro-Hellín H., Torres-Sánchez R. Intelligent thermal image-based sensor for affordable measurement of crop canopy temperature. Computers and Electronics in Agriculture. 2021; 188: 106319. https://doi.org/10.1016/j.compag.2021.106319

7. Michelucci U., Venturini F. Multi-Task Learning for Multi-Dimensional Regression: Application to Luminescence Sensing. Applied Sciences. 2019; 9(22): 4748. https://doi.org/10.3390/app9224748

8. Qin Y. et al. Acid Detection through a Rapid and Sensitive Amplified Luminescent Proximity Homogeneous Assay. Toxins. 2023; 15(8): 501. https://doi.org/10.3390/toxins15080501

9. Беляков М.В. Оптические спектральные свойства семян растений различной влажности. Вестник НГИЭИ. 2016; (4): 38‒50. https://www.elibrary.ru/vyuqrb

10. Zhang D., Wang Z., Jin N., Gu C., Chen Y., Huang Y. Evaluation of Efficacy of Fungicides for Control of Wheat Fusarium Head Blight Based on Digital Imaging. IEEE Access. 2020; 8: 109876–109890. https://doi.org/10.1109/ACCESS.2020.3001652

11. Sanjay M., Kalpana B. Early Mass Diagnosis of Fusarium Wilt in Banana Cultivations using an E-Nose Integrated Autonomous Rover System. International Journal of Applied Sciences and Biotechnology. 2017; 5(2): 261–266. https://doi.org/10.3126/ijasbt.v5i2.17621

12. Karadağ K., Tenekeci M.E., Taşaltın R., Bilgili A. Detection of pepper fusarium disease using machine learning algorithms based on spectral reflectance. Sustainable Computing: Informatics and Systems. 2020; 28: 100299. https://doi.org/10.1016/j.suscom.2019.01.001

13. Hong S. et al. Visualization analysis of crop spectral index based on RGB-NIR image matching. Spectroscopy and Spectral Analysis. 2019; 39(11): 3493‒3500 (на кит. яз.).

14. Yuan H. et al. Recent Advances in Fluorescent Nanoprobes for Food Safety Detection. Molecules. 2023; 28(14): 5604. https://doi.org/10.3390/molecules28145604

15. Liu S. et al. Fluorescence spectra of nutrients in chicken and skin under baking conditions. Optik. 2020; 18: 164795. https://doi.org/10.1016/j.ijleo.2020.164795

16. Alshehawy A.M., Mansour D.-E.A., Ghali M., Lehtonen M., Darwish M.M.F. Photoluminescence Spectroscopy Measurements for Effective Condition Assessment of Transformer Insulating Oil. Processes. 2021; 9(5): 732. https://doi.org/10.3390/pr9050732

17. Iyer S.N., Behary N., Nierstrasz V., Guan J., Chen G. Study of photoluminescence property on cellulosic fabric using multifunctional biomaterials riboflavin and its derivative Flavin mononucleotide. Scientific Reports. 2019; 9: 8696. https://doi.org/10.1038/s41598-019-45021-5

18. Ding K., Xiao L., Weng G. Active contours driven by region-scalable fitting and optimized Laplacian of Gaussian energy for image segmentation. Signal Processing. 2017; 134: 224‒233. https://doi.org/10.1016/j.sigpro.2016.12.021

19. Jin R., Weng G. Active contours driven by adaptive functions and fuzzy c-means energy for fast image segmentation. Signal Processing. 2019; 163: 1‒10. https://doi.org/10.1016/j.sigpro.2019.05.002

20. Chaikov L.L. et al. Two Convenient Methods for Detection of Non-Dairy Fats in Butter by Dynamic Light Scattering and Luminescence Spectroscopy. Applied Sciences. 2023; 13(15): 8563. https://doi.org/10.3390/app13158563

21. Halachmi I., Ben Meir Y., Miron J., Maltz E. Feeding behavior improves prediction of dairy cow voluntary feed intake but cannot serve as the sole indicator. Animal. 2016; 10(9): 1501‒1506. https://doi.org/10.1017/S1751731115001809