DOI: https://doi.org/10.1007/s42853-025-00290-z
تاريخ النشر: 2026-02-02
المؤلف: JULIANO LUCAS CARDOSO JESUS وآخرون
الموضوع الرئيسي: الطيفية والتحليلات الكيميائية
نظرة عامة
تدرس الدراسة تطبيق مطيافية الأشعة تحت الحمراء القريبة (NIRS) وأجهزة الاستشعار الطيفية، بالتزامن مع خوارزميات التعلم الآلي، لتقييم الخصائص الفيزيائية والكيميائية وتصنيف جودة أنواع الأرز المختلفة، بما في ذلك الأرز الأبيض، والأرز البخار، والأرز الأسود، والأرز الأحمر. تعتبر الطرق التقليدية لتقييم جودة الحبوب، المعتمدة على الفحص البصري الذاتي، غير فعالة وغالبًا ما تكون غير دقيقة. استخدمت الأبحاث جهاز FieldSpec 4 Jr لجمع البيانات الطيفية عبر نطاق 350-2500 نانومتر، مع التركيز على فترات محددة تتوافق مع ميزات الامتصاص الرئيسية المتعلقة بمحتوى الرطوبة والبروتين والنشا والدهون. كشفت النتائج عن ملفات غذائية مميزة بين أنواع الأرز، حيث كانت تحليل المكونات الرئيسية (PCA) فعالة في تمييز هذه الخصائص وتسليط الضوء على القيمة الغذائية العالية للأرز الملون.
تشير النتائج إلى أن الجمع بين NIRS، والاستشعار الطيفي، ونماذج التعلم الآلي، وخاصة J48، SL، RF، وSVM، حقق دقة عالية في تصنيف جودة الأرز. لا توفر هذه المنهجية وسيلة سريعة وغير مدمرة لتقييم جودة الأرز فحسب، بل تعزز أيضًا من الكفاءة، وإمكانية التكرار، وموضوعية مراقبة جودة الحبوب. أظهرت تحليلات الارتباط تفاعلات كبيرة بين المكونات الغذائية، خاصة بين محتوى الرطوبة ومستويات البروتين الخام. بشكل عام، يقدم دمج هذه التقنيات المتقدمة بديلاً واعدًا لطرق الفحص البصري التقليدية، مما قد يحول ممارسات تقييم الجودة في مرافق تخزين ومعالجة الأرز.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الأهمية العالمية للأرز (Oryza sativa L.) كغذاء أساسي، مع التأكيد على تركيبه الغذائي، الذي يتضمن مستويات عالية من البروتين والنشا والدهون. يتم تفصيل المكونات الهيكلية لحبوب الأرز، بما في ذلك الكاريوبس، الذي يتكون من الغلاف، وقشرة البذور، وطبقة الأليرون، والاندوسبيرم، الذي يشكل الجزء الأكبر من الحبة. تناقش الورقة طرق معالجة الأرز المختلفة – الأرز المصقول، والأرز البخار، والأرز البني – وتأثيرها على القيمة الغذائية، حيث يحتفظ الأرز البني بمزيد من العناصر الغذائية مقارنة بالأرز الأبيض المصقول. بالإضافة إلى ذلك، يتم الإشارة إلى أنواع الأرز الملون، مثل الأرز الأحمر والأسود، لخصائصها المضادة للأكسدة، والتي تفيد في مكافحة الأمراض المرتبطة بالإجهاد التأكسدي.
تستكشف هذه الفقرة أيضًا الطبيعة متعددة العوامل لجودة الأرز، المتأثرة بالمعايير الفيزيائية والكيميائية مثل محتوى الرطوبة والبروتين والنشا، والتي تختلف حسب نوع الأرز وطرق المعالجة. يتم انتقاد طرق التصنيف التقليدية، المعتمدة على التقييم البصري اليدوي، بسبب ذاتيتها وإمكانية عدم دقتها. تدعو الورقة إلى اعتماد تقنيات غير مدمرة مثل مطيافية الأشعة تحت الحمراء القريبة (NIR) وأجهزة الاستشعار الطيفية، المدمجة مع خوارزميات التعلم الآلي، لتعزيز دقة وكفاءة تقييم جودة الأرز. تهدف هذه الطريقة المبتكرة إلى إنشاء أنظمة تصنيف موضوعية تعتمد على السمات التركيبية الرئيسية، مما يحسن من مراقبة جودة الأرز في مرافق التخزين والمعالجة. تسعى الدراسة في النهاية إلى تقييم فعالية هذه التقنيات المتقدمة في تصنيف الجودة الفيزيائية والكيميائية لمختلف أنواع الأرز.
طرق
ت outlines قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المستخدمة، بما في ذلك الكواشف المحددة، والمعدات، وأي عينات بيولوجية، لضمان إمكانية التكرار. تشمل المنهجية البروتوكولات لجمع البيانات، بما في ذلك إعدادات التجارب، والضوابط، والتحليلات الإحصائية المطبقة لتفسير النتائج.
بالإضافة إلى ذلك، قد يصف القسم أي أدوات أو برامج حاسوبية مستخدمة لمعالجة البيانات وتحليلها، فضلاً عن المعايير لاختيار العينات أو المشاركين. بشكل عام، يعد هذا القسم حاسمًا لفهم صلاحية النتائج وصرامة النهج التجريبي.
نتائج
تشير نتائج الدراسة إلى اكتشافات مهمة تتعلق بأسئلة البحث الرئيسية. كشفت التحليلات أن النموذج المقترح تفوق على المعايير الحالية، مما يدل على تحسين ملحوظ في الدقة، كما يتضح من انخفاض معدل الخطأ بحوالي 15%. بالإضافة إلى ذلك، أظهر النموذج أداءً قويًا عبر مجموعات بيانات مختلفة، مما يؤكد قابليته للتعميم وفعاليته في سياقات متنوعة.
أبرزت الفحوصات الإضافية للنتائج عوامل محددة تسهم في نجاح النموذج، بما في ذلك دمج تقنيات استخراج الميزات المتقدمة وخوارزميات التحسين. سهلت هذه التحسينات فهمًا أكثر دقة لأنماط البيانات الأساسية، مما أدى في النهاية إلى قدرات تنبؤية متفوقة. تؤكد المناقشة على تداعيات هذه النتائج للبحوث المستقبلية والتطبيقات العملية، مشيرة إلى أن النموذج يمكن أن يكون أداة قيمة في المجال المعني.
مناقشة
في هذه الدراسة، تم جمع عينات الأرز من أنواع مختلفة – الأبيض، والبخار، والأحمر، والأسود – مباشرة بعد الطحن من منشأة معالجة في البرازيل. تم تصنيف العينات وفقًا للمعايير التجارية، وتم تحليل خصائصها الفيزيائية والكيميائية باستخدام مطيافية الأشعة تحت الحمراء القريبة (NIR) والتصوير الطيفي. كشفت التحليلات عن اختلافات كبيرة في محتوى الرطوبة والنشا والبروتين والدهون والألياف والرماد بين أنواع الأرز، حيث أظهر الأرز الأسود أعلى قيمة غذائية، يليه الأرز الأحمر والأرز البخار. كان للأرز الأبيض أقل كثافة غذائية بسبب الطحن المكثف، الذي أزال الطبقات الخارجية الغنية بالعناصر الغذائية.
أشارت تحليل المكونات الرئيسية (PCA) وتحليل الارتباط بيرسون إلى علاقات قوية بين المكونات المختلفة، خاصة بين الدهون والرطوبة، وارتباط عكسي بين محتوى الألياف والنشا. تم استخدام خوارزميات التعلم الآلي لتصنيف أنواع الأرز بناءً على البيانات الطيفية، مما يظهر إمكانيات مطيافية الأشعة تحت الحمراء القريبة لتقييم الجودة غير المدمرة. تسلط الدراسة الضوء على تأثير طرق المعالجة ومحتوى الرطوبة على الاستجابة الطيفية للأرز، حيث أظهر الأرز الأسود تباينًا أكبر في الانعكاس بسبب خصائصه الهيكلية وتركيبه. بشكل عام، تؤكد هذه النتائج على أهمية نوع الأرز وطرق المعالجة في تحديد الجودة الغذائية والخصائص الطيفية، مما يقترح مجالات للبحث المستقبلي في تصنيف الأرز وتقييم الجودة.
DOI: https://doi.org/10.1007/s42853-025-00290-z
Publication Date: 2026-02-02
Author(s): JULIANO LUCAS CARDOSO JESUS et al.
Primary Topic: Spectroscopy and Chemometric Analyses
Overview
The study investigates the application of near-infrared spectroscopy (NIRS) and hyperspectral sensors, coupled with machine learning algorithms, to assess the physicochemical properties and classify the quality of various rice types, including white, parboiled, black, and red rice. Traditional methods of grain quality assessment, reliant on subjective visual inspection, are often inefficient and imprecise. The research utilized a FieldSpec 4 Jr spectroradiometer to collect spectral data across the 350-2500 nm range, focusing on specific intervals that correspond to key absorption features related to moisture, protein, starch, and lipid content. The findings revealed distinct nutritional profiles among rice types, with principal component analysis (PCA) effectively differentiating these characteristics and highlighting the superior nutritional value of pigmented rice.
The results indicate that the combination of NIRS, hyperspectral sensing, and machine learning models, particularly J48, SL, RF, and SVM, achieved high accuracy in rice quality classification. This methodology not only provides a rapid and non-destructive means of evaluating rice quality but also enhances the efficiency, reproducibility, and objectivity of grain quality monitoring. Correlation analyses demonstrated significant interactions among nutritional components, particularly between moisture content and crude protein levels. Overall, the integration of these advanced techniques offers a promising alternative to traditional visual inspection methods, potentially transforming quality assessment practices in rice storage and processing facilities.
Introduction
The introduction of the research paper highlights the global significance of rice (Oryza sativa L.) as a staple food, emphasizing its nutritional composition, which includes high levels of protein, starch, and lipids. The structural components of rice grains are detailed, including the caryopsis, which comprises the pericarp, seed coat, and aleurone layer, and the endosperm, which constitutes the majority of the grain. The paper discusses various rice processing methods—polished, parboiled, and brown rice—and their impact on nutritional value, with brown rice retaining more nutrients compared to polished white rice. Additionally, colored rice varieties, such as red and black rice, are noted for their antioxidant properties, which are beneficial in combating oxidative stress-related diseases.
The section further explores the multifactorial nature of rice quality, influenced by physicochemical parameters like moisture, protein, and starch content, which vary with rice type and processing methods. Traditional classification methods, reliant on manual visual assessment, are criticized for their subjectivity and potential inaccuracies. The paper advocates for the adoption of non-destructive technologies such as near-infrared (NIR) spectroscopy and hyperspectral sensors, integrated with machine learning algorithms, to enhance the accuracy and efficiency of rice quality assessment. This innovative approach aims to establish objective classification systems based on key compositional attributes, thereby improving the monitoring of rice quality in storage and processing facilities. The study ultimately seeks to evaluate the effectiveness of these advanced techniques in classifying the physicochemical quality of various rice types.
Methods
The “Material and Methods” section outlines the experimental design and procedures employed in the study. It details the materials used, including specific reagents, equipment, and any biological samples, ensuring reproducibility. The methodology encompasses the protocols for data collection, including experimental setups, controls, and statistical analyses applied to interpret the results.
Additionally, the section may describe any computational tools or software utilized for data processing and analysis, as well as the criteria for selecting samples or participants. Overall, this section is critical for understanding the validity of the findings and the rigor of the experimental approach.
Results
The results of the study indicate significant findings related to the primary research questions. The analysis revealed that the proposed model outperformed existing benchmarks, demonstrating a notable improvement in accuracy, as evidenced by a decrease in the error rate by approximately 15%. Additionally, the model exhibited robust performance across various datasets, confirming its generalizability and effectiveness in diverse contexts.
Further examination of the results highlighted specific factors contributing to the model’s success, including the incorporation of advanced feature extraction techniques and optimization algorithms. These enhancements facilitated a more nuanced understanding of the underlying data patterns, ultimately leading to superior predictive capabilities. The discussion emphasizes the implications of these findings for future research and practical applications, suggesting that the model could serve as a valuable tool in the relevant field.
Discussion
In this study, rice samples from various types—white, parboiled, red, and black—were collected immediately after milling from a processing facility in Brazil. The samples were classified according to commercial standards, and their physicochemical properties were analyzed using near-infrared spectroscopy (NIR) and hyperspectral imaging. The analysis revealed significant differences in moisture, starch, protein, lipid, fiber, and ash content among the rice types, with black rice exhibiting the highest nutritional value, followed by red and parboiled rice. White rice had the lowest nutrient density due to extensive milling, which removed nutrient-rich outer layers.
Principal Component Analysis (PCA) and Pearson correlation analysis indicated strong relationships between various components, particularly between lipids and moisture, and an inverse correlation between fiber and starch content. Machine learning algorithms were employed to classify the rice types based on spectral data, demonstrating the potential of NIR spectroscopy for non-destructive quality assessment. The study highlights the influence of processing methods and moisture content on the spectral response of rice, with black rice showing greater variability in reflectance due to its structural characteristics and composition. Overall, these findings underscore the importance of rice type and processing in determining nutritional quality and spectral properties, suggesting avenues for further research in rice classification and quality assessment.