Sensor

Scientific Reports Band 13, Artikelnummer: 5686 (2023) Diesen Artikel zitieren

352 Zugriffe

Details zu den Metriken

Wenn man bedenkt, dass der Transport von Getreide über weite Entfernungen erfolgen kann und die Masse der Körner während des Transports häufig einen hohen Feuchtigkeitsgehalt aufweist, besteht möglicherweise die Gefahr einer Wärme- und Feuchtigkeitsübertragung sowie einer Erwärmung der Körnermasse, was zu quantitativen und qualitativen Verlusten führen kann . Daher zielte diese Studie darauf ab, eine Methode mit Sondensystem zur Echtzeitüberwachung von Temperatur, relativer Luftfeuchtigkeit und Kohlendioxid in der Kornmasse von Mais während Transport und Lagerung zu validieren, um frühzeitige Trockenmasseverluste zu erkennen und mögliche Veränderungen der physikalischen Qualität des Korns vorherzusagen . Die Ausrüstung bestand aus einem Mikrocontroller, Systemhardware, digitalen Sensoren zur Erfassung der Lufttemperatur und relativen Luftfeuchtigkeit sowie einem zerstörungsfreien Infrarotsensor zur Erfassung der CO2-Konzentration. Das Echtzeit-Überwachungssystem ermittelte frühzeitig und zufriedenstellend auf indirektem Weg die Veränderungen in der physikalischen Qualität der Körner und bestätigte dies durch physikalische Analysen der elektrischen Leitfähigkeit und Keimung. Die Ausrüstung zur Echtzeitüberwachung und die Anwendung von maschinellem Lernen waren aufgrund des hohen Gleichgewichtsfeuchtigkeitsgehalts und der Atmung der Kornmasse im 2-Stunden-Zeitraum wirksam bei der Vorhersage des Trockenmasseverlusts. Alle maschinellen Lernmodelle mit Ausnahme der Support-Vektor-Maschine erzielten zufriedenstellende Ergebnisse, die der multiplen linearen Regressionsanalyse entsprachen.

Despite the high corn grain production, it is verified that there are great losses in the post-harvest stages due to the precarious transport, facilities, and handling of the grain receiving, drying, and storage operations. During grain transportation, it is estimated that there are losses of 0.25% per ton of grain transported. (2019)" href="/articles/s41598-023-32684-4#ref-CR1" id="ref-link-section-d184319839e407"> 1. Verluste im Straßenverkehr entstehen unter anderem aufgrund schlechter Straßen, Fahrzeuggeschwindigkeit, beschädigter LKW-Aufbauten2. Darüber hinaus bleiben die Körner nach der Ernte biologisch aktiv und können je nach den Bedingungen, unter denen sie sich befinden, verschiedene Stoffwechselreaktionen auslösen, die sowohl zu quantitativen als auch zu qualitativen Verlusten führen3.

Zu den Faktoren, die die Getreidequalität nach der Ernte beeinflussen, gehören der hohe Feuchtigkeitsgehalt des Getreides, die Temperatur und die intergranulare relative Luftfeuchtigkeit4,5. Eine Erhöhung dieser Parameter kann die Atmung und Stoffwechselaktivität des Getreides erhöhen, was zu einer Verschlechterung der physikalisch-chemischen Qualität des Getreides und des Trockenmasseverbrauchs, zur Insektenvermehrung und zu Pilzinfektionen in der Getreidemasse führt6,7.

Wenn man bedenkt, dass der Getreidetransport oft über große Entfernungen erfolgt und dass die transportierte Getreidemasse einen Feuchtigkeitsgehalt haben kann, der über den optimalen Lagerungsbedingungen liegt, ist das Risiko einer Feuchtigkeits- und Wärmeübertragung während des Transports hoch, was zu einer möglichen Erwärmung der Getreidemasse führen kann8, 9,10.

Um diese Transportprobleme und mögliche mögliche Faktoren für Veränderungen in den folgenden Nachernteprozessen zu vermeiden, ist es daher wichtig, eine Echtzeitüberwachung der Temperatur und der relativen Luftfeuchtigkeit der intergranularen Luft durchzuführen, um den Gleichgewichtsfeuchtigkeitsgehalt abzuschätzen. sowie zur Überwachung des Kohlendioxidgehalts und der Atmungsintensität der Getreidemasse während des Transports11,12. Anhand dieser Informationen ist es möglich, Veränderungen in der Getreidequalität frühzeitig zu erkennen und vorherzusagen13.

Es wurden mehrere Studien zu quantitativen und qualitativen Nachernteverlusten durchgeführt7,10. Es gibt jedoch nur wenige Studien, die sich mit den qualitativen Verlusten aufgrund der Stoffwechselaktivität im Transportprozess als möglichen Einflussfaktor für die Auslösung und Intensivierung von Verlusten in den nachfolgenden Nacherntevorgängen befassen.

Daher könnten die Echtzeitüberwachung der Maiskörnermasse während des Transports und der Einsatz prädiktiver Algorithmen dazu beitragen, mögliche quantitative und qualitative Verluste von Maiskörnern frühzeitig zu erkennen und vorherzusagen. Daher zielte diese Studie darauf ab, ein zerstörungsfreies technologisches System zur Echtzeitüberwachung von Temperatur, relativer Luftfeuchtigkeit und Kohlendioxid in der Maiskörnermasse während Transport und Lagerung als Funktion unterschiedlicher Anfangsfeuchtigkeitsgehalte zu validieren, um frühzeitige Verluste zu erkennen der Trockenmasse mithilfe von Machine-Learning-Algorithmen und prognostizieren mögliche Veränderungen in der physikalischen Qualität der Körner.

Zur Überwachung der Getreidemasse beim Straßentransport wurde ein tragbares Gerät entwickelt14. Das Gerät besteht aus einem Arduino Mega 2560 Mikrocontroller (Modell Mega 2560, Arduino LLC, Italien) als Steuerkern. Die Systemhardware umfasst drei digitale Sensoren zur Erfassung der Lufttemperatur und relativen Luftfeuchtigkeit (Modell DHT22, Aosong Electronics, Guangzhou, China) sowie einen zerstörungsfreien Infrarotsensor zur Erfassung der CO2-Konzentration (Modell MHZ-14, Winsen, China) in Echtzeit Uhrenmodule (Modell DS3231, Flip-Flop, China) und eine Micro-SD-Karte (Modell Greatzt, Import, China). Das Blockdiagramm des Steuersystems ist in Abb. 1A dargestellt. Die Ausgabedaten des digitalen Sensors, des Infrarotsensors und der Module werden mit den I/O-Kommunikationsanschlüssen des Mikrocontrollers verbunden, die für die physische Kommunikation, Komponentenintegration und Datenberechnung verantwortlich sind. Das elektrische Anschlussdiagramm jeder Komponente über Überbrückungskabel ist in Abb. 1B dargestellt.

Blockdiagramm des Überwachungsbetriebssystems (A). Verbindung der Komponenten mit dem Mikrocontroller über Überbrückungskabel (B). Strukturteil der Sonde zur Anwendung in der Kornmasse (C), wobei: 1 – Polyvinylchloridrohr, 2 – Löcher für den Lufteintritt, 3 – Befestigungselemente, 4 – DHT22-Sensoren, 5 – MH-Z14-Sensor, 6 – Gewinde Stab- und Stützverkabelung, 7 – Gerätehardware, 8 – Innenansicht der Sonde, 9 – Sonde für den Einsatz in der Kornmasse. Flussdiagramm der Programmierung für den Betrieb des Überwachungssystems (D).

Sensoren für Temperatur und relative Luftfeuchtigkeit (Modell DHT22, Aosong Electronics, Guangzhou, China) wurden an drei Enden einer Gewindestange befestigt und der CO2-Sensor (Modell MHZ-14, Winsen, China) wurde am Mittelteil befestigt. Das Echtzeituhrmodul (Modell DS3231, Flip-Flop, China) und die Micro-SD-Karte (Modell Greatzt, Import, China) waren in einer Plastikbox (Patola Electroplastics Ind. Com. Ltda, Brasilien) verpackt. Abbildung 1C zeigt den Aufbau des Geräts mit den Sensoren, die entlang der Gewindestange angeordnet und durch eine Polyvinylchlorid-Sonde geschützt sind. Das Gerät verfügt über eine eigene Stromversorgung mit drei in Reihe geschalteten Batterien.

Die auf dem Arduino-Board verwendete Software wurde in der Sprache C++ programmiert, wobei die meisten Bibliotheken von der Plattform (S1) bereitgestellt werden. Arduino IDE (Integrated Development Environment) wurde verwendet, um die eingebettete Firmware für die Atmega 2560-Mikrocontroller zu entwickeln. Das in Abb. 1D gezeigte Flussdiagramm bezieht sich auf das Betriebsprogramm der Ausrüstung, die zur Überwachung der Getreidemasse während des Straßentransports verwendet wird15.

Um die gleichen Bedingungen für die Auswertungen sicherzustellen, wurden die Temperatur- und relativen Luftfeuchtigkeitssensoren (Modell DHT22, Aosong Electronics, Guangzhou, China) auf eine Temperatur von 24 °C erhitzt. Bei einer Anfangstemperatur von 24 °C arbeiteten die Sensoren 40 Minuten lang und ihre Messung wurde jede Minute aufgezeichnet. Mithilfe des Infrarotsensors (Modell MHZ-14, Winsen, China) wurde die Erstkalibrierung am Arduino selbst durchgeführt und die CO2-Konzentration aufgezeichnet16.

Um den Lochdurchmesser zu definieren, wurden die Sensoren für Temperatur, relative Luftfeuchtigkeit und Kohlendioxid in Sonden mit unterschiedlichen Lochdurchmessern (7,5, 7,0 und 6,5 mm), Bohrhöhen (470, 235 und 117,5 mm) und Kornfeuchtigkeitsgehalten (12 und 16) platziert %). Die Löcher wurden gebohrt, um Luft eindringen zu lassen und die Reaktion der Sensoren zu erleichtern. Um den am besten passenden Sondendurchmesser und die Bohrhöhe festzulegen, bestand eine der Anforderungen darin, dass sie die beiden analysierten Feuchtigkeitsgehalte erfüllen.

Nachdem der Lochdurchmesser und die Bohrhöhe ermittelt wurden, die am besten zu den Maiskörnern und unterschiedlichen Feuchtigkeitsgehalten passten, wurde die Ausrüstung im Labor validiert. Zu diesem Zweck wurden Temperatur- und relative Luftfeuchtigkeitssensoren in der Sonde an den oberen, mittleren und unteren Positionen platziert, während der Kohlendioxidsensor in der mittleren Position platziert wurde.

Um die oben genannten Variablen in der Getreidemasse zu überwachen, wurde die Sonde mit den Sensoren in einen aus Sperrholzmaterial gebauten Kasten (Abmessungen 0,2 × 0,2 × 1,8 m) platziert und so das Getreidelastprofil in einem Transportsystem simuliert. Die Sensorwerte wurden erfasst, bis sich die Werte für Temperatur, relative Luftfeuchtigkeit und Kohlendioxidkonzentration stabilisiert hatten.

Die Sonde wurde unter Verwendung eines Polyvinylchloridrohrs mit 50 mm Durchmesser und 1500 mm Höhe, mit drei gebohrten Bereichen (höher, in der Mitte und unten), mit Löchern mit 6,5 mm Durchmesser und 235 mm Bohrhöhe konstruiert. Die Einstellung des Lochdurchmessers und der Höhe der Sondenbohrung erfolgte auf Grundlage der kürzesten Reaktionszeit, die die Sensoren auf die Messgrößen (Temperatur, relative Luftfeuchtigkeit und CO2) in der intergranularen Luft hatten. Abbildung 1C zeigt die Verteilung der Löcher oben, in der Mitte und unten an der Sonde.

Für die Verbindung mit der Sonde wurde ein Metallkorn-Probenahmerohr entwickelt (Abb. 2A). Das Rohr bestand aus zwei überlappenden Rohren mit einer Spitze an der unteren Position und einem Schwenkarm an der oberen Position. Dies ermöglichte den Schutz der Sonde und erhöhte die Genauigkeit der intergranularen Kornmessung. Darüber hinaus ermöglichte es die Probenahme in den verschiedenen Schichten des Getreideparzellenprofils. Das Rohr enthielt entlang seiner Länge oben, in der Mitte und unten Öffnungen/Zellen, wie in Abb. 2B dargestellt.

Kornprobenrohr (A). Darstellung des Kornmassenprofils (obere, mittlere und untere Position) und des Überwachungssystems (B). Darstellung des Überwachungssystems und des Getreidetransports (C).

Der Metallprobenehmer und die Sonde mit den Sensoren befanden sich innerhalb der Kornmasse. Die Variablen Temperatur, relative Luftfeuchtigkeit und Kohlendioxid in der intergranularen Kornmasse wurden in Echtzeit in Intervallen von 1,87 s pro Reaktion über 24 Stunden überwacht und so die Transportbedingungen simuliert (Abb. 2B, C). Die Befüllung jeder Ladung erfolgte mit Körnern mit einem Feuchtigkeitsgehalt von 12 und 14 %. Die Proben wurden bei 0, 120, 480 und 1440 Minuten Transportzeit an den drei Positionen (höher, in der Mitte und unten) der Ladung gesammelt. Die Variation des Gleichgewichtsfeuchtigkeitsgehalts wurde mithilfe einer modifizierten Version der Henderson-Gleichung (Gleichung 1)17 berechnet.

wobei EMC – Gleichgewichtsfeuchtigkeitsgehalt (°C), aw – Wasseraktivität (dezimal), T – Lufttemperatur (°C), a, b, c – Maisparameter (a = 8,6541 × 10–5, b = 49,810, c = 1,8634).

Um den Trockenmasseverlust (LDM) über die Zeit zu bestimmen, wurde ein Schätzmodell bezüglich der CO2-Konzentration verwendet (Gl. 2)18.

wobei LDM – Verlust an Trockenmasse (%), O2 – Sauerstoffkonzentration (21 %), CO2 – Kohlendioxidkonzentration gemessen in der Kornmasse (%), Ɛ – intergranulare Porosität (%), P – lokaler Atmosphärendruck (96 kPa). ), Wg – Molmasse der Glucose (180 kg kmol−1), ρ – scheinbare spezifische Masse der Körner (kg m−3), U – Kornfeuchtigkeitsgehalt (dezimal), R – constante dos gases perfeitos (8,314 kJ kmol− 1 K−1), T – intergranulare Temperatur (K).

Der Feuchtigkeitsgehalt wurde durch 24-stündiges Trocknen in einem Umluftofen bei einer Temperatur von 105 ± 1 °C in vier Wiederholungen bestimmt19. Die scheinbare spezifische Masse wurde durch Wiegen einer Körnermasse in einem bekannten Volumen ermittelt19. Für jede Behandlung wurden vier Wiederholungen durchgeführt. Die elektrische Leitfähigkeit wurde gemäß der ISTA20-Methodik bestimmt. Vier Wiederholungen mit 50 Körnern für jede Behandlung wurden gezählt und gewogen. Die Proben wurden in Plastikbecher mit 75 ml destilliertem Wasser gegeben und 24 Stunden lang in eine temperaturkontrollierte Kammer bei 25 °C gestellt. Die elektrische Leitfähigkeit wurde mit einem Leitfähigkeitsmessgerät ermittelt und das Ergebnis in µS cm−1 g−1 ausgedrückt. Der Keimungstest wurde in vier Versuchseinheiten mit vier Teilproben von 50 Körnern für jede Behandlung durchgeführt. Die Körner wurden auf Germitest-Papier gelegt, das mit destilliertem Wasser getränkt wurde. Die Menge an destilliertem Wasser betrug das 2,5-fache der trockenen Substratmasse. Papierrollen wurden in einem Mangelsdorf-Keimgerät bei 25 °C gelagert. Die Auszählung erfolgte am siebten Tag nach der Aussaat und die Ergebnisse wurden in Prozent ausgedrückt19.

Zunächst wurde eine Hauptkomponentenanalyse (PCA) zusammen mit k-Means-Clustering durchgeführt, bei der Behandlungen geclustert werden, deren Schwerpunkte am nächsten liegen, bis keine signifikante Variation im Mindestabstand jeder Beobachtung zu jedem der Schwerpunkte mehr auftritt. Als nächstes wurde eine kanonische Variablenanalyse (CA) durchgeführt, um die Wechselbeziehung zwischen Variablen und Behandlungen zu überprüfen. Diese Technik ähnelt der PCA, ermöglicht jedoch die Berücksichtigung der verbleibenden Variation zwischen Wiederholungen derselben Behandlung. Anschließend wurden Pearson-Korrelationskoeffizienten geschätzt, um den Zusammenhang zwischen Variablen in den Verarbeitungsbedingungen zu überprüfen. Um die Ergebnisse grafisch darzustellen, wurde ein Korrelationsnetzwerk erstellt. Bei diesem Verfahren verknüpfen grüne Linien Variablen mit positiver Korrelation, während rote Linien negativ korrelierte Variablen verknüpfen. Die Dicke der Linie ist proportional zur Korrelationsgröße. Diese Analysen wurden mit dem ggfortify-Paket der R-Software durchgeführt und folgten den empfohlenen Verfahren von Naldi et al.21 (Tabelle 1).

Die getesteten Modelle für maschinelles Lernen (ML) waren: künstliches neuronales Netzwerk (ANN), die Entscheidungsbaumalgorithmen M5P und REPTree, Random Forest (RF) und Support Vector Machine (SVM). Als Kontrollmodell wurde eine multiple lineare Regression (LR) verwendet. Das getestete KNN besteht aus einem mehrschichtigen Perzeptron mit einer einzelnen verborgenen Schicht, die aus einer Anzahl von Neuronen besteht, die der Anzahl der Attribute plus der Anzahl der Klassen entspricht, alle geteilt durch 222.

Das M5P-Modell ist eine Rekonstruktion des M5-Algorithmus von Quinlan, der auf dem herkömmlichen Entscheidungsbaum mit der Hinzufügung einer linearen Regressionsfunktion zu den Blattknoten basiert23. M5P ist eine Adaption des C4.5-Klassifikators, die bei Regressionsproblemen mit einem zusätzlichen Pruning-Schritt basierend auf einer Fehlerreduzierungsstrategie verwendet werden kann. Das REPTree-Modell verwendet Entscheidungsbaumlogik und erstellt mehrere Bäume mit unterschiedlichen Wiederholungen. Anschließend wählt es mithilfe der Informationsverstärkung den besten Baum aus und führt eine Fehlerreduzierungsbereinigung als Aufteilungskriterium durch24. Das RF-Modell ist in der Lage, mehrere Vorhersagebäume für denselben Datensatz zu erstellen und verwendet ein Abstimmungsschema zwischen all diesen erlernten Bäumen, um neue Werte vorherzusagen25.

Die Vorhersage der Variablen scheinbare spezifische Masse (ASM), elektrische Leitfähigkeit (EC), Keimung (GERM) und Trockenmasseverlust (LDM) von Mais wurde durch LR- und ML-Modelle in einer zehnfach geschichteten, randomisierten Kreuzvalidierung mit 10 durchgeführt Wiederholungen (100 Läufe für jedes Modell). Die Eingabevariablen waren: Kornfeuchtigkeitsgehalt, Überwachungszeit, intergranulare Temperatur und relative Luftfeuchtigkeit, Gleichgewichtsfeuchtigkeitsgehalt und Kohlendioxidkonzentration. Die zur Überprüfung der Qualität der Anpassung verwendeten Statistiken waren der Pearson-Korrelationskoeffizient (r) zwischen den beobachteten Werten und den von jedem Modell vorhergesagten Werten sowie der mittlere absolute Fehler (MAE) der vorhergesagten Werte im Verhältnis zu den beobachteten Werten. Analysen des maschinellen Lernens wurden mit der Software Weka 3.9.4 unter Verwendung der Standardkonfiguration für alle getesteten Modelle durchgeführt26. Alle Analysen wurden auf einer Intel® CoreTM i5 CPU mit 6 GB RAM durchgeführt.

Nach Erhalt der r- und MAE-Statistiken wurde eine Varianzanalyse unter Berücksichtigung eines vollständig randomisierten Designs mit 10 Wiederholungen (Falten) durchgeführt. Die Mittelwerte wurden mithilfe des Scott-Knott-Tests mit einer Wahrscheinlichkeit von 5 % gruppiert. Für jede Variable (r und MAE) wurden unter Berücksichtigung der getesteten Modelle und Eingaben Balkendiagramme erstellt. Diese Analysen wurden mit R-Software27 unter Verwendung der Pakete ExpDes.pt und ggplot2 durchgeführt.

Die experimentelle Forschung und Feldstudien an Pflanzen und Pflanzenmaterial erfolgten im Einklang mit den örtlichen und nationalen Vorschriften. Die Studie entsprach institutionellen, nationalen und internationalen Richtlinien und Gesetzen. Die Autoren hielten sich bei der Sammlung von Pflanzen- oder Samenproben an die Grundsatzerklärung der IUCN zur Forschung an Arten, die vom Aussterben bedroht sind, und an das Übereinkommen über den Handel mit gefährdeten Arten freilebender Tiere und Pflanzen. Die Autoren erklären, dass in dieser wissenschaftlichen Arbeit keine Wildpflanzen gesammelt und/oder verwendet wurden.

Die Abbildungen 3A–F zeigen die Kurven von Temperatur, relativer Luftfeuchtigkeit und intergranularer CO2-Diffusion unter Verwendung der Echtzeitüberwachung durch Sensoren als Funktion des Sondendurchmessers und der Bohrhöhe für Maiskörner mit anfänglichen Feuchtigkeitsgehalten von 12, 16 und 25 %. (wb). Das Verhalten der Kurven war innerhalb jeder überwachten Variablen ähnlich (Tabellen 2, 3, 4). Nach der Kalibrierung der Sensoren zum Zeitpunkt Null kam es zu einem Temperaturabfall und einem Anstieg der relativen Luftfeuchtigkeit und des intergranularen CO2, wobei sich die Kurven im Laufe der Zeit tendenziell stabilisierten. Diese Ergebnisse belegen die Konsistenz der überwachten Variablen sowie die Genauigkeit und Funktionalität des Überwachungssystems28.

Temperatur und relative Luftfeuchtigkeit der Maiskörnermasse mit 12 % (A), 16 % (B), 25 % (C) Feuchtigkeitsgehalt in einem Rohr mit Löchern von 6,5, 7,0 und 7,5 mm und Bohrhöhen von 117,5, 235 und 470 mm. CO2-Konzentration der Maiskörnermasse mit 12 % (D), 16 % (E), 25 % (F) Feuchtigkeitsgehalt in einem Rohr mit Löchern von 6,5, 7,0 und 7,5 mm und Bohrhöhen von 117,5, 235 und 470 mm.

Unter den Kurven wurde eine Variation der überwachten Variablen in Abhängigkeit vom anfänglichen Feuchtigkeitsgehalt der Körner, dem Durchmesser und der Bohrhöhe der Sonde sowie der Überwachungszeit beobachtet. Es gab einen Unterschied von etwa 4 °C zwischen den Temperaturkurven, 5 % der relativen Luftfeuchtigkeit und 500 ppm CO2 aus der Stabilisierung der Kurven. Die größten Schwankungen von Temperatur, relativer Luftfeuchtigkeit und CO2 traten in der Kornmasse mit 16 und 25 % Feuchtigkeitsgehalt während der Überwachungszeit auf. Die Stabilisierung intergranularer Sensoren für Temperatur und relative Luftfeuchtigkeit dauerte etwa 10 Minuten, während der CO2-Sensor etwa 5 Minuten benötigte, um im Diffusionsprozess ein Gleichgewicht zu erreichen. Zhang et al.5 bewerteten die CO2-Konzentration an verschiedenen Punkten in der Masse des gelagerten Getreides. Die Autoren fanden heraus, dass die CO2-Konzentration in einem horizontalen Abstand von 2 m vom Hotspot und 1 m vom Hotspot in vertikaler Richtung empfindlich erfasst werden konnte. Den Autoren zufolge trug die Methode zur Erfassung der CO2-Konzentration an mehreren Fixpunkten dazu bei, den Getreideverfall genauer zu quantifizieren.

Huang et al.10 bewerteten den effektiven Diffusionskoeffizienten von Kohlendioxid (CO2) durch die Maiskörnermasse bei Temperaturen von 10, 20 und 30 °C und Kornfeuchtigkeitsgehalten von 14,0, 18,8 und 22,2 % (wb). Die Autoren fanden heraus, dass die Atmungsrate von Mais mit zunehmender Korntemperatur und steigendem Feuchtigkeitsgehalt zunahm. Je höher die Atemfrequenz war, desto größer war der Einfluss auf das Diffusionsmuster bei der Messung des effektiven CO2-Diffusionskoeffizienten. Die effektiven CO2-Diffusionskoeffizienten lagen zwischen 3,10 × 10–6 und 3,93 × 10–6 m2 s−1.

Bei den Lochdurchmessern und Bohrhöhen der Sonde haben wir festgestellt, dass 6,5 mm bzw. 235 mm die beste Anpassung und Stabilisierung der Temperatur-, relativen Luftfeuchtigkeits- und CO2-Überwachungskurven über die Zeit erreichen (Tabellen 2, 3, 4). Im Allgemeinen waren die R2-Werte niedrig, was durch den Umfang der Anwendung gerechtfertigt ist, der hinsichtlich des Kornvolumens nahe an einem realen Zustand lag.

Nach der Gerätevalidierung wurde es auf eine reale Analyse angewendet, bei der ein Getreidetransportsystem simuliert wurde. In diesem Experiment wurden die Variablen Temperatur, relative Luftfeuchtigkeit und CO2 überwacht, um die indirekte physikalische Qualität der Körner mit Feuchtigkeitsgehalten von 12 und 16 % in drei vertikalen Positionen des Kornmassenprofils (höher, in der Mitte und unten) über 0 zu bestimmen , 2, 8 und 24 Stunden.

Aus Abb. 4A ist ersichtlich, dass die Kornmasse mit einem Feuchtigkeitsgehalt von 12 % in den ersten 8 Stunden der Überwachung einen Temperaturanstieg in der unteren und mittleren Schicht und anschließend bis zu 24 Stunden der Überwachung einen Temperaturabfall verzeichnete. Anders verhielt es sich bei der höheren Position der Kornschicht, wo in den ersten Stunden (bis 10 Stunden) ein Temperaturabfall und bis 24 Stunden nach der Überwachung ein Temperaturanstieg beobachtet wurde. Diese Ergebnisse beeinflussten die intergranulare relative Luftfeuchtigkeit (Abb. 4B), die vom Anfang bis zum Ende der Überwachungszeit in den unteren und mittleren Positionen konstant war, nach 10 Stunden Überwachung jedoch eine Schwankung mit einer leichten Verringerung aufwies.

Überwachung der Temperatur (A), der relativen Luftfeuchtigkeit (B), des Gleichgewichtsfeuchtigkeitsgehalts (C) und des Kohlendioxids (D) der intergranularen Luft in der Maiskörnermasse bei 12 % Feuchtigkeitsgehalt (wb) über die Zeit.

Die Ergebnisse zu Temperatur und relativer Luftfeuchtigkeit zeigten einen konstanten Zustand von 14,2 bzw. 13,9 % Gleichgewichtsfeuchtigkeit der Kornmasse in der unteren bzw. mittleren Position während der gesamten Überwachungszeit (Abb. 4C). Folgt man andererseits den in den Abbildungen beobachteten Variationen. Wie aus 4A und B hervorgeht, stieg der Gleichgewichtsfeuchtigkeitsgehalt der Körner in der höheren Schicht nach 10 Stunden Überwachung von 12 auf 13 %, verringerte sich anschließend nach 12 Stunden auf 10,4 % und erreichte am Ende der Überwachungszeit einen Zustand von 11,2 %. Die beobachteten Veränderungen im intergranularen Zustand, insbesondere in der höheren Schicht, wurden auch durch die Schwankungen beeinflusst, die mit der Temperatur und der relativen Luftfeuchtigkeit der Umgebung einhergehen (Abb. 4A, B).

Bakhtavar et al.29 untersuchten die Wasseradsorption an Weizen-, Mais-, Baumwoll- und Quinoa-Körnern, die in luftdichten Beuteln und herkömmlichen Verpackungsmaterialien, einschließlich Papier-, Polypropylen-, Jute- und Stoffbeuteln, verpackt waren, in Umgebungen mit 60, 70, 80 und 90 % relativer Luftfeuchtigkeit . Die Autoren beobachteten, dass der Feuchtigkeitsgehalt des Getreides in den herkömmlichen Verpackungsmaterialien mit zunehmender relativer Luftfeuchtigkeit zunahm. Den Autoren zufolge verringerte die Lagerung der Körner in hermetischen Beuteln die Atmung der Körnermasse und die Schwankung des Feuchtigkeitsgehalts, was zur Aufrechterhaltung des Gleichgewichtsfeuchtigkeitsgehalts der Körner unter sicheren Lagerungsbedingungen beitrug.

Die von Bakhtavar et al.29 berichteten Ergebnisse stimmen mit den Ergebnissen für die unteren und mittleren Kornschichten überein, die weniger dem Einfluss der äußeren Umgebung ausgesetzt waren. Unter diesen Bedingungen wurde festgestellt, dass die durchschnittliche Atmung der Kornmasse in den ersten 3,5 Stunden der Überwachung auf 450 ppm anstieg (Abb. 4D), dann auf den Ausgangszustand sank und bis zum Ende des Überwachungszeitraums anhielt. Da die Atmungswerte niedrig blieben und die CO2-Konzentration nahe an der Umgebungstemperatur (420 ppm) lag, kam es zu keinem Trockenmasseverbrauch in den Körnern. Bei der Auswertung der Kornmasse mit einem Feuchtigkeitsgehalt von 16 % wurde das gleiche Verhalten der Temperatur- und relativen Feuchtigkeitskurven der intergranularen Luft in den drei Schichten (obere, mittlere und untere) nachgewiesen, auch bei Variationen im Außenbereich Umgebung (Abb. 5A,B).

Überwachung von Temperatur (A), relativer Luftfeuchtigkeit (B), Gleichgewichtsfeuchtigkeitsgehalt (C), Kohlendioxid (D), Trockenmasseverlust (E) der intergranularen Luft in der Maiskornmasse bei 16 % Feuchtigkeitsgehalt (wb) über Zeit.

In dieser Situation hatte der hohe Feuchtigkeitsgehalt (16 %) einen größeren Einfluss auf den intergranularen Luftgasaustausch als die äußeren Bedingungen (Temperatur und relative Luftfeuchtigkeit). Wir beobachteten, dass die Temperaturschwankung (Abb. 5A) ähnlich, aber höher (24,5–26,5 °C) war als die in Abb. 4A beobachtete. Unterdessen blieb die relative Luftfeuchtigkeit in den drei Schichten vom Beginn bis zum Ende der Überwachungszeit konstant (zwischen 80 und 90 %) und lag höher als in der Außenumgebung (zwischen 50 und 60 %) (Abb. 5B).

Die Bedingungen eines Feuchtigkeitsgehalts von 16 % führten dazu, dass die Kornmasse innerhalb der ersten Stunden der Überwachung den Gleichgewichtsfeuchtigkeitsgehalt erreichte und bis zum Ende des Zeitraums konstant blieb, zwischen 19 und 21 % in der unteren und mittleren Schicht und nahezu 24 % in der unteren Schicht die oberste Schicht der Kornmasse (Abb. 5C). So kam es in den ersten 2 Stunden der Überwachung zu einer intensiven Atmung der Kornmasse, die den Grenzwert von 5000 ppm CO2-Konzentration erreichte und bis zum letzten Überwachungszeitraum konstant blieb (Abb. 5D).

Die hohe Atmung der Kornmasse führte zu einem Verbrauch und Verlust an Trockenmasse in den Körnern (Abb. 5E) während der ersten zwei Stunden der Überwachung. Über einen Zeitraum von 24 Stunden Überwachung wurde ein Verlust an Trockenmasse von 0,06 % geschätzt, ein signifikantes Ergebnis angesichts des kurzen Bewertungszeitraums30. Jian et al.7 untersuchten interstitielle Kohlendioxid- und Sauerstoffkonzentrationen in Raps-, Sojabohnen- und Weizensamen, die zu unterschiedlichen Zeiten, Feuchtigkeitsgehalten und Temperaturen gelagert wurden. Den Autoren zufolge zeigten sich die größten signifikanten Unterschiede in der CO2-Konzentration in Abhängigkeit von der Lagerzeit und Temperaturen von 40 °C.

Ubhi und Sadaka31 fanden unterschiedliche Atmungsraten der Maiskörnermasse als Funktion der Temperaturen von 23, 35 und 45 °C und der anfänglichen Feuchtigkeitsgehalte von 12,9, 14,8, 17,0, 18,8 und 20,7 %. Die Autoren bestätigten, dass die akkumulierte Atmung bei Körnern mit einem Feuchtigkeitsgehalt von 18,8 % und einer Durchschnittstemperatur von 35 °C nach neun Tagen Lagerung 2,625 g/kg erreichte. Ochandio et al.32 berichteten über eine Atmungsrate von Sojabohnensamen bei luftdichter Lagerung bei 15, 25 und 35 °C und 13, 15 und 17 % Feuchtigkeitsgehalten von 0,130 bis 20,272 mg CO2/(kgdms).

Coradi et al.33 bewerteten den Trockenmasseverlust von Mais, der bei 10 °C und 90 %, 30 °C und 40 % Temperatur bzw. relativer Luftfeuchtigkeit gelagert wurde. Die Autoren fanden heraus, dass Mais, der bei 10 °C und 90 % gelagert wurde, eine Pilzkontamination aufwies, wohingegen bei 30 °C und 40 % gelagertem Getreide ein höherer Verlust an Trockenmasse und physikalische Veränderungen während der Lagerzeit auftraten. Taher et al.12 erstellten ein Modell zur Vorhersage von Verlusten bei in Sacksilo gelagerten Sojabohnen, basierend auf der Überwachung der CO2-Konzentration und verifiziert durch Kornmassenatmungsverluste von 0,07–2,16 % der Trockenmasse. Garcia-Cela et al.34 untersuchten die Atmung natürlich kontaminierter Maiskörner unter verschiedenen Lagerbedingungen bei einer Wasseraktivität von 0,80–0,99 und einer Temperatur von 15–35 °C. Die höchste Atemfrequenz trat bei einer Wasseraktivität von 0,95 und einer Temperatur zwischen 30 und 35 °C auf. Unter diesen Bedingungen stellten die Autoren einen höheren Trockenmasseverlust fest35.

Der elektrische Leitfähigkeitstest (Abb. 6A) zeigte, dass die Zellstruktur der Maiskörner während der Überwachungszeit als Funktion des anfänglichen Feuchtigkeitsgehalts (12 und 16 %) und der Bewertungsposition (höhere, mittlere und untere Schichten) beeinflusst wurde. der Kornmasse. Unter den Schichten beobachteten wir, dass die Körner in der oberen (höheren) Schicht in Übereinstimmung mit den Ergebnissen der Überwachung (Temperatur, relative Luftfeuchtigkeit und CO2) geringfügig die größten physikalischen Veränderungen erlitten. Die größten physikalischen Schäden an den Körnern wurden jedoch bei einem Feuchtigkeitsgehalt von 12 % festgestellt.

Bewertung der Zellstruktur von Maiskörnern durch den elektrischen Leitfähigkeitstest (A) und durch den Keimungsprozentsatz (B) von Maiskörnern mit 12 und 16 % Feuchtigkeitsgehalt (wb) im Zeitverlauf.

Die Ergebnisse der elektrischen Leitfähigkeit spiegeln sich in der Keimung der Körner wider (Abb. 6B). Der Anteil gekeimter Körner war in der höheren Position der Kornschicht geringer und hauptsächlich bei den Körnern mit einem Feuchtigkeitsgehalt von 12 %. Der Anstieg der Temperatur, der intergranularen relativen Luftfeuchtigkeit und damit des Gleichgewichtsfeuchtigkeitsgehalts sorgte für eine Erwärmung und eine höhere Atmungsintensität der Kornmasse, hauptsächlich bei den Körnern mit einem Feuchtigkeitsgehalt von 16 %. Allerdings trug die Erhöhung der Stoffwechselaktivität von Körnern mit einem Feuchtigkeitsgehalt von 16 % (hydratisiert) innerhalb von 24 Stunden nach der Überwachung, die ein System des Getreidetransports simulierte, zur Erhöhung des Prozentsatzes der Keimung bei, wenn sie dem Test unterzogen wurden. Bemerkenswert ist, dass das Keimen von Getreide während des Transports nicht erwünscht ist. In diesem Fall sind die Ergebnisse der Keimung ein Hinweis auf mögliche physikalische Veränderungen, die die endgültige Qualität der Kornmasse beeinflussen können.

Santos et al.18 untersuchten die Qualität und den Verlust an Trockenmasse in Maiskörnern, die bei verschiedenen Temperaturen gelagert wurden. Zu diesem Zweck wurden Maiskörner mit anfänglichen Feuchtigkeitsgehalten von 14,8 und 17,9 % in Säcke verpackt und bei Temperaturen von 15, 25 und 35 °C gelagert. Über 150 Tage hinweg wurden in Abständen von 30 Tagen die Konzentrationen von Sauerstoff (O2) und Kohlendioxid (CO2) gemessen und Proben der Körner zur Bestimmung des Feuchtigkeitsgehalts, der scheinbaren spezifischen Masse, der Trockenmasse, des Keimungsprozentsatzes usw. entnommen physikalische Klassifizierung. In 150 Tagen war der Trockenmasseverlust bei Maiskörnern, die mit einem Feuchtigkeitsgehalt von 14,8 % gelagert wurden, etwa 3,5-mal geringer als bei dem Produkt, das mit einem Feuchtigkeitsgehalt von 17,9 % gelagert wurde. Basierend auf den Ergebnissen der Keimung kann ein Grenzwert von 0,015 % Trockenmasseverlust als akzeptabel angesehen werden, um die Integrität der Körner zu erhalten.

In einer Studie von Paraginski et al.36 bewerteten die Autoren die Qualität von Maiskörnern, die 12 Monate lang bei Temperaturen von 5, 15, 25 und 35 °C gelagert wurden. Die Ergebnisse des Tausendkorngewichts, der Keimung und der elektrischen Leitfähigkeit zeigten, dass die größten Veränderungen bei Körnern beobachtet wurden, die bei den höchsten Temperaturen, hauptsächlich zwischen 25 und 35 °C, gelagert wurden, was darauf hindeutet, dass die sichere Lagerzeit von Körnern unter diesen Bedingungen kürzer sein sollte im Vergleich zur Lagerung bei niedrigen Temperaturen.

Die Analyse der ersten beiden kanonischen Variablen ergab 98,4 % der Gesamtvariation zwischen den Behandlungen für die ausgewerteten Variablen (Abb. 7A). In diesem Biplot weisen Behandlungen, die der Abbildung nahe kommen, eine hohe Ähnlichkeit auf. Die Vektoren (Pfeile) zeigen auf die Variablen, die die Ähnlichkeit bestimmter Behandlungen am meisten beeinflusst haben.

Analyse der qualitativen kanonischen Variablen von Maiskörnern (A). Pearson-Korrelationsanalyse der qualitativen Variablen von Maiskörnern (B). Grüne Linien verknüpfen Variablen mit positiver Korrelation und rote Linien verknüpfen negativ korrelierte Variablen. Die Dicke der Linie ist proportional zur Korrelationsgröße.

Bei der Analyse der Quadranten haben wir die Bildung von drei unterschiedlichen Gruppen mit klaren Assoziationsmustern bei den meisten ausgewerteten Variablen überprüft. Die erste Gruppe ordnete die Behandlungen 8, 10, 11, 14, 15, 16, 18, 19, 20, 22, 23 und 24 zu, die in Bezug auf die LDM- und CO2-Variablen herausragten. Die zweite Gruppe umfasste die Behandlungen 1, 2, 4, 5, 6, 7, 9, 12 mit geringerer Variation in den Variablen T und EC. Die dritte Gruppe umfasste die Behandlungen 13, 17 und 21, die sich durch keine Variable in besonderer Weise auszeichneten. Die Variablen RH, EMC und G fielen bei keiner der Behandlungen besonders auf.

Anhand der Clustering-Ergebnisse haben wir bestätigt, dass Behandlungen mit einem Feuchtigkeitsgehalt von 16 % an der obersten Position der Kornschichten und einer Überwachungszeit von 2 Stunden den größten Einfluss auf die Variablen hatten, insbesondere auf Kohlendioxid (CO2) und Trockenmasseverlust (LDM). Barreto et al.8 entwickelten ein mathematisches Modell zur Analyse der Getreidequalität anhand der CO2-Konzentration unter Verwendung anfänglicher Korngehalte von 12, 14 und 16 % (wb) und Temperaturen von 25 °C und 40 °C. Unter den Bedingungen 12 % und 25 °C stieg die CO2-Konzentration auf 4 %. Bei 16 % Feuchtigkeit bei 25 °C und 40 °C sank der O2-Wert auf weniger als 1 %.

Die Korrelationsanalyse zwischen den Variablen ist in Abb. 7B dargestellt. Eine starke positive Korrelation ist zwischen den Variablen LDM × CO2, EMC × RH, RH × G und EMC × G zu erkennen, und eine mäßig positive Korrelation wurde zwischen CO2 × RH, LDM × RH, CO2 × EMC, EMC × LDM gezeigt und G × LDM. Allerdings gab es zwischen den Variablen EC × G, EC × EMC, EC × RH eine starke negative Korrelation, wobei zwischen den Variablen EC × CO2 eine mäßige negative Korrelation gezeigt wurde. Die Variable T hatte eine schwache negative Korrelation mit RH, EMC, LDM, CO2 und G und eine schwache positive Korrelation mit EC. Die in der Korrelationsanalyse beobachteten Ergebnisse stimmen mit dem Verhalten der qualitativen Variablen in Bezug auf die für die Maiskörnerlagerung festgelegten Behandlungsfaktoren überein. Die Ergebnisse bestätigen die von Coradi et al.37 erzielten Ergebnisse.

Es gab statistische Unterschiede (p-Wert < 0,01) zwischen den bewerteten Techniken des maschinellen Lernens hinsichtlich des Pearson-Korrelationskoeffizienten (r) und des mittleren absoluten Fehlers (MAE) zwischen den beobachteten und geschätzten Werten für alle bewerteten Variablen.

Für die scheinbare spezifische Masse (Abb. 8A, B) zeigten die Techniken ANN, LR, M5P, REPTree und RF die höchsten r-Werte, ohne sich statistisch voneinander zu unterscheiden. Was MAE betrifft, so zeigten dieselben Techniken mit Ausnahme von M5P die niedrigsten Durchschnittswerte. Die ANN-, LR-, M5P- und REPTree-Techniken zeigten die höchsten r-Mittelwerte zwischen geschätzten und vorhergesagten Werten der elektrischen Leitfähigkeit (Abb. 9A, B). Bei der Analyse des MAE fällt jedoch auf, dass LR die niedrigsten Werte aufwies.

(A) Boxplot für den Pearson-Korrelationskoeffizienten (r) und (B) mittlerer absoluter Fehler (MAE) zwischen beobachteten und geschätzten Werten der scheinbaren spezifischen Masse in Maiskörnern durch verschiedene Modelle und Eingaben des maschinellen Lernens. Mittelwerte, denen gleiche Buchstaben in derselben Spalte folgen, unterscheiden sich beim Scott-Knott-Test bei einer Wahrscheinlichkeit von 5 % nicht.

(A) Boxplot für den Pearson-Korrelationskoeffizienten (r) und (B) mittlerer absoluter Fehler (MAE) zwischen beobachteten und geschätzten Werten der elektrischen Leitfähigkeit in Maiskörnern durch verschiedene Modelle und Eingaben des maschinellen Lernens. Mittelwerte, denen gleiche Buchstaben in derselben Spalte folgen, unterscheiden sich beim Scott-Knott-Test bei einer Wahrscheinlichkeit von 5 % nicht.

Für die Keimung (Abb. 10A, B) zeigten die Techniken ANN, LR, M5P und REPTree die höchsten r-Werte, ohne sich statistisch voneinander zu unterscheiden. Was MAE betrifft, so zeigten dieselben Techniken mit Ausnahme von ANN die niedrigsten Mittelwerte. Die ANN-, LR-, M5P-, REPTree- und RF-Techniken zeigten die höchsten r-Mittelwerte zwischen geschätzten und vorhergesagten Werten der elektrischen Leitfähigkeit (Abb. 11A, B). Dieselben Techniken ergaben den niedrigsten mittleren MAE.

(A) Boxplot für den Pearson-Korrelationskoeffizienten (r) und (B) mittlerer absoluter Fehler (MAE) zwischen beobachteten und geschätzten Keimungswerten in Maiskörnern durch verschiedene Modelle und Eingaben des maschinellen Lernens. Mittelwerte, denen gleiche Buchstaben in derselben Spalte folgen, unterscheiden sich beim Scott-Knott-Test bei einer Wahrscheinlichkeit von 5 % nicht.

(A) Boxplot für den Pearson-Korrelationskoeffizienten (r) und (B) mittlerer absoluter Fehler (MAE) zwischen beobachteten und geschätzten Werten des Trockenmasseverlusts in Maiskörnern durch verschiedene Modelle und Eingaben des maschinellen Lernens. Mittelwerte, denen gleiche Buchstaben in derselben Spalte folgen, unterscheiden sich beim Scott-Knott-Test bei einer Wahrscheinlichkeit von 5 % nicht.

Durch die Echtzeitüberwachung der variablen Temperatur, der relativen Luftfeuchtigkeit und der Kohlendioxidkonzentration (CO2) in der intergranularen Luft konnten frühzeitig und zufriedenstellend auf indirekte Weise die Veränderungen der physikalischen Qualität der Körner während des Transports ermittelt und durch physikalische Analysen der elektrischen Energie bestätigt werden Leitfähigkeit und Keimung.

In den ersten zwei Stunden des Maiskörnertransports unter den Bedingungen eines Feuchtigkeitsgehalts von 16 % in der obersten Position des Kornmassenprofils kam es aufgrund des hohen Gleichgewichtsfeuchtigkeitsgehalts und der Atmung zu den größten physikalischen Qualitätsänderungen, hauptsächlich im Hinblick auf den Trockenmasseverlust Kornmasse.

Durch die Anwendung von Vorhersagealgorithmen für maschinelles Lernen konnten die quantitativen und qualitativen Verluste von Maiskörnern während des Transports vorhergesagt werden. Alle maschinellen Lernmodelle mit Ausnahme der Support-Vektor-Maschine erzielten zufriedenstellende Ergebnisse, die der multiplen linearen Regressionsanalyse entsprachen.

Alle während dieser Studie generierten oder analysierten Daten sind in diesem veröffentlichten Artikel [und seinen ergänzenden Informationsdateien: Codeprogrammierung und Highlights] enthalten. Die während der aktuellen Studie verwendeten und/oder analysierten Datensätze sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

Conab. Überwachung der brasilianischen Getreideernte. . (2019)

Pereira, PSX et al. Prozentsatz der Maiskörnerverluste im Straßentransport, basierend auf dem Gewicht der Ladung. J. Experiment. Landwirtschaft. Int. 37, 1–10 (2019).

Google Scholar

Coradi, PC, Chaves, JBP, Lacerda Filho, AF & Mota, TO Qualität von gelagertem Maiskörner unter verschiedenen Bedingungen. Científica 42, 118–133 (2014). https://cientifica.dracena.unesp.br/index.php/cientifica/article/view/535

Artikel Google Scholar

Lutz, É. & Coradi, PC Anwendungen neuer Technologien zur Überwachung und Vorhersage der Qualität von gelagertem Getreide: Sensoren, Internet der Dinge und künstliche Intelligenz. Mess. 188, 110609. https://doi.org/10.1016/j.measurement.2021.110609 (2021).

Artikel Google Scholar

Zhang, SB, Zhai, HC, Huang, SX & Cai, JP Eine standortbezogene CO2-Erkennungsmethode zur Überwachung des Verderbs von gelagertem Getreide durch Insekten und Pilze in chinesischen Horizontallagern. J. Stored Prod. Res. 59, 146–151. https://doi.org/10.1016/j.jspr.2014.07.002 (2014).

Artikel Google Scholar

Coradi, PC, Milane, LV, Camilo, LJ, Andrade, MDO & Lima, RE Qualität von Maiskörnern nach Trocknung und Lagerung in natürlicher Umgebung und künstlicher Kühlung. Rev. Bras. Milho e Sorgo 14, 420–432. https://doi.org/10.18512/1980-6477/rbms.v14n3p420-432 (2015).

Artikel Google Scholar

Jian, F., Chelladurai, V., Jayas, DS, Demianyk, CJ & White, NDG Interstitielle Konzentrationen von Kohlendioxid und Sauerstoff in gelagerten Raps-, Sojabohnen- und Weizensamen unter verschiedenen Bedingungen. J. Stored Prod. Res. 57, 63–72. https://doi.org/10.1016/j.jspr.2013.12.002 (2014).

Artikel Google Scholar

Barreto, AA et al. Validierung eines Wärme-, Feuchtigkeits- und Gaskonzentrationsübertragungsmodells für in Plastiktüten (Silotüten) gelagerte Sojabohnenkörner (Glycine max L.). Biosystem. Ing. 158, 23–37. https://doi.org/10.1016/j.biosystemseng.2017.03.009 (2017).

Artikel Google Scholar

Coradi, PC, Milane, LV, Camilo, LJ & Andrade, MDO Trocknung und Lagerung von Maiskörnern für die Ethanolproduktion in Brasilien. Biowissenschaften. J. 32, 1175–1190. https://doi.org/10.14393/BJ-v32n5a2016-32754 (2016).

Artikel Google Scholar

Huang, H., Danao, MG, Rausch, K. & Singh, V. Diffusion und Produktion von Kohlendioxid in Massenmais bei verschiedenen Temperaturen und Feuchtigkeitsgehalten. Im Jahr 2013 Kansas City, Missouri, 21.–24. Juli, (S. 1). American Society of Agricultural and Biological Engineers (2013).https://doi.org/10.13031/aim.20131595312

Patrício, DI & Rieder, R. Computer Vision und künstliche Intelligenz in der Präzisionslandwirtschaft für Getreidepflanzen: Eine systematische Übersicht. Berechnen. Elektron. Landwirtschaft. 153, 69–81. https://doi.org/10.1016/j.compag.2018.08.001 (2018).

Artikel Google Scholar

Taher, HI, Urcola, HA, Cendoya, MG & Bartosik, RE Vorhersage von Sojabohnenverlusten mithilfe der Kohlendioxidüberwachung während der Lagerung in Silobeuteln. J. Stored Prod. Res. 82, 1–8. https://doi.org/10.1016/j.jspr.2019.03.002 (2019).

Artikel Google Scholar

Besharati, B., Lak, A., Ghaffari, H., Karimi, H. & Fattahzadeh, M. Entwicklung eines Modells zur Schätzung des Feuchtigkeitsgehalts basierend auf physikalischen Eigenschaften und Kapazität von Samen. Sens. Actuators A. 318, 112513. https://doi.org/10.1016/j.sna.2020.112513 (2021).

Artikel CAS Google Scholar

Jaques, LBA, Coradi, PC, Lutz, É., Teodoro, PE, Jaeger, DV und Teixeira, AL Zerstörungsfreie Technologie zur Echtzeitüberwachung und Vorhersage der Sojabohnenqualität unter Verwendung von maschinellem Lernen für eine Massentransportsimulation. IEEE Sens. J. (2022).

Coradi, PC & Lutz, E. SmartStorage – intelligentes System zur Überwachung der Qualität gelagerter Getreidesorten. Patent: Computerprogramm. Registrierungsnummer: BR512022000638–3, Registrierungsdatum: 29.03.2022 (2022b)

Jaques, LBA et al. Tragbares mechanisches Probenahmesystem zur Echtzeitüberwachung und Vorhersage der Sojabohnenqualität beim Massentransport. IEEE Trans. Instrument. Mess. 71, 1–12 (2022).

Artikel Google Scholar

ASAE. Amerikanische Gesellschaft der Agraringenieure. Feuchtigkeitsmessung von ungemahlenem Getreide und Samen. In: Standards, St. Joseph: ASAE, 563 (2000).

Santos, SBD, Martins, MA, Faroni, LRDA & Brito Junior, VRD Trockenmasseverlust in Maiskörnern, die in luftdichten Beuteln gelagert werden. Rev. Cien. Agron. 43, 674–682. https://doi.org/10.1590/S1806-66902012000400008 (2012).

Artikel Google Scholar

Brasilien. Ministerium für Landwirtschaft, Viehzucht und Versorgung. Regeln für die Saatgutanalyse. Ministerium für Landwirtschaft, Viehzucht und Versorgung, Ministerium für Agrarverteidigung, Brasília, Mapa/ACS 399p. (2009).

ISTA. Internationaler Verband für Saatgutprüfungen. Bestimmung anderer Samen nach Anzahl. In: Internationale Regeln für die Saatgutprüfung. Hrsg. Bassersdorf, 41–43 (2008).

Naldi, MC, Campello, RJ, Hruschka, ER & Carvalho, ACPLF Effizienzprobleme evolutionärer k-Mittel. Appl. Soft Comput. 11, 1938–1952. https://doi.org/10.1016/j.asoc.2010.06.010 (2011).

Artikel Google Scholar

Egmont-Petersen, M., Ridder, D. & Handels, H. Bildverarbeitung mit neuronalen Netzen – eine Rezension. Mustererkennung. 35, 2279–2301. https://doi.org/10.1016/S0031-3203(01)00178-9 (2002).

Artikel ADS MATH Google Scholar

Blaifi, SA, Moulahoum, S., Benkercha, R., Taghezouit, B. & Saim, A. M5P-Modellbaum-basierter schneller Fuzzy-Maximum-Power-Point-Tracker. Sol. Energie 163, 405–424. https://doi.org/10.1016/j.solener.2018.01.071 (2018).

Artikel ADS Google Scholar

Kalmegh, S. Analyse des Weka-Data-Mining-Algorithmus Reptree, Simple Cart und Random Tree zur Klassifizierung indischer Nachrichten. Int. J. Innovat. Wissenschaft. Ing. Technol. 2, 438–446 (2015).

Google Scholar

Belgiu, M. & Dr. ̆agu ̧t, L. Zufälliger Wald in der Fernerkundung: ein Überblick über Anwendungen und zukünftige Richtungen. J. Fotogramm. Remote Sens. 114, 24–31. https://doi.org/10.1016/j.isprsjprs.2016.01.011 (2016).

Artikel ADS Google Scholar

Bouckaert, RR, Frank, E., Hall, M., Kirkby, R., Reutemann, P., Seewald, A. & Scuse, D. WEKA-Handbuch für Version 3–7–3. Die University of Waikato 327 (2010).

R-Kernteam. R: Eine Sprache und Umgebung für statistische Berechnungen. R Foundation for Statistical Computing, Wien, Österreich (2018).https://www.r-project.org/

Lutz, É. et al. Echtzeit-Überwachung des Gleichgewichtsfeuchtigkeitsgehalts zur Vorhersage der Kornqualität von Mais, der in Silo- und Bastsäcken gelagert wird. J. Food Proc. Ing. 45, e14076. https://doi.org/10.1111/jfpe.14076 (2022).

Artikel CAS Google Scholar

Bakhtavar, MA, Afzal, I. & Basra, SMA Feuchtigkeitsadsorptionsisothermen und Qualität von Samen, die in herkömmlichen Verpackungsmaterialien und im hermetischen Super Bag gelagert werden. PLoS ONE 14, e0207569. https://doi.org/10.1371/journal.pone.0207569 (2019).

Artikel CAS PubMed PubMed Central Google Scholar

Coradi, PC et al. Prototyp eines drahtlosen Sensornetzwerks und einer Internet-of-Things-Plattform zur Echtzeitüberwachung des intergranularen Gleichgewichtsfeuchtigkeitsgehalts und zur Vorhersage der in Silossäcken gelagerten Maisqualität. Expertensystem. Appl. 208, 118242. https://doi.org/10.1016/j.eswa.2022.118242 (2022).

Artikel Google Scholar

Ubhi, GS & Sadaka, S. Zeitliche Bewertung der Maisatmungsraten mithilfe von Drucksensoren. J. Stored Prod. Res. 61, 39–47. https://doi.org/10.1016/j.jspr.2015.02.004 (2015).

Artikel Google Scholar

Ochandio, D. et al. Modellierung der Atmungsrate von Sojabohnensamen (Glycine max (L.)) bei hermetischer Lagerung. J. Stored Prod. Res. 74, 36–45. https://doi.org/10.1016/j.jspr.2017.09.001 (2017).

Artikel Google Scholar

Coradi, PC, Lacerda Filho, AF, Chaves, JBP & Mota, TO Verlust der Trockenmasse bei unter verschiedenen Bedingungen gelagertem Maiskörner und Auswirkungen auf die Qualität. Rev. Bras. Tecnol. Agroin. 9, 1757–1770 (2015).

Google Scholar

Garcia-Cela, E. et al. Einfluss der Lagerumgebung auf Maiskörner: CO2-Produktion, Trockenmasseverluste und Aflatoxinkontamination. Lebensmittelzusatz. Kontam. 36, 175–185. https://doi.org/10.1080/19440049.2018.1556403 (2019).

Artikel CAS Google Scholar

Coradi, PC, Lima, RE, Alves, CZ, Teodoro, PE & Cândido, ACDS Bewertung von Beschichtungen für die Anwendung in Bast-Big Bags bei der konditionierten Lagerung von Sojabohnensorten in Saatgutverarbeitungsanlagen. PLoS ONE 15(11), e0242522. https://doi.org/10.1371/journal.pone.0242522 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Paraginski, RT, Rockenbach, BA, Santos, RFD, Elias, MC & Oliveira, MD Qualität von Maiskörnern, die bei verschiedenen Temperaturen gelagert werden. Rev. Bras. Ing. Landwirtschaft. Amb. 19, 358–363. https://doi.org/10.1590/1807-1929/agriambi.v19n4p358-363 (2015).

Artikel Google Scholar

Coradi, PC et al. Anpassung der technologischen Verpackung zur Konservierung von Sojabohnensamen in Lagereinheiten als Alternative zu modifizierter Atmosphäre. PLoS ONE 15, e0241787. https://doi.org/10.1371/journal.pone.0241787 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Referenzen herunterladen

Die Autoren danken der UFSM-Federal University of Santa Maria (Forschungsgruppe bei Postharvest Innovation: Technology, Quality and Sustainability). Diese Arbeit und die Ressourcen und Stipendien jeder Organisation wurden finanziell von CAPES (Higher Education Personnel Improvement Coordination) – Finanzcode 001, CNPq (National Council for Technological Scientific Development) und FAPERGS-RS (Research Support Foundation of the State of Rio Grande) unterstützt do Sul) (2019-2022).

Abteilung für Agrartechnik, Zentrum für ländliche Wissenschaften, Bundesuniversität Santa Maria, Avenue Roraima, 1000, Camobi, Santa Maria, Rio Grande do Sul, 97105-900, Brasilien

Camila Fontoura Nunes, Paulo Carteri Coradi & Lanes Beatriz Acosta Jaques

Abteilung für Agrartechnik, Labor für Nachernte (LAPOS), Campus Cachoeira do Sul, Bundesuniversität Santa Maria, Highway Taufik Germano, 3013, Passo D'Areia, Cachoeira do Sul, Rio Grande do Sul, 96506-322, Brasilien

Paulo Carteri Coradi

Abteilung für Agrarwissenschaften, Campus Chapadão do Sul, Bundesuniversität Mato Grosso do Sul, Chapadão do Sul, Mato Grosso do Sul, 79560-000, Brasilien

Larissa Pereira Ribeiro Theodore und Paul Edward Theodore

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Konzeptualisierung, PCC, LPRT, PET, Methodik, CFN, LBAJ, PCC, Formale Analyse, CFN, LBAJ, PCC, LPRT, PET, Untersuchung, CFN, LBAJ, PCC, LPRT, PET, Durchführung von Feldexperimenten, CFN, LBAJ, PCC , Statistische Analyse CFN, LBAJ, PCC, LPRT, PET Schreiben – Vorbereitung des Originalentwurfs, PCC, LPRT, PET Schreiben – Überprüfung und Bearbeitung, PCC, LPRT, PET

Korrespondenz mit Paulo Carteri Coradi.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Nunes, CF, Coradi, PC, Jaques, LBA et al. Sensor-Kabel-Sonde und Probenehmer zur Früherkennung und Vorhersage von Trockenmasseverlusten und Echtzeit-Maiskornqualität bei Transport und Lagerung. Sci Rep 13, 5686 (2023). https://doi.org/10.1038/s41598-023-32684-4

Zitat herunterladen

Eingegangen: 10. Januar 2023

Angenommen: 31. März 2023

Veröffentlicht: 07. April 2023

DOI: https://doi.org/10.1038/s41598-023-32684-4

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.