Сортовая идентификация сои по статистическим параметрам светопоглощения

Исследованы статистические параметры спектров эффективного светопоглощения семян сои различных сортов и групп спелости. Цель исследований – выявить сортовые особенности и разработать алгоритм сортовой идентификации сои по статистическим параметрам спектров поглощения при возбуждении фотолюминесценции. Спектральные характеристики поглощения были получены на дифракционном спектрофлуориметре СМ2203 в диапазоне длин волн λ = 230–600 нм. Рассчитаны статистические параметры спектров – математическое ожидание, дисперсия, асимметрия и эксцесс. Эффективное светопоглощение при возбуждении фотолюминесценции происходит в диапазоне от 300 до 550 нм с основными максимумами на 420 нм, 390 и 362 нм. Поглощение излучения вызвано наличием фенольных кислот, каротиноидов, рибофлавина, а также терпеноидов, спорополленина, липофусцина, лигнина или флавоноидов. Математическое ожидание и дисперсия определяются со сравнительно небольшой относительной погрешностью – не более 1,2 и 7,6 % соответственно, а погрешности определения асимметрии и эксцесса могут достигать 16,1–22 %. По величине асимметрии однозначно может быть идентифицирован сорт Баргузин. Остальные исследованные сорта могут быть с различной вероятностью идентифицированы по всем четырем статистическим параметрам. Сорта Вилана и Вилана бета значимо отличаются по величине дисперсии. Разработан алгоритм сортовой идентификации на основе вероятностной принадлежности сои к известным сортам и получена база данных статистических параметров сортов сои. Для увеличения точности возможна комбинация применения статистических и ранее полученных интегральных параметров поглощения. В дальнейшем предполагается увеличить число идентифицируемых сортов, уточнить диапазоны и разработать оптико-электронную установку сортовой идентификации сои.

1. Nowacka M., Trusinska M., Chraniuk P., Drudi F., Lukasiewicz J., Nguyen N. P., Przybyszewska A. et al. Developments in Plant Proteins Production for Meat and Fish Analogues. Molecules. 2023;28(7):2966. DOI: https://doi.org/10.3390/molecules28072966

2. Векленко В. И., Еременко О. В. Прогнозирование мирового и российского экспорта сои. Вестник Курской государственной сельскохозяйственной академии. 2023;(9):222–228. Режим доступа: https://www.elibrary.ru/item.asp?id=60016416 EDN: RNYBGL

3. Лобачевский Я. П., Дорохов А. С. Цифровые технологии и роботизированные технические средства для сельского хозяйства. Сельскохозяйственные машины и технологии. 2021;15(4):6–10. DOI: https://doi.org/10.22314/2073-7599-2021-15-4-6-10 EDN: YFRZDV

4. Li H., Zhang L., Sun H., Rao Z., Ji H. Identification of soybean varieties based on hyperspectral imaging technology and one-dimensional convolutional neural network. Journal of Food Process Engineering. 2021;44(8):e13767. DOI: https://doi.org/10.1111/jfpe.13767

5. Рамазанова С. А., Савиченко В. Г., Устарханова Э. Г., Логинова Е. Д., Рамазанов Р. Н., Гучетль А. Х. Поиск новых SSR-локусов ДНК для создания эффективной технологии генотипирования сои. Масличные культуры. Научно-технический бюллетень Всероссийского научно-исследовательского института масличных культур. 2021;(4(188)):18–24. DOI: https://doi.org/10.25230/2412-608X-2021-4-188-18-24 EDN: ZCURTO

6. Бондаренко О. Н., Иваний А. А., Пензин А. А. Опыт использования системы паспортизации в установлении сортовой принадлежности сои. Вестник Чувашского государственного аграрного университета. 2025;(1(32)):7–14. DOI: https://doi.org/10.48612/vch/xxxa-gr7g-5kf7 EDN: RVVKVQ

7. Song Q., Liu A., Zhang S., Li R., Qiao S., He P. Quantum Dot Nanobead-Based Fluorescence-Linked Immunosorbent Assay for Detection of Glycinin in Soybeans and Soy Products. Molecules. 2022;27:3664. DOI: https://doi.org/10.3390/molecules27123664

8. Ravi R., Taheri A., Khandekar D., Millas R. Rapid Profiling of Soybean Aromatic Compounds Using Electronic Nose. Biosensors. 2019;9(2):66. DOI: https://doi.org/10.3390/bios9020066

9. Зубарева К. Ю., Белозерова А. В., Хрыкина Т. А. Оценка физиологического состояния растений сои методами фотометрической диагностики. Зернобобовые и крупяные культуры. 2024;(1(49)):28–36. DOI: https://doi.org/10.24412/2309-348X-2024-1-28-36 EDN: JBJZVF

10. Александрова В. А., Лысенкова А. А. Идентификация сорта сои методами оптической спектроскопии. Товаровед продовольственных товаров. 2025;2(247):84–87. DOI: https://doi.org/10.33920/igt-01-2502-04 EDN: EYKZXZ

11. Ma R., Wang J., Zhao W., Guo H., Dai D., Yun Y. et al. Identification of Maize Seed Varieties Using MobileNetV2 with Improved Attention Mechanism CBAM. Agriculture. 2023;13(1):11. DOI: https://doi.org/10.3390/agriculture13010011

12. Singh T., Garg N. M., Iyengar S. R. S. Nondestructive identification of barley seeds variety using near-infrared hyperspectral imaging coupled with convolutional neural network. Journal of Food Process Engineering. 2021;44(10):e13821. DOI: https://doi.org/10.1111/jfpe.13821

13. Bu Y., Jiang X., Tian J., Hu X., Han L., Huang D., Luo H. Rapid nondestructive detecting of sorghum varieties based on hyperspectral imaging and convolutional neural network. Journal of Science Food and Agriculture. 2023;103(8):3970–3983. DOI: https://doi.org/10.1002/jsfa.12344

14. Sun J., Zhang L., Zhou X., Yao K., Tian Y., Nirere A. A method of information fusion for identification of rice seed varieties based on hyperspectral imaging technology. Journal of Food Process Engineering. 2021;44(9):e13797. DOI: https://doi.org/10.1111/jfpe.13797

15. Zhao X., Que H., Sun X., Zhu Q., Huang M. Hybrid convolutional network based on hyperspectral imaging for wheat seed varieties classification. Infrared Physics & Technology. 2022;125:104270. DOI: https://doi.org/10.1016/j.infrared.2022.104270

16. Зеленцов С. В., Мошненко Е. В., Бубнова Л. А., Будников Е. Н., Трунова М. В., Рамазанова С. А. Среднеранний теневыносливый сорт сои Вилана бета. Масличные культуры. Научно-технический бюллетень Всероссийского научно-исследовательского института масличных культур. 2020;(1(181)):140–146. DOI: https://doi.org/10.25230/2412-608X-2020-1-181-140-146 EDN: MLWCQZ

17. Беляков М. В. Оптические люминесцентные свойства семян сельскохозяйственных растений. Агрофизика. 2024;(4):72–78. DOI: https://doi.org/10.25695/AGRPH.2024.04.09 EDN: MMYHXZ

18. Pan Y.-L. Detection and characterization of biological and other organic-carbon aerosol particles in atmosphere using fluorescence. Journal of Quantitative Spectroscopy and Radiative Transfer. 2015;150:12–35. DOI: https://doi.org/10.1016/j.jqsrt.2014.06.007

19. Matveeva T. A., Sarimov R. M., Persidskaya O. K., Andreevskaya V. M., Semenova N. A., Gudkov S. V. Application of Fluorescence Spectroscopy for Early Detection of Fungal Infection of Winter Wheat Grains. AgriEngineering. 2024;6(3):3137–3158. DOI: https://doi.org/10.3390/agriengineering6030179

20. Donaldson L. Autofluorescence in Plants. Molecules. 2020;25(10):2393. DOI: https://doi.org/10.3390/molecules25102393

21. Беляков М. В., Лысенкова А. А. Сортовые особенности фотолюминесценции сои. Вестник российской сельскохозяйственной науки. 2025;(2):12–16. DOI: https://doi.org/10.31857/S2500208225020032 EDN: HTYVHD