• chemiometria
• colore
• difetti
• immagini
• mais

Tra le diverse contaminazioni del mais, quelle da micotossine rappresentano uno dei maggiori rischi per la salute umana a causa della loro elevata tossicità. Di fatto, la presenza visibile di cariossidi macchiate o scure è sempre indice di deterioramento del prodotto e di presenza di micotossine, anche se la mancanza di chicchi visibilmente difettosi non costituisce una garanzia assoluta della totale assenza di questo tipo di contaminazione.
Per assicurare al consumatore un maggiore grado di sicurezza sono in continuo sviluppo tecniche idonee alla determinazione della concentrazione di micotossine nel mais, basate su metodi cromatografici o su test immunoenzimatici. Benché questi metodi garantiscano un’elevata sensibilità e specificità, risulta di particolare interesse lo sviluppo di tecniche analitiche veloci, economiche e non distruttive, per riconoscere i difetti del mais in modo tale da incrementare ulteriormente il livello di qualità e velocizzare le fasi di conferimento del raccolto agli stoccatori.
In questo contesto, lo scopo del presente lavoro di tesi consiste nello sviluppo di metodi innovativi di analisi di immagini digitali per il controllo automatizzato del grado di difettosità della granella di mais. Tali metodi, sviluppati ad-hoc per la problematica specifica, sono basati sulla elaborazione con tecniche statistiche multivariate dei parametri di colore derivati dalle immagini RGB.
Per l’acquisizione delle immagini sono state prese in considerazione due tipologie di mais (umido e secco) con diversa concentrazione di scarto, acquisite sia mediante uno scanner piano sia con una fotocamera digitale, in due formati (jpeg e bitmap).
Le immagini acquisite sono state corrette sulla base di riferimenti colorati presenti all’interno del campo dell’immagine e sono state convertite in segnali, chiamati colorigrammi, che codificano l’informazione relativa al colore contenuta in ciascuna immagine.
I segnali ottenuti sono stati analizzati mediante l’utilizzo di tecniche chemiometriche per estrarre le informazioni utili al fine della determinazione del grado di difettosità, impiegando metodi di analisi esplorativa come Principal Component Analysis (PCA), di calibrazione come Partial Least Squares (PLS) e di selezione di variabili come interval-Partial Least Squares (iPLS).

Among the various contaminations of maize kernels, mycotoxins represent a major risk for human health, due to their high toxicity. The visible presence of stained or dark kernels is always sign of deterioration and of presence of mycotoxins, although the lack of visible defect does not ensure the absence of this type of contamination. In order to ensure food safety, proper techniques to estimate the concentration of mycotoxins in maize have been developed, which are mainly based on chromatographic methods and on immunoassays. Even if these methods allow to gain high sensitivity and specificity, the development of faster, cheaper, and non-destructive techniques is of particular interest, in order to identify the defects of the corn so as to further increase the quality level and to speed up the transfer phase of the crop at the collection center. In this context, the aim of the present work is the development of innovative methods based on digital image analysis for the automated monitoring of the corn defectiveness level. These methods, developed ad-hoc for the problem at hand, are based on multivariate statistical analysis of color parameters derived from RGB images. In particular, two maize varieties have been considered, i.e., wet and dry maize, with varying amount of defective kernels; images were acquired using both a flatbed scanner and a digital camera, and considering different file formats(jpeg and bitmap). The acquired images were first corrected by means of reference colored standards that were included within the image scene, and then they were converted into signals named colourgrams, which codify the color-related information content of the images. The colourgrams were analyzed using chemometric techniques, in order to extract the information useful to quantify the degree of defectiveness of the corresponding maize samples. To this aim, the matrix of colourgrams was first evaluated by means Principal Component Analysis (PCA), and then calibration models were developed using Partial Least Squares (PLS) and interval-Partial Least Squares (iPLS), which also allowed to perform feature selection.