BR112018017343B1 - Método e aparelho para detectar a presença de micotoxinas em cereais, e, meio legível por computador. - Google Patents
Método e aparelho para detectar a presença de micotoxinas em cereais, e, meio legível por computador. Download PDFInfo
- Publication number
- BR112018017343B1 BR112018017343B1 BR112018017343-6A BR112018017343A BR112018017343B1 BR 112018017343 B1 BR112018017343 B1 BR 112018017343B1 BR 112018017343 A BR112018017343 A BR 112018017343A BR 112018017343 B1 BR112018017343 B1 BR 112018017343B1
- Authority
- BR
- Brazil
- Prior art keywords
- light absorption
- scattered light
- grain
- absorption spectrum
- cereal
- Prior art date
Links
- 235000013339 cereals Nutrition 0.000 title claims abstract description 55
- 231100000678 Mycotoxin Toxicity 0.000 title claims abstract description 44
- 239000002636 mycotoxin Substances 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000004464 cereal grain Substances 0.000 claims abstract description 79
- 230000031700 light absorption Effects 0.000 claims abstract description 57
- 238000011109 contamination Methods 0.000 claims abstract description 56
- 238000000862 absorption spectrum Methods 0.000 claims abstract description 55
- 238000000491 multivariate analysis Methods 0.000 claims abstract description 9
- 238000001228 spectrum Methods 0.000 claims description 69
- 230000010354 integration Effects 0.000 claims description 30
- 240000008042 Zea mays Species 0.000 description 64
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 64
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 60
- 235000005822 corn Nutrition 0.000 description 60
- 238000005259 measurement Methods 0.000 description 31
- LINOMUASTDIRTM-QGRHZQQGSA-N deoxynivalenol Chemical compound C([C@@]12[C@@]3(C[C@@H](O)[C@H]1O[C@@H]1C=C(C([C@@H](O)[C@@]13CO)=O)C)C)O2 LINOMUASTDIRTM-QGRHZQQGSA-N 0.000 description 28
- 229930002954 deoxynivalenol Natural products 0.000 description 28
- LINOMUASTDIRTM-UHFFFAOYSA-N vomitoxin hydrate Natural products OCC12C(O)C(=O)C(C)=CC1OC1C(O)CC2(C)C11CO1 LINOMUASTDIRTM-UHFFFAOYSA-N 0.000 description 28
- 235000013305 food Nutrition 0.000 description 15
- 238000001514 detection method Methods 0.000 description 13
- 239000000835 fiber Substances 0.000 description 11
- 230000003595 spectral effect Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 238000005286 illumination Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 7
- 239000000843 powder Substances 0.000 description 6
- 239000000126 substance Substances 0.000 description 6
- 230000001066 destructive effect Effects 0.000 description 5
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 4
- 235000009973 maize Nutrition 0.000 description 4
- 241000209140 Triticum Species 0.000 description 3
- 235000021307 Triticum Nutrition 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 229910052805 deuterium Inorganic materials 0.000 description 3
- 229910052736 halogen Inorganic materials 0.000 description 3
- 238000001294 liquid chromatography-tandem mass spectrometry Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 235000007319 Avena orientalis Nutrition 0.000 description 2
- 244000075850 Avena orientalis Species 0.000 description 2
- YZCKVEUIGOORGS-OUBTZVSYSA-N Deuterium Chemical compound [2H] YZCKVEUIGOORGS-OUBTZVSYSA-N 0.000 description 2
- 238000002965 ELISA Methods 0.000 description 2
- 241000233866 Fungi Species 0.000 description 2
- 240000005979 Hordeum vulgare Species 0.000 description 2
- 235000007340 Hordeum vulgare Nutrition 0.000 description 2
- ZRWPUFFVAOMMNM-UHFFFAOYSA-N Patulin Chemical compound OC1OCC=C2OC(=O)C=C12 ZRWPUFFVAOMMNM-UHFFFAOYSA-N 0.000 description 2
- 241000209056 Secale Species 0.000 description 2
- 235000007238 Secale cereale Nutrition 0.000 description 2
- 238000004847 absorption spectroscopy Methods 0.000 description 2
- 238000012569 chemometric method Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 150000002367 halogens Chemical class 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000003801 milling Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000000985 reflectance spectrum Methods 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 229930195730 Aflatoxin Natural products 0.000 description 1
- 206010012735 Diarrhoea Diseases 0.000 description 1
- 238000004477 FT-NIR spectroscopy Methods 0.000 description 1
- 241000223194 Fusarium culmorum Species 0.000 description 1
- 241000223195 Fusarium graminearum Species 0.000 description 1
- 206010062016 Immunosuppression Diseases 0.000 description 1
- 206010028813 Nausea Diseases 0.000 description 1
- 206010029350 Neurotoxicity Diseases 0.000 description 1
- VYLQGYLYRQKMFU-UHFFFAOYSA-N Ochratoxin A Natural products CC1Cc2c(Cl)cc(CNC(Cc3ccccc3)C(=O)O)cc2C(=O)O1 VYLQGYLYRQKMFU-UHFFFAOYSA-N 0.000 description 1
- 229920002472 Starch Polymers 0.000 description 1
- BXFOFFBJRFZBQZ-QYWOHJEZSA-N T-2 toxin Chemical compound C([C@@]12[C@]3(C)[C@H](OC(C)=O)[C@@H](O)[C@H]1O[C@H]1[C@]3(COC(C)=O)C[C@@H](C(=C1)C)OC(=O)CC(C)C)O2 BXFOFFBJRFZBQZ-QYWOHJEZSA-N 0.000 description 1
- 206010044221 Toxic encephalopathy Diseases 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 239000005409 aflatoxin Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 235000021403 cultural food Nutrition 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- -1 deuterium halogen Chemical class 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 238000009615 fourier-transform spectroscopy Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 239000003008 fumonisin Substances 0.000 description 1
- 230000003760 hair shine Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000008821 health effect Effects 0.000 description 1
- 230000001506 immunosuppresive effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000004476 mid-IR spectroscopy Methods 0.000 description 1
- 230000008693 nausea Effects 0.000 description 1
- 230000007135 neurotoxicity Effects 0.000 description 1
- 231100000228 neurotoxicity Toxicity 0.000 description 1
- RWQKHEORZBHNRI-BMIGLBTASA-N ochratoxin A Chemical compound C([C@H](NC(=O)C1=CC(Cl)=C2C[C@H](OC(=O)C2=C1O)C)C(O)=O)C1=CC=CC=C1 RWQKHEORZBHNRI-BMIGLBTASA-N 0.000 description 1
- DAEYIVCTQUFNTM-UHFFFAOYSA-N ochratoxin B Natural products OC1=C2C(=O)OC(C)CC2=CC=C1C(=O)NC(C(O)=O)CC1=CC=CC=C1 DAEYIVCTQUFNTM-UHFFFAOYSA-N 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 150000002894 organic compounds Chemical class 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000001055 reflectance spectroscopy Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 229930000044 secondary metabolite Natural products 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 235000019698 starch Nutrition 0.000 description 1
- 239000008107 starch Substances 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 239000003053 toxin Substances 0.000 description 1
- 231100000765 toxin Toxicity 0.000 description 1
- MBMQEIFVQACCCH-UHFFFAOYSA-N trans-Zearalenon Natural products O=C1OC(C)CCCC(=O)CCCC=CC2=CC(O)=CC(O)=C21 MBMQEIFVQACCCH-UHFFFAOYSA-N 0.000 description 1
- MBMQEIFVQACCCH-QBODLPLBSA-N zearalenone Chemical compound O=C1O[C@@H](C)CCCC(=O)CCC\C=C\C2=CC(O)=CC(O)=C21 MBMQEIFVQACCCH-QBODLPLBSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/06—Illumination; Optics
- G01N2201/065—Integrating spheres
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
Um método e aparelho para detectar a presença de micotoxinas em cereais, o método compreendendo: capturar pelo menos um espectro de absorção de luz difusa de uma coleção de grãos de cereal; capturar pelo menos um espectro de absorção de luz difusa de pelo menos um grão de cereal individual da coleção de grãos de cereal; e classificar o nível de contaminação por micotoxinas em pelo menos um grão de cereal por realização de análise de dados multivariados no pelo menos um espectro de absorção de luz difusa da coleção de grãos de cereal e no pelo menos um espectro de absorção de luz difusa do pelo menos um grão de cereal individual.
Description
[001] A presente invenção refere-se à contaminação de cereais. Em particular, a presente invenção provê um método e um aparelho para a detecção da presença de micotoxinas em cereais.
[002] A presença de micotoxinas, metabólitos secundários de fungos tóxicos, em mercadorias agrícolas é um grande problema no mundo todo. De acordo com as estimativas da Organização das Nações Unidas para Agricultura e Alimentação (FAO), 25% das culturas de alimentos do mundo são afetadas por fungos produtores de micotoxinas (Rasch, Kumke, & Lohmannsroben, 2010). As micotoxinas mais importantes na produção de alimentos e ração, que representam uma grande ameaça à saúde pública e à agroeconomia, incluem aflatoxinas, desoxinivalenol (DON), ocratoxina A, fumonisina, zearalenona, patulina e toxina T-2 (Miller, 1995; Traar, 2013).
[003] DON está entre as micotoxinas mais prevalentes e é produzido principalmente pelos fungos fusarium graminearum e fusarium culmorum. Ele ocorre frequentemente em mercadorias de cereais, como trigo, milho, cevada, aveia e centeio, que podem ser infectados antes ou depois da colheita (Sobrova et al., 2010). Além disso, porque DON não pode ser destruído durante o processamento de alimentos, como ao cozinhar, congelar e assar, ela aparece tanto nos produtos crus como nos processados. A ingestão de produtos contaminados com DON pode causar efeitos agudos e crônicos para a saúde, como diarreia, náusea, imunossupressão e neurotoxicidade (Abysique, Tardivel, Troadec, & Félix, 2015; Pestka, 2007). A detecção de DON é uma questão importante na indústria de alimentos, pois está presente em mais de 90% de todas as amostras de cereais contaminados com micotoxinas e sua ocorrência é considerada como sendo um indicador da presença de outras micotoxinas. (Ran et al., 2013)
[004] DON é um importante contaminante do milho (Pleadin et al., 2012) e o milho é o alimento dominante em muitos países. Atualmente, a presença de DON em produtos de alimentos e rações é rigorosamente regulamentada na maioria das regiões do mundo. Com relação aos núcleos dos grãos de milho cru, a Comissão Europeia afirma que a concentração máxima permitida de DON é de 1750ppb, enquanto nos Estados Unidos e na China é imposto um limite de 1000ppb de DON (European Commission, 2007). Para atender a esses limites, a presença de DON é hoje em dia detectada principalmente pelo uso de análises químicas, como cromatografia líquida - espectrometria de massa em tandem (LC-MS/MS) e ensaios de imunoabsorção enzimática (ELISA). No entanto, essas técnicas analíticas são demoradas, caras e destrutivas (Ran et al., 2013). Devido à presença irregular da toxina tanto nos produtos alimentícios como nas culturas, estas análises baseadas em amostras com frequência oferecem uma visão limitada do grau de contaminação. É um objetivo da presente invenção prover um método espectroscópico não destrutivo que possa ser usado para a triagem de núcleos de grãos do cereal individual e de outros produtos alimentícios susceptíveis à contaminação com micotoxinas não fluorescentes.
[005] Técnicas de detecção espectroscópica já são amplamente usadas em agricultura e indústrias químicas para a determinação de compostos orgânicos em matéria, como proteínas, umidade, amido e pigmentos (Baye, Pearson, & Settles, 2006; K.C. Volkers, M. Wachendorf, R. Loges, N.J. Jovanovic, 2003; Meulebroeck & Thienpont, 2012). Até agora, há um grande interesse em aplicar as técnicas de detecção espectroscópica para a identificação de DON. O uso de espectroscopia de infravermelho próximo e médio de transformada de Fourier (FT-NIR e FT-MIR) para detecção de DON em trigo e milho já é amplamente discutido (Abramovic, Jajic, Abramovic, Cosic, & Juric, 2007; De Girolamo, Cervellieri, Visconti, & Pascale, 2014; Kos, Lohninger, & Krska, 2003). No entanto, medições atuais publicadas usam amostras trituradas e homogeneamente contaminadas e requerem o uso de quimiometria para classificar as amostras em seus vários níveis de contaminação. É um objetivo da presente invenção prover um método espectroscópico que permita a medição da contaminação localizada em núcleos de grãos de cereal individual não triturados, como os núcleos de grãos de milho. Além disso, devido à sua sensibilidade à vibração, espectroscopia de transformada de Fourier dificilmente pode ser implementada em um ambiente industrial.
[006] De acordo com a presente invenção, é provido um método para detectar a presença de micotoxinas em cereais, o método compreendendo: capturar pelo menos um espectro de absorção de luz difusa de uma coleção de grãos de cereal; capturar pelo menos um espectro de absorção de luz difusa de pelo menos um grão de cereal individual da coleção de grãos de cereal; classificar o nível de contaminação por micotoxinas em pelo menos um grão de cereal por realização da análise de dados multivariados no pelo menos um espectro de absorção de luz difusa da coleção de grãos de cereal e no pelo menos um espectro de absorção de luz difusa do pelo menos um grão de cereal individual.
[007] Preferivelmente, cada espectro de absorção de luz difusa é capturado usando uma esfera de integração. Preferivelmente, o espectro de absorção de luz difusa do grão de cereal individual é capturado usando uma esfera de integração que é menor do que a usada para capturar cada espectro de absorção de luz difusa da coleção de grãos de cereal. Preferivelmente, o ou cada espectro de absorção de luz difusa da coleção de grãos de cereal é capturado por iluminação da coleção no centro de uma esfera de integração. Preferivelmente, o espectro de absorção de luz difusa de cada grão de cereal é capturado por iluminação do grão de cereal enquanto está na frente de uma abertura de um orifício de amostra de uma esfera de integração.
[008] Preferivelmente, a etapa de capturar pelo menos um espectro de absorção de luz difusa de um grão de cereal individual compreende capturar múltiplos espectros de absorção de luz difusa por iluminação de múltiplas regiões do grão de cereal.
[009] Em uma modalidade, a etapa de classificar o nível de contaminação por micotoxinas em pelo menos um grão de cereal compreende calcular a razão entre a refletância em um primeiro comprimento de onda selecionado e a refletância em um segundo comprimento de onda selecionado; e classificar o nível de contaminação por micotoxinas em pelo menos um grão de cereal com base na razão calculada. Preferivelmente, os comprimentos de onda selecionados estão na região de comprimento de onda de 700 nm a 1500 nm. Em modalidades alternativas, a razão pode ser calculada com base na refletância em mais do que dois comprimentos de onda selecionados.
[0010] Em uma modalidade adicional, a etapa de classificação do nível de contaminação por micotoxinas em pelo menos um grão de cereal usa técnicas quimiométricas. Um método quimiométrico, como análises de componentes principais, pode ser usado para classificar o nível de contaminação por micotoxinas em um grão de cereal individual. Métodos quimiométricos são técnicas avançadas requerendo uma grande potência aritmétrica da máquina em que eles são usados.
[0011] O método pode compreender adicionalmente calcular um espectro médio de absorção de luz difusa de uma coleção de grãos de cereal se múltiplos espectros de absorção de luz difusa forem capturados e em que a etapa de classificar o nível de contaminação por micotoxinas em pelo menos um grão de cereal compreende realizar análise de dados multivariados em um espectro médio.
[0012] O método pode compreender adicionalmente calcular um espectro médio de absorção de luz difusa de pelo menos um grão de cereal se múltiplos espectros de absorção de luz difusa do grão de cereal forem capturados e em que a etapa de classificar o nível de contaminação por micotoxinas em pelo menos um grão de cereal compreende realizar a análise de dados multivariados em um espectro médio.
[0013] Cada espectro de absorção de luz difusa capturado pode ser um espectro de absorção de luz difusa NIR. Alternativamente, cada espectro de absorção de luz difusa capturado pode ser um espectro de absorção de luz difusa visível e NIR.
[0014] Classificar o nível de contaminação por micotoxinas em pelo menos um grão de cereal pode compreender comparar pelo menos um espectro capturado com um espectro de um grão não contaminado e identificar diferenças entre os espectros. Classificar o nível de contaminação por micotoxinas em pelo menos um grão de cereal pode compreender comparar pelo menos um espectro capturado com mais de um espectro de pelo menos um grão não contaminado e identificar diferenças entre os espectros. O método pode compreender adicionalmente obter o espectro de um grão não contaminado a partir de uma base de dados de espectros de grão. O método pode compreender adicionalmente identificar o tipo de cereal da coleção de grãos de cereal por comparação de pelo menos um espectro capturado com uma pluralidade de espectros de amostra na base de dados para encontrar o melhor ajuste. Alternativamente, o método pode compreender adicionalmente identificar o tipo de cereal a partir de uma entrada de usuário.
[0015] A presente invenção provê adicionalmente um meio legível por computador contendo instruções de programa que, quando executadas por um processador, levam o processador a realizar o método acima.
[0016] A presente invenção provê adicionalmente um aparelho para detectar a presença de micotoxinas em cereais, compreendendo: meio para capturar pelo menos um espectro de absorção de luz difusa de uma coleção de grãos de cereal; meio para capturar pelo menos um espectro de absorção de luz difusa de pelo menos um grão de cereal individual da coleção de grãos de cereal; e meio para classificar o nível de contaminação por micotoxinas em pelo menos um grão de cereal por realização da análise de dados multivariados no pelo menos um espectro de absorção de luz difusa da coleção de grãos de cereal e no pelo menos um espectro de absorção de luz difusa de pelo menos um grão de cereal individual.
[0017] Preferivelmente, cada meio para capturar um espectro de absorção de luz difusa compreende uma esfera de integração. Preferivelmente, o meio para capturar pelo menos um espectro de absorção de luz difusa do grão de cereal individual compreende uma esfera de integração que é menor do que a usada para capturar cada espectro de absorção de luz difusa da coleção de grãos de cereal.
[0018] Preferivelmente, o aparelho compreende adicionalmente meio para capturar múltiplos espectros de absorção de luz difusa por iluminação de múltiplas regiões do grão de cereal. O meio para capturar pelo menos um espectro de absorção de luz difusa pode compreender meio para capturar pelo menos um espectro de absorção de luz difusa NIR. O meio para capturar pelo menos um espectro de absorção de luz difusa pode compreender meio para capturar pelo menos um espectro de absorção de luz difusa UV, visível e NIR.
[0019] O meio para classificar o nível de contaminação por micotoxinas em pelo menos um grão de cereal pode compreender meio para comparar pelo menos um espectro capturado com um espectro de um grão não contaminado e meio para identificar diferenças entre os espectros.
[0020] O aparelho pode compreender adicionalmente meio para obter o espectro de um grão não contaminado a partir de uma base de dados de espectros de grão.
[0021] O aparelho pode compreender adicionalmente meio para identificar o tipo de cereal da coleção de grãos de cereal por comparação de pelo menos um espectro capturado com uma pluralidade de espectros de amostra na base de dados para encontrar o melhor ajuste. O aparelho pode compreender adicionalmente meio para identificar o tipo de cereal a partir de uma entrada do usuário.
[0022] A presente invenção é apropriada para qualquer tipo de cereal, incluindo mas não limitado a trigo, milho, cevada, aveia e centeio. Em produtos alimentícios, a micotoxina está ligada a várias substâncias (como proteínas). Estas ligações influenciam o espectro de reflexão do produto alimentício. Consequentemente, é possível observar indiretamente contaminação por micotoxinas medindo sua influência sobre a matriz de um produto alimentício. Quanto maior a contaminação por micotoxinas dentro de um produto alimentício, maior sua influência sobre a matriz e, assim, também sua influência no espectro de reflexão do produto.
[0023] Quando uma fonte de luz ilumina uma amostra, os raios de luz incidente serão absorvidos, transmitidos e refletidos, dependendo da composição química e das propriedades físicas da amostra. Para identificar opticamente a contaminação por micotoxinas, a presente invenção usa espectroscopia de absorção de luz difusa para estudar as propriedades de reflexão independente da dispersão de produtos. Isto pode ser obtido através do uso de uma esfera de integração que coleta toda a luz refletida, independente do ângulo de reflexão.
[0024] Usando uma esfera de integração, toda a luz dispersa e refletida (então tanto a reflexão direta (especular) como a difusa) é coletada. Quando um feixe de luz ilumina a amostra, luz será dispersa, transmitida, refletida e absorvida. Somente a luz que é absorvida pela amostra não será coletada pelo detector. Uma esfera de integração permite que a quantidade de luz entrando que é absorvida pela amostra seja medida. Portanto, é possível detectar um sinal de luz retransmitido após interação com o grão, a luz tendo penetrado no ponto de iluminação (onde reflexão direta e difusa poderia ocorrer), sendo dispersa e de outra forma interagida com o produto e então reemitida a partir do grão na proximidade de mas não no ponto de iluminação.
[0025] Em uma primeira etapa, uma grande esfera de integração, em que diferentes núcleos de grão de cereal podem ser posicionados, pode ser usada, de modo que regiões de comprimento de onda ótimas possam ser identificadas. Além disso, quando considerando uma amostra contaminada e não classificada, essa configuração permite a medição rápida de uma grande quantidade de núcleos de grão de cereal, permitindo uma pré-classificação aproximada das amostras. Na segunda etapa, os espectros de reflexão de núcleos de grãos de cereal individuais com uma esfera de integração menor podem ser investigados, para classificar os núcleos de grão de acordo com seu nível de contaminação localizada.
[0026] A presente invenção usa espectroscopia de absorção de luz difusa como uma técnica de detecção ótica não destrutiva para a identificação de micotoxinas como DON em núcleos de grão de cereal sólido. Os resultados da presente invenção podem permitir a detecção rápida, precisa e não destrutiva de micotoxinas, como DON, que é apropriada para implementação em máquinas de varredura industrial em linha. Devido à contaminação não homogênea por micotoxinas, a capacidade de monitorar a contaminação por núcleos de grãos de cereal individuais é indispensável para aumentar a segurança dos alimentos e reduzir perdas econômicas.
[0027] Modalidades da invenção serão descritas, apenas a título de exemplo, com referência aos desenhos em anexo, em que: a Figura 1 mostra uma primeira parte de um aparelho para a detecção de micotoxinas em cereais, de acordo com uma modalidade da invenção.
[0028] A Figura 2 mostra uma segunda parte de um aparelho para a detecção de micotoxinas em cereais, de acordo com uma modalidade da invenção.
[0029] A Figura 3 mostra os espectros médios de reflexão dos núcleos de grão de milho de teste e um pó de milho contaminado com DON de referência, medido com uma esfera de integração de reflexão de 250 mm: (a) espectro vis-NIR; (b) faixa de comprimento de onda NIR mostrando o maior contraste espectral entre os núcleos de grãos de milho contaminados em níveis baixo e alto.
[0030] A Figura 4 mostra a diferença espectral entre amostras de teste e de referência, medida com uma esfera de integração de reflexão de 250 mm: (a) contraste entre núcleos de grãos de milho contaminados em níveis baixo e alto; (b) razão de refletâncias a 940nm e 830nm; (c) razão de refletâncias a 1220nm e 830nm.
[0031] A Figura 5 mostra o espectro médio de reflexão de amostras de milho de teste e de referência, medido com uma esfera de integração de reflexão de 30 mm.
[0032] A Figura 6 mostra uma comparação entre as razões de refletância de amostras de teste e de referência, medidas com uma esfera de integração de reflexão de 30 mm: (a) razão das refletâncias a 940 nm e 830 nm; (b) razão entre as refletâncias a 1220nm e 830nm.
[0033] A Figura 7 mostra classificação de uma batelada de milho, com base em uma configuração de esfera de integração com reflexão a 250 mm: (a) razões de refletância; (b) espectros médios das placas de Petri selecionadas.
[0034] A Figura 8 mostra uma comparação das razões de refletância das amostras de milho contaminadas em níveis baixo e alto, medidas com uma esfera de integração de reflexão de 30 mm, após pré-classificação com a configuração de medição do primeiro estágio: (a) razão das refletâncias a 940nm e 830nm; (b) razão das refletâncias a 1220nm e 830nm.
[0035] Um aparelho para a detecção de micotoxinas em cereais, de acordo com uma modalidade da invenção, é mostrado na Figura 1. O aparelho mostrado na Figura 1 facilita um procedimento de medição de dois estágios. Ambos os estágios medem os espectros de absorção de luz difusa, mas usam um tipo diferente de esfera de integração. O primeiro estágio usa uma esfera de integração de reflexão maior, permitindo uma triagem rápida de uma coleção de núcleos de grão de cereal, enquanto o segundo estágio usa uma esfera de integração de reflexão menor, permitindo a medição de núcleos de grão individual. Por exemplo, a esfera de integração maior pode ter um diâmetro de 25 cm, enquanto a esfera de integração menor pode ter um diâmetro de 6 cm. Outras combinações de tamanho são, claro, possíveis.
[0036] A configuração de medição de primeiro estágio é usada para capturar pelo menos um espectro de absorção de luz difusa de uma coleção de grãos de cereal. O primeiro estágio da figura 1 consiste em uma fonte de luz supercontinuum 1, uma esfera de integração de reflexão maior 2, fibras óticas 3, 4 e um analisador de espectro 5. Uma coleção de núcleos de grão de cereal 6 pode estar posicionada dentro da esfera. Os núcleos de grão podem estar contidos em uma placa de Petri ou contidos de outro modo. O exterior da esfera 2 contém orifícios diferentes, aos quais a fonte de luz de iluminação e a fibra de detecção podem ser conectadas. Uma fonte de luz brilhante é preferível para reduzir a duração da medição, enquanto se obtém uma grande razão sinal-para-ruído. A fonte de luz usada para iluminar a amostra sob teste pode ser uma fonte supercontinuum tipo de rabicho. A luz refletida é capturada pela fibra de detecção 4. Quando nenhuma amostra está presente na esfera de integração, a luz de iluminação será quase completamente coletada pela fibra de detecção, após suas reflexões difusas sobre o revestimento refletivo dentro da esfera.
[0037] Quando uma amostra é inserida na esfera, a luz capturada será influenciada por sua absorbância e, assim, também por sua composição específica. Considerando as placas de Petri com cereal, quase toda a superfície dos núcleos de grãos é iluminada, resultando na medição de seu nível médio de contaminação, porque os espectros de refletância das áreas contaminadas tanto em nível baixo como elevado são capturados. Subsequentemente, a fibra de detecção guia a luz capturada a partir da esfera de integração para o analisador de espectro, que mede a intensidade de luz como função do comprimento de onda. O analisador de espectro pode ser um analisador de espectro de banda larga, consistindo em dois canais diferentes com arranjos de detector linear, permitindo a medição simultânea de tanto o espectro visível como NIR. O primeiro canal pode ser capaz de medir o espectro entre 200nm e 1100nm, com uma resolução de 1,4nm. O segundo canal pode ser capaz de medir o espectro entre 1000nm e 1700nm, com uma resolução de 4nm. Os espectros podem ser visualizados usando software.
[0038] Antes de cada medição, um espectro escuro e de referência pode ser capturado. O espectro de referência representa o espectro da fonte de luz e pode ser obtido enquanto medindo uma placa de Petri vazia. O espectro escuro visualiza a luz de fundo e foi obtido quando capturando o espectro sem fonte de iluminação. O espectro de reflexão de cada placa de Petri de cereal pode ser capturado múltiplas vezes, após o que o espectro médio pode ser calculado.
[0039] Com base na intensidade de luz refletida dos núcleos de grãos de cereal (Icereal), a intensidade do espectro escuro (Iescuro) e a intensidade do espectro de referência (Ireferência), a refletância, para cada comprimento de onda (À), pode ser calculada usando a seguinte fórmula:
[0040] Porque essa configuração de primeiro estágio permite a medição da contaminação cumulativa, as diferenças de reflexão entre amostras de cereais contaminadas em níveis baixo e alto são aumentadas, resultando em uma determinação precisa do contraste espectral.
[0041] A configuração de medição do segundo estágio é usada para medir a refletância de núcleos de grãos de cereal individual usando uma esfera de integração compacta. Figura 2 mostra a configuração de medição de segundo estágio de acordo com uma modalidade da invenção, que permite a investigação de núcleos de cereal individual, usando uma esfera de integração compacta 7. O aparelho compreende uma fonte de luz de banda larga espectral 8, fibras óticas 9, 10 uma lente de colimação, uma esfera de integração pequena de reflexão 7 e um analisador de espectro 11. No entanto, a amostra 12 pode agora não estar posicionada no interior da esfera, mas precisa estar posicionada na frente da abertura do orifício da amostra. Esta abertura limita a área iluminada da superfície do núcleo do grão de cereal e permite a investigação de sua contaminação localizada. O exterior da esfera de integração contém dois conectores, nos quais a fibra de iluminação e detecção pode estar conectada. Como a esfera de integração é menor do que a usada na configuração do primeiro estágio, a potência de iluminação pode ser diminuída, permitindo o uso de uma lâmpada de deutério e halogênio em vez da fonte supercontinuum de alta potência. A combinação de uma fonte de deutério e halogênio com rabicho, emitindo luz de 200nm a 2500nm, mostra um espectro mais estável do que a fonte supercontinuum e permite o estudo da região espectral de UV. A luz na extremidade da fibra de fonte de deutério e halogênio com rabicho é acoplada na fibra de iluminação, que é conectada à esfera de integração. Para minimizar a perda de luz durante este acoplamento, uma lente de colimação é afixada à fibra de iluminação, transmitindo luz de 200nm a 2500nm. Após a iluminação da amostra, toda luz refletida é capturada pela esfera de integração, permitindo uma análise quantitativa. Subsequentemente, a luz refletida é coletada pela fibra de detecção, que guia essa luz para o analisador de espectro. O mesmo analisador de espectro de dois canais como na configuração de primeiro estágio é usado, medindo o espectro de 200nm até 1700nm.
[0042] A refletância é calculada usando equação (1). Antes da medição dos núcleos de grãos de cereal, os espectros de referência e de escuro podem ser determinados. O espectro de referência, correspondendo com o espectro de fonte, pode ser medido quando posicionando um ladrilho refletor a 99,9% na abertura da esfera de integração. O espectro de escuro mede a intensidade de luz capturada pela fibra de detecção sem uma amostra no topo da esfera de integração. Após as medições de escuro e de referência, os espectros de reflexão dos núcleos de grãos de cereal individual podem ser capturados. Cada núcleo de grão de cereal pode ser iluminado em posições múltiplas. Para evitar que a luz de fundo entre na abertura da esfera, todas as medições podem ser realizadas em um ambiente escuro.
[0043] Figura 3 mostra os espectros médios de reflexão de núcleos de grãos de milho de teste e o pó de milho contaminado com DON de referência, medidos com a esfera de integração de reflexão de 250 mm: (a) espectro vis- NIR; (b) faixa de comprimento de onda NIR mostrando o maior contraste espectral entre os núcleos de grãos de milho contaminados em níveis baixo e alto.
[0044] Figura 4 mostra a diferença espectral entre as amostras de teste e de referência, medida com a esfera de integração de reflexão de 250 mm: (a) contraste entre núcleos de grãos de milho contaminados em níveis baixo e alto; (b) razão de refletâncias a 940nm e 830nm; (c) razão de refletâncias a 1220nm e 830nm.
[0045] Figura 4 mostra a razão das refletâncias a 940nm e 830nm e a razão das refletâncias a 1220nm e 830nm para visualizar o contraste espectral entre a amostra contaminada em níveis baixo e alto. Como mostrado na Figura 4a, um claro desvio entre a amostra de milho contaminada em níveis baixo e alto pode ser obtido. Além disso, quando considerando o pó de milho contaminado com DON de referência, razões de refletância muito maiores foram obtidas, notadamente, 1,004 ± 0,002 para a razão das refletâncias a 940nm e 830nm e 0,985 ± 0,004 para a razão das refletâncias a 1220nm e 830nm (Figura 4a, Figura 4b). Geralmente, pode ser observado que níveis maiores de contaminação geram maiores razões de refletância. Os núcleos de grãos de milho contaminados em nível baixo mostram um contraste maior com o pó de milho contaminado com DON do que com os núcleos de grãos de milho contaminados em nível alto, como uma consequência da contaminação homogênea maior do pó de milho.
[0046] Na próxima etapa, os espectros de reflexão de núcleos de grãos de milho individuais contaminados em níveis baixo e alto, medidos com a esfera de integração de reflexão de 30mm são investigados. Cada amostra foi iluminada em diferentes posições, permitindo monitorar as diferenças locais de contaminação. Considerando a refletância média, a batelada de milho testada e o pó de milho contaminado com DON de referência mostram novamente máximos de refletância similares na região NIR, como mostrado na Figura 5. Figura 5 mostra o espectro de reflexão média das amostras de milho de teste e de referência, medidas com a esfera de integração de reflexão de 30mm. Para avaliar a contaminação local e o contraste espectroscópico entre as amostras, as razões das refletâncias a 830nm, 940nm e 1220nm são calculadas.
[0047] Figura 6 mostra uma comparação entre as razões de refletância das amostras de teste e de referência, medidas com a esfera de integração de reflexão a 30 mm: (a) razão das refletâncias a 940 nm e 830 nm; (b) razão das refletâncias a 1220nm e 830nm.
[0048] Considerando as razões de refletância, um contraste entre as amostras contaminadas em níveis baixo e alto pode ser identificado na Figura 6. As áreas contaminadas em nível alto mostram ainda as maiores razões de refletância. No entanto, em comparação com as medições do primeiro estágio, as razões de refletância mostram uma variação muito maior e um contraste menos pronunciado. Essa variação maior é causada pela contaminação local da amostra. Um núcleo de grão de milho contaminado na maioria das vezes não mostra uma contaminação homogênea, resultando em diferentes razões medidas para vários pontos de iluminação. A razão média do pó contaminado com DON de referência, 1,002 ± 0,018 e 0,849 ± 0,062 para a razão das refletâncias a 940nm e 830nm e a razão das refletâncias a 1220nm e 830nm, respectivamente, está situada entre as razões de refletância dos núcleos de grãos de milho contaminados. Os núcleos de grãos de milho contaminados em nível alto, mostrando um nível médio de contaminação de 1388 ppb, podem mostrar localmente uma contaminação maior. Um núcleo de grão de milho contaminado em nível alto pode, por exemplo, conter uma área pequena com um nível de contaminação maior do que 1840 ppb, enquanto a outra parte do milho não está contaminada. Consequentemente, para evitar a presença de áreas de contaminação localizada em nível alto, o nível de contaminação local deve ser investigado, em vez da contaminação média do núcleo do grão de milho. Quando medindo a contaminação média de uma coleção de núcleos de grãos de milho, as áreas saudáveis no núcleo do grão de milho diminuirão o nível médio de contaminação, mesmo na presença de núcleos de grãos de milho contaminados em nível alto. Para evitar que estes núcleos de grãos de milho contaminados em nível alto entrem na cadeia de abastecimento de alimentos, uma varredura dos núcleos de grãos de milho individuais é indispensável
[0049] Para comparar quantitativamente o desempenho de ambas as configurações de medição e para avaliar a capacidade de diferenciação de ambas as razões de refletância, diferença de classes pode ser calculada. A diferença de classes (D) é uma medida para a diferença entre os valores médios (μ) de dois grupos de produtos, levando em conta o desvio padrão (o) e a quantidade de amostras medidas (N) (Downie & Health, 1970):
[0050] Quanto maior a diferença espectral entre os núcleos de grãos de milho contaminados em níveis baixo e alto, maior a diferença de classes (Tabela 1). Consequentemente, as medições com a esfera de integração de reflexão de 250 mm mostram uma diferença de classe maior do que as medições com a esfera de integração de reflexão de 30 mm. No entanto, quando considerando as razões médias de refletância, é possível observar que a esfera de integração de reflexão de 30mm também é capaz de distinguir claramente entre os níveis de contaminação com DON baixos e altos. Sua diferença de classe menor resulta de sua maior variação, causada pelos níveis variados de contaminação local. Comparando a diferença de classe das duas razões de refletâncias, pode ser observado que ambas as razões mostram um desempenho comparável. Geralmente, pode ser concluído que as refletâncias a 830nm, 940nm e 1220nm permitem diferenciar entre núcleos de grãos de milho contaminados com DON em níveis baixo e alto. Tabela 1: Diferença de classe das duas razões de refletâncias, para ambas as configurações de medição.
[0051] Para validar a capacidade de classificação das configurações de medição de refletância difusa descritas acima, o método da presente invenção foi usado para classificar uma batelada de milho contaminado em uma subamostra contaminada em níveis baixo e alto. Para obter uma classificação eficiente, os requerentes primeiro realizaram uma pré- classificação aproximada com a configuração de medição do primeiro estágio. Especificamente, os requerentes mediram 50 placas de Petri de milho, cada uma consistindo em 15 núcleos de grãos de milho, com a esfera de integração de reflexão de 250mm e calcularam suas razões de refletância. Figura 7 mostra a classificação da batelada de milho contaminado, com base na configuração da esfera de integração de reflexão de 250 mm: (a) razões de refletância; (b) espectros médios das placas de Petri selecionadas. As placas de Petri com as maiores razões foram classificadas como contaminadas em nível alto, aquelas com as menores razões como contaminadas em nível baixo (indicado pelo círculo preto e verde na Figura 7a). As placas de Petri com razões intermediárias não foram consideradas durante este processo de classificação, para maximizar o contraste entre as subamostras contaminadas em níveis baixo e alto obtidas. Considerando os espectros médios das placas de Petri de milho selecionadas, diferenças espectrais similares às para as amostras contaminadas em níveis baixo e alto (francesas) podem ser observadas (Figura 7b).
[0052] A seguir, os requerentes mediram os núcleos de grãos de milho individuais das placas de Petri de milho selecionadas, usando a esfera de integração de reflexão de 30 mm. Estudando as razões de refletância medidas, as maiores razões correspondem aos núcleos de grãos de milho das placas de Petri selecionadas contaminadas em nível alto. Figura 8 mostra uma comparação das razões de refletância das amostras de milho contaminadas em níveis baixo e alto, medidas com a esfera de integração de reflexão de 30 mm, após pré-classificação com a configuração de medição do primeiro estágio: (a) razão das refletâncias a 940nm e 830nm; (b) razão das refletâncias a 1220nm e 830nm. Além disso, como com as medições anteriores na batelada de milho de teste, as duas razões de refletância mostram um desempenho de classificação similar. No entanto, uma grande variação nas razões de refletância das placas de Petri de milho contaminadas em níveis baixo e alto é observada. Quando a configuração de medição do primeiro estágio mostra uma razão de refletância elevada, isso indica a presença de um ou mais núcleos de grãos de milho contaminados em nível alto. Porque que a esfera de integração de reflexão de 250 mm mede a refletância média das placas de Petri de milho, ainda diferentes núcleos de grãos de milho saudáveis ou com contaminação em nível baixo podem estar presentes nas placas de Petri classificadas como contaminadas em nível alto. Além disso, também, nas placas de Petri de contaminadas em nível baixo, a presença de áreas localizadas contaminadas em nível alto é ainda possível, desde que elas não afetem de modo significante o espectro óptico médio. Consequentemente, isso enfatiza a importância de uma segunda etapa de classificação, com base nas medições da contaminação local.
[0053] Para obter uma subamostra final contaminada em níveis baixo e alto da batelada de milho contaminado, os requerentes classificaram os núcleos de grãos de milho das placas de Petri de milho selecionadas com base em suas razões de refletância localizadas. Considerando as placas de Petri selecionadas contaminadas em nível alto, o núcleo de grão de milho foi classificado como contaminado em nível alto quando pelo menos um ponto de iluminação apresentou uma razão de refletância extremamente alta (acima de 1,03 para a razão das refletâncias a 940nm e 830nm ou acima de 0,80 para a razão das refletâncias a 1220nm e 830nm) ou quando três ou mais pontos de iluminação mostraram uma razão de refletância alta (acima de 1,00 para a razão das refletâncias a 940nm e 830nm ou acima de 0,75 para a razão das refletâncias a 1220nm e 830nm). Os núcleos de grãos de milho foram considerados como contaminados em nível baixo se todos os cinco pontos de medição derem uma razão de refletância baixa (abaixo de 0,99 para a razão das refletâncias a 940nm e 830nm ou abaixo de 0,70 para a razão das refletâncias a 1220nm e 830nm). Após a aplicação desta técnica de classificação, duas subamostras de 100g cada foram obtidas, que foram quimicamente analisadas por CODA-CERVA, o Laboratório de Referência da Bélgica para Micotoxinas. As análises de LC-MS/MS realizadas indicaram uma contaminação com DON de 18184ppb para a subamostra contaminada em nível alto, enquanto uma contaminação com DON de 654 ppb foi obtida para a amostra com contaminada em nível baixo. Como um resultado, esses níveis de contaminação validam a técnica de classificação da invenção, com base nos valores de refletância a 830nm, 940nm e 1220nm.
[0054] O método da presente invenção foi testado em uma amostra de cereal contaminado naturalmente em níveis baixo e alto, com uma concentração com DON conhecida a priori de 150ppb e 1388ppb, respectivamente. Estudando os espectros de refletância, um contraste óptico entre 700nm e 1400nm pode ser observado para ambos os estágios de medição. Com base nas refletâncias a 830nm, 940nm e 1220nm, um critério de detecção ótica pode ser definido. Este critério de detecção foi validado, primeiro, pela medição de um pó de milho contaminado com DON de referência. Depois, ele foi usado para dividir com sucesso uma batelada contaminada, com uma concentração de DON desconhecida a priori, em uma subamostra contaminada em níveis baixo e alto, as subsequentes análises químicas da mesma indicando uma concentração de DON de 645ppb e 18184ppb, respectivamente. Como o critério de detecção usa linhas de laser disponíveis comercialmente, este resultado abre o caminho para uma detecção ótica à base de laser ultrarrápida, utilizável imediatamente após a colheita, sem pré-processamento ou moagem do cereal.
[0055] Os resultados das medições acima indicam claramente o uso de espectroscopia de refletância difusa como uma técnica de detecção promissora para a identificação de DON em núcleos de grãos de milho. Além disso, a disponibilidade comercial das linhas de laser NIR, filtros ópticos e detectores sensíveis permitem sua integração em sistemas práticos. Em contraste com as análises químicas atuais à base de amostras, a técnica de classificação ótica da presente invenção provê uma alternativa ultrarrápida e não destrutiva, que não requer qualquer pré-processamento ou moagem do cereal.
[0056] Pelo nível médio de contaminação de uma coleção de núcleos de grãos de milho oferecer frequentemente uma interpretação errada dos níveis de contaminação localizados, uma triagem localizada de núcleos de grãos de milho individuais é benéfica.
[0057] As palavras “compreende/compreendendo” e as palavras “tendo/incluindo”, quando usadas aqui com referência à presente invenção, são usadas para especificar a presença de características, números inteiros, etapas ou componentes declarados, mas não exclui a presença ou adição de uma ou mais de outras características, números inteiros, etapas, componentes ou grupos dos mesmos.
[0058] É reconhecido que certas características da invenção, que são, para maior clareza, descritas no contexto de modalidade separadas, também podem ser providas em combinação em uma única modalidade. Inversamente, várias características da invenção que são, por brevidade, descritas no contexto de uma única modalidade, podem também ser providas separadamente ou em qualquer subcombinação apropriada.
Claims (13)
1. Método para detectar a presença de micotoxinas em cereais, o método caracterizado pelo fato de que compreende: capturar pelo menos um espectro de absorção de luz difusa de uma coleção de grãos de cereal não processados usando uma esfera de integração; capturar pelo menos um espectro de absorção de luz difusa de um grão de cereal individual da coleção de grãos de cereal não processados usando uma esfera de integração; e classificar o nível de contaminação por micotoxinas em um grão de cereal individual por realização da análise de dados multivariados no pelo menos um espectro de absorção de luz difusa da coleção de grãos de cereal e no pelo menos um espectro de absorção de luz difusa do grão de cereal individual.
2. Método de acordo com a reivindicação 1, caracterizado pelo fato de que a etapa de capturar pelo menos um espectro de absorção de luz difusa de um grão de cereal individual compreende capturar espectros múltiplos de absorção de luz difusa por iluminação de regiões múltiplas do grão de cereal.
3. Método de acordo com a reivindicação 1 ou 2, caracterizado pelo fato de que a etapa de classificar o nível de contaminação por micotoxinas no grão de cereal individual compreende calcular a razão entre a refletância em um primeiro comprimento de onda selecionado e a refletância em um segundo comprimento de onda selecionado; e classificar o nível de contaminação por micotoxinas no grão de cereal individual com base na razão calculada.
4. Método de acordo com a reivindicação 3, caracterizado pelo fato de que os comprimentos de onda selecionados estão na região de comprimento de onda de 700nm a 1500nm.
5. Método de acordo com a reivindicação 1 ou 2, caracterizado pelo fato de que a etapa de classificar o nível de contaminação por micotoxinas no grão de cereal individual usa técnicas quimiométricas.
6. Método de acordo com a reivindicação 1 ou 2, caracterizado pelo fato de que a etapa de classificar o nível de contaminação por micotoxinas no grão de cereal individual compreende comparar pelo menos um espectro capturado com um espectro de um grão não contaminado e identificar diferenças entre os espectros.
7. Método de acordo com a reivindicação 6, caracterizado pelo fato de que compreende adicionalmente obter o espectro de um grão não contaminado de uma base de dados de espectros de grão.
8. Método de acordo com a reivindicação 7, caracterizado pelo fato de que compreende adicionalmente identificar o tipo de cereal da coleção de grãos de cereal por comparação de pelo menos um espectro capturado com uma pluralidade de espectros de amostra na base de dados para encontrar o melhor ajuste.
9. Método de acordo com qualquer uma das reivindicações 1 a 8, caracterizado pelo fato de que compreende adicionalmente calcular um espectro médio de absorção de luz difusa de uma coleção de grãos de cereal se múltiplos espectros de absorção de luz difusa forem capturados e em que a etapa de classificar o nível de contaminação por micotoxinas em um grão de cereal individual compreende realizar análise de dados multivariados em um espectro médio.
10. Método de acordo com qualquer uma das reivindicações 1 a 8, caracterizado pelo fato de que compreende adicionalmente calcular um espectro médio de absorção de luz difusa de um grão de cereal individual se múltiplos espectros de absorção de luz difusa do grão de cereal forem capturados e em que a etapa de classificar o nível de contaminação por micotoxina em um grão de cereal individual compreende realizar análise de dados multivariados em um espectro médio.
11. Aparelho para detectar a presença de micotoxinas em cereais, caracterizado pelo fato de que compreende: meio (2, 4, 5) para capturar pelo menos um espectro de absorção de luz difusa de uma coleção de grãos de cereal não processados, em que os meios para capturar um espectro de absorção de luz difusa compreendem uma esfera de integração; meio (7, 10, 11) para capturar pelo menos um espectro de absorção de luz difusa de um grão de cereal individual da coleção de grãos de cereal não processados, em que os meios para capturar um espectro de absorção de luz difusa compreendem uma esfera de integração; e meio para classificar o nível de contaminação por micotoxinas em um grão de cereal individual por realização da análise de dados multivariados no pelo menos um espectro de absorção de luz difusa da coleção de grãos de cereal e no pelo menos um espectro de absorção de luz difusa do grão de cereal individual.
12. Aparelho de acordo com a reivindicação 11, caracterizado pelo fato de que o meio para capturar pelo menos um espectro de absorção de luz difusa do grão de cereal individual compreende uma esfera de integração (7) que é menor do que a usada para capturar cada espectro de absorção de luz difusa da coleção de grãos de cereal.
13. Meio legível por computador, caracterizado pelo fato de que contém instruções de programa que, quando executadas por um processador, levam o aparelho como definido nas reivindicações 11 a 12 a realizar o método como definido em qualquer uma das reivindicações 1 a 10.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP16157206.0 | 2016-02-24 | ||
EP16157206.0A EP3211400B1 (en) | 2016-02-24 | 2016-02-24 | A method and apparatus for the detection of the presence of mycotoxins in cereals |
PCT/EP2017/054227 WO2017144608A1 (en) | 2016-02-24 | 2017-02-23 | A method and apparatus for the detection of the presence of mycotoxins in cereals |
Publications (2)
Publication Number | Publication Date |
---|---|
BR112018017343A2 BR112018017343A2 (pt) | 2018-12-26 |
BR112018017343B1 true BR112018017343B1 (pt) | 2023-03-14 |
Family
ID=55443119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
BR112018017343-6A BR112018017343B1 (pt) | 2016-02-24 | 2017-02-23 | Método e aparelho para detectar a presença de micotoxinas em cereais, e, meio legível por computador. |
Country Status (9)
Country | Link |
---|---|
US (1) | US10429295B2 (pt) |
EP (1) | EP3211400B1 (pt) |
JP (1) | JP6832947B2 (pt) |
CN (1) | CN109073546B (pt) |
AU (1) | AU2017222946B2 (pt) |
BR (1) | BR112018017343B1 (pt) |
CA (1) | CA3015575C (pt) |
RU (1) | RU2721896C2 (pt) |
WO (1) | WO2017144608A1 (pt) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019149997A1 (en) * | 2018-01-30 | 2019-08-08 | Grainsense Oy | A method for calibrating an integrating cavity |
CN111103245B (zh) * | 2020-02-13 | 2023-09-19 | 北华航天工业学院 | 一种基于光谱技术玉米霉变的快速检测方法 |
CN111474335A (zh) * | 2020-03-10 | 2020-07-31 | 安徽科杰粮保仓储设备有限公司 | 一种基于免疫传感器下的粮食真菌毒素在线检测方法及装置 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06229913A (ja) * | 1993-02-03 | 1994-08-19 | Shizuoka Seiki Co Ltd | 穀物等の成分含有量測定方法 |
JPH07260682A (ja) * | 1995-03-07 | 1995-10-13 | Iseki & Co Ltd | 穀物品質測定方法 |
DE19957493C2 (de) * | 1999-11-22 | 2001-09-20 | Ufz Leipzighalle Gmbh | Verfahren zur Identitätsprüfung von 13C-Harnstoff |
US6865408B1 (en) * | 2001-04-11 | 2005-03-08 | Inlight Solutions, Inc. | System for non-invasive measurement of glucose in humans |
AU2006352467A1 (en) * | 2006-01-13 | 2007-07-19 | Bernard Douet | Method and device for determining the condition of biological material, in particular foodstuffs |
US7671985B1 (en) * | 2006-03-13 | 2010-03-02 | Milan Milosevic | Device for small spot analysis using fiber optic interfaced spectrometers |
CN101655462B (zh) * | 2009-09-11 | 2011-08-10 | 中国科学院地理科学与资源研究所 | 水质信息获取装置、水体富营养化程度识别方法及系统 |
GB201100279D0 (en) * | 2011-01-10 | 2011-02-23 | Murwillumbah Mfg | Spectral analysis apparatus and method |
JP2015040818A (ja) * | 2013-08-23 | 2015-03-02 | 住友電気工業株式会社 | 穀物分類方法及び穀物分類装置 |
CN103575694A (zh) * | 2013-11-11 | 2014-02-12 | 东北农业大学 | 一种基于近红外光谱技术的稻谷黄曲霉毒素b1 快速检测方法 |
CN204373777U (zh) * | 2014-07-24 | 2015-06-03 | 旺矽科技股份有限公司 | 光性量测装置 |
CN204008454U (zh) * | 2014-08-08 | 2014-12-10 | 东北农业大学 | 用于检测贮藏稻谷中霉菌指标的便携式近红外光谱分析仪 |
CN104713849A (zh) * | 2015-03-31 | 2015-06-17 | 云南同创检测技术股份有限公司 | 一种基于近红外光谱分析技术的烟叶霉变的快速预测方法 |
CN105158201A (zh) * | 2015-07-27 | 2015-12-16 | 南京财经大学 | 一种基于ft-nir技术的糙米中黄曲霉毒素含量的快速检测方法 |
CN105021535B (zh) * | 2015-08-07 | 2018-06-29 | 中南林业科技大学 | 一种稻谷脂肪酸含量无损检测方法及系统 |
-
2016
- 2016-02-24 EP EP16157206.0A patent/EP3211400B1/en active Active
-
2017
- 2017-02-23 AU AU2017222946A patent/AU2017222946B2/en active Active
- 2017-02-23 BR BR112018017343-6A patent/BR112018017343B1/pt active IP Right Grant
- 2017-02-23 US US16/079,488 patent/US10429295B2/en active Active
- 2017-02-23 CA CA3015575A patent/CA3015575C/en active Active
- 2017-02-23 JP JP2018545160A patent/JP6832947B2/ja active Active
- 2017-02-23 WO PCT/EP2017/054227 patent/WO2017144608A1/en active Application Filing
- 2017-02-23 CN CN201780023903.3A patent/CN109073546B/zh active Active
- 2017-02-23 RU RU2018130827A patent/RU2721896C2/ru active
Also Published As
Publication number | Publication date |
---|---|
CA3015575A1 (en) | 2017-08-31 |
RU2018130827A3 (pt) | 2020-03-26 |
EP3211400A1 (en) | 2017-08-30 |
CN109073546A (zh) | 2018-12-21 |
CN109073546B (zh) | 2022-08-02 |
EP3211400B1 (en) | 2020-07-22 |
US10429295B2 (en) | 2019-10-01 |
AU2017222946A1 (en) | 2018-09-13 |
BR112018017343A2 (pt) | 2018-12-26 |
RU2721896C2 (ru) | 2020-05-25 |
US20190056319A1 (en) | 2019-02-21 |
AU2017222946B2 (en) | 2022-03-17 |
JP2019510968A (ja) | 2019-04-18 |
CA3015575C (en) | 2020-12-15 |
JP6832947B2 (ja) | 2021-02-24 |
RU2018130827A (ru) | 2020-03-25 |
WO2017144608A1 (en) | 2017-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US5258825A (en) | Optical compositional analyzer apparatus and method for detection of ash in wheat and milled wheat products | |
Wu et al. | Determination of toxigenic fungi and aflatoxins in nuts and dried fruits using imaging and spectroscopic techniques | |
US6847447B2 (en) | Apparatus and method and techniques for measuring and correlating characteristics of fruit with visible/near infra-red spectrum | |
US8563934B2 (en) | Method and detection system for detection of aflatoxin in corn with fluorescence spectra | |
Magwaza et al. | Evaluation of Fourier transform-NIR spectroscopy for integrated external and internal quality assessment of Valencia oranges | |
Armstrong | Rapid single-kernel NIR measurement of grain and oil-seed attributes | |
Hossain et al. | Near-and mid-infrared spectroscopy as efficient tools for detection of fungal and mycotoxin contamination in agricultural commodities | |
US7663738B2 (en) | Method for automatically detecting factors that disturb analysis by a photometer | |
AU2001245710A1 (en) | Apparatus and method for measuring and correlating characteristics of fruit with visible/near infra-red spectrum | |
WO2001069191A1 (en) | Apparatus and method for measuring and correlating characteristics of fruit with visible/near infra-red spectrum | |
BR112018017343B1 (pt) | Método e aparelho para detectar a presença de micotoxinas em cereais, e, meio legível por computador. | |
Nielsen et al. | Development of nondestructive screening methods for single kernel characterization of wheat | |
Smeesters et al. | Non-destructive detection of mycotoxins in maize kernels using diffuse reflectance spectroscopy | |
Wang et al. | Determining vitreous subclasses of hard red spring wheat using visible/near‐infrared spectroscopy | |
Fant et al. | Grey-scale intensity as a potential measurement for degree of rice milling | |
Dowell | Effect of NaOH on visible wavelength spectra of single wheat kernels and color classification efficiency | |
Liu et al. | UV/visible/near-infrared reflectance models for the rapid and non-destructive prediction and classification of cotton color and physical indices | |
Armstrong et al. | Prediction of kernel density of corn using single-kernel near infrared spectroscopy | |
Delwiche et al. | Damage and quality assessment in wheat by NIR hyperspectral imaging | |
JP4201237B2 (ja) | 血卵検査装置 | |
Wu et al. | Detection of aflatoxin B1 in pistachio kernels using visible/near-infrared hyperspectral imaging | |
Shahin et al. | Development of multispectral imaging systems for quality evaluation of cereal grains and grain products | |
Reita et al. | An evaluating technique for variety compatibility of fruit applied to a near infrared Brix calibration system: a case study using Brix calibration for nectarines | |
CN106706556A (zh) | 一种基于平面漫反射的便携式近红外检测装置及方法 | |
Rupenyan et al. | Machine vision combined with near-infrared spectroscopy to guarantee food safety |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
B350 | Update of information on the portal [chapter 15.35 patent gazette] | ||
B06W | Patent application suspended after preliminary examination (for patents with searches from other patent authorities) chapter 6.23 patent gazette] | ||
B09A | Decision: intention to grant [chapter 9.1 patent gazette] | ||
B16A | Patent or certificate of addition of invention granted [chapter 16.1 patent gazette] |
Free format text: PRAZO DE VALIDADE: 20 (VINTE) ANOS CONTADOS A PARTIR DE 23/02/2017, OBSERVADAS AS CONDICOES LEGAIS |