El análisis de infrarrojo cercano (NIR) se ha convertido en una herramienta esencial de control de calidad para los manipuladores de granos en todo el mundo. Sin embargo, ¿puede hacer más para ayudar a enfrentar desafíos sin precedentes en la calidad de los granos a lo largo de la cadena de suministro? Consulte nuestra lista de cosas que «debe saber» al considerar cualquier estrategia de prueba de granos.
Calidad variable de entrada, calidad constante de salida. El desafío fundamental de la manipulación de granos nunca ha sido más evidente, ya que la industria se esfuerza por garantizar entregas según las especificaciones mientras aprovecha al máximo los suministros de granos amenazados por condiciones climáticas extremas y eventos geopolíticos en curso.
Introducido en la década de 1980, el análisis de infrarrojo cercano ha demostrado ser cada vez más valioso para el negocio de la manipulación de granos. Al decidir el pago en la entrega, al mezclar según las especificaciones del cliente, al cargar en el transporte, al recibir para la molienda o malteado y cuando se comercializa en los mercados mundiales de productos básicos, la facilidad de uso y la confiabilidad del análisis de infrarrojo cercano han asegurado que los manipuladores de granos puedan entregar productos de mayor calidad a partir del mismo suministro finito de granos del campo.
Mirando dentro del grano: la evolución de la transmitancia de infrarrojo cercano
El infrarrojo cercano (NIR) utiliza el espectro electromagnético natural definido por longitudes de onda entre 700 nm y 2500 nm. El NIR es un método de análisis preciso y rápido que es adecuado para la determinación cuantitativa de los principales componentes en la mayoría de los tipos de productos alimenticios y agrícolas. En particular, proporciona una plataforma estable para soluciones analíticas robustas que pueden utilizarse en entornos hostiles sujetos a vibraciones, polvo y fluctuaciones en la humedad y la temperatura.
El NIR puede realizarse en transmitancia o reflectancia. En la transmitancia, se puede obtener un espectro infrarrojo al pasar luz infrarroja a través de una muestra y determinar qué fracción es absorbida por la muestra. Alternativamente, la luz puede reflejarse desde la muestra y las propiedades de absorción pueden extraerse de la luz reflejada (reflectancia).
El detalle sobre la transmitancia es relevante para el grano entero, por ejemplo, al probar parámetros como la humedad que pueden estar distribuidos de manera desigual en el grano y, por lo tanto, afectar el resultado si solo se mide la superficie. La transmitancia asegura que el grano se mida en profundidad para proporcionar suficientes datos para una medición precisa.
La recolección de datos sienta las bases para una gama creciente de aplicaciones
Las primeras aplicaciones para analizadores de granos basados en la transmitancia NIR fueron para trigo, maíz, cebada, soya y arroz para parámetros como humedad, proteína y contenido de aceite.
Las aprobaciones siguieron rápidamente, por ejemplo, por organizaciones como el Servicio Federal de Inspección de Granos (EE. UU.). Al mismo tiempo, el desarrollo de más modelos de aplicaciones se aceleró. Tenga en cuenta que los modelos a menudo se denominan calibraciones y ahora también se conocen como «paquetes de análisis» en relación con las soluciones de FOSS.
En términos simples, un modelo de aplicación convierte el espectro medido por la instrumentación en un valor utilizable para el usuario final. Un aspecto crítico de este trabajo es tener suficientes datos y una gama suficientemente variada de datos para crear un modelo de aplicación válido que pueda manejar las variaciones naturales en las características de las muestras de grano en diferentes regiones y temporadas de cosecha. El mundo es bastante grande cuando se trata de cultivar granos y las temporadas de cultivo continúan sorprendiendo con eventos climáticos cada vez más extremos. En resumen, cuantos más datos se puedan incluir en un modelo, mejor, para que podamos describir con precisión las muchas variaciones que podemos esperar encontrar en una sola muestra de grano.
En 1996, se introdujo una forma poderosa de modelado de aplicaciones llamada Modelos de Red Neuronal Artificial (ANN) para manejar la gama y complejidad de datos. Los modelos ANN han contribuido a un rendimiento altamente estable independientemente del clima y la región. Este rendimiento se ha demostrado durante años mediante pruebas de anillo contra resultados de laboratorios de referencia. Hoy en día, los modelos de datos bien establecidos para los instrumentos Infratec de última generación contienen hasta 50,000 muestras o más que representan más de 35 años de variaciones estacionales.
Productos:
Contáctenos: Ventas@scancotec.com
Fuente:
https://www.fossanalytics.com/en/news-articles/grain/in-the-know-with-near-infrared