Идентификация сортов семян сои спектральным люминесцентным методом

Оптические спектральные фотолюминесцентные методы диагностики, отличающиеся быстродействием и низкой стоимостью реализации, могут стать альтернативой имеющимся методам сортовой идентификации семян. Исследования проведены с целью разработки методики идентификации сортов семян сои спектральным люминесцентным методом. На дифракционном спектрофлуориметрическом комплексе измеряли спектральные характеристики возбуждения люминесценции семян сои 6 сортов: очень ранней спелости Пума и Саяна, ранней спелости Грея и Селена, среднеспелых Вилана и Вилана бета. По полученным зависимостям рассчитали интегральные и статистические параметры: интегральную поглощательную способность, математическое ожидание, дисперсию, асимметрию и эксцесс. Характеристики возбуждения фотолюминесценции семян сои расположены в области 330…475 нм с основными максимумами на 392 и 420 нм. Для разложения на гауссианы спектры переведены в частотную область и выполнено обратное преобразование Фурье. В результате исследований в качестве параметра идентификации сортов семян выбрана интегральная поглощательная способность в диапазоне 350…396 нм. Наиболее эффективным статистическим параметром признана асимметрия, позволяющая однозначно идентифицировать 3 сорта семян сои. Параметры гауссиан разложения: дисперсия, асимметрия и частотное математическое ожидание – могут применяться для однозначной идентификации всех исследованных сортов. Методика идентификации сортов семян сои включает в себя пробоподготовку образцов, облучение в диапазоне 330…475 нм и регистрацию приемником излучения фотолюминесцентных сигналов для получения зависимости U(λ), из которой рассчитываются параметры сортовой идентификации семян: амплитуда и дисперсия гауссиан, частотное математическое ожидание, интегральная поглощательная способность и асимметрия. Для реализации разработанной методики используются узкоспектральные светодиоды и широкоспектральный фотодиод. Характеристики фотосигналов U(λ) позволяют установить сортовую принадлежность семян. Полученные результаты могут быть использованы для создания портативного быстродействующего устройства контроля сорта в лабораторных и полевых условиях.

1. Векленко В.И., Дадашев Б.А. Производство соевого масла в мире и России // Вестник Курской государственной сельскохозяйственной академии. 2024. № 2. С. 192-197. EDN: VVCZTD

2. Li M., Zhao M., Shi J. et al. Discovery and verification of soybean sprouting selection based on quality across various origins and varieties: Varietal effects on sprouted soybean quality. Food Science & Nutrition. 2025;13:e70016. https://doi.org/10.1002/fsn3.70016

3. Лобачевский Я.П., Дорохов А.С. Цифровые технологии и роботизированные технические средства для сельского хозяйства // Сельскохозяйственные машины и технологии. 2021. Т. 15, № 4. С. 6-10. https://doi.org/10.22314/2073-7599-2021-15-4-6-10

4. Рамазанова С.А., Савиченко В.Г., Устарханова Э.Г. и др. Поиск новых SSR-локусов ДНК для создания эффективной технологии генотипирования сои // Масличные культуры. 2021. № 4 (188). С. 18-24. https://doi.org/10.25230/2412-608X-2021-4-188-18-24

5. Ториков В.Е., Шпилев Н.С., Клименков Ф.И. Использование электрофоретических методов для идентификации сортов зерновых культур // Вестник Алтайского государственного аграрного университета. 2019. № 2 (172). С. 5-12. EDN: AJATOZ

6. Смоликова Г.Н., Шаварда А.Л., Алексейчук И.В. и др. Mетаболомный подход к оценке сортовой специфичности семян Brassica napus L. // Вавиловский журнал генетики и селекции. 2015. Т. 19, № (1). С. 121-127. https://doi.org/10.18699/VJ15.015

7. Pang L., Wang Z., Mi S., Li H. Feasibility study on identifying seed variety of soybean with hyperspectral imaging and deep learning. Journal of Chemometrics. 2025;39(5):e70035. https://doi.org/10.1002/cem.70035

8. Miranda M.C.C., Aono A.H., Fagundes T.G. et al. High-throughput phenotyping and machine learning techniques in soybean breeding: Exploring the potential of aerial imaging and vegetation indices. Agronomy Journal. 2025;117(1):e70012. https://doi.org/10.1002/agj2.70012

9. Kumar A., Sahu J.K., Naik S., Suhas Dr. Lipid characterization of black soybean (Glycine max [L.] Merrill) seeds using GC-MS/HS fingerprinting. Journal of Food Processing and Preservation. 2022;46(2):e17092. https://doi.org/10.1111/jfpp.17092

10. Li H., Zhang L., Sun H. et al. Identification of soybean varieties based on hyperspectral imaging technology and one-dimensional convolutional neural network. Journal of Food Process Engineering. 2021;44(15):e13767. https://doi.org/10.1111/jfpe.13767

11. Александрова В.А., Лысенкова А.А. Идентификация сорта сои методами оптической спектроскопии // Товаровед продовольственных товаров. 2025. № 2 (247). С. 84-87. EDN: EYKZXZ

12. Xu P., Yang R., Zeng T. et al. Varietal classification of maize seeds using computer vision and machine learning techniques. Journal of Food Process Engineering. 2021;44(2):e13846. https://doi.org/10.1111/jfpe.13846

13. 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(6):e13821. https://doi.org/0.1111/jfpe.13821

14. Sharma A., Singh T., Garg N. Nondestructive identification of wheat seed variety and geographical origin using near-infrared hyperspectral imagery and deep learning. Journal of Chemometrics. 2024;38(2):e3585. https://doi.org/10.1002/cem.3585

15. Nazari L., Shaker M., Karimi A., Ropelewska E. Identification of sorghum genotypes using a machine vision system. Journal of Food Process Engineering. 2021;44(5):e13673. https://doi.org/10.1111/jfpe.13673

16. Беляков М.В. Оптические люминесцентные свойства семян сельскохозяйственных растений // Агрофизика. 2024. № 4. С. 72-78. EDN: MMYHXZ

17. 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. https://doi.org/10.1016/j.jqsrt.2014.06.007

18. Matveeva T.A., Sarimov R.M., Persidskaya O.K. et al. Application of fluorescence spectroscopy for early detection of fungal infection of winter wheat grains. AgriEngineering. 2024;6(3):3137-3158. EDN: JEGUAV

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

20. Беляков М.В., Лысенкова А.А. Сортовые особенности фотолюминесценции сои // Вестник российской сельскохозяйственной науки. 2025. № 2. С. 12-16. https://doi.org/10.31857/S2500208225020032