เทคโนโลยีเนียร์อินฟราเรดสเปกโทรสโกปีสำหรับผลผลิตเกษตรและอาหาร
รศ.ดร.ปานมนัส ศิริสมบูรณ์(www.nirsresearch.com)
สเปกตรัมของตัวอย่างที่วัดได้ด้วยเครื่องเนียร์อินฟราเรดสเปกโตรมิเตอร์ สามารถนำมาใช้เลยหรืออาจมีการจัดการทางคณิตศาสตร์ต่อสเปกตรัม (Spectrum pretreatment) ก่อน ซึ่งมีหลายวิธีด้วยวัตถุประสงค์ต่างๆกัน เช่น ทำสเปกตรัมที่มีสัญญาณรบกวนให้เรียบขึ้น โดยใช้วิธีหาค่าเฉลี่ยของช่วงคลื่นสั้นๆต่อเนื่องกัน การปรับค่าศูนย์กลางข้อมูล (Mean centering, MC) การทำอนุพันธ์ลำดับที่หนึ่ง (1st derivative, D1) เพื่อแก้ปัญหาการเลื่อนขึ้นของเส้นสเปกตรัม (Baseline shift) การทำอนุพันธ์ลำดับที่สอง (2nd derivative, D2) เพื่อแก้ปัญหาการเลื่อนขึ้นและการที่มีพีคซ้อนทับกัน(Overlapping peaks) การปรับเป็นค่ามาตรฐาน (Normalization) ทำเพื่อกำจัดความแปรปรวนจากปัจจัยที่ไม่ต้องการ การปรับแก้การกระเจิงแบบผลคูณ (Multiplicative scatter correction, MSC) เพื่อแก้ปัญหาการกระเจิงแสงที่ไม่สม่ำเสมอกันเนื่องจากปัจจัยต่างๆ เช่น ขนาดอนุภาคหรือผลที่ไม่เท่ากัน การเปลี่ยนแปลงอุณหภูมิของแหล่งแสง เป็นต้น การปรับความแปรปรวนให้เป็นมาตรฐาน (Standard normal variate, SNV) และการปรับแนวโน้ม (Detrending) ซึ่งแก้ปัญหาเช่นเดียวกับ MSC
รูปที่ 8 สเปกตรัมการดูดซับคลื่นของสาลี่ญี่ปุ่นที่อายุการเก็บเกี่ยวต่างๆกัน ในช่วง 1100-2500 nm
รูปที่ 9 สเปกตรัมการดูดซับคลื่นของมะเขือเทศที่ความสุกแก่ต่างๆกัน ในช่วง 1100-2300 nm
รูปที่ 10 สเปกตรัมการดูดซับคลื่นของส้มโอที่สแกนโดยการสะท้อน (Reflectance)
ในช่วง 600-1100 nmโดยส้มโอมีอายุการเก็บรักษาต่างๆกัน
รูปที่ 11 สเปกตรัมการดูดซับคลื่นของส้มโอที่สแกนโดยการส่องผ่าน (Transmittance)
ในช่วง 600-960 nm โดยส้มโอมีอายุการเก็บรักษาต่างๆกัน
รูปที่ 12 สเปกตรัมการดูดซับคลื่นของถั่วเหลืองฝักสด ในช่วง 600-1100 nm
เทคนิคเนียร์อินฟราเรดสเปกโทรสโกปีเป็นเทคนิคการตรวจสอบโดยไม่ทำลาย ใช้ง่าย รวดเร็ว แม่นยำ เชื่อถือได้ สามารถตรวจสอบได้ในสายการผลิต ไม่ต้องการใช้สารเคมีหรือใช้น้อย เป็นมิตรต่อสิ่งแวดล้อม เทคนิคนี้ช่วยให้สามารถวัดองค์ประกอบหรือสมบัติต่างๆของผลผลิตเกษตรและอาหารในเชิงปริมาณได้ง่ายขึ้นและเป็นวิธีไม่ทำลายตัวอย่าง สามารถจำแนกกลุ่มเนื้อสัมผัสของตัวอย่างได้อย่างรวดเร็ว ไม่จำเป็นต้องใช้คณะผู้ชิมที่ต้องการการฝึกฝนให้มีความชำนาญในการชิม แต่เทคนิคนี้ต้องอาศัยการสร้างแบบจำลองดังกล่าวมาแล้วด้วยวิธีการทางเคโมเมตริกแบบต่างๆในการวิเคราะห์เชิงปริมาณ โดยทั่วไปใช้วิธีการใช้วิธีการถดถอยเชิงเส้นพหุคูณ (Multiple linear regression, MLR) การถดถอยโดยใช้องค์ประกอบหลัก (Principle component regression, PCR) การถดถอยกำลังสองน้อยที่สุดบางส่วน (Partial least square regression, PLSR) ในการจำแนกกลุ่มเชิงคุณภาพนิยมใช้วิธีการวิเคราะห์องค์ประกอบหลัก (Principle component analysis, PCA) การวิเคราะห์การจำแนกกลุ่มเชิงเส้น (Linear discriminant analysis, LDA) การวิเคราะห์การจำแนกกลุ่มด้วยวิธี PLS (Partial least square discriminant analysis, PLS-DA) การจำแนกกลุ่มด้วยวิธี SIMCA (Soft independent modeling of class analogy) การใช้โครงข่ายใยประสาทเทียม (Artificial neural network, ANN) เป็นต้น