Идентификация пищевых красителей по результатам планарной хроматографии с использованием информации о цвете красителя

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Идентификация пищевых красителей по результатам планарной хроматографии с использованием информации о цвете красителя

При производстве продуктов питания широко применяются пищевые добавки: красители, стабилизаторы, консерванты и др. [1], - так как их использование позволяет улучшить потребительские качества продукции, увеличить срок хранения, уменьшить затраты на производство. Общеизвестно, что долговременное употребление продуктов с повышенной концентрацией данных веществ приводит к различным негативным последствиям для здоровья человека: расстройству желудка, появлению новообразований пищеварительного тракта, аллергии и прочих осложнений. Именно поэтому предельно допустимая концентрация пищевых добавок жестко нормируется санитарными нормами. Задача контроля качества продуктов питания очень актуальна в настоящее время еще и потому, что на рынке присутствуют фальсифицированные продукты и просто продукты, не соответствующие санитарным нормам. В данной статье нами ставится задача исследовать подходы к идентификации пищевых красителей в продуктах питания посредством информации о цвете красителя.

Популярными методами анализа содержания пищевых красителей являются методы планарной хроматографии [2] (ПХ, хроматографии на плоскости): метод тонкослойной хроматографии и метод бумажной хроматографии. Их популярность связана с тем, что они позволяют достаточно быстро и с наименьшими материальными затратами обнаруживать достаточно малые количества вещества (0,1…0,005 мкг). Метод ПХ состоит в том, что на пластинку с нанесенным сорбентом (для бумажной хроматографии - бумага) наносят пробы разбавленной культурной жидкости и индивидуальных веществ. Край пластинки ниже стартовой линии погружают в растворитель, который, перемещаясь, разделяет смесь веществ. Пластинку сушат, компоненты смеси проявляются в виде окрашенных областей (ОО), по положению, окраске и размеру которых можно судить о качественном и количественном составе пробы (рис. 1). Известно [2], что при одних и тех же условиях проведения ПХ площадь ОО на плоскости пропорциональна концентрации красителя (количественный анализ), а также что ОО одного и того же вещества находится в одной и той же части хроматограммы (качественный). Для анализа необходимо иметь набор характеристик распределения красителей (стандартов) с известными концентрациями красителей и условиями проведения ПХ.

В настоящее время для обработки результатов ПХ разработано много инструментальных средств [3] с соответствующим программным обеспечением (ПО), однако самым доступным является обычный офисный планшетный сканер с персональным компьютером (ПК) [4]. Нужно отметить, что существующее ПО решает в большей степени задачу количественного анализа по результатам ПХ, качественному анализу отводятся вторые роли. Традиционный способ (без применения сканеров и ПК) идентификации соединений - весьма трудоемкий, длительный и менее точный процесс. Существующие поисково-информационные системы автоматического качественного анализа по базе данных характеристик веществ в хроматографии основаны на вероятностном подходе [5]. Следует отметить следующие недостатки этого подхода: наличие большой выборки данных для получения адекватного решения, а также невозможность использовать знания и опыт эксперта (аналитика). В свою очередь, аппарат нечетких множеств менее требователен к выборке данных и позволяет использовать опыт и знания эксперта при описании нечетких правил и функций принадлежности [6].

Рис.1. Проявленная хроматографическая пластинка: C1, C2, C3 - области стандартов

Главным традиционным критерием идентификации в хроматографии является индекс удерживания R_f, который характеризует положение ОО. Так, для одного и того же красителя в одних и тех же условиях (растворитель, сорбент) ОО располагается в одной и той же части (рис. 1).

где х - расстояние от точки начала проведения ПХ до центра ОО красителя (среднее арифметическое); R - расстояние от линии начала до линии окончания ПХ (выделяются пользователем).

Функция принадлежности красителя в терминах математического аппарата нечетких множеств описывается параболой, так как коэффициент R_f принадлежит нормальному распределению, а парабола - упрощенная модель нормального распределения.

где X - коэффициент R_f анализируемого красителя Coler1_i (i=1…m, где m - количество известных красителей в БД характеристик); Mx - усредненное значение R_f для данного красителя; Dx - возможное отклонение от среднего.

Тогда для окрашенной области Q_j (j=1…n, где n-количество ОО) правило идентификации красителя по индексу удерживания имеет вид

ЕСЛИ F_Rf(Rf_j, Mx_i, Dx_i), TO Q_j Coler1_i. (1)

Алгоритм идентификации построенный на основе данного правила, дает хорошие результаты. Однако одного критерия идентификации не достаточно. В ходе исследования мы столкнулись с необходимостью повышения точности идентификации красителей. Мы предлагаем использовать априорную информацию о цвете красителя.

Рассмотрим модели компьютерного представления цвета и алгоритмы сравнения цветов. Одной из наиболее распространенных моделей представления цвета является RGB-модель, в основе которой лежит воспроизведение любого цвета путем сложения трех основных цветов: красного (Red), зеленого (Green) и синего (Blue). Цветовое пространство RGВ может быть геометрически представлено в виде трёхмерного куба. Таким образом, можно отнести набор эталонных цветов красителей к пикселам изображения ОО, установив сходство или различие координат цветовых компонентов.

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Рис. 2. Кластерная идентификация цвета в RGB-пространстве

При представлении цвета в трехмерном пространстве цветовых компонентов значения цветов группируются в определенном объеме пространства RGB. Поскольку вычисляемые текущие значения цветовых компонентов представляют собой кластер, образованный локализованной в пространстве RGB совокупностью точек, то последующий анализ заключается в обнаружении и определении характеристик соответствующих кластеров в пространстве цветовых компонентов. Описанием кластера является его представление в виде экстента - габаритного прямоугольного параллелепипеда, ребра которого параллельны координатным осям пространства RGB. Количество кластеров определяется количеством цветов красителей, использующихся при производстве продуктов питания (рис. 2) [7].

Для аналитического описания характеристик цвета предложено использовать средние значения цветовых компонентов кластера M_R, M_G, M_B и среднеквадратические отклонения у_R, у_G, у_B цветовых компонентов. Для алгоритма идентификации красителя, построенного на базе аппарата нечетких множеств, функцией принадлежности компонента цвета будет функция

.

Тогда правило в терминах нечеткой логики, описывающее принадлежность пиксела C=(R, G, B) ОО к цвету красителя Coler1_i в RGB-пространстве (рис. 2), имеет вид

ECЛИ f_комп(C_R, M_Ri, у_Ri), f_комп(C_G, M_Gi, у_Gi) и f_комп(C_B, M_Bi, у_Bi), TO Coler_i.

Недостатком данного подхода к идентификации красителя является то, что при увеличении количества красителей практически одного и того же цвета точность определения падает, вычислительная точность повышается. Так, для красителей Е122 (малиновый), Е129 (красный) и Е124 (красный) области допустимых оттенков цветов в RGB-пространстве пересекаются, что приводит к неадекватности определения цвета. RGB-пространство удобно для цветового представления, но вследствие высокой взаимной корреляции между цветовыми компонентами R, G, В такое представление не подходит для задачи анализа цвета изображения. Кроме того, представление цвета в RGB-пространстве делает невозможным вычисление меры схожести двух цветов через длину цветовых векторов. Таким образом, мы видим, что использование RGB-пространства не позволяет повысить точность определения концентрации пищевых красителей.

Часто в задачах обработки цветных изображений используется цветовое пространство HSI (тон, насыщенность, интенсивность), отражающее физиологию человеческого зрения [8]. Имеется несколько вариантов HSI-систем: HSB (тон, насыщенность, яркость), HSL (тон, насыщенность, светлота) и HSV (тон, насыщенность, значение). HSI-пространство позволяет отделить цветовую информацию от яркости. Цветовая информация представляется в данном случае компонентами тона (H) и насыщенности (S). Тон определяется доминирующей длиной волны в спектральном распределении. В общем случае тон рассматривается как угол между линией отсчета и цветовой точкой в RGB-пространстве. Диапазон изменения этой величины - от 0 до 360⁰. Насыщенность - это мера чистоты цвета, обозначает количество белого цвета, смешанного с тоном.

Переход в HSI - пространство выполняется следующим образом:

Обозначим функцию перехода цвета C=(R, G, B) из RGB-пространства в HSI-пространство RGBtoHSI(C)=(H, S, I).

Для идентификации цвета красителя построим функции принадлежности компонентов тона (Н) к некоторым пищевым красителям при помощи аппарата нечетких множеств (рис. 3).

Рис. 3. Функции принадлежности компонентов тона (H) ОО к определенным красителям

пищевой краситель планарный хроматография

Функции принадлежности для компонентов тона описываются пиком по формуле

где h - значение тона (Н) пиксела; М - значение тона, при котором функция принадлежности принимает максимальное значение 1; А - левая граница пика; B - правая граница пика.

Так, для красителя E110 (желтый «солнечный закат», оранжевый) функция принадлежности имеет вид f (h, 35,50,55). Константы функции принадлежности для некоторых красителей приведены в таблице.

Константы функции принадлежности цвета f (h, A, M, B) красителей

Тогда правило идентификации пищевого красителя по изображению ОО имеет вид

ECЛИ f (RGBtoHSI(C)_Н, M_coler, A_coler, B_coler), TO Coler_i. (2)

Получено правило идентификации, позволяющее цвет ОО сравнивать с цветом стандарта красителя и находить цветовое соответствие. Результаты исследования показали, что точность автоматического определения красителей одних и тех же цветов (E122, E124, E129), визуально отличавшихся только оттенками, очень высока. Однако данный подход имеет некоторые недостатки. Приведем пример одного из негативных эффектов его использования. Для желтых красителей (Е110, Е102) при сильной яркости сканирования цвет ОО сливается с белым фоном хроматограммы, вследствие чего и наблюдается один из существенных недостатков тона. Он состоит в том, что тон имеет сингулярность вблизи оси цветового цилиндра, где незначительное изменение значений R, G, В может привести к большому скачку в трансформированных значениях компонентов HSI-пространства. В результате такого эффекта могут образовываться прерывности в представлении цвета. Значения тона рядом с сингулярностью численно нестабильны. Это ведет к тому, что пикселы, имеющие низкую насыщенность, остаются неопределёнными для областей во многих алгоритмах сегментации. Кроме того, если значение яркости находится ближе к белому или чёрному, эффективность использования компонентов тона и насыщенности при различении цвета значительно падает.

Рассмотрев модели идентификации красителей по результатам ПХ с использованием априорной информации о цвете и проанализировав их достоинства и недостатки, мы можем утверждать, что наилучший результат (при достаточно простом описании математического аппарата) дает алгоритм, построенный на основе функции принадлежности компонентов тона H (HSI - пространства) ОО к определенному красителю. Однако один лишь критерий цвета нельзя использовать в качестве критерия идентификации [2], так как на результат анализа может влиять калибровка офисного сканера (представление отсканированного цвета), множество похожих оттенков различных красителей. Использование экспертной информации о цвете [см. правило (2)] наряду с традиционным способом идентификации по коэффициенту удерживания [см. правило (1)] позволило повысить точность определения наличия красителей. Точность идентификации составила 80% (в зависимости от качества полученных результатов ПХ).

Список литературы

1. Серафимова, Л.А. Экология и безопасность. Применение пищевых добавок: энциклопедия / Л.А. Серафимова. - СПб.: ГИОРД, 2003. - 688 с.

2. Сумина, Е.Г. Тонкослойная хроматография: теоретические основы и практическое применение: учеб. пособие / Е.Г. Сумина, С.Н. Штыков, Н.В. Тюрина. - 2-е изд. - Саратов: Изд-во Сарат. ун-та, 2006. - 112 с.

3. Красиков, В.Д. Современная планарная хроматография / В.Д. Красиков // Журнал аналитической химии. - 2003. - Т. 58. - №8. - С. 792-807.

4. Jin, H. Исследование возможностей сканера для офисного использования в аналитической химии / H. Jin, L. Bing, M. Нue-hua, J. Xiao-li // J. Sichuan Univ. Eng. Sci. Ed. - 2003.-V.35. - №2. - P. 68-72.

5. Вершинин, В.И. Компьютерная идентификация органических соединении / В.И. Вершинин, Б.Г. Дерендяев, К.С. Лебедев. - М.: Академкнига, 2002.-197 с.

6. Борисов, А.Н. Использование нечеткой информации в экспертных системах / А.Н. Борисов, В.И. Глушков // Новости искусственного интеллекта. - 1991. - Вып. 3. - С. 13 - 41.

7. Телегина, М.В. Моделирование и структурно-цветовой анализ графических изображений: дис.…канд. техн. наук: 05.13.18 / М.В. Телегина. - Ижевск, 2006. - 149 с.

8. Yones, A. Color Image Profiling Using Fuzzy Sets / A. Yones, I. Truck, H. Akdag // Turk J Elec Engin. - 2005. - V.13. - №3.

Размещено на Allbest.ru