Capteur

Rapports scientifiques volume 13, Numéro d'article : 5686 (2023) Citer cet article

352 accès

Détails des métriques

Compte tenu du fait que le transport des grains peut s'effectuer sur de longues distances et que la masse de grains pendant le transport présente souvent une forte teneur en humidité, il peut y avoir des risques de transfert de chaleur et d'humidité et d'échauffement de la masse de grains, prouvant des pertes quanti-qualitatives . Ainsi, cette étude visait à valider une méthode avec système de sonde pour le suivi en temps réel de la température, de l'humidité relative et du dioxyde de carbone dans la masse de grains de maïs pendant le transport et le stockage pour détecter les pertes précoces de matière sèche et prédire les changements possibles sur la qualité physique du grain. . L'équipement consistait en un microcontrôleur, le matériel du système, des capteurs numériques pour détecter la température de l'air et l'humidité relative, un capteur infrarouge non destructif pour détecter la concentration de CO2. Le système de surveillance en temps réel a déterminé de manière précoce et satisfaisante de manière indirecte les changements de la qualité physique des grains confirmant par les analyses physiques de la conductivité électrique et de la germination. L'équipement de surveillance en temps réel et l'application de l'apprentissage automatique ont été efficaces pour prédire la perte de matière sèche, en raison de la teneur élevée en humidité à l'équilibre et de la respiration de la masse de grains sur la période de 2 h. Tous les modèles d'apprentissage automatique, à l'exception de la machine à vecteurs de support, ont obtenu des résultats satisfaisants, égalant l'analyse de régression linéaire multiple.

Despite the high corn grain production, it is verified that there are great losses in the post-harvest stages due to the precarious transport, facilities, and handling of the grain receiving, drying, and storage operations. During grain transportation, it is estimated that there are losses of 0.25% per ton of grain transported. (2019)" href="/articles/s41598-023-32684-4#ref-CR1" id="ref-link-section-d184319839e407"> 1. Les pertes dans le transport routier se produisent en raison du mauvais état des routes, de la vitesse des véhicules, des carrosseries de camion détériorées, entre autres2. De plus, une fois les grains récoltés, ils restent biologiquement actifs et peuvent, selon les conditions dans lesquelles ils se trouvent, déclencher plusieurs réactions métaboliques entraînant des pertes à la fois quantitatives et qualitatives3.

Parmi les facteurs influençant la qualité du grain après la récolte figurent la teneur élevée en humidité du grain, la température et l'humidité relative intergranulaire4,5. L'élévation de ces paramètres peut augmenter la respiration et l'activité métabolique du grain, entraînant des détériorations de la qualité physicochimique du grain et de la consommation de matière sèche, la prolifération d'insectes et une infection fongique dans la masse du grain6,7.

Compte tenu du fait que le transport des céréales s'effectue souvent sur de longues distances et que la masse de céréales transportée peut avoir une teneur en humidité supérieure aux conditions optimales de stockage, les risques de transfert d'humidité et de chaleur pendant le transport sont élevés, entraînant un échauffement éventuel de la masse de céréales8, 9,10.

Ainsi, pour éviter ces problèmes de transport et d'éventuels facteurs potentiels d'altérations dans les processus post-récolte suivants, il est important d'effectuer un suivi en temps réel de la température et de l'humidité relative de l'air intergranulaire afin d'estimer l'humidité d'équilibre, ainsi que pour surveiller les niveaux de dioxyde de carbone et l'intensité respiratoire de la masse de grains au cours du transport11,12. À partir de ces informations, il est possible de détecter précocement et de prévoir les changements dans la qualité du grain13.

Plusieurs études sur les pertes post-récolte quantitatives et qualitatives ont été réalisées7,10. Cependant, il existe peu d'études traitant des pertes qualitatives dues à l'activité métabolique dans le processus de transport en tant qu'influence possible pour le déclenchement et l'intensification des pertes au cours des opérations post-récolte ultérieures.

Ainsi, la surveillance en temps réel de la masse de grains de maïs pendant le transport et l'utilisation d'algorithmes prédictifs pourraient aider à la détection précoce et à la prédiction d'éventuelles pertes quantitatives et qualitatives de grains de maïs. Ainsi, cette étude visait à valider un système technologique non destructif de surveillance en temps réel de la température, de l'humidité relative et du dioxyde de carbone dans la masse de grains de maïs pendant le transport et le stockage en fonction de différentes teneurs en humidité initiales, afin de détecter les pertes précoces. de matière sèche à l'aide d'algorithmes d'apprentissage automatique et prédire les changements possibles dans la qualité physique des grains.

Pour le suivi de la masse de grain lors du transport routier, un appareil portable a été développé14. L'appareil se compose d'un microcontrôleur Arduino Mega 2560 (modèle Mega 2560, Arduino LLC, Italie) comme noyau de contrôle. Le matériel du système comprend trois capteurs numériques pour détecter la température de l'air et l'humidité relative (modèle DHT22, Aosong Electronics, Guangzhou, Chine), un capteur infrarouge non destructif pour détecter la concentration de CO2 (modèle MHZ-14, Winsen, Chine), en temps réel modules d'horloge (modèle DS3231, bascule, Chine) et une carte micro-SD (modèle Greatzt, importation, Chine). Le schéma fonctionnel du système de commande est représenté sur la figure 1A. Les données de sortie du capteur numérique, du capteur infrarouge et des modules sont connectées aux bornes de communication E/S du microcontrôleur qui sont responsables de la communication physique, de l'intégration des composants et du calcul des données. Le schéma de connexion électrique de chaque composant via des câbles de démarrage est illustré à la Fig. 1B.

Schéma fonctionnel du système d'exploitation de surveillance (A). Connexion des composants au microcontrôleur à l'aide de câbles de démarrage (B). Partie structurelle de la sonde pour application dans la masse de grains (C), où : 1- tube en polychlorure de vinyle, 2—trous pour l'entrée d'air, 3—éléments de fixation, 4—capteurs DHT22, 5—capteur MH-Z14, 6—filetés câblage de la barre et du support, 7 - quincaillerie de l'équipement, 8 - vue interne de la sonde, 9 - sonde pour application dans la masse de grains. Organigramme de la programmation utilisée pour le fonctionnement du système de surveillance (D).

Des capteurs de température et d'humidité relative (modèle DHT22, Aosong Electronics, Guangzhou, Chine) étaient fixés aux trois extrémités d'une barre filetée et le capteur de CO2 (modèle MHZ-14, Winsen, Chine) était fixé à la partie centrale. Le module d'horloge temps réel (modèle DS3231, bascule, Chine) et la carte micro-SD (modèle Greatzt, Import, Chine) étaient emballés dans une boîte en plastique (Patola Electroplastics Ind. Com. Ltda, Brésil). La figure 1C montre la structure de l'équipement avec les capteurs disposés le long de la barre filetée et protégés par une sonde en chlorure de polyvinyle. L'équipement dispose de sa propre alimentation électrique avec trois batteries connectées en série.

Le logiciel utilisé sur la carte Arduino a été programmé en langage C++, avec la plupart des librairies fournies par la plateforme (S1). Arduino IDE (Integrated Development Environment) a été utilisé pour développer le micrologiciel embarqué pour les microcontrôleurs Atmega 2560. L'organigramme illustré à la Fig. 1D fait référence au programme de fonctionnement de l'équipement utilisé pour surveiller la masse de grain pendant le transport routier15.

Pour assurer la même condition pour les évaluations, les capteurs de température et d'humidité relative (modèle DHT22, Aosong Electronics, Guangzhou, Chine) ont été chauffés à une température de 24 °C. Avec une température initiale de 24 °C, les capteurs ont fonctionné pendant 40 min et leur mesure a été enregistrée toutes les minutes. À l'aide du capteur infrarouge (modèle MHZ-14, Winsen, Chine), l'étalonnage initial a été effectué sur l'Arduino lui-même et la concentration de CO2 a été enregistrée16.

Pour définir le diamètre du trou, les capteurs de température, d'humidité relative et de dioxyde de carbone ont été placés dans des sondes avec différents diamètres de trou (7,5, 7,0 et 6,5 mm), hauteurs de forage (470, 235 et 117,5 mm) et humidité du grain (12 et 16 mm). %). Les trous ont été percés pour permettre à l'air d'entrer et de faciliter la réponse des capteurs. Pour régler le diamètre de la sonde et la hauteur de forage les mieux adaptés, l'une des exigences était qu'ils respectent les deux teneurs en humidité analysées.

Après avoir défini le diamètre du trou et la hauteur de semis les mieux adaptés aux grains de maïs, à différentes teneurs en eau, le matériel a été validé en laboratoire. À cette fin, des capteurs de température et d'humidité relative ont été placés dans la sonde aux positions supérieure, centrale et inférieure, tandis que le capteur de dioxyde de carbone a été placé en position centrale.

Pour effectuer la surveillance des variables mentionnées ci-dessus dans la masse de grain, la sonde avec les capteurs a été placée dans une boîte construite avec un matériau en contreplaqué (dimensions 0,2 × 0,2 × 1,8 m), simulant le profil de charge de grain dans un système de transport. Les lectures des capteurs ont été prises jusqu'à ce que les valeurs de température, d'humidité relative et de concentration en dioxyde de carbone soient stabilisées.

La sonde a été construite à l'aide d'un tube en chlorure de polyvinyle de 50 mm de diamètre et de 1500 mm de hauteur, avec trois régions percées (supérieure, centrale et inférieure), avec des trous de 6,5 mm de diamètre et de 235 mm de hauteur de perçage. Le réglage du diamètre des trous et de la hauteur du forage de la sonde a été donné en fonction du temps de réponse le plus court que les capteurs avaient pour les variables mesurées (température, humidité relative et CO2) dans l'air intergranulaire. La figure 1C montre la distribution des trous en haut, au centre et en bas de la sonde.

Un tube d'échantillonnage de grains métalliques a été développé pour se coupler à la sonde (Fig. 2A). Le tube se composait de deux tubes qui se chevauchaient, avec une pointe en position basse et un bras pivotant en position haute. Cela a permis de protéger la sonde et d'augmenter la précision de la lecture des grains intergranulaires. De plus, cela a permis d'échantillonner dans les différentes couches du profil du lot de grains. Le tube contenait des ouvertures/cellules en haut, au centre et en bas sur sa longueur, comme illustré sur la figure 2B.

Tube de prélèvement de grains (A). Représentation du profil de masse de grains (positions haute, centrale et basse) et du système de surveillance (B). Représentation du système de surveillance et de transport du grain (C).

L'échantillonneur de métal et la sonde avec les capteurs se trouvaient à l'intérieur de la masse de grains. Les variables température, humidité relative et dioxyde de carbone dans la masse de grains intergranulaires ont été surveillées en temps réel à des intervalles de 1,87 s par réponse pendant 24 h, simulant les conditions de transport (Figs. 2B, C). Le remplissage de chaque chargement a été effectué avec des grains à 12 et 14 % d'humidité. Des échantillons ont été prélevés à 0, 120, 480 et 1440 min de transport aux trois positions (supérieure, centrale et inférieure) de la charge. La variation de la teneur en humidité à l'équilibre a été calculée à l'aide d'une version modifiée de l'équation de Henderson (Eq. 1)17.

où EMC—teneur en humidité à l'équilibre (°C), aw—activité de l'eau (décimal), T—température de l'air (°C), a, b, c—paramètres du maïs (a = 8,6541 × 10–5, b = 49,810, c = 1,8634).

Pour déterminer la perte de matière sèche (MLD) dans le temps, un modèle d'estimation a été utilisé concernant la concentration en CO2 (Eq. 2)18.

où LDM—perte de matière sèche (%), O2—concentration en oxygène (21%), CO2—concentration en dioxyde de carbone mesurée dans la masse du grain (%), Ɛ – porosité intergranulaire (%), P—pression atmosphérique locale (96 kPa ), Wg—masse molaire de glucose (180 kg kmol−1), ρ—masse spécifique apparente des grains (kg m−3), U—humidité des grains (décimal), R—constante dos gas perfeitos (8,314 kJ kmol− 1 K−1), T - température intergranulaire (K).

La teneur en humidité a été déterminée par séchage dans un four à circulation d'air forcé à une température de 105 ± 1 °C pendant 24 h en quatre répétitions19. La masse spécifique apparente a été obtenue en pesant une masse de grains placés dans un volume connu19. Quatre répétitions ont été réalisées pour chaque traitement. La conductivité électrique a été déterminée selon la méthodologie ISTA20. Quatre répétitions avec 50 grains pour chaque traitement ont été comptées et pesées. Les échantillons ont été placés dans des gobelets en plastique contenant 75 ml d'eau distillée et placés dans une chambre à température contrôlée à 25 ° C pendant 24 h. La conductivité électrique a été obtenue par un conductimètre et le résultat a été exprimé en µS cm-1 g-1. Le test de germination a été réalisé dans quatre unités expérimentales avec quatre sous-échantillons de 50 grains pour chaque traitement. Les grains ont été placés sur du papier germitest, qui a été trempé dans de l'eau distillée. La quantité d'eau distillée était de 2,5 fois la masse de substrat sec. Les rouleaux de papier ont été stockés dans un germoir Mangelsdorf à 25°C. Le comptage a été effectué le septième jour après le semis et les résultats ont été exprimés en pourcentage19.

Tout d'abord, une analyse en composantes principales (ACP) a été effectuée avec un regroupement k-means, qui regroupe les traitements dont les centroïdes sont les plus proches jusqu'à ce qu'il n'y ait pas de variation significative de la distance minimale de chaque observation à chacun des centroïdes. Ensuite, pour vérifier l'interrelation entre les variables et les traitements, une analyse canonique des variables (AC) a été réalisée. Cette technique est similaire à l'ACP mais permet de prendre en compte la variation résiduelle entre réplicats d'un même traitement. Par la suite, les coefficients de corrélation de Pearson ont été estimés pour vérifier l'association entre les variables dans les conditions de traitement. Un réseau de corrélation a été construit pour exprimer graphiquement les résultats. Dans cette procédure, les lignes vertes relient les variables avec une corrélation positive tandis que les lignes rouges relient les variables corrélées négativement. L'épaisseur de la ligne est proportionnelle à l'amplitude de la corrélation. Ces analyses ont été réalisées à l'aide du package ggfortify du logiciel R et ont suivi les procédures recommandées par Naldi et al.21 (Tableau 1).

Les modèles d'apprentissage automatique (ML) testés étaient : le réseau de neurones artificiels (ANN), les algorithmes d'arbre de décision M5P et REPTree, la forêt aléatoire (RF) et la machine à vecteurs de support (SVM). Une régression linéaire multiple (RV) a été utilisée comme modèle de contrôle. L'ANN testé consiste en un perceptron multicouche avec une seule couche cachée formée d'un nombre de neurones égal au nombre d'attributs plus le nombre de classes, le tout divisé par 222.

Le modèle M5P est une reconstruction de l'algorithme M5 de Quinlan, qui est basé sur l'arbre de décision conventionnel avec l'ajout d'une fonction de régression linéaire aux nœuds feuilles23. M5P est une adaptation du classificateur C4.5 qui peut être utilisé dans les problèmes de régression avec une étape d'élagage supplémentaire basée sur une stratégie de réduction des erreurs. Le modèle REPTree utilise une logique d'arbre de décision et crée plusieurs arbres à différentes répétitions. Il sélectionne ensuite le meilleur arbre en utilisant le gain d'information et effectue un élagage de réduction d'erreur comme critère de division24. Le modèle RF est capable de produire plusieurs arbres de prédiction pour le même ensemble de données et utilise un schéma de vote parmi tous ces arbres appris pour prédire de nouvelles valeurs25.

La prédiction des variables masse spécifique apparente (ASM), conductivité électrique (EC), germination (GERM) et perte de matière sèche (LDM) du maïs a été réalisée par des modèles LR et ML dans une validation croisée randomisée stratifiée dix fois avec 10 répétitions (100 passages pour chaque modèle). Les variables d'entrée étaient : la teneur en humidité du grain, le temps de surveillance, la température intergranulaire et l'humidité relative, la teneur en humidité à l'équilibre et la concentration en dioxyde de carbone. Les statistiques utilisées pour vérifier la qualité de l'ajustement étaient le coefficient de corrélation de Pearson (r) entre les valeurs observées et celles prédites par chaque modèle et l'erreur absolue moyenne (MAE) des valeurs prédites par rapport à celles observées. Les analyses d'apprentissage automatique ont été effectuées sur le logiciel Weka 3.9.4 en utilisant la configuration par défaut pour tous les modèles testés26. Toutes les analyses ont été effectuées sur un processeur Intel® CoreTM i5 avec 6 Go de RAM.

Après avoir obtenu les statistiques r et MAE, une analyse de variance a été effectuée en considérant un plan entièrement randomisé avec 10 répétitions (plis). Les moyennes ont été regroupées par le test de Scott-Knott avec une probabilité de 5 %. Des graphiques à barres ont été construits pour chaque variable (r et MAE) en tenant compte des modèles et des entrées testées. Ces analyses ont été réalisées sur le logiciel R27 en utilisant les packages ExpDes.pt et ggplot2.

Les recherches expérimentales et les études de terrain sur les plantes et le matériel végétal ont été conformes aux réglementations locales et nationales. L'étude était conforme aux directives et législations institutionnelles, nationales et internationales. Les auteurs se sont conformés à la Déclaration de principe de l'UICN sur la recherche impliquant des espèces menacées d'extinction et à la Convention sur le commerce des espèces de faune et de flore sauvages menacées d'extinction pour la collecte de spécimens de plantes ou de graines. Les auteurs déclarent qu'aucune plante sauvage n'a été collectée et/ou utilisée dans ce travail scientifque.

Les figures 3A à F montrent les courbes de température, d'humidité relative et de diffusion intergranulaire de CO2 à l'aide d'une surveillance en temps réel par des capteurs en fonction du diamètre de la sonde et de la hauteur de semis pour les grains de maïs avec des teneurs en humidité initiales de 12, 16 et 25 %. (wb). Le comportement des courbes était similaire au sein de chaque variable surveillée (tableaux 2, 3, 4). Après étalonnage des capteurs au temps zéro, on observe une diminution de la température et une augmentation de l'humidité relative et du CO2 intergranulaire, avec une tendance à la stabilisation des courbes dans le temps. Ces résultats démontrent la cohérence des variables surveillées, ainsi que la précision et la fonctionnalité du système de surveillance28.

Température et humidité relative de la masse de grains de maïs avec 12% (A), 16% (B), 25% (C) d'humidité dans un tube avec des trous de 6,5, 7,0 et 7,5 mm et des hauteurs de perçage de 117,5, 235 et 470 mm. Concentration en CO2 de la masse de grains de maïs avec 12% (D), 16% (E), 25% (F) d'humidité dans un tube avec des trous de 6,5, 7,0 et 7,5 mm et des hauteurs de perçage de 117,5, 235 et 470 mm.

Parmi les courbes, une variation des variables surveillées en fonction de la teneur en humidité initiale des grains, du diamètre et de la hauteur de forage de la sonde, et du temps de surveillance a été observée. Il y avait une différence d'environ 4 °C entre les courbes de température, 5 % d'humidité relative et 500 ppm de CO2 de la stabilisation des courbes. Les plus grandes variations de température, d'humidité relative et de CO2 se sont produites dans la masse de grains avec une teneur en humidité de 16 et 25 % tout au long de la période de surveillance. Les capteurs de température et d'humidité relative intergranulaires ont mis environ 10 minutes à se stabiliser, tandis que le capteur de CO2 a mis environ 5 minutes pour atteindre un équilibre dans le processus de diffusion. Zhang et al.5 ont évalué la concentration en CO2 en différents points de la masse de céréales stockées. Les auteurs ont constaté que la concentration de CO2 était détectée avec sensibilité à une distance horizontale de 2 m du point chaud et à 1 m du point chaud dans la direction verticale. Selon les auteurs, la méthode de détection de la concentration de CO2 à plusieurs points fixes a permis de quantifier plus précisément la détérioration des grains.

Huang et al.10 ont évalué le coefficient de diffusion efficace du dioxyde de carbone (CO2) à travers la masse de grains de maïs en vrac à des températures de 10, 20 et 30 °C et des teneurs en humidité des grains de 14,0, 18,8 et 22,2 % (wb). Les auteurs ont constaté que le taux de respiration du maïs augmentait avec l'augmentation de la température et de la teneur en humidité du grain. À mesure que le taux de respiration augmentait, il avait un effet plus important sur le schéma de diffusion lors de la mesure du coefficient de diffusion efficace du CO2. Les coefficients de diffusion effectifs du CO2 variaient de 3,10 × 10–6 à 3,93 × 10–6 m2 s−1.

Parmi les diamètres de trou et les hauteurs de forage de la sonde, nous avons constaté que 6,5 mm et 235 mm, respectivement, obtenaient le meilleur ajustement et la meilleure stabilisation des courbes de surveillance de la température, de l'humidité relative et du CO2 au fil du temps (tableaux 2, 3, 4). En général, les valeurs de R2 étaient faibles, ce qui se justifie par l'échelle d'application, qui était proche d'un état réel en volume de grain.

Après la validation de l'équipement, il a été appliqué à une analyse à échelle réelle, où un système de transport de céréales a été simulé. Dans cette expérience, les variables température, humidité relative et CO2 ont été surveillées pour déterminer la qualité physique indirecte des grains avec des teneurs en humidité de 12 et 16 % dans trois positions verticales du profil de masse des grains (supérieur, central et inférieur) sur 0 , 2, 8 et 24h.

Par la Fig. 4A, on peut voir que la masse de grains avec des teneurs en humidité à 12% a obtenu une augmentation de la température dans la couche inférieure et centrale au cours des 8 premières heures de surveillance, puis une diminution de la température jusqu'à 24 h de surveillance. Il en est autrement pour la position la plus élevée de la couche de grains, lorsqu'une diminution de la température est observée dans les premières heures (jusqu'à 10 h) et une augmentation de la température jusqu'à 24 h de surveillance. Ces résultats ont influencé l'humidité relative intergranulaire (Fig. 4B), qui était constante du début à la fin du temps de surveillance dans les positions inférieure et centrale mais a montré une oscillation avec une légère réduction après 10 h de surveillance.

Surveillance de la température (A), de l'humidité relative (B), de l'humidité d'équilibre (C), du dioxyde de carbone (D) de l'air intergranulaire dans la masse de grains de maïs à 12 % d'humidité (wb) au fil du temps.

Les résultats de température et d'humidité relative ont indiqué une condition constante de 14, 2 et 13, 9% de teneur en humidité d'équilibre de la masse de grains dans les positions inférieure et centrale, respectivement, tout au long du temps de surveillance (Fig. 4C). D'autre part, suite aux variations observées sur les Figs. 4A,B, la teneur en humidité d'équilibre des grains dans la couche supérieure est passée de 12 à 13 % en 10 h de surveillance, puis réduite à 10,4 % à 12 h, atteignant une condition de 11,2 % à la fin de la période de surveillance. Les changements observés dans l'état intergranulaire, en particulier dans la couche supérieure, ont également été influencés par la variation se produisant avec la température et l'humidité relative de l'environnement (Fig. 4A, B).

Bakhtavar et al.29 ont évalué l'adsorption d'eau sur des grains de blé, de maïs, de coton et de quinoa emballés dans des sacs hermétiques et des matériaux d'emballage traditionnels, notamment des sacs en papier, en polypropylène, en jute et en tissu, dans des environnements à 60, 70, 80 et 90 % d'humidité relative. . Les auteurs ont observé que la teneur en humidité du grain augmentait dans les matériaux d'emballage traditionnels avec l'augmentation de l'humidité relative. Selon les auteurs, le stockage des grains dans des sacs hermétiques réduit la respiration de la masse de grains et la variation de la teneur en humidité, collaborant au maintien de la teneur en eau d'équilibre des grains dans des conditions de stockage sûres.

Les résultats rapportés par Bakhtavar et al.29 correspondent aux résultats pour les couches de grains inférieures et centrales, qui ont subi moins d'influence de l'environnement extérieur. Dans ces conditions, la respiration moyenne de la masse de grain s'est avérée monter à 450 ppm au cours des 3,5 premières heures de surveillance (Fig. 4D), puis réduite à l'état initial, restant jusqu'à la fin de la période de surveillance. Les niveaux de respiration restant faibles, avec une concentration en CO2 proche de l'ambiante (420 ppm), il n'y a pas eu de consommation de matière sèche dans les grains. Dans l'évaluation de la masse de grains avec une teneur en humidité de 16 %, le même comportement des courbes de température et d'humidité relative de l'air intergranulaire dans les trois couches (supérieure, centrale et inférieure) a été vérifié, même avec des variations de l'extérieur environnement (Figs. 5A,B).

Surveillance de la température (A), de l'humidité relative (B), de l'humidité d'équilibre (C), du dioxyde de carbone (D), de la perte de matière sèche (E) de l'air intergranulaire dans la masse de grains de maïs à 16 % d'humidité (wb) sur temps.

Dans cette situation, la forte teneur en humidité (16 %) a eu une influence sur les échanges gazeux intergranulaires de l'air supérieure aux conditions extérieures (température et humidité relative). Nous avons observé que la variation de température (Fig. 5A) était similaire mais supérieure (24,5 à 26,5 ° C) à celle observée sur la Fig. 4A. Pendant ce temps, les humidités relatives dans les trois couches sont restées constantes du début à la fin du temps de surveillance (entre 80 et 90%), étant supérieures à l'environnement extérieur (entre 50 et 60%) (Fig. 5B).

Les conditions de 16 % d'humidité ont amené la masse de grains à atteindre l'humidité d'équilibre dès les premières heures de suivi, restant constante jusqu'à la fin de la période, entre 19 et 21 % dans les couches inférieure et centrale et près de 24 % dans la couche supérieure de la masse de grains (Fig. 5C). Ainsi, dans les 2 premières heures de suivi, il y a eu une respiration intense de la masse de grains, atteignant la limite de 5000 ppm de concentration en CO2 et restant constante jusqu'à la dernière période de suivi (Fig. 5D).

La respiration élevée de la masse de grains a fourni une consommation et une perte de matière sèche dans les grains (Fig. 5E) pendant les 2 premières heures de suivi. Une perte de matière sèche de 0,06 % a été estimée sur 24 h de suivi, un résultat significatif compte tenu de la courte période d'évaluation30. Jian et al.7 ont évalué les concentrations interstitielles de dioxyde de carbone et d'oxygène dans les graines de canola, de soja et de blé stockées à différents moments, teneurs en humidité et températures. Selon les auteurs, les plus grandes différences significatives dans les concentrations de CO2 ont été observées en fonction du temps de stockage et des températures de 40 °C.

Ubhi et Sadaka31 ont trouvé différents taux de respiration de la masse de grains de maïs en fonction de températures de 23, 35 et 45 °C et de 12,9, 14,8, 17,0, 18,8 et 20,7 % d'humidité initiale. Les auteurs ont vérifié que la respiration accumulée atteignait 2,625 g/kg dans des grains ayant une teneur en humidité de 18,8 % et une température moyenne de 35 °C après neuf jours de stockage. Ochandio et al.32 ont rapporté un taux de respiration des graines de soja dans un stockage hermétique à 15, 25 et 35 °C et 13, 15 et 17 % d'humidité de 0,130 à 20,272 mg CO2/(kgdms).

Coradi et al.33 ont évalué la perte de matière sèche du maïs stocké respectivement à 10 °C et 90 %, 30 °C et 40 % de température et d'humidité relative. Les auteurs ont découvert que le maïs stocké à 10 °C et 90 % présentait une contamination fongique, tandis que le grain stocké à 30 °C et 40 % présentait une perte de matière sèche et des changements physiques plus élevés pendant le temps de stockage. Taher et al.12 ont construit un modèle pour prédire les pertes dans le soja stocké dans un silo à sacs basé sur la surveillance de la concentration de CO2 et vérifié par des pertes par respiration de la masse du grain de 0,07 à 2,16 % de matière sèche. Garcia-Cela et al.34 ont évalué la respiration de grains de maïs naturellement contaminés dans différentes conditions de stockage à une activité de l'eau de 0,80 à 0,99 et à une température de 15 à 35 °C. Le taux de respiration le plus élevé s'est produit à une activité de l'eau de 0,95 et à une température entre 30 et 35 °C. Dans ces conditions, les auteurs ont constaté une perte de matière sèche plus élevée35.

Le test de conductivité électrique (Fig. 6A) a indiqué que la structure cellulaire des grains de maïs était affectée tout au long du temps de surveillance en fonction de la teneur en humidité initiale (12 et 16 %) et de la position d'évaluation (couches supérieures, centrales et inférieures) de la masse de grains. Parmi les couches, nous avons observé que les grains positionnés dans la couche supérieure (supérieure) ont subi, légèrement, les plus grands changements physiques, en accord avec les résultats obtenus à partir du suivi (température, humidité relative et CO2). Cependant, les dommages physiques les plus importants dans les grains ont été constatés à une teneur en humidité de 12 %.

Evaluation de la structure cellulaire des grains de maïs par le test de conductivité électrique (A) et par le pourcentage de germination (B) des grains de maïs à 12 et 16% d'humidité (wb) au cours du temps.

Les résultats de conductivité électrique se répercutent sur la germination des grains (Fig. 6B). Le pourcentage de grains germés était plus faible dans la position la plus élevée de la couche de grains et principalement pour les grains ayant une teneur en humidité de 12 %. L'augmentation de la température, de l'humidité relative intergranulaire, et donc de l'humidité d'équilibre, a permis d'échauffer et d'augmenter l'intensité respiratoire de la masse de grains, principalement pour les grains ayant une humidité de 16 %. Cependant, l'augmentation de l'activité métabolique des grains à 16% d'humidité (hydratés) dans les 24 h de suivi, simulant un système de transport de grains, a collaboré à l'augmentation du pourcentage de germination lorsqu'ils sont soumis au test. Il est à noter que la germination des grains n'est pas souhaitable pendant le transport. Dans ce cas, les résultats obtenus à partir de la germination sont révélateurs d'éventuels changements physiques pouvant influencer la qualité finale de la masse de grains.

Santos et al.18 ont évalué la qualité et la perte de matière sèche dans des grains de maïs stockés à différentes températures. À cette fin, des grains de maïs avec des teneurs en humidité initiales de 14,8 et 17,9 % ont été emballés dans des sacs et stockés à des températures de 15, 25 et 35 °C. Pendant 150 jours, à intervalles de 30 jours, les concentrations d'oxygène (O2) et de dioxyde de carbone (CO2) ont été mesurées et des échantillons de grains ont été prélevés pour déterminer la teneur en humidité, la masse spécifique apparente, la matière sèche, le pourcentage de germination et classement physique. En 150 jours, la perte de matière sèche des grains de maïs stockés à 14,8 % d'humidité est environ 3,5 fois inférieure à celle du produit stocké à 17,9 % d'humidité. Sur la base des résultats de germination, une limite de 0,015% de perte de matière sèche peut être considérée comme acceptable pour maintenir l'intégrité des grains.

Dans une étude réalisée par Paraginski et al.36, les auteurs ont évalué la qualité de grains de maïs stockés à des températures de 5, 15, 25 et 35 °C pendant 12 mois. Les résultats du poids de mille grains, de la germination et de la conductivité électrique ont indiqué que les plus grands changements ont été observés dans les grains stockés aux températures les plus élevées, principalement entre 25 et 35 ° C, indiquant que le temps de stockage sûr des grains dans ces conditions devrait être plus court. par rapport au stockage à basse température.

L'analyse des deux premières variables canoniques a recueilli 98,4 % de la variation totale entre les traitements pour les variables évaluées (Fig. 7A). Dans ce biplot, les traitements proches de la figure montrent une forte similarité. Les vecteurs (flèches) pointent vers les variables qui ont le plus influencé la similarité des traitements spécifiques.

Analyse des variables canoniques qualitatives des grains de maïs (A). Analyse de corrélation de Pearson des variables qualitatives des grains de maïs (B). Les lignes vertes relient les variables à une corrélation positive et les lignes rouges relient les variables corrélées négativement. L'épaisseur de la ligne est proportionnelle à l'amplitude de la corrélation.

Lors de l'analyse des quadrants, nous avons vérifié la formation de trois groupes distincts, avec des modèles clairs d'associations avec la plupart des variables évaluées. Le premier groupe a attribué les traitements 8, 10, 11, 14, 15, 16, 18, 19, 20, 22, 23 et 24 qui se sont démarqués par rapport aux variables LDM et CO2. Le second groupe regroupe les traitements 1, 2, 4, 5, 6, 7, 9, 12 avec moins de variation des variables T et EC. Le troisième groupe contenait les traitements 13, 17 et 21, qui ne se distinguaient d'aucune variable de manière spécifique. Les variables RH, EMC et G ne se sont distinguées pour aucun des traitements, en particulier.

À partir des résultats de regroupement, nous avons vérifié que les traitements avec une teneur en humidité de 16 % à la position supérieure des couches de grains et à partir du temps de surveillance de 2 h avaient la plus grande influence sur les variables, en particulier pour le dioxyde de carbone (CO2) et la perte de matière sèche. (MLD). Barreto et al.8 ont développé un modèle mathématique pour analyser la qualité des grains par concentration de CO2 en utilisant des teneurs initiales en grains de 12, 14 et 16 % (wb) et des températures de 25 °C et 40 °C. Pour les conditions de 12 % et 25 °C, la concentration de CO2 a augmenté à 4 %. Pour 16 % d'humidité à 25 °C et 40 °C, l'O2 a diminué à moins de 1 %.

L'analyse de corrélation entre les variables est illustrée sur la figure 7B. Une forte corrélation positive peut être observée entre les variables LDM × CO2, EMC × RH, RH × G et EMC × G, et une corrélation positive modérée a été montrée entre CO2 × RH, LDM × RH, CO2 × EMC, EMC × LDM et G × LDM. Cependant, entre les variables EC × G, EC × EMC, EC × RH, il y avait une forte corrélation négative, avec une corrélation négative modérée entre les variables EC × CO2. La variable T avait une faible corrélation négative avec RH, EMC, LDM, CO2 et G, et une faible corrélation positive avec EC. Les résultats observés dans l'analyse de corrélation sont cohérents avec le comportement des variables qualitatives par rapport aux facteurs de traitement établis pour le stockage du grain de maïs. Les résultats corroborent ceux obtenus par Coradi et al.37.

Il y avait des différences statistiques (valeur p < 0,01) entre les techniques d'apprentissage automatique évaluées concernant le coefficient de corrélation de Pearson (r) et l'erreur absolue moyenne (MAE) entre les valeurs observées et estimées pour toutes les variables évaluées.

Pour la masse spécifique apparente (Fig. 8A, B), les techniques ANN, LR, M5P, REPTree et RF présentaient les valeurs r les plus élevées, sans différer statistiquement les unes des autres. Quant au MAE, ces mêmes techniques, à l'exception du M5P, présentaient les moyennes les plus basses. Les techniques ANN, LR, M5P et REPTree ont présenté les moyennes r les plus élevées entre les valeurs estimées et prédites de la conductivité électrique (Fig. 9A, B). Cependant, lors de l'analyse du MAE, on observe que LR a présenté les valeurs les plus faibles.

(A) Boîte à moustaches pour le coefficient de corrélation de Pearson (r) et (B) erreur absolue moyenne (MAE) entre les valeurs observées et estimées de la masse spécifique apparente dans les grains de maïs par différents modèles d'apprentissage automatique et entrées. Les moyennes suivies de lettres égales dans la même colonne ne diffèrent pas par le test de Scott-Knott à 5 % de probabilité.

(A) Boîte à moustaches pour le coefficient de corrélation de Pearson (r) et (B) erreur absolue moyenne (MAE) entre les valeurs observées et estimées de la conductivité électrique dans les grains de maïs par différents modèles et entrées d'apprentissage automatique. Les moyennes suivies de lettres égales dans la même colonne ne diffèrent pas par le test de Scott-Knott à 5 % de probabilité.

Pour la germination (Fig. 10A, B), les techniques ANN, LR, M5P et REPTree ont présenté les valeurs r les plus élevées, sans différer statistiquement les unes des autres. Quant aux MAE, ces mêmes techniques, à l'exception des ANN, présentaient les moyennes les plus faibles. Les techniques ANN, LR, M5P, REPTree et RF ont présenté les moyennes r les plus élevées entre les valeurs estimées et prédites de la conductivité électrique (Fig. 11A, B). Ces mêmes techniques présentaient le MAE moyen le plus bas.

(A) Boîte à moustaches pour le coefficient de corrélation de Pearson (r) et (B) erreur absolue moyenne (MAE) entre les valeurs observées et estimées de la germination dans les grains de maïs par différents modèles d'apprentissage automatique et entrées. Les moyennes suivies de lettres égales dans la même colonne ne diffèrent pas par le test de Scott-Knott à 5 % de probabilité.

(A) Boîte à moustaches pour le coefficient de corrélation de Pearson (r) et (B) erreur absolue moyenne (MAE) entre les valeurs observées et estimées de la perte de matière sèche dans les grains de maïs par différents modèles d'apprentissage automatique et entrées. Les moyennes suivies de lettres égales dans la même colonne ne diffèrent pas par le test de Scott-Knott à une probabilité de 5 %.

La surveillance en temps réel de la température variable, de l'humidité relative et de la concentration en dioxyde de carbone (CO2) dans l'air intergranulaire a déterminé de manière précoce et satisfaisante de manière indirecte les changements de la qualité physique des grains pendant le transport, confirmés par les analyses physiques de l'électricité. conductivité et germination.

Au cours des deux premières heures de transport des grains de maïs dans des conditions de 16 % d'humidité dans la position supérieure du profil de la masse des grains, les changements de qualité physique les plus importants ont été subis, principalement en ce qui concerne la perte de matière sèche, en raison de la teneur élevée en humidité à l'équilibre et de la respiration du grain. masse de grains.

L'application d'algorithmes prédictifs d'apprentissage automatique a prédit les pertes quantitatives et qualitatives de grains de maïs pendant le transport. Tous les modèles d'apprentissage automatique, à l'exception de la machine à vecteurs de support, ont obtenu des résultats satisfaisants, égalant l'analyse de régression linéaire multiple.

Toutes les données générées ou analysées au cours de cette étude sont incluses dans cet article publié [et ses fichiers d'informations supplémentaires : programmation du code et faits saillants]. Les ensembles de données utilisés et/ou analysés au cours de l'étude en cours sont disponibles auprès de l'auteur correspondant sur demande raisonnable.

Conab. Suivi de la récolte céréalière brésilienne. . (2019)

Pereira, PSX et al. Pourcentage de pertes de grains de maïs dans le transport routier en fonction du poids des chargements. J. Experim. Agric. Int. 37, 1–10 (2019).

Google Scholar

Coradi, PC, Chaves, JBP, Lacerda Filho, AF & Mota, TO Qualité du grain de maïs stocké dans différentes conditions. Scientifique 42, 118-133 (2014). https://cientifica.dracena.unesp.br/index.php/cientifica/article/view/535

Article Google Scholar

Lutz, É. & Coradi, PC Applications des nouvelles technologies pour le suivi et la prédiction de la qualité des grains stockés : Capteurs, internet des objets et intelligence artificielle. Mes. 188, 110609. https://doi.org/10.1016/j.measurement.2021.110609 (2021).

Article Google Scholar

Zhang, SB, Zhai, HC, Huang, SX & Cai, JP Une méthode de détection de CO2 dirigée sur le site pour surveiller la détérioration des grains stockés par les insectes et les champignons dans les entrepôts horizontaux chinois. J. Stocké Prod. Rés. 59, 146-151. https://doi.org/10.1016/j.jspr.2014.07.002 (2014).

Article Google Scholar

Coradi, PC, Milane, LV, Camilo, LJ, Andrade, MDO & Lima, RE Qualité du grain de maïs après séchage et stockage en milieu naturel et refroidissement artificiel. Rév. Bras. Milho et Sorgo 14, 420–432. https://doi.org/10.18512/1980-6477/rbms.v14n3p420-432 (2015).

Article Google Scholar

Jian, F., Chelladurai, V., Jayas, DS, Demianyk, CJ & White, NDG Concentrations interstitielles de dioxyde de carbone et d'oxygène dans les graines de canola, de soja et de blé stockées dans diverses conditions. J. Stocké Prod. Rés. 57, 63–72. https://doi.org/10.1016/j.jspr.2013.12.002 (2014).

Article Google Scholar

Barreto, AA et al. Validation d'un modèle de transfert de chaleur, d'humidité et de concentration de gaz pour des graines de soja (Glycine max L.) stockées dans des sacs plastiques (sacs silos). Biosyst. Ing. 158, 23–37. https://doi.org/10.1016/j.biosystemseng.2017.03.009 (2017).

Article Google Scholar

Coradi, PC, Milane, LV, Camilo, LJ & Andrade, MDO Séchage et stockage de grains de maïs pour la production d'éthanol au Brésil. Biosci. J. 32, 1175–1190. https://doi.org/10.14393/BJ-v32n5a2016-32754 (2016).

Article Google Scholar

Huang, H., Danao, MG, Rausch, K. & Singh, V. Diffusion et production de dioxyde de carbone dans le maïs en vrac à différentes températures et teneur en humidité. En 2013, Kansas City, Missouri, du 21 au 24 juillet (p. 1). Société américaine des ingénieurs agricoles et biologiques (2013).https://doi.org/10.13031/aim.20131595312

Patrício, DI & Rieder, R. Vision par ordinateur et intelligence artificielle dans l'agriculture de précision pour les cultures céréalières : une revue systématique. Calcul. Électron. Agric. 153, 69–81. https://doi.org/10.1016/j.compag.2018.08.001 (2018).

Article Google Scholar

Taher, HI, Urcola, HA, Cendoya, MG & Bartosik, RE Prévision des pertes de soja à l'aide de la surveillance du dioxyde de carbone pendant le stockage dans des sacs de silo. J. Stocké Prod. Rés. 82, 1–8. https://doi.org/10.1016/j.jspr.2019.03.002 (2019).

Article Google Scholar

Besharati, B., Lak, A., Ghaffari, H., Karimi, H. & Fattahzadeh, M. Développement d'un modèle pour estimer la teneur en humidité en fonction des propriétés physiques et de la capacité des graines. Sens. Actionneurs A. 318, 112513. https://doi.org/10.1016/j.sna.2020.112513 (2021).

Article CAS Google Scholar

Jaques, LBA, Coradi, PC, Lutz, É., Teodoro, PE, Jaeger, DV et Teixeira, AL Technologie non destructive pour la surveillance et la prédiction en temps réel de la qualité du soja à l'aide de l'apprentissage automatique pour une simulation de transport en vrac. IEEE Sens. J. (2022).

Coradi, PC & Lutz, E. SmartStorage—système intelligent de surveillance de la qualité des céréales stockées. Brevet : programme informatique. Numéro d'enregistrement : BR512022000638–3, date d'enregistrement : 29/03/2022 (2022b)

Jaques, LBA et al. Système d'échantillonnage mécanique portable pour la surveillance en temps réel et la prédiction de la qualité du soja dans le transport en vrac. IEEE Trans. Instrument. Mes. 71, 1–12 (2022).

Article Google Scholar

ASAE. Société américaine des ingénieurs agricoles. Mesure de l'humidité des grains et graines non broyés. Dans : Standards, St. Joseph : ASAE, 563 (2000).

Santos, SBD, Martins, MA, Faroni, LRDA & Brito Junior, VRD Perte de matière sèche dans les grains de maïs stockés dans des sacs hermétiques. Révérend Cien. Agro. 43, 674–682. https://doi.org/10.1590/S1806-66902012000400008 (2012).

Article Google Scholar

Brésil. Ministère de l'agriculture, de l'élevage et de l'approvisionnement. Règles pour l'analyse des semences. Ministère de l'agriculture, de l'élevage et de l'approvisionnement, Département de la défense agricole, Brasilia, Mapa/ACS 399p. (2009).

ISTA. Association internationale d'essais de semences. Détermination des autres graines par nombre. Dans : Règles internationales pour les tests de semences. éd. Bassersdorf, 41-43 (2008).

Naldi, MC, Campello, RJ, Hruschka, ER & Carvalho, ACPLF Problèmes d'efficacité des k-means évolutifs. Appl. Calcul doux. 11, 1938–1952. https://doi.org/10.1016/j.asoc.2010.06.010 (2011).

Article Google Scholar

Egmont-Petersen, M., Ridder, D. & Handels, H. Traitement d'image avec réseaux de neurones - une revue. Reconnaissance de modèle. 35, 2279–2301. https://doi.org/10.1016/S0031-3203(01)00178-9 (2002).

Article ANNONCES MATH Google Scholar

Blaifi, SA, Moulahoum, S., Benkercha, R., Taghezouit, B. & Saim, A. M5P model tree based fast fuzzy maximum power point tracker. Sol. Énergie 163, 405–424. https://doi.org/10.1016/j.solener.2018.01.071 (2018).

Annonces d'article Google Scholar

Kalmegh, S. Analyse de l'algorithme d'exploration de données weka reptree, simple panier et arbre aléatoire pour la classification des nouvelles indiennes. Int. J. Innovat. Sci. Ing. Technol. 2, 438–446 (2015).

Google Scholar

Belgiu, M. & Dr ̆agu ̧t, L. Forêt aléatoire en télédétection : examen des applications et orientations futures. J. Photogramme. Sens à distance. 114, 24–31. https://doi.org/10.1016/j.isprsjprs.2016.01.011 (2016).

Annonces d'article Google Scholar

Bouckaert , RR , Frank , E. , Hall , M. , Kirkby , R. , Reutemann , P. , Seewald , A. & Scuse , D. Manuel WEKA pour la version 3–7–3. L'Université de Waikato 327 (2010).

Équipe de base R. R : Un langage et un environnement pour le calcul statistique. R Foundation for Statistical Computing, Vienne, Autriche (2018).https://www.r-project.org/

Lutz, É. et coll. Surveillance en temps réel de la teneur en humidité d'équilibre pour prédire la qualité du grain de maïs stocké dans des silos et des sacs de raphia. J. Proc. Ing. 45, e14076. https://doi.org/10.1111/jfpe.14076 (2022).

Article CAS Google Scholar

Bakhtavar, MA, Afzal, I. & Basra, SMA Isothermes d'adsorption d'humidité et qualité des graines stockées dans des matériaux d'emballage conventionnels et un Super Bag hermétique. PLoS ONE 14, e0207569. https://doi.org/10.1371/journal.pone.0207569 (2019).

Article CAS PubMed PubMed Central Google Scholar

Coradi, PC et al. Réseau prototype de capteurs sans fil et plate-forme Internet des objets pour la surveillance en temps réel de la teneur en humidité d'équilibre intergranulaire et prédire la qualité du maïs stocké dans des sacs silos. Système expert. Appl. 208, 118242. https://doi.org/10.1016/j.eswa.2022.118242 (2022).

Article Google Scholar

Ubhi, GS & Sadaka, S. Évaluation temporelle des taux de respiration du maïs à l'aide de capteurs de pression. J. Stocké Prod. Rés. 61, 39–47. https://doi.org/10.1016/j.jspr.2015.02.004 (2015).

Article Google Scholar

Ochandio, D. et al. Modélisation du taux de respiration de graines de soja (Glycine max (L.)) en stockage hermétique. J. Stocké Prod. Rés. 74, 36–45. https://doi.org/10.1016/j.jspr.2017.09.001 (2017).

Article Google Scholar

Coradi, PC, Lacerda Filho, AF, Chaves, JBP & Mota, TO Perte de matière sèche dans le maïs grain stocké dans différentes conditions et effets sur la qualité. Rév. Bras. Technol. Agroïne. 9, 1757-1770 (2015).

Google Scholar

Garcia-Cela, E. et al. Influence de l'environnement de stockage sur le grain de maïs : production de CO2, pertes de matière sèche et contamination par les aflatoxines. Additif alimentaire. Contam. 36, 175–185. https://doi.org/10.1080/19440049.2018.1556403 (2019).

Article CAS Google Scholar

Coradi, PC, Lima, RE, Alves, CZ, Teodoro, PE & Cândido, ACDS Évaluation des revêtements pour l'application dans les big bags de raphia dans le stockage conditionné des cultivars de soja dans les unités de traitement des semences. PLoS ONE 15(11), e0242522. https://doi.org/10.1371/journal.pone.0242522 (2020).

Article CAS PubMed PubMed Central Google Scholar

Paraginski, RT, Rockenbach, BA, Santos, RFD, Elias, MC & Oliveira, MD Qualité des grains de maïs stockés à différentes températures. Rév. Bras. Ing. Agric. Amb. 19, 358–363. https://doi.org/10.1590/1807-1929/agriambi.v19n4p358-363 (2015).

Article Google Scholar

Coradi, PC et al. Adaptation des emballages technologiques pour la conservation des graines de soja dans les unités de stockage comme alternative aux atmosphères modifiées. PLoS ONE 15, e0241787. https://doi.org/10.1371/journal.pone.0241787 (2020).

Article CAS PubMed PubMed Central Google Scholar

Télécharger les références

Les auteurs tiennent à remercier l'UFSM-Université fédérale de Santa Maria (Groupe de recherche sur l'innovation post-récolte : technologie, qualité et durabilité). Ce travail et les ressources et bourses de chaque organisation ont été soutenus financièrement par CAPES (Coordination de l'amélioration du personnel de l'enseignement supérieur) - Code financier 001, CNPq (Conseil national pour le développement scientifique technologique) et FAPERGS-RS (Fondation d'appui à la recherche de l'État de Rio Grande do Sul) (2019-2022).

Département de génie agricole, Centre des sciences rurales, Université fédérale de Santa Maria, Avenue Roraima, 1000, Camobi, Santa Maria, Rio Grande do Sul, 97105-900, Brésil

Camila Fontoura Nunes, Paulo Carteri Coradi & Lanes Beatriz Acosta Jaques

Département de génie agricole, Laboratoire de post-récolte (LAPOS), Campus Cachoeira do Sul, Université fédérale de Santa Maria, Autoroute Taufik Germano, 3013, Passo D'Areia, Cachoeira do Sul, Rio Grande do Sul, 96506-322, Brésil

Paulo Carteri Coradi

Département d'agronomie, Campus de Chapadão do Sul, Université fédérale du Mato Grosso do Sul, Chapadão do Sul, Mato Grosso do Sul, 79560-000, Brésil

Larissa Pereira Ribeiro Théodore & Paul Edward Théodore

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Conceptualisation, PCC, LPRT, PET, Méthodologie, CFN, LBAJ, PCC, Analyse formelle, CFN, LBAJ, PCC, LPRT, PET, Enquête, CFN, LBAJ, PCC, LPRT, PET, Conduite d'expériences sur le terrain, CFN, LBAJ, PCC , Analyse statistique CFN, LBAJ, PCC, LPRT, PET Rédaction-préparation du projet original, PCC, LPRT, PET Rédaction-révision et édition, PCC, LPRT, PET

Correspondance à Paulo Carteri Coradi.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui autorise l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Nunes, CF, Coradi, PC, Jaques, LBA et al. Capteur-câble-sonde et échantillonneur pour la détection précoce et la prédiction de la perte de matière sèche et de la qualité du grain de maïs en temps réel pendant le transport et le stockage. Sci Rep 13, 5686 (2023). https://doi.org/10.1038/s41598-023-32684-4

Télécharger la citation

Reçu : 10 janvier 2023

Accepté : 31 mars 2023

Publié: 07 avril 2023

DOI : https://doi.org/10.1038/s41598-023-32684-4

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.