Use of digital camera to assess nitrogen status of winter wheat in the Northern China Plain

The most widely used methods to assess the nitrogen (N) status of winter wheat (Triticum aestivum L.) are the determination of plant total N by combustion, the testing of nitrate in the leaf tissue and the use of SPAD readings. However, due to their labor requirements or high costs these methods can hardly be applied to the huge wheat growing areas of the Northern China Plain. This study therefore examined an alternative method to measure the N status of wheat by using a digital camera to record the visible green light reflected from the plant canopy. The experiment was conducted near Beijing in a multi-factorial field trial with three levels of N. The intensity of green light reflected from the wheat canopy was compared to the total N concentration, to the nitrate concentration of the basal stem, and to the SPAD readings of leaves. The results show significant inverse relationships between greenness intensity, canopy total N, and SPAD readings at booting and flowering. At booting, sap nitrate <2000mgL^-1 was inversely related to greenness intensity and to sap nitrate concentration in the basal stem. At sap nitrate ~2000mgL^-1, the greenness intensity reached a plateau. At booting and flowering, significant inverse relationships between greenness intensity and shoot biomass were found. The results show the potential of the new method to assess the N status of winter wheat.

Development of thermo-analytical prediction and classification models for food in thermal devices using a multi sensor system and artificial neural networks

Die thermische Verarbeitung von Lebensmitteln beeinflusst deren Qualität und ernährungsphysiologischen Eigenschaften. Im Haushalt ist die Überwachung der Temperatur innerhalb des Lebensmittels sehr schwierig. Zudem ist das Wissen über optimale Temperatur- und Zeitparameter für die verschiedenen Speisen oft unzureichend. Die optimale Steuerung der thermischen Zubereitung ist maßgeblich abhängig von der Art des Lebensmittels und der äußeren und inneren Temperatureinwirkung während des Garvorgangs. Das Ziel der Arbeiten war die Entwicklung eines automatischen Backofens, der in der Lage ist, die Art des Lebensmittels zu erkennen und die Temperatur im Inneren des Lebensmittels während des Backens zu errechnen. Die für die Temperaturberechnung benötigten Daten wurden mit mehreren Sensoren erfasst. Hierzu kam ein Infrarotthermometer, ein Infrarotabstandssensor, eine Kamera, ein Temperatursensor und ein Lambdasonde innerhalb des Ofens zum Einsatz. Ferner wurden eine Wägezelle, ein Strom- sowie Spannungs-Sensor und ein Temperatursensor außerhalb des Ofens genutzt. Die während der Aufheizphase aufgenommen Datensätze ermöglichten das Training mehrerer künstlicher neuronaler Netze, die die verschiedenen Lebensmittel in die entsprechenden Kategorien einordnen konnten, um so das optimale Backprogram auszuwählen. Zur Abschätzung der thermische Diffusivität der Nahrung, die von der Zusammensetzung (Kohlenhydrate, Fett, Protein, Wasser) abhängt, wurden mehrere künstliche neuronale Netze trainiert. Mit Ausnahme des Fettanteils der Lebensmittel konnten alle Komponenten durch verschiedene KNNs mit einem Maximum von 8 versteckten Neuronen ausreichend genau abgeschätzt werden um auf deren Grundlage die Temperatur im inneren des Lebensmittels zu berechnen. Die durchgeführte Arbeit zeigt, dass mit Hilfe verschiedenster Sensoren zur direkten beziehungsweise indirekten Messung der äußeren Eigenschaften der Lebensmittel sowie KNNs für die Kategorisierung und Abschätzung der Lebensmittelzusammensetzung die automatische Erkennung und Berechnung der inneren Temperatur von verschiedensten Lebensmitteln möglich ist.