Abstract Maize (Zea mays L.) is of socioeconomic importance as an essential food for human and animal nutrition. However, cereals are susceptible to attack by mycotoxin-producing fungi, which can damage health. The methods most commonly used to detect and quantify mycotoxins are expensive and time-consuming. Therefore, alternative non-destructive methods are required urgently. The present study aimed to use near-infrared spectroscopy with hyperspectral imaging (NIR-HSI) and multivariate image analysis to develop a rapid and accurate method for quantifying fumonisins in whole grains of six naturally contaminated maize cultivars. Fifty-eight samples, each containing 40 grains, were subjected to NIR-HSI. These were subsequently divided into calibration (38 samples) and prediction sets (20 samples) based on the multispectral data obtained. The averaged spectra were subjected to various pre-processing techniques (standard normal variate (SNV), first derivative, or second derivative). The most effective pre-treatment performed on the spectra was SNV. Partial least squares (PLS) models were developed to quantify the fumonisin content. The final model presented a correlation coefficient (R2) of 0.98 and root mean square error of calibration (RMSEC) of 508 µg.kg-1 for the calibration set, an R2 of 0.95 and root mean square error of prediction (RMSEP) of 508 µg.kg-1 for the test validation set and a ratio of performance to deviation of 4.7. It was concluded that NIR-HSI with partial least square regression is a rapid, effective, and non-destructive method to determine the fumonisin content in whole maize grains. Zea L. L nutrition However mycotoxinproducing mycotoxin producing fungi health timeconsuming. timeconsuming time consuming. consuming time-consuming Therefore nondestructive non destructive urgently nearinfrared near infrared NIRHSI NIR HSI (NIR-HSI cultivars Fiftyeight Fifty eight samples 4 NIRHSI. HSI. 38 (3 20 (2 obtained preprocessing pre processing standard SNV, SNV , (SNV) derivative derivative. . derivative) pretreatment treatment PLS (PLS R (R2 098 0 98 0.9 RMSEC (RMSEC 50 µg.kg1 µgkg1 µgkg µg.kg 1 µg kg µg.kg- 095 95 RMSEP (RMSEP 47 7 4.7 3 ( 2 (SNV (R 09 9 0. 5 kg1 4.
Resumo O milho (Zea mays L.) possui importância socioeconômica por constituir um dos alimentos básicos na nutrição humana e animal. Porém, o cereal é suscetível ao ataque de fungos produtores de micotoxinas que podem causar danos à saúde. Os métodos mais utilizados para detectar e quantificar micotoxinas são caros e demorados e métodos alternativos para a detecção das micotoxinas são uma necessidade. O presente trabalho tem como objetivo utilizar espectroscopia no infravermelho próximo com imagem hiperespectral (NIR-HSI) e análise multivariada de imagens para desenvolver um método rápido e preciso para quantificação de fumonisinas em grãos inteiros de seis cultivares de milho naturalmente contaminadas. Cinquenta e oito amostras, cada uma contendo 40 grãos, foram submetidas ao NIR-HSI e posteriormente divididas em um conjunto de calibração (38 amostras) e um conjunto de predição (20 amostras) com base nos dados multiespectrais obtidos. Os espectros médios foram submetidos a diversas técnicas de pré-processamento (variação normal padrão – SNV, primeira derivada ou segunda derivada). O melhor pré-processamento dos espectros foi SNV e um modelo de mínimos quadrados parciais (PLS) foi desenvolvido para quantificar o teor de fumonisinas. O modelo final apresentou coeficiente de correlação (R2) de 0,98 e raiz quadrada do erro médio quadrático de calibração (RMSEC) de 508 µg.kg-1 para o conjunto de calibração, R2 de 0,95 e raiz quadrada do erro médio quadrático de predição (RMSEP) de 508 µg.kg-1 para o conjunto de validação do teste e relação desempenho/desvio de 4,7. Conclui-se que o NIR-HSI com regressão parcial de mínimos quadrados pode ser um método rápido, eficaz e não destrutivo para determinar o teor de fumonisinas em grãos integrais de milho. Zea L. L animal Porém saúde necessidade NIRHSI NIR HSI (NIR-HSI contaminadas amostras 4 38 (3 20 (2 obtidos préprocessamento pré processamento variação derivada. . derivada) PLS (PLS R (R2 098 0 98 0,9 RMSEC (RMSEC 50 µg.kg1 µgkg1 µgkg µg.kg 1 µg kg µg.kg- 095 95 RMSEP (RMSEP desempenhodesvio desempenho desvio 47 7 4,7 Concluise Conclui se 3 ( 2 (R 09 9 0, 5 kg1 4,