À la pointe de l’innovation avec le proche infrarouge

Qualité entrante variable, qualité sortante constante L’enjeu fondamental de la manutention des grains n’a jamais été aussi évident, car l’industrie s’efforce de garantir des livraisons conformes aux spécifications tout en tirant le meilleur parti de l’approvisionnement en grains menacé par des conditions météorologiques extrêmes et des évènements géopolitiques permanents. 

Introduite dans les années 1980, l’analyse proche infrarouge s’est révélée de plus en plus précieuse pour l’activité de manutention des grains. Lors du choix du paiement à la livraison, du mélange selon les spécifications du client, du chargement sur le site de transport, de la réception pour la mouture ou le maltage et de la commercialisation sur les marchés mondiaux des matières premières, la facilité d'utilisation et la fiabilité de l'analyse proche infrarouge a permis aux professionnels concernés de fournir des produits de meilleure qualité à partir de la même quantité finie de céréales provenant du champ. 

Alors, qu’est-ce qui a fait de l’analyse proche infrarouge des céréales un outil aussi puissant que devons-nous examiner lorsque nous décidons d’opérations analytiques pour l’avenir ? 

Regarder à l’intérieur du grain : l’évolution de la transmission proche infrarouge

Le visage changeant de l'analyse des céréales proche infrarouge observé grâce à l’analyseur de céréales bien connu Infratec™.

La collecte de données pose les bases d’un éventail croissant d’applications.
Les analyseurs de céréales basés sur la transmission proche infrarouge ont d’abord été utilisés pour le blé, le maïs, l’orge, le soja et le riz pour déterminer la teneur en humidité, en protéines et en huile. 

Les approbations ont rapidement suivi : par exemple, par des organisations telles que le Federal Grain Inspection Service (États-Unis). En parallèle, le développement d’un plus grand nombre de modèles d’applications a pris de l’ampleur. Notez que les modèles sont souvent appelés étalonnages et désormais « packs analytiques » en ce qui concerne les solutions FOSS.

En termes simples, un modèle d’application convertit le spectre mesuré par l’instrumentation en une valeur utilisable par l’utilisateur final.  Un aspect essentiel de ce travail consiste à disposer de suffisamment de données et d’une gamme suffisamment variée de données pour créer un modèle d’application valide capable de gérer les variations naturelles des caractéristiques des échantillons de céréales dans différentes régions et saisons de récolte. Le monde est un endroit extrêmement vaste lorsqu’il s’agit de cultiver des céréales et les saisons de croissance continuent de surprendre avec des événements météorologiques toujours plus extrêmes. En bref, plus il y a de données qui peuvent être intégrées dans un modèle, mieux c’est pour décrire avec précision les nombreuses variations que nous pouvons attendre d’un seul échantillon de grains. 

En 1996, une forme puissante de modélisation d’application, nommée modèles de réseaux neuronaux artificiels (ANN), a été mise en place pour gérer la gamme et la complexité des données. Les modèles ANN ont contribué à la stabilité des performances, quelles que soient les conditions météorologiques et les zones géographiques. Ces performances ont été démontrées par des années d'essais circulaires par rapport aux résultats des laboratoires de référence. Aujourd’hui, les modèles de données bien établis pour les instruments Infratec de dernière génération contiennent pas moins de 50 000 échantillons, soit plus de 35 ans de variations saisonnières. La gamme d’applications continue de s’étendre comme le montre ce tableau rabattable : 

Ensemble des instruments hautes performances
Alors que la stabilité et la gamme d’instruments individuels ont évolué, de nombreux gestionnaires de céréales ont constaté qu’en reliant les instruments analytiques dans les réseaux céréaliers, ils pouvaient collecter des données précieuses à partir de plusieurs analyseurs en un seul endroit. Un peu plus tard, un logiciel de mise en réseau a été développé. Il a permis non seulement aux manutentionnaires de récolter des données, mais également de configurer à distance les instruments. Par exemple, lorsque des mises à jour des modèles d’application étaient disponibles pour s’adapter à la dernière période de croissance, elles pouvaient être déployées vers plusieurs instruments en une seule fois à partir d’un seul ordinateur. 

Quiconque ayant assuré la surveillance de plusieurs instruments sans une connectivité de ce type en témoignera : maintenir toutes ces unités sous contrôle et à jour, spécialement sur différents sites, peut constituer une tâche chronophage. On peut affirmer sans se tromper que la possibilité d'effectuer cette tâche en une fois depuis un poste a permis d'économiser des milliers d'heures de travail.

La fiabilité est la somme de nombreux facteurs  
En phase avec le développement des réseaux, la fiabilité des résultats d'un instrument à l'autre s'est également largement améliorée à la fin des années 1990. Cela nous amène à un concept final de « besoin de savoir », appelé transférabilité. 

Cette notion traduit le fait que les mesures effectuées avec différents instruments sur le même échantillon donnent des résultats identiques. Un indicateur de transférabilité permet donc aux utilisateurs de l’équipement d’analyse proche infrarouge de comprendre la fiabilité des mesures apparaissant sur les écrans des instruments utilisés dans toute la structure. 

La transférabilité est affectée par des facteurs liés à l’instrumentation et au modèle d’application.

La répétabilité et la précision des mesures ainsi que des comparaisons d'un instrument à l'autre sont importantes. Au niveau du modèle d’application, les variables peuvent inclure des facteurs tels que le nombre et la source des mesures proche infrarouge utilisées pour créer le modèle, sans oublier le nombre de tests de référence et l’erreur potentielle entre ces derniers. 

Le modèle d’application établit une « prédiction » du résultat sur la base des données utilisées dans le modèle. Le terme « erreur type dans la prévision » (SEP) est donc utilisé pour résumer l’erreur potentielle par rapport aux résultats de référence déterminés par les propriétés chimiques réelles de l’échantillon. La SEP est généralement indiquée dans les documents techniques tels que les notes d’application. Un autre outil utile de toute note d’application est un graphique montrant les résultats de l’instrument proche infrarouge par rapport aux résultats de référence correspondants pour un certain nombre d’échantillons. Cela fournit une source pour les statistiques liées aux performances, par exemple SEP, voir l'illustration 2.                   

Le thème du SEP peut facilement devenir assez détaillé, mais ce qui est essentiel pour vos opérations est que vous ayez un énoncé correct et fiable sur ce à quoi vous attendre en termes d’erreur potentielle. Imaginons par exemple que vous utilisiez plusieurs instruments sur différents sites et que vous classiez les céréales pour paiement conformément à un objectif de 10,5 % de protéines. Tout d’abord, il est important de savoir que l’instrument fonctionne bien, que la mesure est correcte et que l’erreur potentielle est faible. Deuxièmement, il est essentiel que les performances soient constantes, quel que soit l’endroit et le moment où les mesures sont effectuées. Ce n’est qu’ainsi que vous pouvez vous assurer que les tests de paiement seront fiables et dignes de confiance sur tous les sites.