Desarrollo de Sistema Informático para La Determinación de Adulteración Por Almidón en Queso Fresco Basado en La Tecnología de Imágenes Hiperespectrales

PROYECTO CONTRATO 220
-2013-FINCyT-IA
DESARROLLO DE SISTEMA INFORMTICO PARA LA
DETERMINACIN DE ADULTERACIN POR ALMIDN
EN QUESO FRESCO BASADO EN LA TECNOLOGA DE
IMGENES HIPERESPECTRALES
M.Sc. Wilson Manuel Castro

Silupu
INTRODUCCIN
La seguridad alimentaria es reconocida como una parte integral de
la calidad alimentaria y puede ser afectada, en cualquier etapa de
la produccin y/o manipulacin de los alimentos, con acciones
como la adulteracin de alimentos.
Esta es una accin intencional para degradar la calidad, antes,
durante o despus del proceso de produccin; bien sea por una
mezcla, sustitucin o la eliminacin de algunos componentes del
alimento.
INTRODUCCIN
http://www.la-leche.es/2010/01/28/nuevo-escandalo-sobre-la-adulteracion-de-lamozzarella/
3
INTRODUCCIN
En la industria lctea la adulteracin con harinas es una
problemtica comn; en la leche fresca se adiciona harina para
enmascarar la adicin de agua y en quesos tipo fresco y
mantecoso. Esto pone en evidencia la necesidad de nuevos
mtodos y procedimientos de deteccin para asegurar la calidad
de los productos lcteos.
https://www.facua.org/es/noticia
.php?Id=1185
INTRODUCCIN
Las
tcnicas
pticas,
no
destructivas,
las
imgenes
hiperespectrales (HSI) estn siendo utilizadas actualmente en el

control de la calidad alimentaria
Figure 1.Representacion grfica de una imagen hiperespectral
INTRODUCCIN
En la industria lctea, la aplicacin de imgenes hiperespectrales
est
dirigida
la
monitorizacin
de
procesos,
el
anlisis
composicional, la prediccin de concentraciones de componentes, y

en general al control de la calidad y seguridad alimentaria.
En esta investigacin se desarrollo un mtodo para evaluar la
adulteracin de queso fresco con harina de maz, utilizando
imgenes hiperespectrales.
MATERIALES
Se utiliz leche fresca de vacas Yrsey de la estacin ganadera
experimental Chachapoyas de la Universidad Nacional Toribio
Rodrguez
de
Mendoza
de
Chachapoyas
(UNTRM),
cuya
caracterstica se muestra Tabla

en 1la
Tablade1;
Caracterizacin
la leche utilizada
Parmetro
pH leche
Grasa (%)
Extracto seco magro (%)
Protena (%)
Lactosa (%)
Densidad (g/cm3)
Punto de congelacin (C)
Minerales (%)
Acidez (Grados Dornic)
Valor
6.625
3.855
9.71
3.65
5.09
1.0312
-0.516
0.66
16
harina de maz adquirida en un mercado local y caracterizada

mediante espectrofotometra NIR (SpectraStar 2500 XL-R, Unity
Scientific) siendo el contenido de almidn de 78.06 % (p/p) y 7
METODOLOGA
La metodologa utilizada en este trabajo se dividi en los siguientes
pasos:
a) Desarrollo de sistema
b) Adulteracin de muestras de queso fresco, durante el proceso de
produccin, con harina de maz
c) Adquisicin de imgenes hiperespectrales
d) Construccin de modelos PLSR
e) Aplicacin de modelos de prediccin a imgenes hiperespectrales
de nuevas muestras
a implementacin del sistema se inicia por el hardware
Figura 2. Elementos fsicos del sistema de adquisicin de imgenes hiperespectrales a) cubierta exterior b)
plataforma de muestra c) sistema de iluminacin d) cmara y espectrgrafo e) torre f) computador g) fuente de
alimentacin
Figura 3. Vistas de la cmara, y espectrgrafo sistema de iluminacin y plataforma de muestra
10
Posteriormente procedemos a implementar el software; aunque
existen algunos, estos no cubren las necesidades particulares de
cada caso.
Software
Tabla 2. Softwares empleados para el procesamiento de imgenes hiperespectrales
Desarrollador
Aplicacin principal
Fuentes
Reduccin de dimensionalidad
Desarrollo de programas de
anlisis
Desarrollo de modelos.
Visualizacin de imgenes.
Mishra y col. (2016)

Barbedo, Tibola, y Fernandes (2015)
Everard, Kim, y Lee (2014)
Seleccin de ROIs.
Visualizacin de imgenes
hiperespectrales.
Fernandes y col. (2015)

Zhang y col. (2015)
Matlab
The Math-Works Inc., Natick
ENVI
Visualizing
Images,
desarrollado por Research
Systems Inc.
Unscrambler
CAMO Software
Desarrollo de modelos
Deng, Xu, Li, Li, y He (2013)

Zhang, Liu, He, y Gong (2013)
JMP
SAS Institute Inc.
Simko, Jimenez-Berni, y Furbank

(2015)
Rud, Shoshany, y Alchanatis (2013)
Development Core Team
Abdel-Rahman y col. (2014)
11
Por tanto se disea y desarrolla el software a medida
Figura 4. Etapas del trabajo

Fuente: Adaptado de Fairley (2011)
12
b) Adulteracin de muestras de queso fresco, con harina de maz
La relacin harina / leche se expresa en g/L
Figura 5. diagrama de flujo para la preparacin de muestras
13
c) Adquisicin de imgenes hiperespectrales

d) Construccin de modelos PLSR
e)
Aplicacin
de
modelos
de
prediccin
imgenes
hiperespectrales de nuevas muestras

Estos pasos se realizaron utilizando el sistema implementado
en el paso a) y siguen el rbol de decisiones mostrado en la
siguiente figura.
14
Figura 6. Descripcin esquemtica del procedimiento experimental
15
RESULTADOS
Figura 8. Arquitectura del sistema
Figura 9. Detalle del subsistema desarrollado
Figura 7. Niveles en el diseo de un software

Fuente: Adaptado de McConnell, 2004)
Figura 10. Descripcin del software en base a su estructura en

mdulos
16
RESULTADOS
Figura 11. Modulo deteccin de adulteracin de

queso fresco por harina de maz
Figura 7. Niveles en el diseo de un software

Fuente: Adaptado de McConnell, 2004)
Implementacin en
script de Matlab
2010 a
17
RESULTADOS
Figura 12. Barra de herramientas de la aplicacin Hyper_1: a) Area b) Spectra

c) Line
18
RESULTADOS
Figura 13. Principales ventanas de la aplicacin informtica a)

ventana principal b) ventana de entrenamiento c) ventana de
opciones del sistema
19
RESULTADOS
b) Adulteracin de muestras de queso fresco, con harina de maz
Tabla 3. Datos de la caracterizacin de muestras
20
RESULTADOS
c)
Adquisicin
de
imgenes
hiperespectrales
Figura 14 a) imagen RGB b) imagen de intensidad a 480 nm c) imagen de

ROI circular
Figura 15. Extraccin de informacin espectral en la ROI
21
RESULTADOS
c)
Adquisicin
de
imgenes
hiperespectrales
Figura 16. Perfiles espectrales promedio de los diferentes

tratamientos
22
RESULTADOS
23
RESULTADOS
d) Desarrollo de modelos PLSR
Figura 17 Estructura del modelo PLSR
Figura 18 Beta coeficientes del modelo

PLSR
24
RESULTADOS
d) Desarrollo de modelos PLSR
Figura 19. Ajuste del modelo PLSR reducido

25
26
RESULTADOS
e) Aplicacin de modelos
Figura 20. Imgenes RGB de una repeticin de cada

tratamiento
27
RESULTADOS
Figura 21. Imgenes de intensidad a 540 nm

28
RESULTADOS
Figura 22. Imgenes en escala de grises con reas

anmalas eliminadas
29
RESULTADOS
Figura 23. Imgenes quimiomtricas de una repeticin de cada

tratamiento
30
CONCLUSIONES
Se ha mostrado que la aplicacin de la tcnica de imgenes
hiperespectrales al anlisis de la adulteracin por harina de
maz en queso fresco permite detectar la presencia de dicho
adulterante; en base a la relacin entre la reflactancia y el
contenido de almidn en muestras de queso fresco.
Los modelo para predecir el contenido de almidn mediante la
tcnica PLSR contaron con coeficientes de correlacin (R 2) de
0.9313 y 0.998 para el modelo completo y modelo reducido
respectivamente;
por
tanto
se
propone
como
mejor
la
prediccin por la mayor robustez del mismo.

31

Desarrollo de Sistema Informático para La Determinación de Adulteración Por Almidón en Queso Fresco Basado en La Tecnología de Imágenes Hiperespectrales

Încărcat de

Informații document

Descriere originală:

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Desarrollo de Sistema Informático para La Determinación de Adulteración Por Almidón en Queso Fresco Basado en La Tecnología de Imágenes Hiperespectrales

Încărcat de

Drepturi de autor:

Formate disponibile

PROYECTO CONTRATO 220

M.Sc. Wilson Manuel Castro

hiperespectrales (HSI) estn siendo utilizadas actualmente en el

Figure 1.Representacion grfica de una imagen hiperespectral

composicional, la prediccin de concentraciones de componentes, y

caracterstica se muestra Tabla

harina de maz adquirida en un mercado local y caracterizada

a implementacin del sistema se inicia por el hardware

Figura 3. Vistas de la cmara, y espectrgrafo sistema de iluminacin y plataforma de muestra

Tabla 2. Softwares empleados para el procesamiento de imgenes hiperespectrales

Mishra y col. (2016)

Fernandes y col. (2015)

The Math-Works Inc., Natick

Deng, Xu, Li, Li, y He (2013)

SAS Institute Inc.

Simko, Jimenez-Berni, y Furbank

Development Core Team

Abdel-Rahman y col. (2014)

Figura 4. Etapas del trabajo

b) Adulteracin de muestras de queso fresco, con harina de maz

La relacin harina / leche se expresa en g/L

Figura 5. diagrama de flujo para la preparacin de muestras

c) Adquisicin de imgenes hiperespectrales

hiperespectrales de nuevas muestras

Figura 6. Descripcin esquemtica del procedimiento experimental

Figura 8. Arquitectura del sistema

Figura 9. Detalle del subsistema desarrollado

Figura 7. Niveles en el diseo de un software

Figura 10. Descripcin del software en base a su estructura en

Figura 11. Modulo deteccin de adulteracin de

Figura 7. Niveles en el diseo de un software

Figura 12. Barra de herramientas de la aplicacin Hyper_1: a) Area b) Spectra

Figura 13. Principales ventanas de la aplicacin informtica a)

Figura 14 a) imagen RGB b) imagen de intensidad a 480 nm c) imagen de

Figura 15. Extraccin de informacin espectral en la ROI

Figura 16. Perfiles espectrales promedio de los diferentes

Figura 6. Descripcin esquemtica del procedimiento experimental

Figura 17 Estructura del modelo PLSR

Figura 18 Beta coeficientes del modelo

Figura 19. Ajuste del modelo PLSR reducido

Figura 6. Descripcin esquemtica del procedimiento experimental

Figura 20. Imgenes RGB de una repeticin de cada

Figura 21. Imgenes de intensidad a 540 nm

Figura 22. Imgenes en escala de grises con reas

Figura 23. Imgenes quimiomtricas de una repeticin de cada

prediccin por la mayor robustez del mismo.

S-ar putea să vă placă și