• EN
  • ES


Noticeboard


Viernes 20 de julio de 2018

Weekly Tip ISFOOD: Clasificación de tubérculos de patata de acuerdo a su aptitud para la transformación industrial mediante imágenes hiperespectrales

Por Grupo Mecatrónica Agraria

En los últimos años se ha producido un aumento considerable en el empleo de dispositivos de adquisición de imágenes hiperespectrales en el ámbito agroalimentario debido principalmente a su potencial para identificar presencia de daños en los productos, clasificarlos en base a diferentes parámetros como origen, variedad, etc y localizar compuestos químicos, de manera no destructiva.

Dentro de las diversas aplicaciones de estos equipos, en un estudio realizado por el grupo de investigación Mecatrónica Agraria, perteneciente al IS-FOOD, se han centrado en su utilización en combinación con diversos análisis quimiométricos para la discriminación de la aptitud para cocción/fritura de diferentes variedades de patatas. La elección de este alimento reside en el hecho de que representa uno de los principales cultivos alimenticios a nivel mundial y de que, además, se distinguen variedades con una aptitud culinaria determinada.

Para esta clasificación se emplearon tubérculos de patata de 20 variedades diferentes: 11 variedades clasificadas como de aptitud industrial para cocido y 9 variedades con aptitud industrial para frito; cosechadas en octubre de 2016. Se utilizaron 4 patatas por variedad, sumando un total de 80 tubérculos. Las patatas fueron suministradas por el Instituto Vasco de Investigación y Desarrollo Agrario (NEIKER-Tecnalia), y enviadas al Departamento de Proyectos e Ingeniería Rural de la Univerisdad Pública de Navarra (UPNA), donde se mantuvieron refrigeradas a 10 °C hasta la realización de los análisis posteriores. Se empleó como material vegetal rodajas de patata de 1 cm de espesor. Se emplearon dos rodajas por tubérculo, sumando un total de 160 muestras.

La adquisición de las imágenes hiperespectrales se llevó a cabo en el Laboratorio de Imagen de la Escuela Técnica Superior de Ingenieros Agrónomos (ETSIA). Las muestras de patata se escanearon con un equipo de imagen compuesto por los siguientes elementos: un sistema hiperespectral (sensible en el rango 900-1700 nm), con detector InGaAs de resolución 320 x 256 píxeles, acoplado a un espectrógrafo ImSpector N17E, una plataforma móvil, una fuente de iluminación y un ordenador (figura 1).

Figura 1: Sistema hiperespectral empleado para la adquisición de imágenes de rodajas de patata.

Este sistema de adquisición de imagen se trata de un método de escaneado lineal o pushbroom, ya que registra línea a línea la imagen a lo largo de la muestra. Su funcionamiento se basa en lo siguiente: el haz de luz reflejada, procedente de la línea de muestra escaneada, es dirigida a través de la lente hacia la abertura de entrada del espectrógrafo. Aquí se dispersa en las diferentes longitudes de onda del rango espectral medido y se proyecta en el detector de la cámara formando una imagen bidimensional; una dimensión representa el eje espectral (λ), y la otra una dimensión espacial (x) de la línea escaneada. Moviendo la muestra línea tras línea a través de la zona de escaneo se consigue la segunda dimensión espacial (y), y tras juntar las imágenes bidimensionales generadas del escaneo completo de la muestra se obtiene la imagen hiperespectral tridimensional (y, x, λ) (Figura 2) donde cada pixel se corresponde a un espectro completo de reflectancia (Figura 3). En este caso se utilizó una plataforma móvil de activación manual por sistema hidráulico para mover la muestra a velocidad constante a través de la zona de escaneo.

Fig.2 Fig.3

Figura 2: Representación de una imagen tridimensional de una muestra

Figura 3: Espectros de reflectancia de una muestra

Una vez tomadas las imágenes, se procesaron los datos y se realizó tanto un análisis kNN (k-Vecinos más cercanos) como un análisis discriminante por mínimos cuadrados parciales (PLS-DA). Ambos se desarrollaron utilizando el software de análisis quimiométricos multivariante, PLS_Toolbox dentro del entorno MATLAB y se evaluaron en base al porcentaje de muestras correctamente clasificadas. Previamente se aplicaron diversas combinaciones de tratamientos de pre-procesado: Suavizado, un proceso de normalización ponderada (Variable Normalizada Estandar, SNV), una derivación de los datos empleando el método de Savitzky-Golay y un proceso de eliminación de los valores medios (centrado medio). Además, previo a la realización de los análisis se dividió la información creando 2 grupos: el 70% de la información, compuesta por las muestras de calibración u entrenamiento, con las que se elaboró el modelo de análisis discriminante; y por otro lado el 30% restante de la información, compuesta por las muestras de prueba, con la que se comprobó la eficacia del modelo para clasificar muestras nuevas.

Como conclusión general, cabe destacar que se han obtenido claros indicios de que kNN es una herramienta discriminante útil de la aptitud industrial de los tubérculos, llegando a más de un 80% de aciertos en la clasificación; PLS-DA, por su parte, arrojó índices más bajos de clasificación (65% de muestras correctamente clasificadas).

Este trabajo ha sido presentado con éxito en el 10th World Potato Congress-XXVIII Congreso de la Asociación Latinoamericana de la pata celebrado en Perú del 27 al 31 de Mayo de 2018.



Research Institutes
Jeronimo de Ayanz Building
Public University of Navarre
Campus de Arrosadia 31006 - Pamplona
Tel. +34 948 169512
Contacto por email