La demanda de alta calidad y seguridad en los protocolos de producción de alimentos se ha incrementado exponencialmente en las últimas décadas. Las mejoras de productividad en las industrias agroalimentarias están vinculadas a obtener las propiedades organolépticas óptimas de los productos demandados por los consumidores al mismo tiempo que se reduce el desperdicio de alimentos [1]. En particular, la industria del tomate requiere el cumplimiento de altos estándares de calidad y un control preciso del proceso, donde la utilización de herramientas analíticas rápidas y precisas es más que necesaria [2].
Los análisis químicos a veces requieren mucho tiempo y son costosos y, por lo tanto, no son adecuados para mediciones continuas y en tiempo real de los parámetros de calidad en las líneas de producción de salsa de tomate. En contraste, la espectroscopia visible e infrarroja cercana (VIS-NIR) se ha presentado como una técnica rápida y no destructiva que ha ganado una amplia aceptación para el análisis de alimentos en las últimas décadas [3] [4].
Los espectros adquiridos por espectroscopia de reflectancia o transmisión en las regiones VIS (380-750 nm) y NIR (750-2500 nm) pueden proporcionar información de la composición de la muestra. Varios estudios en la literatura se han centrado en la evaluación de los parámetros de la salsa de tomate mediante espectroscopia VIS-NIR [5], como el contenido de sólidos solubles (SSC) [6], el contenido de azúcar (grados brix o ºBx) o la acidez (medición del pH) [7].
Sin embargo, extraer información relevante de los datos espectrales puede ser a veces un proceso desafiante. En particular, el espectro VIS/NIR obtenido de una muestra de alimentos puede distorsionarse debido a diversos factores interferentes, como el contenido de agua, que absorbe en gran medida la radiación NIR; baja relación señal-ruido; dispersión de la luz; ruido instrumental; y heterogeneidades en la muestra. Aquí, la utilización de técnicas avanzadas de análisis y métodos de clasificación, como el análisis de componentes principales (PCA), el análisis discriminante lineal (LDA) y las redes neuronales artificiales (RNA), respectivamente, han demostrado ser herramientas útiles en estos casos [8].
La investigación actual se ha centrado en la clasificación de las salsas de tomate en función del contenido de grasa (aceite). El primer paso consistió en obtener un gran conjunto de datos de muestras de salsa de tomate con diferente contenido de aceite utilizando una configuración de transmisión óptica típica que comprende una fuente de luz halógena TAKHI, dos espectrómetros (VIS-NIR ) y una sonda de reflexión VIS-NIR de fibra óptica conectada a un soporte de cubeta (ver Figura 1).
El conjunto de datos obtenido se procesa previamente utilizando técnicas PCA y LDA. PCA es una técnica de reducción de dimensiones utilizada para simplificar la información en un conjunto de datos mientras se preserva la mayor variabilidad posible en los datos. Los PCA también se utilizan como algoritmos no supervisados altamente eficientes para reducir la dimensionalidad de los datos multidimensionales que exhiben un alto nivel de correlación. PCA se empleó aquí para visualizar muestras agrupadas en función del contenido de aceite utilizando solo tres variables (ver Figura 2).
A diferencia de PCA, LDA se centra en maximizar la separación entre categorías conocidas en la variable objetivo, en lugar de encontrar nuevos ejes que maximicen la variación en el conjunto de datos. Los LDA de la figura 3 revelan que los datos se pueden separar en clases. Tanto el análisis de PCD como el de LDA revelan la buena calidad de los datos obtenidos para llevar a cabo el proceso de clasificación ANN.
Se utilizaron modelos ANN con conjuntos de datos preprocesados para predecir el contenido de aceite en la salsa de tomate, tanto para muestras VIS como NIR. Las muestras de salsa de tomate sin contenido de aceite (0%) se clasificaron con una precisión del 100%. En particular, la precisión de clasificación de la salsa de tomate con menor contenido (0%, 1%, 2% y 3%) es mejor (superior al 70%) que la clasificación de la salsa de tomate con alto contenido de aceite.
Uno de los retos futuros de este trabajo es aplicar esta metodología a salsas de tomate con composición diversa a través de la utilización de RNA más complejas, así como una mayor investigación con otros parámetros de salsa de tomate, como ºBx o pH.
En general, los hallazgos presentados aquí sugieren que la combinación de espectroscopia óptica en las regiones VIS-NIR y ANN puede ser una herramienta valiosa para la clasificación de salsa de tomate u otros fluidos en función del % de contenido de aceite u otros parámetros.
Bibliografía
[2] ‘UNE 34087:1974 Salsas de tomate. Norma de calidad.