Ya hemos comentado las posibilidades que ofrece la espectroscopía de infrarrojo cercano (NIR) en la industria hortofrutícola en uno de nuestros posts previos. A continuación presentamos un caso práctico, donde se utiliza la espectroscopía de reflexión como método para diferenciar ramas de alubias verdes planas redondas (Phaseolus vulgaris) y planas (Phaseolus coccineus).
Los cuerpos extraños son cualquier objeto indeseable que se encuentra en los alimentos, desde fragmentos de metal hasta insectos. Suponen un riesgo para los consumidores y pueden dañar gravemente la reputación de una empresa, siendo una de las principales preocupaciones de las empresas del sector agroalimentario. Las máquinas de inspección por rayos X son una solución habitual para cuerpos extraños metálicos, pero se deben usar otros métodos cuando este no es el caso, y las soluciones basadas en espectroscopía o sistemas de adquisición de imágenes hiperespectrales son cada vez más populares.
En el caso que nos ocupa, se deseaba poder detectar ramas (cuerpos extraños) en dos tipos diferentes de especies de alubias verdes con las que trabaja la empresa The Real Green Food©: redondas (Phaseolus vulgaris) y planas (Phaseolus coccineus). Aunque distinguir las ramas de las alubias puede parecer una tarea sencilla, no lo es; ya que las ramas pueden tener un tamaño, forma y color similar a las alubias, especialmente después de ser cortadas en trozos en la línea de producción.
El método empleado para distinguir entre ramas y alubias se basa en medidas de las muestras por medio de espectroscopía de reflexión [1]. De este modo, la luz reflejada por las muestras proporciona información sobre las propiedades de la superficie de la muestra y el color, que se pueden utilizar para discriminar entre ramas y alubias. El setup óptico empleado, ver la Figura 1, constaba de una sonda de reflexión de fibra óptica, una fuente de luz halógena TAKHI de Pyroistech y dos espectrómetros, uno en el rango visible y otro en el infrarrojo.
The Real Green Food© proporcionó muestras de alubias para ambos tipos de especies correspondientes a tres etapas diferentes de la línea de producción y estas se midieron utilizando la configuración que se muestra en la Figura 1. La primera etapa corresponde a las alubias antes del proceso de limpieza, la segunda etapa corresponde al producto después del proceso de limpieza y corte y la tercera etapa corresponde a las alubias tras un proceso adicional de escaldado.
Se efectuaron medidas de las muestras (3778 muestras) en el espectro visible (400 – 900 nm) y en el infrarrojos cercano (NIR, 900 – 1700 nm) y se emplearon para entrenar una red neuronal (ANN) [2], uno de los métodos de machine learning que se usa habitualmente en espectroscopía, como explicamos en uno de nuestros posts previos. Los mejores resultados se obtienen en el caso de la tercera etapa (alubias después de la limpieza, corte y escaldado). Las matrices de confusión para esta etapa se muestran debajo de estas líneas, ver la Figura 2. La exactitud (número total de predicciones correctas dividido por el número de predicciones, ‘accuracy’ en inglés) es 1 para alubias planas y redondas utilizando la información del espectro visible. En cuanto a la información del espectro NIR, la exactitud es de 0.98 para las alubias redondas y de 0.99 para las alubias planas. En cuanto a las otras etapas, los resultados son en general mejores con la información del espectro visible (exactitudes al menos iguales a 0.93) que con la información del espectro NIR (exactitudes al menos iguales a 0.92, excepto para la segunda etapa y las alubias planas, con una exactitud de 0.84).
En conclusión, los resultados obtenidos permiten prever la utilización de un sistema versátil y rápido para la detección de ramas en la línea de producción y muestran un camino prometedor para el empleo de la espectroscopía en el sector agroalimentario.
Escrito por J.J. Imas
Agradecimientos
Este trabajo ha sido parcialmente financiado por el Gobierno de Navarra (G20001-G2100-4701-467300), el Ministerio de Ciencia, Innovación y Universidades (PID2019-106231RB-I00) y las becas de doctorado del Instituto de Smart Cities de la Universidad Pública de Navarra. Por último, agradecemos a The Real Green Food© su ayuda.
Bibliografía