escuela tÉcnica superior de ingenieros …oa.upm.es/1469/1/maria_teresa_requelme_torres_a.pdf ·...
Post on 23-Sep-2018
232 Views
Preview:
TRANSCRIPT
UNIVERSIDAD POLITÉCNICA DE MADRID
ESCUELA TÉCNICA SUPERIOR DE INGENIEROS AGRÓNOMOS
TRANSMISIÓN OPTICA E IMAGEN EN VISIBLE E
INFRARROJO EN FRUTAS.
ENSAYO DE EQUIPOS COMERCIALES.
TESIS DOCTORAL
Mª Teresa Riquelme Torres Ingeniero Agrónomo
Madrid 2008
Departamento de Ingeniería Rural
Escuela Técnica Superior de Ingenieros Agrónomos
TRANSMISIÓN OPTICA E IMAGEN EN VISIBLE E
INFRARROJO EN FRUTAS.
ENSAYO DE EQUIPOS COMERCIALES.
Doctorando: Mª Teresa Riquelme Torres (Ingeniero Agrónomo)
Director: Constantino Valero Ubierna (Dr. Ing. Agrónomo)
Madrid 2008
Don CONSTANTINO VALERO UBIERNA, Profesor Titular del Departamento de
Ingeniería Rural de la Escuela Técnica Superior de Ingenieros Agrónomos de la
Universidad Politécnica de Madrid.
CERTIFICO:
Que el presente trabajo “Transmisión óptica e imagen en visible e
infrarrojo en frutas. Ensayo de equipos comerciales” que presenta la
Ingeniera Agrónomo Mª Teresa Riquelme Torres, para optar al grado
de Doctor Ingeniero Agrónomo por la Universidad Politécnica de
Madrid, ha sido realizado bajo su dirección y autoriza con esta fecha
su presentación.
Y para que conste, extiende el presente certificado en Madrid, a de de 2008.
Fdo.: Constantino Valero Ubierna
Director de la tesis
Tesis Doctoral Mª Teresa Riquelme
Resumen
Las operaciones de selección de frutas y hortalizas están estrechamente ligadas con la comercialización, pudiendo realizarse de forma manual o por medios automatizados. La creciente exigencia de los consumidores de productos de calidad, junto a factores económicos ha inducido a las empresas a introducir innovaciones tecnológicas en sus instalaciones, en particular procedimientos no destructivos de evaluación y entre éstos los que utilizan las propiedades ópticas.
En esta tesis, con el empleo de estas técnicas emergentes se aborda la caracterización de productos hortofrutícolas, con ensayos en laboratorio y en las propias empresas de comercialización de frutas. Se han utilizado equipos ópticos (VIS-NIR) comerciales que evalúan la calidad externa e interna de las frutas, estudiando su fiabilidad y capacidad para clasificar adecuadamente los productos hortofrutícolas. Estas acciones se han agrupado en tres líneas de trabajo con equipos de medida (equipos de imagen, equipos espectrofotométricos en línea y equipos portátiles) y productos diferentes (aceitunas, melones, naranjas y mandarinas).
Las imágenes y los espectros adquiridos con los equipos, junto con las técnicas quimiométricas existentes, han permitido un adecuado manejo de los datos.
El proceso de caracterización de los principales parámetros de cada equipo constituye el aspecto más novedoso de esta tesis, pudiendo destacar los siguientes resultados:
- La combinación de técnicas ópticas y de procesos discriminantes, ha permitido la clasificación de las aceitunas por defectos, en ocho clases distintas.
- La adaptación de los equipos a cada producto hortofrutícola, exige una cuidadosa configuración para “modular” el efecto de los factores que influyen en su eficiencia.
- La repetibilidad en la estimación del contenido en sólidos solubles, permite asegurar que la utilización de los equipos on-line para cítricos y melones es fiable para sólidos solubles.
- La reproducibilidad de la determinación en la línea de cítricos no está afectada por la temperatura y la posición de los frutos en el soporte del transportador; sin embargo, en el equipo portátil ensayado la temperatura influye significativamente en el resultado obtenido.
- En los frutos que muestran heterogeneidad en su composición interna, como los melones, su posición en el elemento detector afecta a la reproducibilidad.
- Trabajando con frutos de piel gruesa se ha demostrado que los sistemas ópticos que utilizan el modo de transmitancia son más efectivos que los que emplean el modo de interactancia.
Los sistemas empleados en la medida de las propiedades ópticas, proporcionan una rica información de las características de cada unidad, con gran utilidad para la valoración de los productos hortofrutícolas. Sin embargo, para poder realizar una correcta discriminación es necesario un complejo tratamiento de los datos (análisis discrimínate, ANOVAS, mínimos cuadrados parciales y análisis de componentes principales) , que presenta metodologías específicas en cada caso; así como, una periódica configuración de calibración de los equipos, para un adecuado mantenimiento y utilización.
Tesis Doctoral Mª Teresa Riquelme
Abstract
The operations of selection and commercialization of fruits and vegetables are strongly related, no matter how they are processed, manually or automatically. Due to the increasing demand of quality products by the consumers and the global market constrains, the industry have had to install technological innovations, in particular non-destructive techniques for the internal evaluation, frequently based on optical properties.
In this work the characterization of fruit and vegetable products was achieved using emergent techniques, with tests in laboratory and in the packing companies. Optical (VIS-NIR) commercial equipment has been used to evaluate external and internal quality of fruits, studying the reliability of these devices, and their capacity for sorting the product into different categories. The experiments have been grouped in three lines of work (image analysis, on-line spectroscopic devices and portable devices) and applied on different species (olives, melons, mandarins and oranges).
The images and spectra acquired with the equipment, together with the wide number of the existing chemometric techniques, have allowed an appropriate managing of data.
The main result of this thesis is the characterization of the most important parameters related to each device, emphasizing the next conclusions:
- The mix of optical techniques and discriminant processes have made possible for sorting olives in eight categories attending to commercial defects.
- The equipment must be configured carefully for each product studied, in order to tune the effect of factors that influence in the measurement capacity.
- The repeatability for the estimation of soluble solid assures that both on-line equipment (for citrus and melons) are reliable.
- The fruit temperature and fruit position did not affect the final estimate for the reproducibility measurement.
- In the heterogeneous fruits in its internal composition like melons, the fruit position respect to the element detector affect in the measurements of reproducibility.
- An experiment with thick-skin fruits has proved that transmittance mode is more reliable than interactance mode.
The systems based on the measurement of the optical properties supply rich information; with great interest to analyze the quality of fruit and vegetable products. Nevertheless, a complex treatment of data (discriminant analysis, ANOVAS, partial least square and principal component analysis) specific in each case is necessary in order to carry out a correct discrimination. Besides, the equipment must be calibrated with a periodical configuration, for a suitable maintenance and use.
Mª Teresa Riquelme Tesis Doctoral
FE DE ERRATAS
Pág Línea Dice Debe decir
Resumen 44 discrimínate discriminante
Resumen 45 principales) , Principales),
V 18 Figura 5.1. Figura 5.2.
9 8 se fueron fueron
28 2 enviarlas enviar las
28 4 Sevillana sevillana
31 31 no‐destructivo no destructivo
36 9 have some research institutes and manufactures been looking
some research institutes and manufactures have been looking
40 16 include destructive and non‐destructive
include non‐destructive
40 20 online on‐line
41 13 sunlight). sunlight.
44 16 of interest. of interest).
58 10 20‐25 ºC, The 20‐25ºC. The
75 3 in‐line on‐line
92 10 advise advice
92 22 Tokyo,Japan,). Tokyo, Japan).
93 21 in same point. at the same point.
99 6 species specie
104 4 especial special
105 19 empresas, mediante empresas mediante
119 13 muestan muestran
122 7 on‐line en línea
122 11 ; sin embargo en las líneas ; sin embargo, en las líneas
Tesis Doctoral Mª Teresa Riquelme
AGRADECIMIENTOS
Normalmente cuando uno termina un trabajo, suele acordarse más de aquellas personas
que te han ayudado en los últimos momentos; sin embargo, durante varios años he tenido la suerte
de conocer a muchas personas que me han ayudado física y moralmente; y de una manera u otra
han dejado su huella, por ello, quisiera que las próximas líneas sirvan de reconocimiento, estas son
sin duda las palabras más difíciles, o quizás tímidas de expresar. Afortunadamente la lista es
larga, pero siento mucho no poderos nombrar a todos uno por uno; a todos, mi agradecimiento,
especialmente:
• A Dña. Margarita Ruiz-Altisent, por brindarme la posibilidad de pertenecer a su grupo de
investigación donde aprendí todo lo referente al mundo de las propiedades físicas y tuve la
oportunidad de desarrollar la presente tesis doctoral.
• A D. Constantino Valero, profesor Titular de la E.T.S. de Ingenieros Agrónomos de la UPM,
por haber dirigido esta tesis.
• Agradeciendo especialmente a Pilar Barreiro por su asesoramiento y gran ayuda en diversas
fases de la realización de esta Tesis. Por el apoyo que me ha prestado desde un primer
momento, por compartir sus conocimientos y saber aconsejarme en muchos aspectos
• A todos los que han pasado por el LPF-TAG que me han ayudado cuando lo he necesitado,
tanto a los miembros actuales: Jaime, Eva C., Lourdes, Belén, Guille, Natalia, Luis, Pablo, Ana
H., Eva B., Ángel, Dani, Mauricio; como a los antiguos miembros: Rosa, Víctor, José, Gonzalo,
Borja, Elena, María, Adolfo, Ian, Dani F., que hemos compartido no sólo despachos y
laboratorios sino diversas actividades y buenos momentos. Al personal técnico del
departamento en especial a José, Juan Manuel, Carlos, Antonio y Juanjo por su apoyo técnico
y funcional, como a Pepa la secretaria. A todos aquellos que han realizado estancias o ensayos
de colaboración en nuestro departamento y también a los compis de electro, que aún
perteneciendo al mismo departamento, sólo nos veíamos en el café del mediodía; A todos los
amigos que allí he ganado, especialmente a Diana y Ana R., de donde surgió una grandísima
amistad.
• A la Comunidad de Madrid por la beca pre-doctoral concedida, sin la cual no hubiera podido
lanzarme a esta gran aventura.
Tesis Doctoral Mª Teresa Riquelme
• A la Comisión de Investigación de la C.A.M. y al Ministerio de Educación y Ciencia (M.E.C.) por
la financiación de los dos proyectos en los cuales se enmarca esta tesis: OPTICAM y
OPTISCAN.
• A las empresas que han colaborado cediendo sus instalaciones y equipos.
• Dejando a un lado el ámbito profesional, quiero agradecer a todos esos nuevos amig@s que he
tenido la oportunidad de conocer durante estos cuatro años en Madrid ahora desperdigados
por distintos puntos de la geografía. Especialmente a Susana y Amanda: ¡chicas! no sabré
como agradeceros todo vuestro apoyo una semana sí y otra también.
• A todos mis amig@s de Murcia y Orihuela, por el ánimo y los momentos tan agradables que
hemos pasado, que probablemente son los que mejor han sabido aguantar y soportar toda
esta historia, incluso en la lejanía.
• A Marian y Carmen, compis de carrera y por compartir la afición por las catas; a Casi y Pepa
y correspondientes niñas. Por todos los buenos ratos pasados que me han hecho desconectar
de la tesis.
• Pero sin duda a quién mas debo un agradecimiento especial es a toda mi familia por su
esfuerzo, cariño y ayuda prestados en todo momento, y por saber comprender y respetar mí
trabajo. Pero si hay una persona a la que debo más que a nadie su dedicación y paciencia es a
mi padre … y a mi madre, amiga incondicional, a quien admiro por su superación personal,
gracias a los dos, me habéis dado todo el apoyo que necesitaba. Y con muchísimo cariño a mis
abuelos, que desde el rinconcito del salón de su casa me han dado una lección de la vida.
Gracias a todos … que de una manera u otra habéis estado junto a mí durante este largo
trayecto, animándome en los malos momentos y confiando en que terminaría la tesis algún día.
Tesis Doctoral Mª Teresa Riquelme
Lista de nomenclaturas
VII
LISTA DE NOMENCLATURAS
Acrónimos Descripción (castellano) Description (english)
ANOVA Análisis de varianza Analysis of variance
CAL* Calibración Calibration
CCD Dispositivo de cargas interconectadas Charge-coupled-device
cov(xi) Matriz de covarianza Covariance matrix
DA Análisis discriminante Discriminant analysis
df Grados de libertad Degrees of freedom
F Estadístico de Fisher Statistical of Fisher
G* Grupos obtenidos con el PCA Groups obtained with PCA
LSD Mínimas diferencias significativas Least significant difference
LV Variables latentes Latent variables
MI Índice de madurez Maturity index
MS Cuadrado medio Mean squares
MSC Corrección multiplicativa de la dispersión Multiplicative Scatter Correction
NIR Infrarrojo cercano Near infrared
p Nivel de significancia Significance level
PCA Análisis de componentes principales Principal Component Analysis
PLS Mínimos Cuadrados Parciales Partial Least Square
R Coeficiente de correlación Correlation coefficient
r,g,b Coordenadas normalizadas RGB normalizated RGB coordinates
R2 Coeficiente de determinación Determination coefficient
RGB Coordenadas de color Rojo Verde Azul Colour coordinates Red Green Blue
RPD Relación SD/SEP Ratio SD/SEP
RPDc Relación SD/SEP con el sesgo corregido Ratio SD/SEP with Bias-corrected
Tesis Doctoral Mª Teresa Riquelme
Lista de nomenclaturas
VIII
Acrónimos Descripción (castellano) Description (english)
SD, SDj Desviación estándar Standard deviation
SD Media de la desviación estandard Standard deviation mean
Desviación estándar media Standard deviation mean
SD Error de repetibilidad de la medida Repeatability Error of the measurement
SEC Error estándar de calibración Standard error of calibration
SECV Error estándar de la calibración cruzada Estándar error of cross-validation
SEP Error estándar de predicción Standard error of prediction
SEPc Error estándar de predicción con el sesgo corregido Bias-corrected standard error of prediction
SEPV Error estándar de la validación cruzada Estándar error of cross-validation
SS Suma de cuadrados Sum of squares
SSC Contenido de sólidos solubles Soluble solids content
TA Acidez valorable Titratable acidity
VAL* Validación Validation
VIS Visible Visible
λ Longitud de onda Wavelengths
*Acrónimos particulares de esta tesis.
Tesis Doctoral Mª Teresa Riquelme
Índice
I
ÍNDICE GENERAL
Página
Lista de nomenclaturas…………………………………………………………………... VII
1. Introducción…………………………………………………………………………… 1
1.1 Organización del documento………………………………………………...… 1
2. Antecedentes………………………………………………………...…………………. 5
2.1 Situación del Mercado…………………………………………………………. 5
2.1.1 Importancia del sector hortofrutícola………………………………… 5
2.1.2 El consumo de frutas y hortalizas……………………………………. 8
2.1.3 El comercio internacional y la importancia de la calidad……………. 9
2.2 Situación tecnológica…………………………………………………….…….. 11
2.2.1 Los sistemas de selección aplicables a frutas y hortalizas…………… 11
2.2.2 Demanda de tecnología de evaluación de la calidad………………… 12
2.2.3 Técnicas ópticas……………………………………………………… 14
Equipos comerciales……………………………………………. 18
2.3 Actividad del grupo de investigación………………………………………….. 21
2.3.1 Proyecto de investigación……………………………………………. 21
3. Objetivos……………………………………………………………………………….. 23
4. Plan de trabajo……………………………………………………………………….... 25
4.1 Tareas iniciales………………………………………………………………… 26
4.2 Ejecución de los trabajos experimentales……………………………………… 27
4.3 Análisis de resultados………………………………………………………….. 30
5. Trabajos realizados……………………………………………………………………. 35
5.1 Clasificación de aceitunas mediante el análisis de imagen, de acuerdo a los daños externos………………………………………………………….……… 36
Tesis Doctoral Mª Teresa Riquelme
Índice
II
5.2 Estudio de un equipo comercial de NIR para la medida de calidad interna en melón.………………………………………………………….………………. 55
5.3 Ensayo de un equipo de infrarrojo en línea de clasificación de cítricos (mandarinas y naranjas) para el análisis de la calidad interna.………………… 71
5.4 Ensayo de un equipo comercial portátil de NIR para la estimación de sólidos solubles y acidez en cítricos.…………………………………………………... 88
6. Resultados y discusión………………………………………………………………... 105
6.1 Resultados más relevantes…………………………………………..………… 106
6.1.1 Adquisición de datos………………………………………………… 106
6.1.2 Manejo de datos……………………………………………………… 108
6.2 Discusión de resultados………………………………………………………... 114
6.2.1 Pre-tratamiento……………………………………………………….. 115
6.2.2 Creación del modelo y estudio de la exactitud………………………. 115
6.2.3 Visión conjunta de resultados………………………………………… 119
7. Conclusiones…………………………………………………………………………… 121
7.1 Conclusiones específicas………………………………………………………. 121
7.2 Conclusiones generales………………………………………………………… 122
8. Propuestas de futuras actividades……………………………………………………... 125
9. Bibliografía…………………………………………………………………..………… 127
10. Anejo: Normativas sobre frutas y hortalizas frescas….…………………………….…. 139
Tesis Doctoral Mª Teresa Riquelme
Índice
III
ÍNDICE DE TABLAS
Tabla 2.1. Clasificación de técnicas analíticas utilizadas en la medida del espectro electromagnético………………………………………………………………………. 16
Tabla 2.2. Características técnicas de los equipos ópticos en línea existentes en el mercado, para el análisis de la calidad interna mediante visión artificial.…………… 18
Tabla 2.3. Características técnicas de los equipos ópticos en línea existentes en el mercado, para el análisis de la calidad interna mediante espectroscopia VIS-NIR.…. 19
Tabla 2.4. Características técnicas de los equipos ópticos portátiles existentes en el mercado, para el análisis de la calidad interna mediante espectroscopia VIS-NIR.…... 20
Tabla 5.1. Damage types identified in olives by product experts at processing companies. The set was divided for the calibration and validation test…………….… 40
Tabla 5.2. Results of ANOVA for “Manzanilla Sevillana” olives classified into damage type studied. Mean (Standard Deviation)………………………………….…. 46
Tabla 5.3. Correlations between colour features for the DA2………………………… 50
Tabla 5.4. Chi-Square Tests with Successive Roots Extracted for the DA2…………. 51
Tabla 5.5. Correlations between segmentation features for the DA3…………………. 52
Tabla 5.6. Chi-Square Tests with Successive Roots Extracted for the DA3…………. 53
Tabla 5.7. Characteristics of sample sets of Galia melon used for the reliability study of a NIR commercial equipment. Values measured with the on-line equipment (sensor) and the laboratory references………………………………………………… 61
Tabla 5.8. Correlations (R) between four positions measured, for soluble solids (SSC) and firmness……………………………………………………………………. 62
Tabla 5.9. Results of the ANOVA testing for significance between the four measurement positions………………………………………………………………… 63
Tabla 5.10. Results of the ANOVA testing for significance (p<0.05) between the two phases studied…………………………………………………………………...…….. 63
Tabla 5.11. Performance indexes of the NIR equipment for soluble solids (SSC) and firmness for the heterogeneous set……………………………………………….……. 67
Tabla 5.12. Classification results for soluble solid content (n=108). Observed classifications in rows and estimated classification in columns…………………..….. 67
Tesis Doctoral Mª Teresa Riquelme
Índice
IV
Tabla 5.13. Technical data provided by the manufacturer……………………………. 74
Tabla 5.14. Characteristics of sample sets of mandarins and oranges used for the calibration and validation study. Values measured by the on-line equipment (20ºC and 10ºC) and by the laboratory techniques (references)…………………………….. 78
Tabla 5.15. Calibration and validation results for soluble solids (SSC) and titratable acidity (TA): Coefficient correlation (R), and standard errors of calibration and prediction………………………………………………………………………………. 79
Tabla 5.16. Classification in two commercial categories of mandarins and oranges according to the maturity index (MI). Percentages refer to rates of correctly-classified fruits…………………………………………………………………………………… 82
Tabla 5.17. Results of the ANOVA testing for significance (p<0.05) between the three positions studied…………………………………………………………….…… 84
Tabla 5.18. Results of the ANOVA testing for significance (p<0.05) between the two calibration sets studied………………………………………………………...………. 85
Tabla 5.19. Results of the ANOVA testing for significance (p<0.05) between the two temperatures studied………………………………………………………………...…. 86
Tabla 5.20. Characteristics of sample sets of mandarins and oranges used for the calibration and validation study. Values measured by the laboratory techniques (references)…………………………………………………………………………….. 95
Tabla 5.21. Correlations between different features of citrus studied……………….... 95
Tabla 5.22. Calibration and validation results for soluble solids (SSC) and titratable acidity (TA): Coefficient correlation (R), and root mean squared errors of calibration and prediction………………………………………………………………………….. 96
Tabla 5.23. Summary of Cross-Validation and external validation results for mandarins and oranges calibration model developed using PLS analysis for soluble solids content (SSC), titratable acidity (TA), maturity index (MI) and juiciness…….. 97
Tabla 5.24. Results of the significance test (F and p) in ANOVA between the first seven PC scores and the different treatments (species, temperature, period and orchards) for all fruits together…………………………………………………….….. 99
Tabla 5.25. Bias calculated between both temperatures studies in the three methodologies…………………………………………………………………………. 103
Tabla 6.1. Resumen de los ensayos con los equipos instalados en línea. Metodología seguida para el estudio de la fiabilidad de los equipos ópticos instalados en línea…… 112
Tesis Doctoral Mª Teresa Riquelme
Índice
V
ÍNDICE DE FIGURAS
Figura 2.1. Distribución porcentual de la producción de frutas (a) y hortalizas (b) en 2003. Fuente: MAPA (2006)...………………………………………………………... 7
Figura 2.2. Evolución de la participación de frutas y hortalizas en la producción agrícola nacional (1990–2007). Fuente: MAPA (2006)………………………………. 7
Figura 2.3. Importancia del sector hortofrutícola: % de producción europea y media 2003-2005. Fuente: European Commission (2007)…………………………………... 8
Figura 2.4. Consumo de frutas y hortalizas en países de la Unión Europea y media 2003-2005. Fuente: Mann y Renier (2007)…………………………………………… 8
Figura 2.5. Comercio interno de la UE y comercio exterior. Fuente: García (2007)………………………………………………………………………………….. 10
Figura 4.1. Cronograma de ejecución de las tareas para la realización de la tesis…….…………….………………………………………………………………… 26
Figura 4.2. Resumen de los trabajos de investigación realizados en esta tesis doctoral. 30
Figura 4.3. Proceso seguido para el estudio de los equipos ensayados…………..…… 32
Figura 5.1. Damage types identified in olives by expert technicians at processing companies: (a) undamaged olives, (b) ‘serpeta’, (c) ‘granizo’, (d) ‘rehús’, (e) ‘molestado1’, (f) wrinkled, (g) purple olive and (h) ‘molestado2’…………………… 38
Figura 5.1. Covariance matrix cov(xi) for the red channel. Areas where covariance is higher (red) were used to extract two gray levels (x, y) in each graph as discriminatory variables……………………………………………………………….. 45
Figura 5.3. Example of histograms obtained for all gray levels (256) in the red channel, for the different categories of olives with calibration sets. Each curve corresponds to an olive. The shape of distributions was used to establish groups……. 47
Figura 5.4. Classification into different categories of olives for three DAs performed. The percentages refer to fruit classification success rates: Calibration (CAL) and Validation (VAL)……………………………………………………………………… 49
Figura 5.5. Plot of canonical discriminant function for the DA2. Calibration (solid symbol) and Validation values (empty symbol) for global defect. □ Wrinkled, ○ Purple and Δ Rehús……………………………………………………………………. 50
Figura 5.6. Plot of canonical discriminant function for the DA3: Root1 and Root2. Calibration (solid symbol) and Validation values (empty symbol) for local defect. Undamaged, □ ‘Molestado1’, ◊ ‘Molestado2’, ○ ‘Serpeta’ and Δ ‘Granizo’………… 53
Tesis Doctoral Mª Teresa Riquelme
Índice
VI
Figura 5.7. Schematic picture of the tested commercial NIR equipment for melons…. 58
Figura 5.8. Variability of the soluble solids measured by on-line equipment and reference parameters, for homogeneous set (n=10)…………………………………… 65
Figura 5.9. Correlations for soluble solids (SSC) for the homogeneous (n=10) set between observed values (reference) and estimated by the on-line sensor. Dots indicate single measurements on fruits………………………………………………... 65
Figura 5.10. Correlations for soluble solids (SSC) for the heterogeneous set between observed values (reference) and predicted by the on-line sensor…………………..…. 66
Figura 5.11. Correlation for firmness for the heterogeneous set between observed values (reference) and predicted by the on-line sensor……………………………..…. 68
Figura 5.12. Schematic picture of the tested commercial NIR equipment for citrus fruit…………………………………………………………………………………….. 73
Figura 5.13. On-line fruit positions: (P1) with the calyx-stem axis in the vertical position; (P2) with the calyx-stem axis parallel to the conveyor belt movement; (P3) with the calyx-stem axis perpendicular to the conveyor belt movement……………... 77
Figura 5.14. Correlations for soluble solids and acidity between measured values (references) and values estimated by the model with the on-line equipment for a validation set. Mandarins (left) and oranges (right) for both temperatures measured: □ fruit at 20ºC and ○ fruit at 10ºC……………………………………………………... 81
Figura 5.15. Variability of the parameters measured by on-line equipment (20ºC and 10ºC) and reference parameters, in mandarins and oranges for soluble solids and acidity, measured for all the fruit from both harvests…………………………………. 83
Figura 5.16. NIR portable equipment and summary of applied methodology………… 92
Figura 5.17. Graph representation. (a) Raw spectra of absorbance for all citrus fruits (241 mandarins, 190 oranges) analyzed after MSC pretreatment. (b) Surface plot (gray map) of the autocorrelation matrix between wavelengths in abscissas and scores of PC in ordinates. White areas represent higher correlation………………… 99
Figura 5.18. Plots separating both species mandarins (left) and oranges (right). (a) and (b) raw spectra of absorbance for individual samples after MSC pretreatment. PC scores plots of three-dimensional are derived from (c) PC4, PC5 and PC2, and (d) PC1, PC5 and PC3; Plotted points represent individual samples (solid symbol: 20ºC; empty symbol: 10ºC) ………………………………………………………………….. 100
Figura 5.19. Plots of correlation coefficient (R) on left and external calibration errors on right (SECV and SEPV) for sample without PCA selection and with PCA selection………………………………………………………………………………... 102
Tesis Doctoral Mª Teresa Riquelme
1. Introducción
1
Capítulo 1
INTRODUCCIÓN
La presente tesis doctoral trata sobre la determinación de la calidad externa e
interna de frutas y hortalizas frescas a través de métodos no destructivos basados en
propiedades ópticas.
Se pretende dar una información más precisa sobre la viabilidad teórica y el
funcionamiento de equipos comerciales para la inspección de la calidad en línea,
mediante el desarrollo de procedimientos contrastados con sistemas de ensayo de
referencia.
Dicha investigación surge como respuesta a varios puntos:
• Importancia socioeconómica del mercado de frutas y hortalizas.
• Demanda de calidad por parte del consumidor final.
• Demanda de tecnologías certificadas para medidas de calidad por parte del
sector industrial.
• Investigación científica y desarrollo tecnológico aportados por diversos
equipos de investigación.
1.1. ORGANIZACIÓN DEL DOCUMENTO
La presente tesis está organizada en nueve capítulos y un anejo, siguiendo el
formato tradicional de una tesis doctoral. Sin embargo, de acuerdo con los
experimentos realizados se ha decidido reorganizar estos capítulos de forma interna
para facilitar la lectura y comprensión de los ensayos realizados.
Tesis Doctoral Mª Teresa Riquelme
1. Introducción
2
Por otra parte, debido a la importancia en el sector hortofrutícola de las
“propiedades ópticas para análisis de la calidad en frutas” objetivo principal de esta
tesis, la redacción de este documento se ha realizado parte en castellano
(introducción, objetivos, resultados generales y conclusiones finales) y parte en
inglés (del estado del arte de la tecnología de medida, objetivos específicos,
materiales y métodos, discusión y resultados) con objeto de dar mayor difusión
internacional a la misma.
Finalmente los capítulos principales se han ordenado de la siguiente manera
para facilitar en lo posible la comprensión del trabajo:
o En este capítulo introductorio (Capítulo 1), se muestran los motivos la estructura
del documento con el fin de facilitar la lectura.
o El Capítulo 2 denominado “antecedentes” redactado en castellano, se divide en
tres partes tratando de dar una visión de la problemática y la situación del sector:
Una primera parte muestra la situación del mercado hortofrutícola, donde se
detecta la existencia de un consumidor cada vez más exigente en la calidad de
los productos.
La segunda parte expone las innovaciones tecnológicas orientadas al sector
de frutas y hortalizas, centrándonos en el tema principal de esta tesis: las
propiedades ópticas. Sin embargo, en esta sección solo se muestran unas
pinceladas generales que agrupan las técnicas ópticas utilizadas en la tesis, que
son ampliados en los epígrafes 4.1.1, 4.2.1, 4.3.1 y 4.4.1, donde se hace más
hincapié en las técnicas empleadas en la presente tesis, con una amplia revisión
bibliográfica para cada caso, bastante actualizada y relevante.
En la última parte se presentan los proyectos de investigación en los que se
encuadra la presente tesis doctoral, que surgen de la incesante actividad
investigadora del grupo de investigación en el cual se realiza.
o El Capítulo 3 plasma en castellano, los objetivos a alcanzar con el desarrollo de
este trabajo de investigación.
Tesis Doctoral Mª Teresa Riquelme
1. Introducción
3
o A continuación en el Capítulo 4 se muestra el plan de trabajo seguido para
alcanzar estos propósitos; se describe de manera resumida la evolución de los
experimentos y del análisis de datos a lo largo del tiempo. Sin embargo, para
lograr los objetivos marcados en el capítulo anterior se utiliza un equipamiento
muy variado, y aunque aparentemente tienen una estructura distinta, todos ellos,
muestran un mismo esquema de trabajo.
o Por este motivo y sin alejarnos del formato tradicional de tesis, se adoptó el
planteamiento de agruparlos en cuatro trabajos monográficos íntegramente
redactado en ingles (Capítulo 5), cuyo tema principal son “las propiedades
ópticas”. Cada trabajo incluye una introducción donde se muestra el estado del
arte y se muestran los objetivos específicos de cada experimento, una sección de
materiales y métodos, resultados y discusión, así como las conclusiones finales.
En la introducción particular de cada uno de estos cuatro trabajos se incluye una
revisión minuciosa de la literatura existente y los problemas metodológicos
sobre las técnicas ópticas utilizadas, orientadas a cada caso en particular y
enfocada principalmente a los productos estudiados. Finalmente el Capítulo 5
queda constituido de la siguiente forma:
1. Clasificación de aceitunas mediante el análisis de imagen de acuerdo a
los daños externos. Se ha desarrollado un modelo capaz de clasificar los
frutos en ocho categorías, combinando parámetros de color del fruto y
características morfológicas tanto del fruto como de los defectos
extraídos de las aceitunas.
2. Estudio de un equipo comercial de NIR para la medida de la calidad
interna en melón. Un trabajo realizado con melones: en el que se utilizan
solo tres longitudes de onda y mide sólidos solubles y firmeza. Un
ensayo más sencillo, pero que permitió estudiar la posición del fruto y la
variación de las medidas a lo largo del día, así como la repetibilidad o
exactitud del modelo.
3. Ensayo de un equipo de infrarrojo en línea para la clasificación de
cítricos (mandarinas y naranjas) según su calidad interna. Trabajo
dedicado a cítricos, con un amplio rango espectral, mide sólidos solubles
y acidez. Se estudió la influencia de la posición y la temperatura, así
Tesis Doctoral Mª Teresa Riquelme
1. Introducción
4
como la repetibilidad y el modelo de calibración, con el estudio de la
exactitud del modelo. Las determinaciones se realizaron en dos fechas de
recolección distintas.
4. Ensayo de equipo comercial portátil de NIR para la estimación de sólidos
solubles y acidez en cítricos. Presenta los resultados obtenidos con el
equipo portátil aplicado sobre una muestra de cítricos, también analizada
con uno de los equipos en línea, cuyas diferencias son discutidas, en la
sección correspondiente de resultados y discusión (apartado 4.4.3). Se
muestran datos de repetibilidad y reproducibilidad, así como estudios de
la exactitud del modelo proporcionado por el propio equipo y estudios de
calibración externa, utilizando técnicas quimiométricas (PLS y PCA),
examinando las posibilidades de mejorar los resultados.
o Posterior al apartado que incluye los trabajos realizados, se han agregado dos
importantes capítulos que resumen el contenido más destacado, permitiendo
obtener una valoración conjunta de los experimentos llevados a cabo:
1. Discusión general que unifica los resultados parciales presentados
en los diferentes trabajos experimentales (Capítulo 6).
2. Conclusiones generales más relevantes (Capítulo 7).
o A raíz de los estudios realizados y de los resultados y conclusiones obtenidos, se
ha incluido un epígrafe (Capítulo 8) que muestra una serie de propuestas de
futuras actividades planteadas para progresar en las líneas de investigación
abordadas en esta memoria de tesis.
o La bibliografía a la que se ha hecho referencia a lo largo de todo el documento,
se ha agrupado en un único apartado: Capítulo 9.
Tesis Doctoral Mª Teresa Riquelme
2. Antecedentes
5
Capítulo 2
ANTECEDENTES
En este apartado se van a abordar una serie de aspectos que pueden ayudar a
entender la situación del sector agroalimentario, así como el planteamiento del
problema que ha conducido a esta Tesis Doctoral.
2.1. SITUACIÓN ACTUAL DEL MERCADO
2.1.1. Importancia del sector hortofrutícola
Las frutas y hortalizas representan dentro del conjunto agroalimentario el
sector de mayor importancia, tanto a nivel mundial como de la Unión Europea y
particularmente en España (31%). Comprende un complejo de actividades
económicas en las que el valor de los productos, el comercio internacional, la mano
de obra, el dinamismo económico y la innovación tecnológica, le caracterizan como
el sector de mayor relevancia de la producción agraria.
Su importancia se refuerza por la relación con otras actividades económicas:
- Infraestructuras: transformación agraria, construcciones agrícolas y
agroindustriales, invernaderos, embalses y distribución de regadío,
caminos, etc.
- Instalaciones y maquinaria: agrícolas y agroindustrial, suministro de
energía, sistemas de riego, equipamiento frigorífico, etc.
- Servicios: transportes, mantenimiento de instalaciones y maquinaria,
comercialización, gestión financiera, fiscal, laboral y jurídica, etc.
- Suministros: fertilizantes, fitosanitarios, semillas y plantas, envases y
embalajes, energía, etc.
Tesis Doctoral Mª Teresa Riquelme
2. Antecedentes
6
Este conjunto de actividades ligadas al sector hortofrutícola, en el que se
imbrican tanto la producción y comercialización, como las actividades auxiliares
indicadas, generan gran cantidad de puestos de trabajo, en muchos casos
especializados, con una intensa actividad económica cuyos beneficios proceden
fundamentalmente de la propia comercialización, con una dependencia muy reducida
de ingresos derivados de subvenciones (OCM, MAPA, Comunidades), con menor
intervención que en otros sectores agrícolas, siendo las propias reglas del mercado
las que determinan su desarrollo. Se caracteriza por su orientación al mercado y con
escaso apoyo de la Política Agrícola Común (PAC), induciendo una fuerte
profesionalización y competitividad de muchos sectores hortofrutícolas (García et al.,
2007).
La diversidad del conjunto de frutas y hortalizas comercializadas
internacionalmente establece una gran riqueza, que nos ofrece productos a lo largo de
todo el año, con amplio origen botánico, de características muy diversas (cultivo,
estructura, morfología, color, valor nutritivo, coste, manipulación, conservación,
consumo, etc.) y en muchos casos ligadas a la cultura de los grupos étnicos.
La producción mundial de frutas y hortalizas experimenta un claro
incremento durante las últimas décadas, con mayor intensidad en los países de la
Unión Europea. En el período 2003-2005, la producción mundial de frutas y
hortalizas representaba 1314 millones de toneladas, (frutas 440 millones y hortalizas
874 millones de toneladas) y en la UE-27 se alcanzó una producción de frutas de
36,3 millones y en hortalizas 72 millones de toneladas.
Al hacer referencia a la producción en España (Figura 2.1), destaca más
intensamente que en otros países, su amplitud, favorecida por la gran variabilidad
agroclimática, que ejerce una influencia directa en la determinación de los cultivos
(especies y variedades) y sobre el calendario de las cosechas. Estas características
hacen a determinadas zonas más productivas y competitivas en los mercados
internacionales, aunque también deben tenerse en cuenta algunos factores limitantes
para el desarrollo de las explotaciones agrícolas, entre las que destaca
fundamentalmente el agua.
Tesis Doctoral Mª Teresa Riquelme
2. Antecedentes
7
Figura 2.1. Distribución porcentual de la producción de frutas (a) y hortalizas (b) en 2003.
Fuente: MAPA (2006).
En España, la producción de frutas y hortalizas (Figura 2.2) ha crecido
constantemente durante los últimos diez años (1990-2007) con una importante
participación en la producción agrícola total, por encima del 50% del valor (Deloitte,
2004). Este incremento ha sido inducido por la incorporación a la Comunidad
Europea en el año 1986 y por el desarrollo de mejoras agronómicas en estos cultivos,
que han permitido incrementar los rendimientos y los beneficios de los agricultores
(MAPA, 2006). Esta evolución ha situado a España como el país de mayor
producción de la Unión Europea (Figura 2.3).
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
(A)
2007
(E)
Año
0
5000
10000
15000
20000
25000
30000
Valo
r de
la p
rodu
cció
n 10
6 €
0
20
40
60
80
100
Parti
cipa
ción
en
prod
ucci
ón v
eget
al (%
) Producción vegetal Hortalizas (H) Frutas (F) % F+H
Figura 2.2. Evolución de la participación de frutas y hortalizas en la
producción agrícola nacional (1990–2007). Fuente: MAPA (2006).
Naranja; 20
Mandarina; 16
Limón; 8
Manzana; 6Pera; 5Albaricoque;
1Melocotón y nectarina; 10
Frutos secos; 2Uva mesa; 3
Aceituna mesa; 3
Melón; 9
Sandía; 6
Fresa; 3Otras; 8
(a) Frutas Col; 2 Lechuga; 7
Calabacín; 2
Pepino; 3
Berenjena; 1
Tomate; 33
Pimiento; 7Alcachofa; 1Coliflor; 3Ajo; 1
Cebolla; 7
Zanahoria; 3Judías verdes;
2
Champiñon y otras setas; 1
Patatas; 18
Otras; 9
(b) Hortalizas
TesisMª Te
2.1.2
inten
exist
se si
estab
publi
alcan
Euro
s Doctoral eresa Riquel
Figura
europe
2. El cons
El creci
nsa que la p
te un superá
itúa en cot
blecen una
icados por M
nzan la dos
opea propon
Figura 2.4
media 20
Gra
mos
/día
/per
sona
lme
2.3. Impor
ea y media 2
sumo de f
miento del
producción
ávit, que deb
tas inferior
ingesta de
Mann y Ren
is diaria mí
ne medidas e
4. Consumo
003-2005. Fu
0
5
10
15
20
25
30
35
Prod
ucción
(%)
0
100
200
300
400
500
600
Gra
mos
/ dí
a / p
erso
na
rtancia del s
2003-2005. F
frutas y h
l consumo
n (European
be corregirs
res a las r
400 gramos
nier (2007)
ínima recom
específicas
de frutas y h
uente: Mann
8
sector horto
Fuente: Europ
ortalizas
mundial e
n Commisio
se con el inc
ecomendac
s por perso
se muestra
mendada (F
destinadas a
hortalizas en
y Renier (20
ofrutícola: %
pean Comm
experimenta
on, 2006),
cremento de
iones de la
ona y día (O
que en la U
Figura 2.4),
a fomentar
n países de l
007).
2.
de produc
ission (2007
a una evol
por lo qu
el consumo.
a FAO y
OMS, 2003)
UE-27 sólo G
por lo que
su consumo
a Unión Eur
Antecedent
ción
).
lución men
ue anualmen
. Actualmen
la OMS q
); en estudi
Grecia e Ita
e la Comisi
o.
opea y
tes
nos
nte
nte
que
ios
alia
ón
Tesis Doctoral Mª Teresa Riquelme
2. Antecedentes
9
El Reglamento del Consejo, relativo a la Reforma del Sector de Frutas y
Hortalizas, aprobado en enero del 2007 (COM, 2007), considera esencial “la
orientación del mercado y la competitividad” así como “fomentar el consumo de
frutas y hortalizas”; estima que para realizar un abastecimiento con productos de
calidad homogénea y satisfactoria son necesarias normas de comercialización
referidas a: definición, calidad, clasificación, peso, calibre, envase, embalaje,
almacenamiento, transporte, presentación, comercialización y etiquetado. Sin
embargo, las normas vigentes (Anejo) se fueron elaboradas con criterios de
simplificación para conceder flexibilidad al mercado, por lo que al analizar las
variables que afectan a la competitividad, entre otras se debe tener en cuenta los
estándares y la calidad, en los que se contempla la diferenciación del producto. Las
certificaciones voluntarias y las normas técnicas (García et al., 2007) son
imprescindibles.
En la actualidad, la competencia comercial se establece en las
especificaciones de la gran distribución, que están reguladas y supervisadas en los
sistemas y protocolos de calidad, que representan una garantía, no sólo para tener
éxito en el mercado, sino para permanecer en él. Los sistemas privados de
certificación (EurepGap, QS, Nature’s Choice, BRC, IFS, Certificación de Gestión,
UNE 155000, etc.) se basan en la adopción del Sistema de Análisis y Control de
Puntos Críticos (APPCC), la implantación de un sistema de “Gestión de la Calidad”
eficaz y el establecimiento de requisitos específicos para instalaciones, productos,
procesos y personal. Es imprescindible poder aplicar estas normas en condiciones de
eficacia y competitividad; para ello es necesario el desarrollo de sistemas de trabajo
en línea que hagan posible garantizar la “diferenciación” de los productos; así lo
entiende la Comisión Europea, pues en la reforma de la OCM de frutas y hortalizas
considera que puede ser necesario adoptar métodos actualizados de análisis que
permitan determinar las características en relación con la calidad y autenticidad de
los productos (COM, 2007).
2.1.3. El comercio internacional y la importancia de la calidad
En la UE-27 y en otros muchos países desarrollados, durante las últimas
décadas se ha alcanzado un marcado progreso económico, que ha provocado cambios
TesisMª Te
signi
realiz
segur
esta
como
en l
calen
(Shew
persp
de v
adem
para
inves
medi
los t
respu
una m
de ca
para
s Doctoral eresa Riquel
ificativos en
za de la a
ridad de los
tendencia s
o a nivel glo
las que lo
ndarios de c
F
F
Sin nece
wfelt, 1999
pectiva del p
vista de sati
más la incap
mejorar la c
La evalu
stigación fi
idas proporc
tratamientos
uesta a los c
mejor respu
alidad que i
predecir el
lme
n el estilo
alimentación
s productos
se ha increm
obal, con un
os producto
consumo y e
Figura 2.5. C
Fuente: Garc
esidad de r
9), debemo
propio prod
isfacción d
pacidad par
calidad de l
uación de l
isiológica c
ciona inform
s y evoluci
cambios de
uesta a las d
interesan al
comportam
0100020003000400050006000700080009000
Hofr
de vida, c
n; los prin
s alimentici
mentado el c
n important
os denomin
enriquecido
omercio inte
ía (2007).
replantear l
os aceptar
ducto (conju
del consumi
ra determin
las frutas y h
la calidad o
como tecno
mación adec
ión del pro
preferencia
demandas d
l consumido
miento del pr
rtalizas rescas
Fru
10
con fuerte i
ncipales esf
os y la ofer
comercio in
te increment
nados de
la oferta en
erno de la UE
a clásica c
que su eva
unto de cara
idor. Amba
nar las difer
hortalizas c
orientada al
ológica, pue
cuada para
oducto; sin
as y expecta
del mercado
or; pero est
roducto en e
utas frescas
incidencia e
fuerzos se
rta de produ
nternacional
to de las ex
contraestac
n todos los m
E y comercio
cuestión sob
aluación se
acterísticas p
as propuesta
rencias entr
comercializa
l producto
es la exact
los estudios
embargo,
ativas de los
o es necesa
to requiere
el mercado.
Comercio
Importació
Exportació
2.
en la valor
han orient
uctos difere
l, tanto intr
xportaciones
ción han a
mercados.
o exterior.
bre ¿Qué e
e puede re
propias) o d
as tienen li
re ellas cre
adas.
es necesari
titud y pre
s científicos
es insuficie
s consumid
ario conocer
comprender
.
intro‐EU
ón extra‐EU
ón extra‐EU
Antecedent
ración que
tado hacia
enciados. C
acomunitar
s (Figura 2.5
ampliado l
es la calida
alizar con
desde el pun
imitaciones
a dificultad
ia tanto en
cisión de l
s, resultado
ente para d
ores. Para d
r los atribut
r su conduc
tes
se
la
on
io,
5),
los
ad?
la
nto
s y
des
la
las
de
dar
dar
tos
cta
Tesis Doctoral Mª Teresa Riquelme
2. Antecedentes
11
La adhesión a un tipo de valoración, con despreocupación del otro, puede
tener graves consecuencias; es necesario realizar una adecuada valoración de las
diferencias entre ambas, para desarrollar los mejores sistemas de manipulación y
distribución que sean sensibles a las demandas del consumidor. El consumidor es
quien decide finalmente el éxito o fracaso comercial de cualquier alimento, pero en
un mercado cada vez más competitivo los distribuidores, en alguna medida,
determinan su demanda; suministran de forma constante productos, comunicando
eficazmente su mensaje a los consumidores influyentes, que deciden la compra
(Shewfelt, 2006). El estricto cumplimiento de las especificaciones de calidad es
fundamental para mantener la confianza del consumidor y el éxito comercial, pero no
todos los productos recolectados cumplen las estipulaciones de calidad, siendo
imprescindible realizar una adecuada selección que permita una comercialización
ágil, dinámica y transparente, con satisfacción para el consumidor.
2.2. SITUACIÓN TECNOLÓGICA
2.2.1. Los sistemas de selección aplicables a frutas y hortalizas
Como se ha expuesto anteriormente, la importancia de la producción y
comercialización de productos hortofrutícolas, junto con la existencia de un
consumidor cada vez más exigente, tanto a nivel nacional como internacional, es un
hecho muy reciente que obliga a dedicar más esfuerzos a los procesos de inspección,
acondicionamiento y distribución.
Debido a la heterogeneidad y variabilidad de la producción agrícola siempre
existe una fracción del producto que no cumple las exigencias de calidad y debe ser
eliminada eficientemente, sin dañar el producto considerado apto o simplemente es
necesario realizar la separación en distintas categorías de calidad (Bullen et al.,
1993). Éstas características de los productos hortofrutícolas implican que las
operaciones de selección estén estrechamente ligadas a su comercialización y que se
pueden llevar a cabo por la acción humana directa o por aplicación de medios
mecánicos.
La inspección visual del producto y la separación manual de las unidades
designadas posee una alta capacidad para identificar y discriminar defectos, así como
Tesis Doctoral Mª Teresa Riquelme
2. Antecedentes
12
flexibilidad para establecer límites en las características de las unidades a rechazar,
pero presenta grandes restricciones: eficiencia, productividad, cansancio, falta de
experiencia, coste de mano de obra, etc.
Son muchos los desarrollos que han permitido automatizar la selección de
frutas y hortalizas, pues cualquier diferencia en las propiedades físicas puede ser
utilizada para realizar la separación en diferentes niveles de calidad. La operación de
selección más fácil de automatizar es el calibrado, donde el parámetro de separación
es relativamente simple (dimensiones, peso, volumen), por lo que en la actualidad
todas las operaciones de calibrado en los almacenes de manipulación están
automatizadas, tanto por sistemas mecánicos como ópticos.
Otros atributos de clasificación son más complejos (color, forma, textura,
madurez, lesiones, alteraciones, etc.) pero los adelantos de la investigación y el
desarrollo tecnológico han hecho posible grandes avances en este sector.
2.2.2. Demanda de tecnología de evaluación de la calidad
Las crecientes exigencias del consumidor inducen a las empresas a introducir
innovaciones tecnológicas en sus procesos, que proceden de la oferta internacional
de las empresas especializadas o pueden demandar un desarrollo más específico a las
universidades y centros de investigación, con aplicaciones adaptadas a las
necesidades particulares. Estos grupos de investigación, financiados con fondos
públicos y en muchos casos por las propias empresas, han desarrollado equipos
innovadores de sistemas para el análisis, evaluación y control en línea de la calidad
de frutas y hortalizas, externa e interna, por procedimientos no destructivos.
En los últimos años, las empresas han introducido en las líneas de
manipulación estas nuevas tecnologías, superando los ancestrales métodos de
muestreos y análisis en laboratorio; técnicas avanzadas que presentan múltiples
ventajas: no destrucción de producto, control de todas y cada una de las unidades,
fiabilidad de las determinaciones, automatización de los procedimientos, economía
en mano de obra, etc. Sin embargo todavía surgen problemas en su aplicación, por
falta de una adecuada formación técnica, inexistencia de normativa sobre calidad
interna y de ensayos de referencia para la certificación de estos sistemas de medida,
que dificultan a los usuarios una adecuada verificación de su fiabilidad.
Tesis Doctoral Mª Teresa Riquelme
2. Antecedentes
13
Estos factores justifican la necesidad de la realización de investigaciones que
proporcionen un mejor conocimiento de las tecnologías basadas en medidas ópticas,
de modo que hagan posible su transferencia al sector con mayor eficacia. Estos
trabajos deben desarrollarse como colaboración entre los grupos de investigación y
las propias empresas, para desarrollar soluciones innovadoras, con altos
rendimientos, adaptando cada sistema y tecnología a cada situación concreta. Estas
nuevas tecnologías ponen de manifiesto problemas con las herramientas de gestión
tradicionales, que no son capaces de resolver con éxito los nuevos desafíos generados
y hace falta renovar.
La informática, las comunicaciones y el adecuado tratamiento de la
información, como instrumentos para programar, organizar y favorecer
tecnológicamente la producción, deben ser la base de esta nueva revolución
tecnológica, que llegará a ser una realidad cuando sean asumidas por los empresarios
del sector agroalimentario. Pero estas nuevas tecnologías deben incorporarse, tanto
para apoyar áreas como organización, transferencia del conocimiento y trazabilidad,
como para facilitar la gestión y toma de decisiones en los procesos productivos.
Entre las tecnologías poscosecha que aseguran la calidad de los productos
hortofrutícolas ofertados al consumidor, ocupan un lugar destacado los métodos de
control no destructivos; son métodos rápidos, fiables, de control continuo, de
aplicación en línea y trabajo en tiempo real. En la actualidad entre estas técnicas
podemos citar algunas que aún están siendo desarrolladas como simulador en línea
para la clasificación de fruta por impactos, tecnología láser microondas, biosensores
enzimáticos (análisis del sabor), resonancia magnética o respuesta acústica, entre
otras, y otras que están utilizándose como infrarrojo o visión artificial.
El interés de los sectores económicos por estas tecnologías ha sido recogido
en los últimos años en la planificación de la financiación, como podemos comprobar
en el Plan Nacional de Investigación Científica, Desarrollo e Innovación Tecnológica
2008-2011 (CICYT, 2007), que en el Área de Desarrollo e Innovación Tecnológica
Sectorial está concebida para facilitar a los sectores industriales los instrumentos y
programas necesarios para acometer las actividades dirigidas al diseño de productos,
procesos o nuevos servicios, modificados o mejorados. El fin último es la mejora de
la competitividad empresarial mediante la resolución de los problemas identificados
Tesis Doctoral Mª Teresa Riquelme
2. Antecedentes
14
en los sectores de interés para el desarrollo socioeconómico del país, entre los que se
encuentra el programa de Alimentación, Agricultura y Pesca.
De una forma más específica en la convocatoria del año 2008 (Secretaría de
Estado de Universidades e Investigación, 2007) se establecen las líneas estratégicas
del subprograma de recursos y tecnologías agrarias, incluyendo en el ámbito
temático de “Obtención y elaboración de productos agroalimentarios seguros,
saludables y de calidad”, la línea estratégica correspondiente a Calidad de los
alimentos: desarrollo de técnicas para la determinación del origen, trazabilidad y
autenticidad de los mismos y su control sanitario. Identificación de residuos (INIA,
2008).
2.2.3. Técnicas ópticas
Actualmente las técnicas más prácticas y satisfactorias para la evaluación no
destructiva de la calidad y clasificación de productos agrícolas son las técnicas
electro-ópticas, basadas en las propiedades ópticas de los productos (Chen, 1996). Se
trata de métodos cuyo fundamento se centra en medir la interacción entre la materia
y la energía en forma de luz.
En sentido amplio, el concepto “luz” es un tipo de energía radiante (radiación
electromagnética) que se transmite a través del espacio mediante un movimiento
ondulatorio con una velocidad de propagación, una longitud de onda y una
frecuencia determinadas. Dicha longitud de onda permite clasificar la luz en varios
rangos, abarcando el espectro electromagnético en todo su rango (Maier, 1981).
Estas ondas electromagnéticas tienen componentes eléctricos y magnéticos,
alternantes y perpendiculares entre sí, y transportan energía de un lugar a otro.
Desde el siglo XIX, al conjunto de radiaciones que van aproximadamente
desde 10-8 m hasta 10-3 m (ultravioleta, visible e infrarrojo) se denominó “espectro
óptico”, y corresponde con la gama completa de la luz solar, que es sólo una parte
del espectro electromagnético.
En esta memoria de tesis los equipos ópticos ensayados se centran sólo en las
zonas del espectro óptico correspondientes al visible e infrarrojo cercano:
Tesis Doctoral Mª Teresa Riquelme
2. Antecedentes
15
• Coloquialmente se entiende por luz sólo la parte visible (400-800 nm) del
espectro electromagnético, es decir, el rango de longitudes de onda que es
percibido por el ojo humano. El color de los objetos depende del espectro de
la luz que incide y de la absorción del objeto, la cual determina qué ondas
son reflejadas.
• Los rayos infrarrojos o “radiación de calor” (800-1·106 nm); están asociados
al calor, pues a temperatura normal los objetos emiten espontáneamente
radiaciones en el campo de los infrarrojos. Se considera dividido en tres
regiones: infrarrojo cercano (800-2500 nm), infrarrojo medio (2500-25000
nm) e infrarrojo lejano (25000-1·106 nm), Estas radiaciones son producidas
por las vibraciones atómicas de los cuerpos calientes y absorbidas por
ciertas moléculas (Moshenin, 1970).
Desde la antigüedad se han estudiado ampliamente todos estos fenómenos
relacionados con la luz, desde el modo en cómo es emitida la radiación, hasta la
forma de propagase a través de los medios o la interacción de la misma con los
materiales.
La luz interacciona con la materia de varias maneras. Parte de la luz se
modifica por factores geométricos, macroscópicos, y microscópicos, que causan
distintas modificaciones en la radiación. Otra parte es absorbida por las sustancias
que componen la materia, que queda excitada, y puede emitir de nuevo energía. Los
efectos sobre la materia son muy diferentes dependiendo de la longitud de onda
incidente sobre la superficie del objeto y de las características del propio producto. El
análisis de la respuesta a esta interacción, proporciona valiosa información sobre la
materia que se estudia, que van a influir en las características de los movimientos de
las ondas; estos fenómenos ópticos clásicos se pueden agrupar en los siguientes tipos
de interacción (Ruiz-Altisent, 1998; Valero, 2002):
Transmisión: refracción y dispersión.
Reflexión: reflexión especular, dispersión y dispersión Raman.
Absorción: absorción atómica, absorción molecular e inducida por un campo magnético.
Emisión: no radiantes (tras una absorción), rayos X, rayos γ, fluorescencia y fosforescencia.
Tesis Doctoral Mª Teresa Riquelme
2. Antecedentes
16
Desde los inicios de la investigación de la luz se han podido observar dos
ramas orientadas al estudio del espectro electromagnético: una de ellas basada en el
estudio de las propiedades ópticas de la radiación y sus componentes, y otra
encaminada a la obtención y manejo de imágenes en general, aunque no hayan sido
necesariamente formadas con luz visible o métodos ópticos convencionales,
similares a las registradas por el ojo humano. La Tabla 2.1 muestra una clasificación
de las técnicas analíticas empleadas en el ámbito de las propiedades físicas, para la
medida del espectro electromagnético (Barreiro, 2003).
Tabla 2.1. Clasificación de técnicas analíticas utilizadas en la medida del espectro
electromagnético.
RAMA ÓPTICA TECNICA ANALÍTICA
Medida de propiedades ópticas de las radiaciones electromagnéticas
Refractrometría e interferometría
Polarimetría
Nefelometría y turbidimetría
Colorimetría
Espectroscopia óptica: visible (VIS), ultravioleta (UV), infrarrojo (IR), fluorescencia, Raman, rayos γ, rayos X, resonancia magnética nuclear (RMN), ondas de radio, ondas eléctricas.
Obtención de imágenes
Imagen fija:
- 2D (fotografía plana): VIS, blanco y negro, color, UV, IR.
- 3D (imagen tridimensional): estereoscopía y proyección de luz estructurada.
Imagen en movimiento (video):
- 2D: blanco y negro, color, UV, IR, termografía.
- 3D
Holografía
El empleo de propiedades ópticas supone la aplicación sobre el objeto a medir
de una fuente de energía definida y la posibilidad de detectar la modificación que
sufre esa energía debida al objeto (Skoog et al., 2001). El tipo de energía a emplear
depende de factores como el material o las características físicas o anomalías que se
pretenden observar.
Para medir las propiedades en que se basan los métodos ópticos, la mayoría
de los componentes del aparato de medida son muy parecidos, aunque difieren algo
Tesis Doctoral Mª Teresa Riquelme
2. Antecedentes
17
en su configuración. Además, los componentes básicos de los instrumentos ópticos
son los mismos, con excepción de la zona del espectro a utilizar:
• Fuente de radiación: lámparas de H2 o D2, lámparas de filamento de
tungsteno, lámparas de arco de xenón, lámparas halógenas o
incandescentes, láseres, etc.
• Selector de longitud de onda: monocromadores o filtros.
• Receptor transductor o detector de energía. Elemento crucial para el
funcionamiento de los sistemas ópticos.
• Procesador de señal y sistema de lectura.
La luz es una poderosa herramienta para muchas de las disciplinas de las
ciencias experimentales. En física, química, biología o incluso en medicina se utiliza
frecuentemente algún tipo de radiación para obtener información de la materia objeto
de estudio (Gutierrez et al., 2004).
En los últimos años se ha avanzado notablemente en el conocimiento de la
interacción entre las técnicas electromagnéticas y de los productos, así como en el
desarrollo de instrumentación económica y técnicamente viable para su aplicación en
las industrias agroalimentarias. Así mismo se ha avanzado en el desarrollo de
potentes herramientas de análisis de datos y de modelización, que han permitido la
extracción de diferentes parámetros ópticos para la estimación de algunas
características que conforman la calidad de los productos. En el sector
agroalimentario, estos desarrollos se dirigen fundamentalmente a aplicaciones
relativas a inspección y clasificación de frutas y hortalizas frescas, atendiendo tanto a
la calidad interna como externa de los mismos. De esta manera, los métodos ópticos
de análisis cubren un amplio campo de aplicaciones debido a su rapidez, a la gran
gama de instrumentación disponible y sus grandes posibilidades de automatización.
De esta manera la mayoría las técnicas que se muestran en la Tabla 2.1 se han
utilizado en multitud de aplicaciones.
Nota: En los epígrafes 4.1.1, 4.2.1, 4.3.1 y 4.4.1 se hace más hincapié en las
técnicas empleadas en la presente tesis, con una amplia revisión bibliográfica para
cada caso.
Tesis Doctoral Mª Teresa Riquelme
2. Antecedentes
18
Equipos comerciales
Con el fin de conocer los principios de funcionamiento particularmente los
correspondientes a las técnicas ópticas utilizadas en la presente tesis, se realizó una
recopilación de información sobre los equipos ópticos actualmente comercializados,
resumidos en las Tablas 2.2, 2.3 y 2.4.
Son dispositivos no destructivos que ayudan a conocer la calidad de los
productos hortofrutícolas, y que según la técnica empleada así como la forma de
utilización pueden clasificarse en tres grupos:
1) Equipos instalados en línea para la calidad externa de frutas
mediante visión artificial.
2) Equipos instalados en línea para la calidad interna de frutas
mediante espectroscopia VIS-NIR.
3) Equipos portátiles para la calidad interna de frutas mediante
espectroscopia VIS-NIR.
Tabla 2.2. Características técnicas de los equipos ópticos en línea existentes en el mercado,
para el análisis de la calidad interna mediante visión artificial.
Modelo Empresa o Institución
Rango espectral
(nm) Productos Parámetros Velocidad
(frutas/s)
Power Vision AWETA SISTEMI S.p.A. (Cesena, Italia)
(VIS, NIR) Diferentes frutas Defectos externos, Color, calibres, etc. 8-10
InVision Compac Sorting Equipment Ltd. (Nueva Zelanda)
(VIS) Cítricos, frutos de hueso, manzanas, etc.
Color, forma, calibres, volumen, y defectos externos.
10-15
(Varios modelos) Multiscan Technologies S.L.
(VIS) Aceituna, cereza y tomate cherry.
Tipos de daños, calibre, color.
1 muestra de 5 kg en
< 1 min
ULTRAVISION Unitec S.p.A. (Revenne, Italia) (VIS) Diferentes frutas Peso, calibres, color y
defectos externos 10
MAXSORTER SELECTOR
MAXFRUT S.L. (Aizira, Spain) (VIS) Cítricos, manzanas, etc.
Defectos exteriores. Peso, color, tamaño
15
Color & size sensor Kalman Peleg (Israel) (VIS, NIR) Manzanas Color, calibres y
madurez —
Insight
Colour Vision Systems Pty Ltd (CVS) part of Mafroda
(NIR)
Manzanas, kiwis, tomates, aguacates, albaricoques, cítricos, mangos, ciruelas, melones, y nectarinas,
SSC y DM 10
Nota: Recopilación personal utilizando los manuales de los equipos y diversas referencias. SSC= contenido en sólidos solubles, TA= acidez total.
Tesis Doctoral Mª Teresa Riquelme
2. Antecedentes
19
Tabla 2.3. Características técnicas de los equipos ópticos en línea existentes en el mercado,
para el análisis de la calidad interna mediante espectroscopia VIS-NIR.
Modelo Empresa Rango
espectral (nm)
Productos Parámetros Velocidad (frutas/s)
Internal Quality Analyzer (IQA)
AWETA SISTEMI S.p.A. (Cesena, Italia)
(NIR) — Pardeamiento interno, SSC, TA y madurez.
6-10
Fruit Analyzing System F5
SACMI IMOLA S.C. (Imola, Italia)
650-970
Melones, sandias, peras, cítricos, ciruelas, caquis, melocotones, manzanas, etc.
SSC, madurez, TA, vitrescencia y pardeamiento interno.
5
Intelligent Flavour analyzer (IFA)
GREEFA (Holanda) (NIR) Cítricos, kiwis, manzanas y
frutos de hueso. Pardeamiento interno y SSC. 6
TasteMark Instrument
Taste Technologies Ltd. (Nueva Zelanda)
(NIR) Manzanas, kiwis, melones, ciruelas, melocotones y nectarinas.
SSC, defectos internos, etc. —
Quality Station on line
Unitec S.p.A. (Revenne, Italia)
400-1000 Manzanas, peras, nectarinas, kiwis, uvas, albaricoques y fresas.
Firmeza, SSC, peso, calibres, color y calidad exterior.
—
UNI-BRIX Unitec (Ravenne, Italia)
(NIR) Melones SSC, peso y calibres —
Pimprenelle*
SETOP Giraud Technologies (Cavaillon, Francia)
NIR Manzanas, melocotones, peras, nectarinas, kiwis, cítricos y bayas.
Vitrescencia, SSC, firmeza, peso, calibres, acidez (málico y cítrico), y jugosidad
4-5 frutos/min
Nota: Recopilación personal utilizando los manuales de los equipos y diversas referencias.
SSC= contenido en sólidos solubles, TA= acidez total y DM= materia seca.
*Sistema automático de control de calidad por muestreo
Tesis Doctoral Mª Teresa Riquelme
2. Antecedentes
20
Tabla 2.4. Características técnicas de los equipos ópticos portátiles existentes en el
mercado, para el análisis de la calidad interna mediante espectroscopia VIS-NIR.
Modelo Empresa o Institución Fuente de luz
Rango espectral
(nm) Productos Parámetros
Quality Station
Unitec S.p.A. (Ravenne, Italia)
LEDs en diferentes bandas de
emisión
400-1000
Manzanas, peras, nectarinas, kiwis, uvas, albaricoques y fresas.
Firmeza y SSC.
FQA-NIR GUN
Fantec (Shizouoka, Japón)
Pequeñas fuentes
halógenas 600-1100
Manzanas, peras, tomates, naranjas, mandarinas, kiwis, melocotones, etc.
SSC, TA y madurez.
Luminar 5030 “Le Vigneron”
Brimrose corporation (Maryland, USA)
Lámparas halógenas de
cuarzo 1100-2300 Uva de vinificación
y vinos.
SSC, pH, TA, color, estrés hídrico, ácidos orgánicos, etc. (dependiendo del lugar: viñedo, laboratorio o bodega)
GLOVE
CEMAGREF (Francia) VERHAERT (Belgica) APOFRUIT (Italia) KUL (Belgica) ATB (Alemania)
Lámparas halógenas 300-1150
Manzanas y melocotones. Fácil de adaptar a kiwis, aguacates albaricoques, peras, etc.
SSC, madurez, firmeza, color interno y calibres.
Optical Taster TD-2000C
Towa Electric Industry & Co. (Aomori, Japón)
Lámparas halógenas 800-1000
Manzanas, peras, cerezas, tomates y melocotones.
SSC
Pigment Analyzer 1101
Control in applied Physiology (Falkense)
Lámparas halógenas 350-1100
Manzanas, plátanos, cítricos, zanahorias, etc.
—
— Institut Agricultural Engineering Bornim (Postdam, Alemania)
Lámparas halógenas 500-1000 Manzanas SSC y firmeza.
iQ Integrated Spectronics — 300-1100
Manzanas, frutas de hueso, kiwis, tomates, uvas, mangos y caquis.
SSC, DM, color interno, temperatura, y otros atributos.
Tromblon ITV, Cemagref, INRA , CTIFL and ACTA
Cinco micro lámparas 400-1100 Uvas SSC, TA y contenido de
antocianinas.
Multiplex
FORCE-A French National Research Centre (CNRS).
— — Diversas frutas —
Fruit quality meter
Kubota — — — SSC, TA, y peso
FQA NIR Case
SACMI IMOLA S.C. (Italia)
Lámparas halógenas 600-1000
Manzanas, peras, melocotones, ciruelas, melones, albaricoques, kiwis, tomates, mandarinas, clementinas, naranjas, mangos y papayas.
Madurez, firmeza, SSC, TA, contenido en agua, DM y pardeamiento interno.
Nota: Recopilación personal utilizando los manuales de los equipos y diversas referencias. SSC= contenido en sólidos solubles, TA= acidez total y DM= materia seca.
Tesis Doctoral Mª Teresa Riquelme
2. Antecedentes
21
2.3. ACTIVIDAD DEL GRUPO DE INVESTIGACIÓN
El Laboratorio de Propiedades Físicas y Técnicas Avanzadas en
Agroalimentación (LPF-TAG), realiza su labor de investigación y desarrollo
tecnológico dentro del Departamento de Ingeniería Rural de la Escuela de Ingenieros
Agrónomos de la Universidad Politécnica de Madrid (UPM). El grupo, dirigido por
la Dra. Margarita Ruiz-Altisent (Catedrática de Universidad), lleva 25 años
trabajando intensamente en el estudio de la calidad poscosecha de frutas y hortalizas.
De esta forma el grupo, lleva tiempo trabajando en numerosos proyectos de
investigación tanto nacionales como europeos, en colaboración con otros organismos
españoles y extranjeros. Estas tareas son compaginadas a su vez con servicios a
empresas, como medio para realizar transferencia de tecnología, y haciendo llegar los
resultados de investigación a los propios destinatarios, tanto el agricultor como el
empresario del sector agroalimentario.
En los últimos años se ha centrado especialmente en los métodos no
destructivos (óptica, RMN, acústica, etc.), contribuyendo a la introducción de
equipos de medida específicos en los centros de producción y comercialización de
fruta.
El LPF-TAG ha realizado avances sustanciales en técnicas ópticas, que se
encuentran en el diseño de presentaciones, de modelos de estimación de sólidos
solubles (SS) en melón, cebollas, melocotón, de diseño de equipos con presentación
automatizada (clasificación en tiempo real), detección de errores en la adquisición
por parte del sensor; obtención de las primeras imágenes MRI de defectos internos en
movimiento. Tanto los resultados de estos estudios de investigación, como la
colaboración con las empresas, hicieron factible la solicitud y concesión del proyecto
que ha conducido a esta tesis doctoral.
2.3.1. Proyecto de investigación
La tesis doctoral se encuadra dentro de un proyecto de Investigación de la
C.A.M. conocido como OPTICAM (CAM 07G/0014/2003 1) “Desarrollo de
métodos de ensayo de equipos ópticos para la inspección y el control en línea de la
calidad interna de frutos”, cuyas tareas, dado su corto periodo de duración, se
Tesis Doctoral Mª Teresa Riquelme
2. Antecedentes
22
enlazan con las de un proyecto Nacional de Investigación de objetivos similares
OPTISCAN (AGL2004-03659/ALI) “Desarrollo de técnicas ópticas y de resonancia
magnética viables para la inspección de frutos en línea”, este último mezcla a su vez
tareas ópticas con resonancia magnética. Siendo el profesor responsable de ambos
proyectos el catedrático Jaime Ortiz-Cañavate, miembro del grupo de investigación.
La incorporación a este proyecto tuvo lugar el día 1 de octubre de 2003
coincidiendo con el inicio del primer proyecto OPTICAM y con la concesión de la
beca de la Comunidad de Madrid. Los experimentos se llevan a cabo en las
instalaciones del Laboratorio de Propiedades Físicas (Departamento de Ingeniería
Rural, E.T.S.I. Agrónomos, U.P.M.) así como en distintas instalaciones de las
empresas colaboradoras.
El planteamiento del trabajo, es la mejora de técnicas ópticas basadas en la
radiación óptica del espectro electromagnético: visible (VIS) e infrarrojo cercano
(NIR) alcanzable a través de los objetivos específicos planteados en esta propuesta
que permitirá establecer y optimizar las condiciones de diseño de equipos para la
inspección de la calidad de frutos.
La finalidad última de la investigación llevada a cabo por la becaria en estos
proyectos, ha sido establecer la viabilidad teórica de dichos equipos, estudiar su
modo de funcionamiento y desarrollar procedimientos para contrastarlos con ensayos
de referencia.
Tesis Doctoral Mª Teresa Riquelme
3. Objetivos
23
Capítulo 3
OBJETIVOS
Los sistemas de selección de productos hortofrutícolas presentan una serie de
cuestiones y necesidades que en la actualidad afectan a su desarrollo de forma
notable; estos antecedentes expuestos en el capítulo anterior sirven de base para
definir el objetivo global de la tesis doctoral: “Estudio de la calidad externa e
interna por métodos ópticos”. El desarrollo de esta idea desde consideraciones
diferentes permite aportaciones complementarias, contribuyendo a una mejor
resolución de la problemática planteada. Las líneas de actuación planteadas para la
consecución de estos retos permiten responder a las demandas de las empresas
hortofrutícolas, y las podemos reflejar en los siguientes puntos:
Establecer una metodología de trabajo que permita obtener funciones de
clasificación para seleccionar frutos en diferentes categorías, de acuerdo con
los defectos externos. La metodología final también debe ser útil para evaluar
las prestaciones de los sistemas comerciales.
Estimar la capacidad de los sistemas instalados en líneas comerciales de
selección de fruta, para medir su calidad interna, considerando diferentes
factores y evaluando la fiabilidad de los equipos.
Evaluar la capacidad de un sistema portátil para medir la calidad interna de
frutos, estudiando la optimización de su funcionamiento a partir de un
adecuado tratamiento de la información registrada por los sistemas ópticos.
Establecer la viabilidad teórica de dichos equipos, estudiar su modo de
funcionamiento y desarrollar procedimientos para contrastarlos con ensayos de
referencia.
Tesis Doctoral Mª Teresa Riquelme
4. Plan de trabajo
25
Capítulo 4
PLAN DE TRABAJO
Para alcanzar los objetivos fijados en el desarrollo de este trabajo, incluidos
en los proyectos de investigación OPTICAM y OPTISCAN, ha sido necesario
superar diversos niveles de formación en el conocimiento; sobre esta base, algunos
objetivos se establecieron en el diseño experimental, mientras que otros surgieron
durante el desarrollo de los trabajos experimentales y en el análisis de sus resultados,
así como de nuevas ideas surgidas de actividades complementarias o de la
experiencia del grupo de investigación en el que se integró la doctoranda. Por tanto,
los retos acometidos en este trabajo fueron los siguientes:
- Aplicación de técnicas emergentes en la caracterización de productos
hortofrutícolas. Utilización de equipos ópticos (VIS-NIR), para evaluar la
calidad externa e interna en frutas.
- Desarrollo del trabajo en colaboración con las propias empresas,
principales conocedoras de la problemática a resolver.
- Estudio de la fiabilidad de los equipos y la posibilidad de su utilización
para clasificar productos hortofrutícolas.
Persiguiendo estos retos, los trabajos que han dado lugar a esta memoria se
desarrollaron durante cuatro años (septiembre 2003 a septiembre 2007) coincidiendo
con el periodo de desarrollo de ambos proyectos, indicados en el apartado 2.3.1, de
acuerdo con el cronograma expuesto en la Figura 4.1 y que se comentan a
continuación.
Tesis Doctoral Mª Teresa Riquelme
4. Plan de trabajo
26
Actividad (2003) Año1 (2004)
Año2 (2005)
Año3 (2006)
Año4 (2007) (2008)
Tare
as
inic
iale
s Revisión bibliográfica
Revisión equipos comerciales
Cursos, etc.
Ensayos
Congresos
Análisis de datos
Evaluación de resultados
Redacción de la memoria de tesis
Figura 4.1. Cronograma de ejecución de las tareas para la realización de la tesis.
4.1. TAREAS INICIALES
Los equipos comerciales para los ensayos pertinentes fueron puestos a
disposición desde los primeros momentos del desarrollo experimental de la actividad
planteada, por lo que hubo que adaptar y preparar rápidamente un protocolo, lo cuál
supuso el comienzo de una etapa de intensa actividad, pues era necesario compaginar
el desarrollo de los experimentos con muchas otras tareas, permitiendo entender
tanto la problemática del sector como las nuevas tecnologías aplicables en el ámbito
de la agricultura. A este periodo corresponden las siguientes actividades:
Inmersión en la actividad del laboratorio: recopilación de información técnica
sobre los principios de funcionamiento de diversos equipos ópticos de
laboratorio, con el fin de conocer sus características y su funcionamiento, de
cara a entender correctamente los equipos comerciales y sus modos de trabajo.
Intensificación de la formación científica con la realización de los cursos de
doctorado.
Actualización de la revisión bibliográfica sobre técnicas no-destructivas,
propiedades ópticas, tecnología de infrarrojo, etc.
Análisis de los equipos existentes en el mercado, instalados en líneas de
manipulación de frutas y hortalizas, que ayudan a conocer la calidad de estos
productos.
Informes de resultados preliminares para las empresas, con resultados
estadísticos básicos para mostrar la relación entre los resultados estimados por
los equipos y los datos de referencia obtenidos en laboratorio.
Tesis Doctoral Mª Teresa Riquelme
4. Plan de trabajo
27
4.2. EJECUCIÓN DE LOS TRABAJOS EXPERIMENTALES
El proceso de estudio y formación, junto con la colaboración interna en el
propio departamento y externa con las empresas referidas, permitieron abordar los
objetivos inicialmente propuestos, a través de la realización de los trabajos
experimentales que se introducen a continuación, agrupados en dos grandes bloques.
Clasificación de frutos pequeños por visión o análisis de imagen basados en la
apariencia externa (color o presencia de defectos).
Con anterioridad ya existían numerosos trabajos orientados a la clasificación
de daños externos por análisis de imagen, la mayoría realizados en frutos
grandes pero que sólo eran capaces de clasificar en dos o tres categorías. Este
trabajo ha avanzado más, tanto por trabajar con pequeños frutos, que dado su
reducido tamaño presentan dificultades para su análisis, como por conseguir
clasificar o diferenciar los frutos en las siete categorías propuestas por los
fabricantes de la máquina y por los técnicos expertos, manipuladores de las
aceitunas.
Esta clasificación es imprescindible para las industrias, pues de este modo
en el procesado industrial se puede aprovechar un elevado porcentaje de frutos
que anteriormente eran desechados para consumo de mesa, eliminando con este
desarrollo sólo las aceitunas podridas.
Este trabajo se definió a partir de un proyecto privado, fruto de la
colaboración entre la empresa MULTISCAN TECHNOLOGIES S.L. dedicada
al diseño, desarrollo y fabricación de maquinaria para la selección automática de
productos agrícolas mediante visión artificial.
El objetivo principal de este trabajo era la certificación de las prestaciones
del equipo ESCA200 destinado a la clasificación de la aceituna de mesa en
diferentes categorías en el que se incluían los siguientes objetivos específicos:
- Definición de criterios de referencia para las diferentes
variedades, defectos y clases de calidad.
- Creación de tablas de caracterización de las muestras.
Tesis Doctoral Mª Teresa Riquelme
4. Plan de trabajo
28
Un panel de técnicos expertos en la selección de aceitunas, se encargó de
proporcionar y enviarlas muestras, realizándose los ensayos de caracterización
entre noviembre y diciembre de 2003, sobre aceitunas de las variedades:
Manzanilla Sevillana, Hojiblanca y Manzanilla cacereña.
La disponibilidad de una muestra pre-clasificada de Manzanilla sevillana,
hizo que esta variedad fuera la más idónea para profundizar en el análisis de las
prestaciones de un equipo para clasificación de aceitunas, sobre la base de lo que
los expertos consideraban dentro de cada tipo de categoría o defecto. Los
primeros resultados de este trabajo fueron presentados a la empresa en enero de
2004, momento en el que concluyó el proyecto de colaboración.
Evaluación de equipos NIR espectrofotométricos comerciales.
Este trabajo se estableció por la necesidad de desarrollar un protocolo de
evaluación, a petición de las propias empresas, que permitiera conocer la
fiabilidad del funcionamiento de los equipos instalados en sus líneas de
manipulación.
Son numerosos los trabajos centrados en desarrollar modelos robustos,
capaces de predecir la calidad interna (firmeza, azúcar, acidez, madurez, etc.) de
los productos agrícolas; pero estos estudios sólo habían sido realizados con
equipos espectrofotométricos de laboratorio. Sin embargo, la peculiaridad del
presente trabajo, ha sido trasladar estos ensayos a las instalaciones de las propias
empresas, donde estaban instalados dichos equipos en línea. Tras la evaluación
no destructiva de la fruta con el equipo correspondiente y de acuerdo al
protocolo establecido los frutos fueron trasladados al propio laboratorio en
Madrid donde se realizaron los ensayos destructivos específicos para cada caso.
El estudio se desarrolló sobre tres equipos comerciales:
1) Los primeros ensayos, con una máquina de clasificación en línea, se
realizaron en agosto de 2003 con melones tipo Galia; se trata de un equipo
desarrollado por la empresa SUMITOMO instalado temporalmente en una
Cooperativa de la Región de Murcia. Este equipo operaba en el método
Tesis Doctoral Mª Teresa Riquelme
4. Plan de trabajo
29
transmitancia óptica dentro del rango del NIR y estaba calibrado para estimar
la calidad interna (sólidos solubles y firmeza) de este tipo de melones.
2) En la primavera de 2005, una Cooperativa valenciana, dedicada a la
comercialización de cítricos, solicitó un estudio profundo del funcionamiento
y fiabilidad de un equipo de NIR instalado en una de sus líneas de
manipulación. Este equipo F5 de SACMI que trabaja en transmisión óptica
estimaba la calidad de los cítricos (sólidos solubles y acidez). El estudio se
realizó con cítricos de dos especies: mandarinas “Nadorcott” y naranjas
“Lanelate”, y en dos fechas de recolección distintas (marzo y mayo).
3) También se estudió un equipo portátil FQA NIR-GUN de FANTEC, que
operaba en el método interactancia. El equipo cedido por el propio fabricante,
fue utilizado sobre la misma muestra de cítricos, para lo que fue trasladado
hasta las instalaciones de la Cooperativa en Valencia, junto con todo el
material necesario para los experimentos.
Estos sistemas estudiados presentan en su respuesta una serie de
dificultades, tanto desde el punto de vista técnico como de la fisiología y
estructura de la fruta, por tratarse de fruta con piel gruesa (melones y cítricos),
con numerosos parámetros que deben ser tenidos en cuenta en la evaluación del
sistema.
Con antelación a la realización de cada ensayo fue necesario preparar el
protocolo específico, establecido en función del tipo de fruto, del equipo comercial
(técnica utilizada, parámetros a predecir, etc.) y de las exigencias de la propia
empresa. La finalidad de este protocolo es realizar los ensayos de acuerdo con las
expectativas de la empresa que cede sus instalaciones, así como preparar el material
necesario para orientar los experimentos a esas necesidades. El desarrollo del plan de
trabajo, contemplaba en primer lugar una visita de los investigadores a las
instalaciones donde se encontraban instalados los equipos junto con los técnicos de
dichas empresas, con el fin de conocer los principios de funcionamiento y una vez
conocidos los requisitos que cada empresa esperaba de cada equipo óptico, se
procede a realizar los ensayos correspondientes.
Tesis Doctoral Mª Teresa Riquelme
4. Plan de trabajo
30
Los principales detalles de estos cuatro trabajos se muestran
esquemáticamente en la Figura 4.2, indicando la sección asignada en esta memoria,
en donde se exponen y discuten detalladamente. Cada trabajo hace referencia a un
equipo óptico diferente para la medida de la calidad de distintos productos: aceitunas,
melones, naranjas y mandarinas.
TÉCNICAS ÓPTICAS
Calidad externa Calidad interna: espectroscopia NIR
Equi
po u
tiliz
ado
Análisis de imagen RGB
Equipo en línea (Transmitancia)
Equipo en línea (Transmitancia)
Equipo portátil (Interactancia)
Espe
cie
Aceituna Manzanilla sevillana
Melón Galia
Mandarina Nadorcott
Naranja Lanelate
Mandarina Nadorcott
Naranja Lanelate
Med
idas
Daños externos Sólidos solubles
Firmeza
Sólidos solubles
Acidez
Sólidos solubles
Acidez
Sección 5.1 5.2 5.3 5.4
Figura 4.2. Resumen de los trabajos de investigación realizados en esta tesis doctoral.
4.3. ANÁLISIS DE RESULTADOS
El interés del sector agrícola por la fiabilidad de los equipos comerciales,
nunca antes mostrados de esta manera, impulsó a presentar estos primeros resultados
experimentales en dos congresos especializados:
- III Congreso Nacional de Agroingeniería. León, 21-24 de septiembre de 2005.
- XVIth CIGR World Congress AgEng’06: Agricultural Engineering for a Better
World. Bonn, 4-6 de septiembre de 2006.
Tesis Doctoral Mª Teresa Riquelme
4. Plan de trabajo
31
A partir de este momento, en parte inducido por las ideas captadas en los
debates mantenidos en ambos congresos, se pudo profundizar en una utilización más
efectiva de los datos: aplicando además del análisis de la varianza (ANOVA) y
regresión lineal simples, otras técnicas más complejas de quimiometría: análisis
discriminante (discriminant analysis, DA), análisis de componentes principales
(principal component analysis, PCA) o mínimos cuadrados parciales (partial least
square, PLS), con el fin de analizar e indagar en los modelos con los que
supuestamente están calibrados los equipos. Con la misma finalidad, también se
realizaron diversos estudios de precisión de la medida (repetibilidad y
reproducibilidad), así como validaciones externas para el estudio de los modelos de
calibración.
La mayor motivación llegó de la mano del trabajo “Olive classification by
external damage using image análisis” presentado en el XVIth CIGR World
Congress: Agricultural Engineering for a Better World, en el que alcanzó el premio
internacional “Armand Blanc 2006”, de la Commission Internationale du Génie
Rural, destinado a jóvenes investigadores. Esté trabajo concluía con la consecución
de los objetivos solicitados por las cooperativas con las que se había realizado un
proyecto privado de investigación y desarrollo tecnológico; sin embargo, a la vista de
las conclusiones se creyó conveniente avanzar más en este estudio, profundizando en
nuevos algoritmos de análisis y en la búsqueda de nuevas bandas espectrales que
faciliten la clasificación de aceitunas por defectos, sobre la base de diferenciación de
las cicatrices respecto a defectos blandos y combinando criterios morfológicos en las
clasificaciones.
Este nuevo planteamiento prolongó el análisis de los resultados, que concluyó
con resultados muy positivos al encontrar soluciones útiles para la separación
efectiva de lotes de aceitunas en siete tipos de defectos considerados en este tipo de
productos. Estos resultados fueron los primeros en ser presentados en una revista
científica (Journal of Food Engineering).
Los cuatro experimentos realizados giran en torno a la misma unidad
temática: aplicación de “propiedades ópticas” para analizar la calidad de los
productos hortofrutícolas con métodos no-destructivos; de esta forma, tanto los
TesisMª Te
expe
corre
óptic
ellos
Figur
corre
(elim
para
análi
parci
posib
espec
objet
índic
Figura
cada
empr
haya
cada
s Doctoral eresa Riquel
rimentos
espondiente
Todos lo
cas de la fru
, siguen un
ra 4.3. Los
espondiente
minación de
un procesa
isis discrim
iales) prop
ble su adec
cífico prep
tivo marcad
ce de madur
a 4.3. Proces
No obsta
uno de los
resa, ha perm
an sido más
En la Fi
uno de los
lme
realizados
es s resultad
os experime
uta y aunqu
n esquema d
s datos ori
es sistemas
ruido o cen
ado matem
minante, regr
orciona par
cuada clasi
arado para
do en cada c
rez, contenid
so seguido p
ante, como
s equipos es
mitido que
enriqueced
gura 4.3 se
experimen
en el d
dos se han ag
entos realiza
ue aparentem
de trabajo c
ginales (esp
s detector
ntrado de d
ático poste
resión linea
rámetros de
ificación. C
realizar to
caso (clasifi
do en sólido
para el estud
ya se ha dic
studiados, a
a nivel de a
ores que otr
e ha represe
ntos. En prim
32
desarrollo
grupado en
ados se cent
mente mues
común cuy
pectros o i
res, son s
datos entre o
rior; el mo
al simple o
e caracteriza
Cada equipo
odos los cá
icación por
os solubles,
io de los equ
cho con ant
así como el
análisis de d
ros.
entado el ni
mer lugar, e
de la in
cuatro traba
tran en el es
stran una es
yos pasos ap
imágenes),
sometidos
otros) con e
odelo utiliza
o multivaria
ación de los
o en partic
álculos nece
categorías s
etc.).
uipos ensaya
terioridad, l
l diferente i
datos, algun
ivel de prof
en el experi
4. Pl
nvestigación
ajos monog
studio de la
structura di
parecen pla
proporcion
a un pr
el fin de ac
ado (como
ante, mínim
s frutos, que
cular, tiene
esarios par
según: defe
ados.
la distinta a
interés por
nos de estos
fundidad de
imento 1, se
lan de traba
n como s
gráficos.
as propiedad
ferente, tod
asmados en
nados por l
re-tratamien
condicionarl
por ejempl
mos cuadrad
e deben hac
un softwa
ra alcanzar
ctos externo
ccesibilidad
parte de ca
experiment
esarrollado
e observa q
ajo
sus
des
dos
la
los
nto
los
lo:
dos
cer
are
el
os,
d a
ada
tos
en
que
Tesis Doctoral Mª Teresa Riquelme
4. Plan de trabajo
33
el análisis de imagen abarca todo el esquema de trabajo. En este caso particular, se ha
desarrollado un modelo que permite clasificar las aceitunas en distintas clases de
acuerdo con las categorías comerciales habituales de una campaña; orientado a la
creación de ese software interno al que se hace referencia en la figura.
En cuanto a los equipos espectrofotométricos instalados en líneas para
clasificación de melones y cítricos (mandarinas y naranjas), los equipos vienen
calibrados de fábrica y el mantenimiento depende del fabricante; por este motivo,
sólo es posible acceder a los datos finales estimados por los equipos en cada caso, y
sólo es posible analizar la fiabilidad de los mismos centrándolos en las etapas finales
del esquema.
Respecto al equipo portátil, tanto la fácil accesibilidad al software interno
como la posibilidad de calibrar con muestras propias el equipo, ha permitido un
desarrollo mucho más completo, al proporcionar además de los datos estimados, los
espectros originales; esto ha permitido no sólo estudiar la fiabilidad del software
interno disponible en el equipo, sino también profundizar en los datos espectrales,
estudiando la posibilidad de mejorar los resultados mediante el uso de técnicas
quimiométricas, aplicando un proceso de trabajo similar al utilizado en el análisis de
imagen.
Todo el procesado de datos se realizó combinando algoritmos desarrollados
con el programa matemático MATLAB (MathWorks, Inc.), que facilita el trabajo
con matrices de datos y con cálculos de análisis estadístico procesados por el
programa STATISTICA (StatSoft, Inc.) para el análisis estadístico.
La presentación conjunta del trabajo realizado nos mostrará las diferencias
existentes entre los desarrollos y el tratamiento equivalente de los datos para lograr la
adecuada clasificación de los frutas en cada uno de los equipos.
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
35
Capítulo 5
TRABAJOS REALIZADOS
Este apartado forma el núcleo central de la memoria de tesis y reúne los
trabajos experimentales realizados para alcanzar los objetivos establecidos. De esta
forma el presente capítulo se ha dividido en cuatro sub-apartados:
1. Clasificación de aceitunas mediante el análisis de imagen, de acuerdo a
los daños externos.
2. Estudio de un equipo comercial de NIR para medida de la calidad
interna en melón.
3. Ensayo de un equipo de infrarrojo en línea de clasificación de cítricos
(mandarinas y naranjas) según su calidad interna.
4. Ensayo de un equipo comercial portátil de NIR para la estimación de
sólidos solubles y acidez en cítricos.
Nota: La expresión de los números decimales empleada en los apartados redactados a
continuación, corresponde con la nomenclatura inglesa, donde los decimales se expresan como
punto.
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
36
5.1. CLASIFICACIÓN DE ACEITUNAS MEDIANTE EL
ANÁLISIS DE IMAGEN, DE ACUERDO A LOS DAÑOS
EXTERNOS
(OLIVE CLASSIFICATION ACCORDING TO EXTERNAL DAMAGE
USING IMAGE ANALYSIS)
5.1.1. Introduction
The presence of skin damage in olives is the most decisive factor in
determining their external quality as fruit. Traditionally, olives have been sorted
manually. Only recently have some research institutes and manufactures been
looking for techniques allowing for automatic classification. Such research has
worked towards the development of prototype devices for fruit classification based
either on artificial vision (Diaz et al., 2000 and 2004; Mateos et al., 2005) or on
sorting techniques like fruit rebound (Barreiro et al., 2003).
Recently, Brosnan and Sun (2004) presented an extensive review of the
different image processing techniques for food products, which are increasingly used
technologies. Many applications have been developed using artificial vision as a
technique for fruit classification: peaches (Cordero et al., 2006), citrus (Blasco et al.,
2007; Kondo et al., 2000), cherries (Rosenberger et al., 2004; Uthaisombut, 1996)
and especially apples (Cheng et al., 2003; Kavdir and Guyer, 2004; Mehl et al.,
2004). However, there is a lack of studies focused on discriminating a large number
of external defects in olives based on the commercial categories established by
product experts, as proposed in this paper. In all refereed works the following steps
are used for image processing: acquisition, pre-processing, segmentation,
measurement (extraction features) and interpretation. The segmentation process is an
essential step in image analysis. Flawed segmentation can cause interpretation errors.
According to Du and Sun (2004), there are several segmentation techniques available
for food quality evaluation, which may be grouped into four different categories:
histogram, region, edge and classification-based. The selection of one method or the
other depends on the case. This work examines whether the combination of colour
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
37
parameters and histogram features extracted from an image might enhance
classification.
Leemans and Destain (2004) used a hierarchical grading method and k-means
clustering for a real-time grading system, achieving correct apple classification with
a success rate of 73%. Also Kleynen et al. (2005) introduced a defect segmentation
procedure consisting in a pixel classification algorithm based on the Bayes’ theorem
and non-parametric models of the sound and defective tissues, where segmentation
of russet defects and colour transition areas of skin were problematic. Recently,
Blasco et al. (2007) proposed region-based segmentation based on unsupervised
techniques for detecting the most common external citrus defects; in this
segmentation algorithm, the contrast between different areas in the image becomes
more important than the individual pixel colour. Some researchers combine several
segmentation techniques for defect detection, like for example Bennedsen and
Peterson (2005): three threshold segmentation routines and another based on
artificial neural networks and principal components.
For histogram-based methods, thresholding can be applied locally to calculate
different thresholds for each pixel within a neighborhood (Niblack, Sauvola, etc) or
to globally calculate one single threshold for the whole image (isodata, entropy, etc).
However, histogram-based thresholding is still the most referenced among
segmentation methods (Barreiro et al., 2008; Unay and Gosselin, 2006) based on the
method described in Otsu (1979). Researchers continue studying and comparing the
different techniques for the detection of external defects on fruits; Unay and Gosselin
(2006) obtained better performance by applying thresholding for the segmentation of
apples when compared to local segmentation.
Usually colour is the main focus in artificial vision systems, as it is an
important quality parameter in fruits and vegetables. Different colour coordinate
spaces are used for the description of colour. Frequently CIE L*a*b* is used, as it
shows the objective colour with fidelity. However, in the artificial vision field, colour
is defined by RGB coordinates or HSI coordinates, the latter being equivalent to
cylindrical coordinates (CSI) of L*a*b*. The HSV model is very similar to the HSI
colour model. The main difference between the two is the calculation used to
produce brightness values. In the HSI model, a pixel's brightness (I) is derived from
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
38
the mean of its three (R, G and B) colour values. In the HSV model, a pixel's
brightness (V) is determined by the mean of the minimum and maximum of its three
colour values. However, colour is one of the most uneven aspects when dealing with
olives.
There are commercial systems that allow the packer to sort olives
automatically according to their external appearance, based on optical properties and
image analysis. These systems use different colour spaces, although the expectations
of the producer, the packer and the manufacturer of the classification device do not
match exactly the results obtained in terms of the percentage of correct classification.
Standards are needed as well as reference methods to verify the performance of such
systems.
The present work tries to obtain classification functions to sort olives into
different quality classes, according to the external flaws on olives of the Spanish
"Manzanilla sevillana" variety. The final methodology could be useful to evaluate the
performance of commercial systems, but it is not aimed at replacing them.
Figure 5.1. Damage types identified in olives by expert technicians at
processing companies: (a) undamaged olives, (b) ‘serpeta’, (c) ‘granizo’, (d)
‘rehús’, (e) ‘molestado1’, (f) wrinkled, (g) purple olive and (h) ‘molestado2’.
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
39
5.1.2. Materials and methods
5.1.2.1. Fruit
A representative sample of the 260 olives of the “Manzanilla sevillana”
variety was selected to define the mathematical model (Table 5.1). Olives were
previously classified by a set of product experts (Figure 5.1) at several processing
factories using common terms. The Alvarado et al. (2001), FAO (1987), Trapero et
al. (2001), and USDA (1967), provide definitions for the commercial categories
available for olives:
• Undamaged olives: Fruits harvested during the ripeness cycle, before
seasonal colour changes, and with their varietal characteristics. Free of
defects.
• ‘Serpeta’ or mussel-scale (Lepidosaphes ulmi L.): This kind of cochineal
is very widespread throughout the world and causes damage to pome fruits
and olives. The damaged olives show dry and elongated scars on the
epidermis.
• ‘Granizo’ or hail-damaged: This meteorological phenomenon can cause
serious damage to the olive’s epidermis due to strong impacts (round
marks).
• ‘Rehús’ or mill: specific term for rejectable olives.
• Wrinkled olive or ‘agostado’: There are several external factors
(temperature, humidity, etc.) which can influence the dehydration of green
olives; the fruits have shrunk and present a dry appearance.
• Purple olive: Colour is an indicator of fruit ripeness. In the case of purple
olives is the colour for full-ripeness, which is present in the skin as well as
in the pulp. This commercial group includes olives whose colour diverges
greatly from the commercial characteristics required for the fruit.
• ‘Molestado’ or undefined-damage: All external defects that do not affect
the olive pulp are included in this commercial-group: direct hit, bruises,
scratches, superficial marks of different shapes and sizes, etc. These
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
40
damages are typical of poor handling during harvest. This category has
been divided in two groups to facilitate classification: ‘molestado1’ (round
shape bruises) and ‘molestado2’ (elongated shape bruises). Mateos et al.
(2005) in a study with olive images, also identify two types of ‘molestado’.
The calibration set was built with those samples which only had one category
of defect in the skin (n=123 for calibration), while the rest of olives with a mixture of
defects were used for the validation set (n=137). This work aims to study a wide
population containing all of the defects defined above. However, some categories are
represented by a small population (‘serpeta’ and ‘granizo’), variable, depending on
harvest and environmental conditions. As a result, it is difficult to obtain a larger
sample in some cases.
Table 5.1. Damage types identified in olives by product experts at
processing companies. The set was divided for the calibration and
validation test.
Damage types (commercial categories) Calibration Validation
Undamaged olives 16 14
‘Serpeta’ or mussel-scale 5 6
‘Granizo’ or hail-damaged 7 5
‘Rehús’ or mill 5 18
Wrinkled olive or ‘agostado’ 16 3
Purple olive 27 41
‘Molestado1’ or undefined-damage 20 29
‘Molestado2’ or undefined-damage 27 21
TOTAL 123 137
5.1.2.2. Reference data
Reference tests include destructive and non-destructive experiments: weight,
fruit size (height and equatorial diameter per fruit), fruit colour as determined by a
Minolta Spectrophotometer (CIE L*a*b*), and by using an RGB image camera.
RGB values were transformed into HSV using an algorithm of Matlab (version 7.0;
Math Works, Inc., USA), as the online sorting device works in this colour space. The
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
41
different damages were characterized for each fruit following a previous study of
olives (Barreiro et al., 2003).
5.1.2.3. Imaging system
Olive images in RGB were acquired under static conditions with a single-
sensor (one CCD: charge-coupled device) colour camera (model JVC-TK 1270E;
JVC, Victor Company of Japan). The camera spatial resolution is 0.1 mm2/pixel.
The colour camera was installed on a mobile column. The sample was placed
inside an hemispheric integrating sphere of white expanded polystyrene foam, in
order to generate an homogeneous diffuse lighting to get rid of shadows during
image acquisition. Samples were lit with fluorescent lights with high colour
rendering index (CRI) (model TL/95; Phillips, Royal Philips Electronics of the
Netherlands), that is, providing colour reproduction equivalent to 95% of that
afforded by sunlight).
5.1.2.4. Image processing
To facilitate the acquisition process, all original RGB images contained two
olives. It was necessary to perform three consecutive segmentations over the original
images: the first segmentation to leave out the background, then to identify one olive
per photo, and finally a segmentation of external defects inside each fruit area.
Some researchers, like Bennedsen and Peterson (2005) agree to use a
combination of different threshold segmentation routines for better extraction of fruit
and defect features.
The algorithms used were developed with the image processing toolbox,
version 6, of Matlab (Mathworks, 2005).
5.1.2.5. Image pre-processing
First of all, the fruit area was separated from the background with the
algorithm of Otsu (1979), which is a nonparametric and unsupervised method of
automatic threshold selection for picture segmentation, based on statistical and space
information of histograms (Gaussians distributions). Using the Matlab function
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
42
‘graythresh’, a discriminant criterion makes it possible to obtain the optimal
threshold of an image that maximizes the group variable (σ2).
The procedure is very simple: when the threshold (T) is applied, the image is
converted automatically into binary values (black and white), where ‘1’ means
background and ‘0’ foreground (object):
g x, y 1 f x, y0 f x, y (Eq. 4.1)
Thus, the thresholding level obtained after applying Otsu’s algorithm is a
normalized intensity value that lies in the range [0, 1]. The thresholding was
performed on the three colour components together, as the Matlab routines analyzed
them as one single matrix. The images were converted into binary using automatic
thresholding.
It was found that a simple thresholding was not enough, as the binary images
showed two big elements (olive areas), and in some occasions, several little elements
(due to shadows under poor light) in the background part of the images. Thus, a filter
was applied to remove small objects from the image. A morphological opening
operator was used with a disk-shaped structuring element considering a six-pixel
radius (0.6 mm in the image). Thus the objects with a radius lesser than the selected
value were eliminated. Afterwards another morphological operator (object filling)
was used to fill in the possible holes presented in the segmented binary images.
5.1.2.6. Defect extraction
In order to segment the defects from the sound olive area, images were
readjusted for each RGB channel so as to fulfil the intensity values 0-255; this
increases the contrast of the output image. However the Matlab function ‘imadjust’
works with intensity values between 0 and 1 (double), therefore the images to adjust
were previously transformed to this scale. In order to select the upper and lower
limits for this process all the olive images were studied; in our case, the specific
ranges set -so as to include 99% of pixel values- resulted in the lower (Red 0.6,
Green 0.2, Blue 0) and upper (Red 0.7, Green 0.9, Blue 1) intensity levels. Values
below low-in and above high-in are clipped.
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
43
The rest of the algorithms applied for defect extraction were similar to those
used for whole fruits: thresholding, eliminating small elements, filling in holes (disk-
shape with a radius of four-pixels (0.4 mm in the image), and labelling objects. The
labeling operation was similar to that described for isolating olives in the image.
5.1.2.7. Characterization of fruit images
After segmentation, the olives were characterized by different features taken
from each fruit from all filtered images (both whole-fruits and the defect extracted).
• Parameters extracted referring to the olives:
The colour coordinates analyzed were RGB and HSV. The RGB image is
transformed into HSV with the ‘rgb2hsv’ routine of the image processing toolbox,
version 6, of Matlab (Mathworks, 2005), which uses the following equations:
If A=r; H
g bA B6
S A B
V A
A= maximum (r,g,b)
B= minimum (r,g,b)
r,g,b normalizated RGB coordinates
If A=g; H2 b r
A B6
(Eq. 4.2)
If A=b; H4 r g
A B6
Each colour parameter was separated: Red (R), Green (G), Blue (B), Hue (H),
Saturation (S) and Value (V). When the corresponding histograms are studied, the
intensity level distribution contributes to the general description of the images.
Histograms were filtered by a moving average in order to decrease noise: a window
with size of 15 data was used.
The following descriptive statistics were used to characterize each histogram:
Mean, Median, Maximum, Mode, Kurtosis, Skewness, Quartile, and Quintile.
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
44
• Parameters extracted referring to defects:
Several geometrical parameters were defined and quantified:
− ‘FilledArea’ actual number of pixels in the region with all holes filled in.
− ‘Centroid’ position (x, y) of the center of mass of the region.
− ‘MajorAxisLength’ length in pixels of the major axis of the ellipse from the
second-moments.
− ‘MinorAxisLength’ length in pixels of the minor axis of the ellipse from the
second-moments.
− ‘Eccentricity’ ratio of the distance between the foci of the ellipse and its major
axis length.
− ‘Orientation’ angle (degrees) between the x-axis and the major axis of the ellipse
from the second-moments.
− ‘ConvexArea’ number of pixels in the polygon which circumscribe the region,
and consiste of the tangents of its border.
− ‘Number of objects’ in our case, number of objects in the image (the labeling only
identify one element, although have various regions of interest.
− ‘EquivDiameter’ diameter of a circle with the same area as the region ( 4 · Area/π).
− ‘Solidity’ proportion of the pixels in the smallest polygon which contain the
regions that are also in the region (Area/ConvexArea).
− Perimeter, number of pixels in the length of the outline of the defect’s region.
− Ratio Perimeter/Area
− Roundness (Perimeter2/4⋅π⋅Area).
− Subtraction Area of olive from Area of defect.
− Ratio Area of defect/Area of olive.
5.1.2.8. Statistical analysis
A covariance matrix for each of the histogram matrices (123 olives×256 gray
levels) corresponding with the histogram of each colour parameter (R, G, B, H, S and
V) was studied. Note that the diagonal of the matrix corresponds to the variance of
the corresponding gray intensity levels. Figure 5.2 shows an example of the
visualization of the covariance matrix.
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
45
Figure 5.2. Covariance matrix cov(xi) for the red channel. Areas
where covariance is higher (red) were used to extract two gray levels
(x, y) in each graph as discriminatory variables.
Significant differences between categories of olives were determined using
variance analysis (one-way ANOVA) was performed by Statistica (version 6.1;
StatSoft, Tulsa, OK, USA). Next, a Fisher’s least significant difference (LSD) test
was used to determine the significant differences between group means in an analysis
of variance (p≤0.05). This test was applied to all parameters in order to reduce the
huge amount of parameters analyzed.
The significant variables were introduced into a forward stepwise
discriminant analysis (DA) to obtain the classification functions in successive steps.
The a priori probability to belong to each group was set as equal in all cases. The
canonical function obtained is a linear combination of discriminating attributes,
being the sum of raw canonical coefficients multiplied by the coefficients for each
function (StatSoft, 2007).
Three different discriminant analyses (DA) were performed in this work to
segregate among defects (n=123 calibration set). The validation of the model was
performed with a sample of n=137. Thus, the first DA classified the olives into two
categories: global defects and local defects. For each group obtained, two successive
DA were required in order to segregate all defects.
Gray level
Gra
y le
vel
50 100 150 200 250
50
100
150
200
250
-1
0
1
2
3
4
x 105
Covariancemagnitude
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
46
5.1.3. Results and discussion
5.1.3.1. Characterization of fruits
Table 5.2 shows an ANOVA for the reference values. Letters correspond to
the LSD test. Data was arranged according to fruit weight. Three groups of olives
were found according to the weights: purple olives (5.0±1.0 g/fruit), wrinkled olives
(1.9±0.6 g/fruit), and the rest (3.5 - 4.4 g/fruit). Also, the wrinkled olives have a
smaller caliber, as expected in keeping with their weight. With the characterization
of the olives, reference tables were created for directed users of the image analysis
technology in order to clarify commercial agreements. As a confidential result of this
study, such tables with the image, colour, size and firmness of each defect type are
now in the hands of manufactures and producers (Riquelme et al., 2004).
Table 5.2. Results of ANOVA for “Manzanilla Sevillana” olives classified into damage type
studied. Mean (Standard Deviation).
Defect type n Olives/kg g/fruit height
(mm) Equatorial Diameter
(mm) L* a* b*
Purple 68 200 5.0 (1.0) a 19.3
(1.5) a 22.5(1.9) a 28.1
(2.7) d 8.1 (3.7) a 2.20
(2.4) e
‘Rehús’ 23 227 4.4 (1.0) b 18.9
(1.6) ab 22.5(1.7) a 42.2
(7.8) c 6.0 (5.8) ab 17.49
(9.2) d
‘Molestado1’ 49 250 4.0 (0.7) bc 17.9
(1.3) c 21.4(1.5) b 53.2
(6.8) b -0.2 (8.2) c 29.58
(9.2) c
‘Serpeta’ 11 263 3.8 (0.8) bcd 17.9
(1.4) bcd 20.1(1.5) c 58.7
(5.4) a -3.4 (6.6) cd 36.18
(8.7) ab
‘Molestado2’ 48 278 3.6 (0.8) d 17.0
(1.5) d 20.6(1.9) c 59.6
(5.2) a -5.4 (6.5) d 37.31
(7.3) ab
Undamaged 30 278 3.6 (0.7) d 17.0
(1.4) d 20.8(1.3) bc 59.8
(3.8) a -8.0 (2.6) e 39.47
(3.9) a
‘Granizo’ 12 286 3.5 (0.7) cd 17.3
(1.5) cd 20.5(1.6) bc 56.6
(7.3) a -2.9 (8.0) cd 34.65
(10.1) b
Wrinkled 19 526 1.9 (0.6) e 13.6
(1.5) e 17.0(1.8) d 29.7
(2.4) d 3.3 (2.8) b 2.45
(2.3) e
F of Fisher 36.8 39.7 25.1 253.0 38.3 197.1 Note: Different letters (abcde) determine the significant differences between group means; same letters in the same columns, there is no statistical significance between the defects (p>0.5).
Regarding colour change with ripeness it was verified that: darker, more red
and less yellow olives presented lower L*, higher a* and higher b* values,
respectively. Thus, the colour parameters correctly separate the global defects with a
purple colour of skin (‘rehús’, wrinkled, and purple) from the rest.
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
47
Although some catalogued defects are well segregated by the characterization
parameters (Table 5.2), this is not sufficient to separate defects in the different
commercially established categories. We thus used the characterization parameters
extracted from the images and their histograms to go on with the classification
process by image analysis.
5.1.3.2. Image analysis: calibration and validation
As a first approach, the shape and distribution of the histograms were enough
to indicate that the external defects can be grouped visually into four classes (Figure
5.3): Skewed Left histogram (‘granizo’ and ‘serpeta’); Normal (undamaged);
Bimodal (‘molestado’) and Skewed Right (purple, wrinkled, and rehús). This
categorization is used for further discrimination purposes.
Figure 5.3. Example of histograms obtained for all gray levels (256) in the red
channel, for the different categories of olives with calibration sets. Each curve
corresponds to an olive. The shape of distributions was used to establish groups.
Figure 5.2 shows the covariance of histogram intensity levels (256) for the
Red channel. Similar figures were created for the other channels (not shown). The
graph shows the symmetry of the matrix where both the rows and columns are
0 50 100 150 200 2500
500
1000
1500
2000
Gray Level
Num
ber o
f Pix
els
0 50 100 150 200 2500
500
1000
1500
2000
2500
Gray Level
Num
ber o
f Pix
els
0 50 100 150 200 2500
500
1000
1500
Gray Level
Num
ber o
f Pix
els
0 50 100 150 200 2500
500
1000
1500
2000
Gray Level
Num
ber o
f Pix
els
"Granizo" & "serpeta"
"Molestado"
Purple, wrindled & "rehús"
Undamaged olive
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
48
reflected by gray levels. The intensity bar on the right shows the covariance
magnitude as represented by the colours in the plot. Higher covariance magnitude
indicates a positive covariance while a lower magnitude indicates a negative
covariance between the pairs of variables. Two gray levels (x, y) in each graph were
selected corresponding to the highest variance. The resulting variables are (expressed
with the initial letter of the colour parameter and the number of the gray level
selected): Red: R70, R158; Green: G66, G168; Blue: B71, B110; Hue: H59, H199;
Saturation: S30, S102; and Value: V72, V168.
A Fisher LSD test was used to determine the significant differences between
group means in an analysis of variance. The purpose of this test was to reduce the
number of parameters analyzed, eliminating those variables which were totally
interrelated within homogeneous groups.
Other authors (Diaz et al., 2004) have used different grading techniques to
sort olives into four classes, getting the best results with neural networks (90%)
compared to partial least squares and Mahalanobis distance (70%). However in this
work the discriminant analysis technique (DA) was used because it requires a low
number of variables to create the functions, a low computational power and it has
yielded good results in previous studies (Valero et al., 2004; Hernández-Sánchez et
al., 2006).
Consecutives DAs in our work included combinations of colour and
morphological features in agreement with several authors, to improve discrimination
(Kondo et al., 2000; Leemans and Destain, 2004; Mateos et al., 2005; Unay and
Gosselin, 2006). Until now the image analysis of small fruits has been based on
colour appearance (Uthaisombut, 1996; Diaz et al., 2004) or just fruit shape. In this
work, the blended use of parameters related to defect shapes, fruit colours, and
histogram curves was proposed for olives.
In a first discriminant (DA1), the features with the highest discriminatory
power between global defects and local defects were included in the resulting linear
model:
− One histogram feature: Olive Area
− Several color features: S30, G66, V72, B110 and B71.
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
49
The calibration model was developed with 123 olives: 48 global defects and
75 local defects, with an excellent percentage of correct classification for both types
of defects (Figure 5.4). The model was validated using the whole set of olives
(n=137), also with all fruits correctly classified. Kavdir and Guyer (2004) also
worked with histogram features and statistical classifiers, but their results in apples
were significantly lower. However, in our work histogram features have enhanced
discriminatory power when combined with other parameters in the DA1, as well as
in consecutive DAs, as explained in the following paragraphs.
Figure 5.4. Classification into different categories of olives for three DAs performed. The
percentages refer to fruit classification success rates: Calibration (CAL) and Validation (VAL).
A second discriminant analysis was performed (DA2) trying to distinguish
between the global defects. The variables selected for the linear model with higher
discriminatory power between global defects were V72, B71, H59 and Olive Area.
The addition of a morphological feature (Area) in DA2 was very positive. In accord
with the findings of Unay and Gosselin (2006), the addition of a local feature (the
intensity of pixels in their case) improved defect segmentation.
The correct classification percentage of global defects (Figure 5.4) show that
Wrinkled olives are the only well-classified category in this group, probably due to
the inclusion of the ‘olive area’ variable in the model (these fruits are smaller) and
their dark colour. The purple olives are sometimes difficult to segregate from ‘rehús’
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
50
when they have several hits on their skin surface. This is why in Figure 5.4, the
validation score of ‘rehús’ shows a percentage increase, as some purple olives are
included.
Table 5.3 shows the correlation between the features ultimately selected by
the DA2 model. There are higher correlations between V72 and B71 of R=0.94, and
also between B71 and Area olive of R=0.78. Despite these correlation levels indicate
a certain association between the corresponding variables, they were included in the
model because they fulfil the tolerance value set (0.01).
Table 5.3. Correlations between colour features for the DA2.
V72 B71 H59 Area Olive
V72 1
B71 0.94 1
H59 0 -0.01 1
Area Olive 0.67 0.78 0.08 1
Figure 5.5 represents the olives studied in DA2, on a two canonical function
space (root 1 and root 2). As the number of defect categories to classify in the DA2 is
three, two root functions are necessary. The three categories are reasonably well
segregated by the function lines in the graph.
Figure 5.5. Plot of canonical discriminant function for the DA2.
Calibration (solid symbol) and Validation values (empty symbol) for
global defect. □ Wrinkled, ○ Purple and ∆ Rehús.
-4 -3 -2 -1 0 1 2 3 4 5-4
-2
0
2
4
6
8
10
Root 1
Roo
t 2
Wrinkled
Rehús
Purple
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
51
Table 5.4 show the Chi-square test results for both successive roots of DA2,
in order to analyze which discriminant canonical function gives better discrimination.
The table contains the significance test for the two roots (p<0.01), being both
significant. More parameters were also computed, as the eigenvalues (meaning the
cumulative proportion of the variance explained by each root), as well as the
canonical correlation, wilks’ lambda (contribution of each root to the overall
performance) and degree of freedom. The first function yields a discrimination rate
of 76% between groups while the second function yields one of 90%. Both are highly
effective at discrimination. Figure 5.5 shows the three groups of defects sorted in this
DA2, which are separated reasonably well according to the percentages in Figure 5.4.
Table 5.4. Chi-Square Tests with Successive Roots Extracted for the DA2.
Eigenvalue Canonical R Wilks' Lambda Chi-Square degrees freedom p-level
1 4.06 0.90 0.08 107.71 8 0.000
2 1.35 0.76 0.43 37.15 3 0.000
A third discriminant analysis (DA3) was necessary to classify among the
local defects. In this case the variables introduced in the stepwise discriminant
analysis belong to colour features and defect features. Finally, the attributes with
higher discriminatory power between global defects and local defects were
‘Eccentricity’, ‘EquivDiameter’, ‘MinorAxisLength’, ‘Solidity’, ‘Roundness’,
‘MajorAxisLength’, ‘Number of objects’ and the olive gray level V30.
The percentages of correctly classified olives are summarized in Figure 5.4,
both via calibration and validation. The calibration of all categories, with the
exception of ‘molestado2’, have a 100% score. For validation, only undamaged
olives kept this value.
Some fruits presented a combination of various defects, which explains the
difficulty of separating them by categories. However, observations of the original
classification matrix indicate that the olives included in the ‘molestado’ groups are
almost always well classified. The reason for the weak classification with the rest of
the defects could be the poor observation numbers.
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
52
For ‘serpeta’ and ‘molestado2’, both defects have similar geometry and
colour (Figure 5.1: olives “b” and “i-left”). Thus, classification scores of ‘serpeta’
and ‘molestado2’ reach 100 % for calibration (50% validation) and 93% calibration
(38% validation). Regarding the ‘granizo’ group, the low score for validation (40%)
may be due to the scarce number of samples in both sets: 7 in calibration and 5 in
validation. This is one of the main limitations of the present study, and clearly affects
the final result.
In this third discriminant analysis (DA3), there are also higher correlations
between some features used (Table 5.5), 0.93 being the highest correlation
coefficient, between ‘EquivDiameter’ and ‘MinorAxisLength’, followed by 0.89
between ‘Roundness’ and ‘Number of objects’. As in DA2, the tolerance was set to
0.01.
Table 5.5. Correlations between segmentation features for the DA3.
Eccentricity Equiv Diameter
MinorAxis Length Solidity Roundness MajorAxis
Length Number ofobjects
Eccentricity 1
Equiv Diameter 0.53 1
Minor Axis Length 0.46 0.93 1
Solidity 0.64 0.61 0.40 1
Roundness 0.49 0.53 0.69 0.08 1
Major Axis Length 0.73 0.83 0.84 0.39 0.74 1
Number of objects 0.44 0.52 0.68 0.04 0.89 0.7 1
As in DA2 (Table 5.4), Table 5.6 shows the values corresponding to each
canonical function extracted in DA3. The numbers of defect categories to classify in
the DA2 are five. Thus, four canonical functions are obtained. In this case, all the
functions explain the high percentage of discrimination between groups. Figure 5.6
shows the best representation of a canonical discriminant analysis of global defects
for DA3, in a root 1- root 2 space.
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
53
Table 5.6. Chi-Square Tests with Successive Roots Extracted for the DA3.
Eigenvalue Canonical R Wilks' Lambda Chi-Square degrees freedom p-level
1 255.37 1.00 0.00 523.68 32 0.000
2 3.41 0.88 0.11 149.28 21 0.000
3 0.81 0.67 0.48 49.14 12 0.000
4 0.14 0.35 0.87 9.02 5 0.108
The undamaged olives are perfectly segregated from the rest of the categories
included in DA3; although apparently in the Figure 5.6, the “undamaged” samples
seem to be fewer than the real number (16 calibration, 14 validation), this is only an
optical effect. Almost all values of undamaged olives were represented on the same
point (with minimal differences), due to the fact that all those fruits were free of
defects (being all fruit suitable to be marketed). Therefore the algorithm used for
defect extraction did not detect any faulty area in them, and consequently all features
included in DA3 (‘Eccentricity’, EquivDiameter’, ‘MinorAxisLength’, ‘Solidity’,
‘Roundness’, ‘MajorAxisLength’, and ‘Number of objects’) had a value equal to cero
(y axes in Figure 5.6, root 2) except the features 'olive gray level V30’ (x axes, root
1). There were only some olives of the validation set which did not fulfill the last
conditions (i.e. small area of purple colour in the skin, detected as a defect by the
algorithm), nevertheless the feature classified them as undamaged olives.
Figure 5.6. Plot of canonical discriminant function for the DA3: Root1 and Root2.
Calibration (solid symbol) and Validation values (empty symbol) for local defect.
Undamaged, □ ‘Molestado1’, ◊ ‘Molestado2’, ○ ‘Serpeta’ and ∆ ‘Granizo’.
-20 -15 -10 -5 0 5 10 15 20 25 30-12
-10
-8
-6
-4
-2
0
2
4
6
8
Root 1
Roo
t 2 Undamage
Serpeta
Molestado 1
Molestado 2
Granizo
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
54
According to Figure 5.4 and Table 5.6 the canonical correlation value of root
function 1 is 100%. Keeping in mind that several olives presented a mixture of
defects, ‘molestado1’ segregates reasonably well (100% calibration, 86% validation).
5.1.4. Conclusions
A procedure is proposed that enables the identification of sound olives as well
as a variety of defects based on three discriminant analyses. This methodology for
the classification of olives makes use of colour features of the fruit together with
several morphological characteristics of external defects, which enhances the final
performance.
Finally, olive classification into eight classes was adequately achieved. The
characterization of olives by means of image sets aims to provide reliable references
which will be used to evaluate the vision devices of on-line classification equipment.
It would be advisable to perform a specific study with a larger number of
samples, although is difficult find more samples for some defect types.
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
55
5.2. ESTUDIO DE UN EQUIPO COMERCIAL DE NIR PARA LA
MEDIDA DE CALIDAD INTERNA EN MELÓN
(PERFORMANCE OF COMMERCIAL NIR EQUIPMENT TO MEASURE
INTERNAL QUALITY ON MELON)
5.2.1. Introduction
In the last years, the interest of consumers for good quality products has
brought a progress in the development and application of non-destructive methods to
measure the internal quality of fruits and vegetables. Several researchers have
demonstrated that the use of NIR optical technologies is feasible to determine flesh
quality of fruits and vegetables such as soluble solids, acidity, firmness, ripeness, pH,
or internal defects (Nicolaï et al., 2007).
In researching non-destructive techniques for quality evaluation, NIR
reflectance and interactance setups had been used for thin-skin fruit to estimate
soluble solids content (SSC) in apples (Peirs et al., 2003; Yan-de et al., 2007), SSC
and firmness in peaches and nectarines (Golding et al., 2006), or kiwifruit (Schaare
and Fraser, 2000). However, Kawano et al. (1993) considered the use of the NIR
transmittance mode for thick-skin fruit (where light passes through the fruit), like
citrus (Fraser et al., 2003; McGlone et al., 2003), melon (Ito et al., 2004; Long et al.,
2006) and watermelon (Tian et al., 2007; Ito et al., 2002).
The consumption of melon (Cucumis melo L.) in Europe has been increasing
since the 80’s. However, there are few references on the non-destructive internal
quality assessment of melons; perhaps due to the structure of this fruit. Soluble solids
content (SSC, ºBrix) is one of the main characteristics used to assess melon quality
(European Commission, 2001), and without a doubt the most studied feature in
melon using non-destructive techniques. Dull et al. (1989) applied direct
transmittance geometry in Cantaloupe melons: they used two wavelengths (884 nm
for fruit slices and 860 nm for intact fruits) concluding that the predictive capability
of the method was valid in both cases, although the correlation coefficient (R) was
lower for intact melons. Long et al. (2006) worked with partial transmittance
(interactance), also with intact Cantaloupe melons and testing different limitations to
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
56
the NIR assessment of fruit, including the variation in SSC within fruit and the effect
of fruit storage conditions on the robustness of calibration models. Maruo et al.
(2002) obtained high correlations between the outputs of lasers in the ranges 800-
1000 nm for ripeness and soluble solids content in melon and watermelon. Ito et al.
(2002) proved that the SSC in watermelons can be well estimated with the
combination of two wavelengths (872 and 902 nm) in a multiple regression equation.
Physiological disorders were also detected in Galia melons with good results (Ito et
al., 2004).
Recently, the fruit and vegetable industry started installing on-line
equipments for the inspection of internal quality as a mean for achieving the
standards demanded by multinational distributors (Fraser et al. 2003; Krivoshiev et
al. 2000). Although the technology used by these equipment manufacturers is
scientifically sound, a better understanding of its use in specific applications is
needed.
With regard to optical equipment working in transmission mode, a variety of
on-line equipment is available on the market, but very limited references to
validation and actual performance could be found (Nicolaï et al., 2007). Most of
these equipments for measuring internal quality use halogen lamps as light sources.
However, light intensity is insufficient for fruit with a thick rind (melon, watermelon
or citrus), so Iida et al. (2003) patented a method based on three laser beams having
different wavelengths, to overcome such disadvantage. The enterprise Sumitomo
manufactured a setup based on this patent, which has been tested in this paper.
Therefore, the purpose of this work was to evaluate the estimation capacity of
an on-line NIR equipment (Sumitomo Metal Mining Co., Ltd., Tokyo, Japan) for the
measurement of internal quality in melons. The specific objectives of the research are
to study: repeatability of measurements, reproducibility of measurements and model
accuracy.
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
57
5.2.2. Materials and methods
5.2.2.1. Fruit
Samples were harvested in August 2003 in main area of production, Murcia
(Spain). Two sets of Galia melons (Cucumis melo var. reticulatus L. Naud. cv.
Galia) were selected carefully among the vegetal materials available in the packing
house, in order to obtain two populations:
a) Heterogeneous sample set: consisting of 108 fruits, to cover the maximum
range of variability. It was aimed to study specifically the estimation
accuracy of the model.
b) Homogeneous sample set: knowing visually the quality range of the
population, then 10 homogeneous fruits were selected, with a subjective
quality close to the mean values of the population. This set was used for
the metrology (repeatability and reproducibility) tests of the optical sensor
measurements, as well as to study the estimation accuracy of the model.
Measurements were performed along two consecutive days, including
variability studies of the commercial NIR on-line sensor and verification of the
information obtained in comparison with reference measurements. After registering
the spectral data with the on-line equipment at the packing house, all fruits were
transported to our laboratory (LPF-TAG, UPM) under controlled conditions (15 ºC,
and 70% relative humidity) and immediately examined.
The number of samples as well as the repetitions was conditioned by the
amount of the fruits and time offered by the packing company.
5.2.2.2. NIR equipment
The on-line NIR equipment was installed and tested in a Spanish packing
house, in the main area of production. This device consisted of an optical system
based on three titanium-sapphire lasers (λ1=850nm, λ2=880nm, and λ3=910nm)
placed consecutively above the fruit conveyor (Figure 5.7). Each laser beam enters
the fruit through the lateral side (at a light incidence point somewhere between the
equator and the top of the melon). Transmitted light is recovered by an optical fiber
TesisMª Te
unde
(Iida
solub
firmn
conv
conte
NIR
no in
that t
hous
cold
meas
carro
with
the re
5.2.2
and f
expre
s doctoral eresa Riquel
er the melon
a et al., 200
ble solids c
ness index”
version facto
ents. Accor
outputs on
nformation
the accuracy
e temperatu
storage at
surement da
Samples
ousel, and c
the longitu
ecommenda
2.3. Laborat
In the la
firmness. A
essed as º
lme
n, with the
03). The ou
ontent (ºBr
”). No info
or. Each me
rding to the
the mention
could be fo
y of the equ
ure was ma
first time i
ay.
Figure
commer
(intact me
conducted a
udinal axis
ations of the
tory referen
aboratory, re
A digital ref
ºBrix (accu
correspond
utputs of th
rix), as well
ormation co
easurement
patent deta
ned wavelen
found about
uipment is ±
aintained be
in the morn
5.7. Schem
rcial NIR eq
elons) were
across the o
perpendicu
e company
nce measur
eference me
fractometer
uracy ±0.1
58
ding detecto
he NIR eq
l as the firm
ould be fou
aims to be
ails, a linear
ngths in ord
t the firmne
±0.5ºBrix at
etween 20-2
ning and ke
matic pictur
quipment fo
e manually
on-line NIR
ular to the c
quality cont
rements
easurements
was used o
ºBrix, Ata
or installed
uipment ar
mness (hard
und about t
the average
r regression
der to obtain
ess model.
t constant te
25 ºC, The
ept at room
re of the t
or melons.
y placed in
R equipmen
conveyor be
troller.
s were carri
on unfiltere
ago PR-101
5. Trabaj
underneath
re the estim
dness unit o
this firmnes
e value of t
n model is a
n the SSC e
The manuf
emperature
fruits were
m temperatu
tested
individual
nt. Each fru
elt moveme
ied out for
ed juice to
1, Tokyo,
jos realizad
h the fruit c
mated intern
of “Sumitom
ss index or
the intact fru
applied to t
stimation, b
facturer stat
. The packi
e taken out
ure during t
l cups of t
uit was plac
ent, followi
sugar conte
measure SS
Japan). T
dos
up
nal
mo
r a
uit
the
but
tes
ng
of
the
the
ced
ng
ent
SC
The
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
59
measurements were performed in the external flesh of each melon, but the number of
repetitions was different for each set. For the homogeneous set the average value for
each position (three repetitions/four positions/fruit) was used, while for the
heterogeneous set an average value per fruit (three measurements/fruit) was
calculated.
The firmness was measured with a Universal Testing Machine
(accuracy±0.1%, Texture Analyser TAXT2, Stable Micro Systems Ltd., Surrey,
UK). The Magness-Taylor flesh penetration test was performed on the pulp of half-
melons, at 2.5 cm distance to the skin. An 8 mm diameter cylindrical probe and a
maximum penetration of 8 mm at 20 mm/min deformation rate were used. The
maximum penetration force (Newton) was registered. This destructive test was
performed only on 21 melons out of the heterogeneous sample (n=108); this subset
was selected according to the machine “firmness index”, in order to obtain an equally
distributed classification: softer ≤4.2, harder ≥5.1 and middle firmness (=4.6).
5.2.2.4. Data analysis
The data study was performed with the software Statistica (version 6.1;
StatSoft, Tulsa, OK, USA), in order to analyze the reliability of the information:
precision and accuracy.
• Reproducibility of the measurements
Reproducibility is the capacity of an instrument to give the same result when
a same sample is analyzed under similar experimental conditions throughout
expanded period of time. This parameter is used to analyze the equipment stability in
real conditions:
(1) On-line fruit positions influence
Four positions were marked in each one of the fruits of the homogeneous
sample (n=10), with 90º of separation and perpendicular to the principal axis of the
fruit; starting at the part of the skin where the melon contacts the soil for first
position, and following counter-clockwise (named “a”, “b”, “c” and “d”). Each fruit
was measured with the on-line equipment three times in each position (rotating the
calyx-stem axis in vertical position). In this case, one-way analysis of variance
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
60
(ANOVA) was used to compare between the four positions. A p<0.05 was
considered statistically significant.
(2) Measurement time influence
The homogeneous set was analyzed twice, at the beginning and the end of
the experiment day. Each fruit was measured with the on-line equipment five times
in each phase and same position (10 repetitions by melon in total). A comparison
between both phases was carried out for 10 melons. The comparisons between both
groups was studied using a one-way ANOVA (p<0.05).
• Repeatability of the measurements
Repeatability is the lack of variation in measurements taken by an instrument
on the same experiment under same conditions.
The repeatability values have been calculated similarly to other studies
(Hernández-Sánchez et al., 2003), as the SD by measuring 10 melons (homogenous
set). Each fruit was measured with the on-line equipment three times (repetitions) in
four different positions per melon (rotating the calyx-stem axis in vertical position).
Repetitions for each position were performed without removing samples from the
cups.
At each repetition i, both parameters (sugar and firmness) were registered by
the sensor. The standard deviation SDj was calculated for each fruit j over the three
repetitions. The standard deviation mean (SD ) was calculated for each fruit j over the
4 positions (experiments, p=4). The repeatability error of the measurements is
calculated as the mean SD for all SD of t =10 fruits.
• Model accuracy
The accuracy of a piece of equipment is how close an obtained result to the
true value (reference) is. The prediction accuracy level was determined in both sets
(homogeneous and heterogeneous) by the standard error of prediction (Eq. 4.3), the
bias (E q. 4.4), the bias-corrected standard error of prediction (Eq. 4.5), and the fit of
the model by the coefficient of correlation.
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
61
SEP ∑ C C (Eq. 4.3)
Bias ∑ Cp Ct (Eq. 4.4)
SEP Bias SEPc (Eq. 4.5)
Where
Cti = the true sugar or firmness content value of fruit i.
Cpi = the predicted value using the reference model.
n = the number of fruits in the sample homogeneous (or heterogeneous) set.
The ratio of the standard deviation of the response variable to the SEP
(termed RPD) was calculated to evaluate the model’s success rate and accuracy.
According to some authors (Nicolaï et al., 2007), an RPD value between 1.5-2.0
means that the model can discriminate only between low and high values of the
response variable; 2.0-2.5 indicates that coarse quantitative predictions are possible;
and over 2.5 corresponds to excellent prediction accuracy.
Table 5.7. Characteristics of sample sets of Galia melon used for the reliability
study of a NIR commercial equipment. Values measured with the on-line
equipment (sensor) and the laboratory references.
SSC (ºBrix) Firmness
Reference Sensor Reference[a] Sensor[b]
Homogeneous (n=10)
Min/Max 11.9/14.6 11.80/14.0 — 4.6/5.2
Mean±SD 13.6±0.8 13.2±0.5 — 4.9±0.1
Skewness/Kurtosis -0.80/-0.17 0.92/0.46 — -0.02/0.25
Heterogeneous (n=108)
Min/Max 8.8/13.4 9.2/15.8 10.3/45.6 3.4/5.7
Mean±SD 11.4±0.9 12.3±1.0 21.2±10.2 4.8±0.3
Skewness/Kurtosis -0.44/0.27 0.00/1.52 2.51/6.13 -0.97/4.50 [a] Maximum force Magness-Taylor (n), measured on n=21 samples [b] Hardness unit of Sumitomo firmness index
5.2.3. Results and discussions
The number of fruits measured (n) and the corresponding statistical features
(mean; range; standard deviation, SD) for the two studied sets are shown in Table
5.7. The normality of distribution is satisfactory in all cases except in firmness
measurements for heterogeneous set (Table 5.7: skewness and kurtosis). The SSC
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
62
predicted values are a little lower than the reference in homogeneous set, which
range is even narrower in predicted values (2.2ºBrix) than the reference values
(2.7ºBrix), although the difference is not very high. As for SD, the values measured
by the refractometer are greater than those considered by the sensor. For the
heterogeneous set, the predicted values are a little higher than the reference, with
ranges: sensor of 6.6ºBrix and references 4.6ºBrix. Thus, when a large number of
samples are measured, the reference gives lower values and less variability. The
firmness values show very high differences between sensor and reference values,
both for range and SD.
5.2.3.1. Reproducibility of the measurements
(1) On-line fruit positions influence
The analysis of the on-line four fruit positions shows that the placement of
the fruit influences on the measurement. The correlations (R) obtained for SSC were
between 0.62-0.87, with lower values in the case of firmness (R= 0.42-0.75) (Table
5.8). Explained variability (R2= 0.38 and 0.77 for SSC, and between 0.14 and 0.56
for firmness) indicates that the representativeness of the sampled area is not high in
this equipment, may be due to the fact that the laser lights only a small portion of the
fruit. The refractometer showed a variation in the SSC (ºBrix) for the different
positions between 0.3 and 1.3ºBrix, probably due to the fruit position with regard to
the incidence of the sunlight, a variation that the sensor seems to average.
Table 5.8 Correlations (R) between four positions
measured, for soluble solids (SSC) and firmness.
SSC Firmness
a b c d a b c d
a 1 1
b 0.82 1 0.57 1
c 0.78 0.87 1 0.55 0.38 1
d 0.85 0.62 0.75 1 0.45 0.42 0.75 1
According to Table 5.9, there were significant differences (p<0.05) between
the four positions in both SSC and firmness. The table shows differences between the
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
63
averages of the four positions as expected. The SSC differences among positions
intra-fruit are well-known, and particularly for the melon were already known from
1940 (Scott et al., 1940). Other researchers like Long et al. (2006) also observed
differences between spectra (300–1150 nm) acquired from different positions (calyx,
stem, and equator position).
According to the results obtained for the position influence in the present
work, it could be advisable to install several lasers in different positions, similarly as
proposed by Tian et al. (2007) in watermelon; this way, the detector would receive
and average more optical signal that would cover a larger part of melon. Other
option, chosen by several manufacturers, could be installing a circle of halogen
lamps above the sample, instead of lasers.
Table 5.9. Results of the ANOVA testing for significance between
the four measurement positions.
Factor Error F
SS df MS SS df MS
ºBrix 0.2276 3 0.0759 28.3520 116 0.2444 0.3104*
Firmness 0.0016 3 0.0016 2.4683 116 0.0213 0.0770*
* for significance if p<0.05.
(2) Measurement time influence
Measuring the homogeneous set in two moments of the experiment day
resulted in correlation coefficients of 0.74 for SSC (ºBrix), with significant
difference (p<0.05). For firmness the analysis showed a low correlation for a no
significant difference between both phases (R=0.36, p<0.05). Table 5.10 shows the
results of the ANOVA testing.
Table 5.10. Results of the ANOVA testing for significance
(p<0.05) between the two phases studied.
Factor Error F
SS df MS SS df MS
ºBrix 4.7961 1 4.7961 22.9978 98 0.2347 20.4375*
Firmness 0.0009 1 0.0009 2.9266 98 0.0299 0.0301NS
NS for no significance and * for significance if p<0.05.
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
64
5.2.3.2. Repeatability
The standard deviations computed per fruit (3 repetitions/position) gave
values between 0.00-0.15ºBrix and 0.00-0.06 hardness unit of Sumitomo. The
repeatability errors (SD) are: 0.08ºBrix, and 0.02 hardness unit of Sumitomo;
repeatability values were good enough in both cases, being better for firmness
measurement than the SSC. Hernández-Sánchez et al. (2003) also made a
repeatability study with a commercial equipment (portable NIR device) for apple,
obtaining good repeatability of the measurement with a repeatability error (SD)
0.07ºBrix, very similar to the values obtained in this work.
In the case of firmness, the range measured by the equipment is very small
(Table 5.7) and the values do not fit the real ones. Hence, the firmness estimation is
inaccurate and the probability of obtaining similar values at each repetition is very
high.
5.2.3.3. Model accuracy
The precision and prediction accuracy was verified over both studied sets:
homogeneous (n=10) and heterogeneous (n=108) sample.
Homogeneous sample
The intra-fruit measurement error, calculated as the sensor standard deviation
(12 measurements per fruit) resulted in 0.1 to 0.3ºBrix (for a range of 11.8-14.0).
ANOVA test indicated significant differences between all melons (p<0.05),
in spite of being a sample set selected for its homogeneity. Figure 5.8 shows the
variability of the parameters measured (sensor and reference), where the behavior of
both values can be observed for each fruit. There is only one fruit (#5) very different
from the rest of population, for SSC, even though this set of ten fruits was selected
visually to be homogeneous. Generally, when a new sample is presented to the
sensor, it is able to detect correctly an increase/decrease in the estimation, but not the
accurate ºBrix value.
If the estimated mean values for each sample are compared with the reference
values (Figure 5.9) the correlation coefficient reaches 0.66 (R2=0.44) for these ten
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
65
fruits. This correlation is not enough to build a continuous estimation model, but may
suffice for a sorting algorithm.
Mean; Whisker: Mean±0,95 Conf. Interval
Obs ºBrix Sensor ºBrix
1 2 3 4 5 6 7 8 9 10
Melon number
11,7
12,0
12,3
12,6
12,9
13,2
13,5
13,8
14,1
14,4
14,7S
SC
(ºB
rix)
Figure 5.8. Variability of the soluble solids measured by on-line
equipment and reference parameters, for homogeneous set (n=10).
12,0 12,2 12,4 12,6 12,8 13,0 13,2 13,4 13,6 13,8 14,0 14,2 14,4 14,6
Reference SSC (ºBrix)
11,6
11,8
12,0
12,2
12,4
12,6
12,8
13,0
13,2
13,4
13,6
13,8
14,0
14,2
Sen
sor S
SC
(ºB
rix)
95% confidence Figure 5.9. Correlations for soluble solids (SSC) for the homogeneous
(n=10) set between observed values (reference) and estimated by the on-
line sensor. Dots indicate single measurements on fruits.
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
66
8 9 10 11 12 13 14
Reference SSC (ºBrix)
8
9
10
11
12
13
14
15
16
17
Sen
sor S
SC
(ºB
rix)
95% confidence Figure 5.10. Correlations for soluble solids (SSC) for the heterogeneous set
between observed values (reference) and predicted by the on-line sensor.
Heterogeneous sample
The correlation between measured and predicted SSC values for the
heterogeneous set is shown in Figure 5.10, with a correlation coefficient of 0.60
(R2=0.36) and a computed SEP=1.29ºBrix and an RPD=0.70 (Table 5.11). Although
the SEP value was not so low, the correlation coefficient and the ratio of the SD of
the response variable to SEP (RPD) indicated that the model can not even
discriminate between extreme values of the response variable. When the bias was
corrected, although the SEPC fell to 0.85ºBrix, the RPDC did not improve greatly
(1.06). However, these results agree with the remarks reported by Dull et al. (1989),
who obtained R=-0.60 and SEP=2.18 for intact melons, explaining that these are
high correlations when the complexity of the physical and chemical nature of the
melon is considered.
Our results demonstrate that this piece of commercial NIR equipment gives
only partial information about internal quality of melons, but it is very partial.
Although the sensor did not give the exact real values, it detected a change in the
range (Figure 5.8). Other researchers have obtained good results with NIR for thick
rind fruits. Maruo et al. (2002) achieved high correlations (R=0.94) between a very
similar sensor under controlled laboratory conditions and the reference for melons.
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
67
Also Tian et al. (2007) obtained R≥0.80, SEP between 0.50-0.80 for watermelons;
for mandarins, Kawano et al (1993) achieved a R=0.99, SEPC=0.32, and McGlone et
al. (2003) showed a best result of R=0.96, SEP=0.32%. However, none of these
studies were performed with any commercial on-line equipment, under industrial
conditions. Hence, having in mind that the European Community established (2001)
the marketing standard for Galia melons (refractometric index of the pulp must be at
least 8° Brix), this piece of equipment could be applicable to sort melon fruits by
sugar content in two categories.
Table 5.11. Performance indexes of the NIR
equipment for soluble solids (SSC) and firmness for
the heterogeneous set.
SEP BIAS SEPc R
SSC n=108 (ºBrix)
1.29 0.97 0.85 0.60
Firmness n=21 (Hardness unit)
19.31 -16.60 9.86 0.27
This trial was performed and results are summarized in Table 5.12. As all
samples were marketable (SSC>8ºBrix), a new limit (11.5ºBrix) was established to
sort high-sugar samples from the rest. Overall performance was poor (only 59% of
the melons were correctly classified) and a clear trend was observed: the sensor
estimates a higher class in many cases, which is harmful from the commercial point
of view. The SSC range in the samples was 8.8/13.4ºBrix (Table 5.7).
Table 5.12. Classification results for soluble solid content (n=108). Observed
classifications in rows and estimated classification in columns.
SSC <11.5ºBrix SSC >11.5ºBrix % Well classified
SSC <11.5ºBrix 16 39 29
SSC >11.5ºBrix 5 48 91
%Total 59
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
68
Regarding to firmness results, Figure 5.11 shows the correlation for the 21
melons selected out of the heterogeneous set and measured destructively for firmness
in the LPF-TAG laboratory. The sensor did not behave as well estimating firmness,
with a SEP value of 19.31‘Sumitomo firmness unit’, a very low correlation
coefficient (R=0.27) and RPD=0.48, like shown Figure 5.11 and Table 5.11. Results
are also in agreement with Maruo et al. (2002), who obtained also low correlations
for firmness.
5 10 15 20 25 30 35 40 45 50
Reference firmness (N)
3,2
3,4
3,6
3,8
4,0
4,2
4,4
4,6
4,8
5,0
5,2
5,4
5,6
5,8
Sen
sor f
irmne
ss (S
umito
mo
hard
ness
uni
ts)
95% confidence Figure 5.11. Correlation for firmness for the heterogeneous set between
observed values (reference) and predicted by the on-line sensor.
There is no reference value established for the marketing standard for Galia
melons. However this quality parameter is considered by the consumer at purchase
and other researchers have measured it as Ergun et al. (2007), who obtained values
between 8-14 N with an 8 mm diameter cylindrical probe.
Despite that, this particular on-line equipment used three aligned lasers
throughout the conveyor belt and a NIR transmittance method to be able to measure
fruit with a thick rind, this has not been sufficient to obtain good prediction results.
In both tests (SSC and firmness) the correlation coefficients turned out very low to
establish a direct relation sensor/reference. Most authors noted that there are several
factors, which could influence over the predicted accuracy: fruit size, skin thickness,
light-sensor position, temperature, fruit orientation, sample variability, harvest
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
69
season, production year, growing location, as well as the correct method for
computing the model. Due to these determining factors, the equipment design could
be difficult to operate in an effective way.
Determining the accuracy of a measurement usually requires calibration of
the analytical method with a known standard; if the accuracy is not good enough
even after the bias adjustment, it would be advisable to improve the calibration. The
choice of a proper calibration file has much weight on the final result. Only for the
first time, the user may just choose a factory-default calibration; the following years,
suitable user-generated calibration files must be utilized according to the fruits being
processed. If a more accurate calibration model would have been implemented in the
machine, our results will probably have been better. This proves the importance of
selecting a representative sample for calibration, implementing a bias-correction
procedure, and using the proper calibration file according to species and variety.
In accordance with other studies (Diezma-Iglesias et al., 2004) the fusion of
two or more sensors, based on different measurements techniques (i.e. optics,
acoustic response, vibration) could be a viable solution for enhancing the estimation
performance of fruit internal quality equipment.
5.2.4. Conclusions
A testing procedure has been developed for the assessment of machine
performance intended to measure internal quality parameters in melon using NIR
information applied on a commercial setup. Repeatability for the estimation of
firmness is better than for soluble solids, but the firmness estimation is not accurate,
being very high the probability of obtaining similar values at each repetition.
However, the reproducibility is affected by the fruit position, as the flesh
melon is heterogeneous with respect to SSC. According to our results, the
importance of the calibration is clearly necessary; introducing a bias-correction
procedure is not sufficient if there is a dispersion of values. Maintaining an updated
calibration set and performing periodical calibrations of the equipment is highly
recommended for end users.
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
70
Although the model used by the NIR equipment did not turn out the ideal
(R2=0.36), it allowed to reach some conclusions. The equipment is sensitive to
variations in soluble solid content, but the information is only partial. Correlation
coefficients of 0.6 (sugars) and 0.27 (firmness) and a sorting performance below
60% do not allow a reliable application. Only if the RPD value was maintained
above 2 with a proper calibration, the equipment results were acceptable.
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
71
5.3. ENSAYO DE UN EQUIPO DE INFRARROJO EN LÍNEA DE
CLASIFICACIÓN DE CÍTRICOS (MANDARINAS Y
NARANJAS) SEGÚN SU CALIDAD INTERNA
(TESTING A NIR ON-LINE INSPECTION MACHINE TO SORT CITRUS
(MANDARINS AND ORANGES) FOR ANALYZING THE INTERNAL
QUALITY)
5.3.1. Introduction
For years, different non-destructive techniques have been used to measure the
internal quality of fruits and vegetables (soluble solids, acidity, internal defects, pH,
absence of water-core, firmness and ripeness), a prime consideration in an
increasingly global market. Near infrared (NIR) spectroscopy has been used to
measure internal properties in several types of fruit, including apples (Hernández-
Sánchez et al., 2003; Lamertyn et al., 2000; Peirs et al., 2003; Yan-de et al., 2007),
nectarines (Costa et al., 1999), kiwifruit (Schaare and Fraser, 2000), melons and
pineapples (Guthrie and Wedding, 1998), among others. For citrus fruits, however,
the use of NIR has been more widely studied in mandarins, probably due to the
complex internal structure of citrus (Fraser et al., 2003; Greensill and Walsh, 2002;
Hernández-Gómez et al., 2006; Miyamoto, 1998).
Several researchers have demonstrated the feasibility of using optical
technologies involving transmittance, interactance and reflectance to measure a
variety of internal parameters in different fruits (Nicolaï et al., 2007; Schaare and
Fraser, 2000). At present, non-destructive technologies based on infrared
transmittance have proven useful in tracking the evolution of the internal quality of
agrofood products, which is mandatory for thick-skinned fruits like mandarins
(Kawano et al. 1993; McGlone et al., 2003).
Citrus are among the most consumed fruits in the world, hence the drive to
measure their internal quality using new technologies involving NIR transmittance
on intact mandarins. Several transmission mode studies have been developed to
measure the sugar content (Kawano et al., 1993), acidity (Miyamoto et al., 1998) and
firmness of intact mandarins. The effect of different factors, such as skin (Fraser et
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
72
al., 2003), temperature, variety or maturity (Miyamoto et al., 1998) on internal light
levels has also been investigated.
Recently, the fruit and vegetable industry started installing on-line equipment
for the inspection of internal quality as a means of achieving the standards demanded
by multinational distributors (Fraser et al. 2003; Krivoshiev et al. 2000). Although
the technology used by these equipment manufacturers is scientifically sound, a
better understanding of its use in specific applications is needed. Recently, Huang et
al. (2008) have presented a review showing the evolution of NIR technique until the
development of on-line equipment for sorting of food and beverages, with a wide
section of fruit and vegetables.
With regard to optical equipment working in transmission mode, a variety of
on-line equipment is available on the market based on either conventional light
sources (halogen lamp or incandescent) or lasers. However, very few references
provide validation or performance results for such equipment in an industrial setting
(Nicolaï et al., 2007). Hence the lack of technical information on these equipments,
as neither standard is available for cross comparison.
The main objective of this work is to assess the real estimating internal
quality performance of on-line NIR commercial equipment as applied to mandarins
and oranges.
5.3.2. Materials and methods
5.3.2.1. Fruit samples
Stored fruits from commercial chambers in a packing house in Valencia
(Spain) were selected from different lots to cover the maximum range of variability
regarding internal quality. The experiments were performed over two different
periods (March'05 and May'05). The fruits studied were citrus: mandarins cv.
Nadorcott (n=168+120) and oranges cv. Lanelate (n=84+120).
After recording the spectral data with the on-line equipment at the packing
house, the fruits were transported to Madrid (LPF-TAG, UPM) and immediately
examined.
TeMª
5.
in
op
tra
th
w
pr
at
in
(m
in
m
5.
esis doctoraª Teresa Riq
3.2.2. NIR
The o
nstalled in th
ptical system
ansmission
Samp
hrough the o
was of six
rocedure wa
ttached whic
The q
nternal solu
meq/10ml).
ntact fruit.
manufacturer
13 shows o
al quelme
equipment
on-line NIR
he Spanish p
m and a de
in the 650-
ples (intact
on-line NIR
fruit per s
as automati
ch slid in an
Figure 5.12
NIR equipm
quality para
uble solids
Each meas
However,
r responsibl
other technic
t
R equipmen
packing com
etector insta
970 nm ran
fruits) were
R equipmen
second. Ins
cally perfor
nd out of the
2. Schemati
ment for cit
ameters outp
content (ºB
surement aim
the absor
le for calib
cal data for
73
nt was cust
mpany. The
alled undern
nge (Figure
e manually
nt by a conv
side the lig
rmed by a t
e measurem
c picture of
trus fruit.
puts of the
Brix), as w
ms to be th
rbance spec
bration and
the on-line
tomized an
e machine c
neath the fru
5.12).
placed in
veyor belt; t
ghting tunn
telescoping
ment area as
f the tested c
NIR equip
well as (2)
he average v
ctra were
maintenanc
equipment
5. Tra
nd calibrated
consisted of
uit conveyo
individual c
the conveyo
nel, an on
arm with a
needed.
commercial
pment are (
the total t
value of the
not access
ce of the e
.
abajos reali
d for citrus
f a halogen-b
or to record
cups and p
or operate s
-line calibr
a white refe
l
(1) the estim
titratable ac
e contents o
sible, being
quipment. T
izados
s and
based
d NIR
passed
speed
ration
erence
mated
cidity
of the
g the
Table
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
74
Table 5.13. Technical data provided by the manufacturer.
5.3.2.3. Laboratory reference measurements
In the laboratory, reference measurements were taken for sugar content and
acidity, using the juice extracted by means of a mechanical squeezer; three replicates
for soluble solids content (SSC) and total titratable acidity (TA) were made on each
fruit. A digital refractometer was used to measure SSC expressed as ºBrix (accuracy
±0.1ºBrix; ATAGO PF-101, Tokyo, Japan). TA was determined with an automatic
titrator using NaOH (0.1 N) up to pH=8 and 2 ml of juice diluted in distilled H2O;
the results were expressed as meq/10ml (accuracy ±0.15%; Tritoline, Schott-Gerate
Gmbh, Germany). Units are the same as those used by the on-line equipment.
5.3.2.4. Data analysis
Once the predicted and observed values of soluble solids content and acidity
were determined for both mandarins cv. Nadorcott and oranges cv. Lanelate, the
reliability of the information was analyzed.
The estimating capacity of the NIR equipment was studied using the software
(version 6.1; Statsoft, Tulsa, OK, USA) with regard to: (1) External validation; (2)
Sorting performance; (3) Measurement repeatability; (4) Fruit position influence
during on-line acquisition; (5) Calibration set effect; and (6) Fruit temperature.
Tª range of fruit 5-40ºC
Sugar SEP=0.5ºBrix; Effective range 3-20ºBrix
Acidity SEP=10%; Effective range 0.2-3.0 meq/10ml
Cup width 152 mm
Conveyor belt speed 18-45 m/min
Power supply 380V three-phase 220 single-phase 50/60 Hz + Ground + Neutral
Consumption Sensor and Control: 1500 VA(max)/Unit
Calibration files used Mandarins: ‘Nadorcott3’ and ‘Nadorcott10’ Oranges: ‘Orange11’ and ‘Orange18’
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
75
• External validation
With the aim as to track the degradation of the sensor and its effect on the
proper operation of the in-line equipment, the test compared the results from the two
measurement periods.
Samples gathered in March’05 were used as the calibration set (168
mandarins, 84 oranges), while those from May’05 were used for validation (120
mandarins, 120 oranges). The three repetitions were averaged per fruit to give an
overall value. A regression model was calculated with the calibration set for
determining the SSC value and TA of mandarins and oranges. The model was
subsequently tested with the validation set to determine its predictive ability with
external samples. Two regression models were built, one for each temperature (20ºC
and 10ºC), and they were validated separately.
The quality of each calibration model was quantified by means of the
standard error of calibration (SEC), the standard error of prediction (SEP) and the
correlation coefficient (R) between the predicted and observed parameters (Eq. 4.4).
A robust model should yield not only a low SEC, low SEP and high
correlation coefficient, but also a small difference between SEC and SEP. A non-
robust model can result from a high bias. The bias-corrected standard error of
prediction (SEPc) was also calculated (Eq. 4.5).
SEC or SEP ∑ C C (Eq. 4.4)
SEPc ∑ C C (Eq. 4.5)
where
Cti = the true sugar or acidity content value of fruit i.
Cpi = the predicted value using the reference model.
n = the number of fruits in the sample set (mandarins or oranges).
The ratio of the standard deviation of the response variable to the SEP (RPD)
was calculated to evaluate the model’s success rate and accuracy. According to some
authors (Nicolaï et al., 2007), an RPD value between 1.5-2.0 means that the model
can discriminate between low and high values of the response variable; 2.0-2.5
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
76
indicates that coarse quantitative predictions are possible; over 2.5 corresponds to
excellent prediction accuracy.
• Classification performance
Citrus marketing standards require a minimum ratio of soluble solids
content/titratable acidity, also known as Maturity Index (MI). According to Kader
(2007) the ratio for winter crops –such as mandarins cv. Nadorcott and oranges cv.
Lanelate– should be above 8 (SSC/TA).
The sorting ability of the on-line equipment was also analyzed using the MI
model. To this end, the calibration and validation sets were made up by pooling fruit
from both harvests (March'05 and May'05) to compensate for ripeness.
• Measurement repeatability
Repeatability expresses the lack of variation level in measurements taken by
an instrument in the same experiment under the same conditions.
The repeatability was evaluated, as in other studies (Hernández-Sánchez et
al., 2003), by measuring the SD using 120 fruits from each species. Each fruit was
measured with the on-line equipment three times in the same position (with the
calyx-stem axis in the vertical position) and at two different temperatures (20ºC and
10ºC).
After each repetition i, both parameters (sugar and acidity) were recorded.
The standard deviation SDj was calculated for each fruit j over the three repetitions
according to equation 4.6, where Cpi is the predicted sugar content (ºBrix) or acidity
(meq/10ml), Cp is the average of the predicted sugar content or acidity, and n is the
number of repetitions (n=3) for each fruit.
The repeatability error of the measurements (SD) was calculated (Eq. 4.7) for
all SDj of the analyzed fruits (t=120), separately for each species (mandarin or
orange).
SD ∑ C C (Eq. 4.6)
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
77
SD∑ SD
(Eq. 4.7)
• Influence of fruit position The position was defined according to the relationship between the calyx-
stem axis and the conveyor belt movement for 80 mandarins at 10ºC and 120 oranges
at 20ºC (Figure 5.13): calyx-stem axis in the vertical, parallel or perpendicular
position relative to the conveyor belt movement.
In this case, one-way analysis of variance (one-way ANOVA) was used to
compare the predicted values for the three positions. A p<0.05 was considered
statistically significant.
Figure 5.13. On-line fruit positions: (P1) with the calyx-stem axis in the vertical position; (P2) with the
calyx-stem axis parallel to the conveyor belt movement; (P3) with the calyx-stem axis perpendicular
to the conveyor belt movement.
• Influence of machine calibration model set
The software controlling the equipment allows for predicted and observed
data for new sets of fruits to be stored and for different calibration files to be created.
The most recent two last versions based on mandarins and oranges of the
sugar-acidity calibration file were compared for 80 mandarins and 120 oranges.
Versions ‘Nadorcott3’ and ‘Nadorcott10’ were compared for the mandarins, along
with ‘Orange11’ and ‘Orange18’ for the oranges. Comparisons between both groups
for each species were studied separately using a one-way ANOVA (p<0.05).
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
78
• Influence of fruit temperature
The influence of two fruit temperatures (20ºC and 10ºC) on the on-line
measurement was studied for all fruits from both harvests: 284 mandarins and 204
oranges. This study intends to verify whether this on-line machine is suitable for use
under different temperature conditions or not, since the temperatures involved were
within the theoretical range established by the equipment manufacturer.
The temperature effect and the subsequent one-way variance (ANOVA)
analyses (p<0.05) were studied in combination with the aforementioned factors
(sorting performance, repeatability, fruit position) to search for cross effects.
Table 5.14. Characteristics of sample sets of mandarins and oranges used for the calibration
and validation study. Values measured by the on-line equipment (20ºC and 10ºC) and by the
laboratory techniques (references).
Calibration Validation
Reference Sensor(20ºC) Sensor(10ºC) Reference Sensor(20ºC) Sensor(10ºC)
Man
darin
s ‘N
ador
cott3
’
n 165 165 165 118 118 118
SSC (ºBrix)
Min/Max 11.4/16.6 11.0/15.9 11.1/15.7 11.2/14.3 10.5/13.5 10.6/13.8
Mean±SD 14.04±0.94 13.50±0.81 13.41±0.77 13.04±0.67 12.21±0.63 12.26±0.64
TA (meq/10ml)
Min/Max 1.4/3.3 0.8/1.6 0.9/1.7 0.7/2.2 0.8/1.4 0.8/1.4
Mean±SD 2.20±0.37 1.23±0.15 1.32±0.13 1.26±0.24 1.10±0.12 1.06±0.12
Ora
nges
‘O
rang
e11’
n 84 84 84 120 120 120
SSC (ºBrix)
Min/Max 9.0/15.3 9.8/15.8 9.7/15.6 10.5/14.6 9.2/13.0 9.0/12.7
Mean±SD 11.42±1.08 12.21±0.96 12.02±0.95 12.38±0.88 11.14±0.81 10.86±0.78
TA (meq/10ml)
Min/Max 2.5/5.0 0.9/1.7 0.8/1.6 0.8/2.3 1.0/1.4 1.0/1.4
Mean±SD 3.44±0.58 1.14±0.18 1.11±0.17 1.23±0.25 1.19±0.10 1.18±0.08
5.3.3. Results and discussions
5.3.3.1. External validation
The number of fruits measured (n) and the corresponding statistical features
(means, range, standard deviation) for the different species studied are shown in
Table 5.14. The predicted values were lower than the reference in most cases, except
for soluble solids in oranges; although the difference is general, it is not very high.
As for SD, the values measured by the refractometer were greater than those
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
79
recorded by the sensor. In conclusion, the sensor gave lower values and less
variability.
The calibration and validation results are summarized in Table 5.15. For
mandarins, the SSC model computed a SEC between 0.7-0.8ºBrix, a SEP near
0.9ºBrix with a high correlation coefficient (0.76-0.86) and an RPD below 1.5
(around 0.74). The model can discriminate between low and high values of the
response variable, which indicates the feasibility of using the on-line equipment to
estimate SSC. When the bias was corrected, SEPc fell to 0.34ºBrix and RPDc
improved a little (between 1.5 and 2). For the case of total acidity, the model did not
fare as well (R≈0.11-0.12).
Table 5.15. Calibration and validation results for soluble solids (SSC) and
titratable acidity (TA): Coefficient correlation (R), and standard errors of
calibration and prediction.
R SEC SEP RPD BIAS SEPc RPDc
Mandarins
SSC (ºBrix)
20ºC 0.86 0.69 0.91 0.74 -0.84 0.34 1.97
10ºC 0.76 0.80 0.91 0.74 -0.78 0.45 1.49
TA (meq/10ml)
20ºC 0.12 1.04 0.30 0.80 -0.16 0.25 0.96
10ºC 0.11 0.95 0.32 0.75 -0.19 0.26 0.92
Oranges
SSC (ºBrix)
20ºC 0.87 0.80 1.32 0.67 -1.25 0.44 2.00
10ºC 0.87 0.64 1.59 0.55 -1.53 0.43 2.04
TA (meq/10ml)
20ºC 0.27 2.36 0.24 1.04 0.04 0.24 1.04
10ºC 0.35 2.40 0.24 1.04 -0.05 0.23 1.09
For oranges, the model calculated a SEC value between 0.6-0.8ºBrix, a SEP
value near 0.7ºBrix and a high correlation coefficient (0.87 in both species), with
RPD values below 1.5, indicative of the model’s poor discriminatory ability, and thus
the presence of biased estimation. Just as in the case of the SSC in mandarins,
correcting the bias resulted in an improved value for the standard error of prediction
(highly 2). As before, the model estimated poor TA values for oranges (R≈0.35-
0.27).
For years, several authors have calculated their own models for obtaining the
best calibration. In the case of SSC estimation: Lammertyn et al. (2000) achieved a
SEP=0.55 and a R=0.91 for apples; Schaare and Fraser (2000), obtained R=0.96,
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
80
SEP=0.80 for kiwifruit, Yan-de et al. (2007) obtained a model for apples with an
R=0.92 and SEP=0.73. Little published research exists on acidity, probably because
the typical acid concentration in fruits (other than citrus) is considerably smaller than
that of sugars, and probably too small to affect the NIR spectrum significantly. In
citrus some authors have obtained good results, but research has only been conducted
on mandarins: Kawano et al. (1993), R=0.99, SEC=0.28, SEPc=0.32; Hernández-
Gómez et al. (2006) for SSC R=0.94, SEPc=0.33. However, none of these studies
were performed with any commercial on-line equipment, under industrial conditions.
Two studies showed the performance of two on-line devices to analyze internal
quality in citrus fruits: satisfactory results were obtained for both oranges with
R2=0.95 for SSC, and R2=0.85 for acidity (He et al., 2001); however with a prototype
used to measure grapefruits and honey tangerines, all R2 values were lower than 0.7
(Miller and Zude, 2004).
Most authors note that the results are influenced by several intrinsic factors:
fruit size, skin thickness, light-sensor position, temperature, fruit orientation, sample
variability, harvest season, production year, growing location, as well as the correct
method for computing the model.
The results in Table 5.15 suggest that the commercial on-line NIR sensor
provides a reasonable estimate of the internal quality of citrus in terms of soluble
solids content (ºBrix) mainly in mandarins, though the values obtained for SEP are
above those established by the equipment manufacturer (Table 5.13). The
unfavorable results obtained with oranges may have been due to differences in the
skin thickness for different sets of fruits. Figure 5.14 provides observed vs. predicted
values (soluble solids and acidity).
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
81
Figure 5.14. Correlations for soluble solids and acidity between measured values (references) and values
estimated by the model with the on-line equipment for a validation set. Mandarins (left) and oranges (right) for
both temperatures measured: □ fruit at 20ºC and ○ fruit at 10ºC.
5.3.3.2. Classification performance
Commercial citrus must reach minimum MI values; hence in this study this
quality parameter has been used to sort the fruit according to the estimated values of
NIR equipment. In mandarins due to the higher MI values (being all the pieces
suitable for sale), it was necessary to establish an upper MI limit of 13 to classify
them in two categories, depending on whether or not they were correctly sorted.
Table 5.16 shows these categories for both species and the correct-classification
percentages for each one (<13 for mandarins, and <8 for oranges), which are rather
poor. The low values obtained for MI in mandarins at 20ºC (52% total), maybe due
to a high bias.
y○ = 0,72x + 2,81y□ = 0,81x + 1,60
89
101112131415
8 10 12 14 16
Val
ues
estim
ated
by
the
mod
el
(ºB
rix)
Values measured by the refractrometer (ºBrix)
Soluble solids for mandarins
y□ = 0,79x + 1,28y○ = 0,77x + 1,28
89
101112131415
8 10 12 14 16Val
ues
estim
atd
by th
e m
odel
(º
Brix
)
Values measured by the refractrometer (ºBrix)
Soluble solids for oranges
y□ = 0,06x + 1,03y○ = 0,06x + 0,990,6
0,8
1,0
1,2
1,4
1,6
0,6 0,8 1,0 1,2 1,4 1,6 1,8 2,0 2,2 2,4
Val
ues
estim
ated
by
the
mod
el
(meq
/10m
l)
Values measured by the titrator (meq/10ml)
Acidity for mandarins
y□ = 0,11x + 1,06y○ = 0,118x + 1,030,60
0,80
1,00
1,20
1,40
1,60
0,6 0,8 1,0 1,2 1,4 1,6 1,8 2,0 2,2 2,4Val
ues
estim
ated
by
the
mod
el
(meq
/10m
l)
Values measured by the tetrator (meq/10ml)
Acidity for oranges
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
82
Table 5.16. Classification in two commercial categories of mandarins and
oranges according to the maturity index (MI). Percentages refer to rates
of correctly-classified fruits.
20ºC 10ºC
MI<13 MI>13 % Well classified MI<13 MI>13 % Well
classified
Mandarins MI<13 47 34 57 65 17 79 MI>13 33 26 45 14 44 76 %Total 52 78
MI<8 MI>8 % Well classified MI<8 MI>8 % Well
classified
Oranges MI<8 28 14 67 29 13 69 MI>8 12 48 80 6 54 90
%Total 75 81 Note: Observed classifications in rows and estimated classifications in columns.
Correcting the bias in the machine model would have improved the sorting
results (RPD ≈0.7 for mandarins and ≈0.7 for oranges); nevertheless, the high value
of SEP (≈5.5 mandarins, ≈8 oranges) could be due to a higher dispersion of values,
more than to a high bias (≈4). The bias-corrected procedure has not been sufficient to
improve the prediction results, although the corrected SEP resulted a little lower
(SEPC ≈4 mandarins and ≈7 oranges), the ratio of RPDc kept lower than 2, with a R2
less than 0.4. Thus, according to Nicolaï et al. (2007) the model can only
discriminate low from high values of the response variable.
In this case it is important to emphasize that the MI -used for the
classification- was calculated as soluble solids to acidity ratio. Since the on-line
equipment is not suitable to predict acidity according to previous sections, the sorting
based on MI values should yield bad results. If the accuracy is not good enough even
after the bias adjustment, it would be advisable to improve the calibration.
5.3.3.3. Repeatability
The standard deviations computed over three repetitions per fruit gave values
between 0.00-0.40ºBrix and 0.00-0.09 meq/10ml for both species at 20ºC. At 10ºC,
the range of values was larger in mandarins (0.00-3.12ºBrix and 0.00-0.52
meq/10ml) than in oranges (0.00-0.31ºBrix and 0.00-0.04 meq/10ml). The
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
83
repeatability errors (SD) at both temperatures (20ºC and 10ºC, respectively) were
0.15 and 0.52ºBrix, and 0.04 and 0.09 meq/10ml for mandarins, and 0.15 and
0.15ºBrix, and 0.02 and 0.01 meq/10ml for oranges. This shows that the repeatability
of the TA measurement was better than SSC in both species. Hernández-Sánchez et
al. (2003) also did a repeatability study with a portable commercial equipment used
apples, obtaining good repeatability of the measurement with a repeatability error
(SD) of 0.073ºBrix, very similar to the values obtained in our research.
The repeatability results, along with the reliability of the equipment, are
shown in Figure 5.15. The columns show that the sensor estimated range for soluble
solids was similar to the reference in both species, whereas the acidity range
measured by the equipment was very small and did not match the actual values. The
acid estimate was incorrect, with the probability of obtaining similar values after
each repetition being very high.
Mean Plot: mandarins
20ºC 10ºC Reference11,0
11,5
12,0
12,5
13,0
13,5
14,0
SSC
(ºBr
ix)
Mean Mean±0,95 Conf. Interval
Mean Plot: oranges
20ºC 10ºC Ref erence11,0
11,2
11,4
11,6
11,8
12,0
12,2
SSC
(ºB
rix)
Mean Mean±0,95 Conf. Interval
Mean Plot: mandarins
20ºC 10ºC Ref erence1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
TA
(m
eq/1
0ml)
Mean Mean±0,95 Conf. Interval
Mean Plot:oranges
20ºC 10ºC Ref erence1,0
1,2
1,4
1,6
1,8
2,0
2,2
2,4
Aci
dity
(meq
/10m
l)
Mean Mean±0,95 Conf. Interval
Figure 5.15. Variability of the parameters measured by on-line equipment (20ºC and 10ºC) and
reference parameters, in mandarins and oranges for soluble solids and acidity, measured for all the
fruit from both harvests.
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
84
5.3.3.4. Influence of fruit position
An analysis of the different on-line fruit positions shows that the placement of
the fruit did not have a large influence on the measurement. The correlations (R)
obtained were satisfactory for both mandarins (0.83-0.93ºBrix and 0.89-0.93
meq/10ml) and oranges (0.94-0.97ºBrix and 0.89-0.95 meq/10ml), the values in the
case of mandarins being slightly lower.
According to Table 5.17, only mandarins showed significant differences
(p<0.05) in acidity between the three positions. The table shows differences between
the averages of the three positions.
Table 5.17. Results of the ANOVA testing for significance (p<0.05) between the
three positions studied.
Factor Error F
SS df MS SS df MS
Mandarins (n=80; at 10ºC)
SSC 0.7995 2 0.3997 148.7738 237 0.6277 0.6377NS
TA 0.2085 2 0.1042 5.8710 237 0.0248 4.2082*
Oranges (n=120; at 20ºC)
SSC 3.7524 2 1.8762 251.8885 357 0.7056 2.6591NS
TA 0.0433 2 0.0216 3.5250 357 0.0099 2.1907NS NS for no significance
5.3.3.5. Influence of machine calibration model set
Using different calibration files resulted in correlation coefficients for SSC
(ºBrix) and acidity (meq/10ml) in both species (mandarins and oranges) in excess of
R=0.80. However, an analysis of the variance (Table 5.18) shows significant
differences (p<0.05) in both species (mandarins and oranges) in both predicted SSC
and TA.
Choosing the proper calibration file weighs heavily on the final result. In the
first year, the user may only choose a factory-default calibration. In subsequent
years, suitable user-generated calibration files must be utilized according to the fruits
being processed.
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
85
Table 5.18. Results of the ANOVA testing for significance (p<0.05) between the two
calibration sets studied.
Factor Error F
SS df MS SS df MS
Mandarins
n=80
SSC (20ºC) 1.9581 1 1.9581 37.6683 158 0.2384 8.2131*
TA (20ºC) 2.5671 1 2.5671 1.2136 158 0.0077 334.2159****
SSC (10ºC) 1.5275 1 1.5275 43.4801 158 0.2752 5.5507 ns
TA (10ºC) 3.0516 1 3.0516 1.7313 158 0.0110 278.4987****
Oranges
n=120
SSC (20ºC) 103.4907 1 103.4907 131.7626 238 0.5536 186.9329****
TA (20ºC) 6.6013 1 6.6013 2.3939 238 0.0101 656.3040****
SSC (10ºC) 112.1122 1 112.1122 116.5848 238 0.4899 228.8696****
TA (10ºC) 4.7564 1 4.7564 1.8961 238 0.0080 597.0149****
NS for no significance if p>0.05 and *,**** for significance if p<0.05 or p<0.00001 respectively.
A study of calibration and validation was analyzed between both calibration
sets (using files named ‘Nadorcott3’ and ‘Nadorcott10’ for mandarins, and
‘Orange11’ and ‘Orange18’ for oranges), with the older files (‘Nadorcott3’;
‘Orange11’) being used as calibration sets in comparison with the newer files. The
results obtained (reported for both measurement temperatures, 20ºC/10ºC
respectively) indicate the similarity between both sets individually for each species.
The SSC model computed for mandarins yielded RPD values of 1.67/1.71,
greatly improving to 2.37/1.97 if a bias correction algorithm was applied. For acidity,
a ratio of RPD around 0.36/0.28 was obtained, along with a calculated RPDc of
2.29/2.62. In the case of oranges, the SSC model gave RPD values of 0.62/0.57, and
RPDc of 2.18/1.83. For acidity RPD 0.31/0.29, and RPDc 1.57/1.89. The observed
values prove the importance of periodically calibrating the equipment, implementing
a bias-correction procedure, and choosing the proper calibration file according to
species and variety.
5.3.3.6. Influence of fruit temperature
The sensor ranges obtained at different temperatures (Table 5.14) were very
similar for both species in sugars and acids.
With the calibration and validation test, it is possible to compare the errors
(SEC and SEP) for both temperatures. Table 5.15 shows the values, where the
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
86
differences for SEC fall between 0.11-0.16 for both species; and for SEP between
0.00-0.27. In Figure 5.14, where the regression trends of both sets are separated, the
differences in SEP are clearly observed: TA in mandarins (0.02), and SSC in oranges
(0.27).
The mean values in Figure 5.15 for mandarins and oranges at both
temperatures are very similar. The higher difference is for SSC in mandarins.
Generally the correlation values (R) are greater for 20ºC than for 10ºC.
The combination of different temperatures with different fruit positions did
not largely influence the measurement; the correlations (R) obtained were 0.95 for
SSC and 0.87 for acidity in the case of mandarins, and for oranges, 0.99 for SSC and
0.98 for acidity.
Although the temperatures used in the study were within the range
recommended by the equipment manufacturer (Table 5.13), as Table 5.19 shows,
there were only significant differences (p<0.05) for acidity in mandarins and SSC in
oranges resulting from fruit temperature. Temperature differences between
calibration and validation sets mainly cause bias. Peirs et al. (2003), for example,
found a bias of up to 0.3% ºBrix/ºC when the soluble solids content of apples was
10ºBrix.
Table 5.19. Results of the ANOVA testing for significance (p<0.05) between the
two temperatures studied.
Factor Error F
SS df MS SS df MS
Mandarins n=284
SSC 0.0524 1 0.0524 540.5288 568 0.9516 0.0551 NS
TA 0.2256 1 0.2256 16.3387 568 0.0288 7.8430*
Oranges n=204
SSC 5.9732 1 5.9732 425.7522 406 1.0487 5.6961*
TA 0.0411 1 0.0411 7.2936 406 0.0180 2.2860 NS NS for no significance if p>0.05 and * for significance if p<0.05
5.3.4. Conclusions
The repeatability and reproducibility estimates for soluble solids content
(ºBrix) indicate that the use of on-line NIR equipment for citrus is reliable. For this
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
87
objective, repeatability of titratable acidity estimates was better than for soluble
solids, though SEC and SEP values make the acidity estimation model unusable.
The reproducibility was, however, affected by fruit temperature, fruit position
and calibration set, being the effect of fruit temperature greater than the others. According
to our results, fruit temperature during measurements and fruit position in the
conveyor cup did not affect the final estimate to a great extent, although some
influence was observed (e.g. acidity estimate in mandarins). The effect of the
calibration set was obvious in every case, introducing a bias in the estimate of
0.2ºBrix for mandarins and 1.4ºBrix for oranges, or 0.3 meq/10ml in both species.
Maintaining an updated calibration set and performing periodical calibration of the
equipment is highly recommended for end users.
It may be concluded that the equipment could be suitable for sorting citrus
fruits by sugar content (ºBrix), but not by titratable acidity (meq/10ml). Models were
developed for sorting into categories (low/high maturity index, calculated as soluble
solids to acidity ratio). The percentage of fruits correctly classified by the machine
used in our study was consistently below 81% for maturity index.
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
88
5.4. ENSAYO DE UN EQUIPO COMERCIAL PORTÁTIL DE NIR
PARA LA ESTIMACIÓN DE SÓLIDOS SOLUBLES Y ACIDEZ
EN CÍTRICOS
(TESTING A PORTABLE NIR COMMERCIAL EQUIPMENT FOR
ESTIMATING SOLUBLE SOLIDS AND ACIDITY IN CITRUS FRUITS)
5.4.1. Introduction
Nowadays, near-infrared spectroscopy is being applied in different fields as
agriculture, foods processing, chemical industry, pharmaceutical products, etc. The
instrumental progress, the automatization and the incorporation of computers in the
data acquisition and control, allows the fast gathering of large amounts of analytical
data. In this context, the use of multivariate analysis or chemometrics is required to
enable the extraction of useful information as pointed by several revision studies
(Feudale et al., 2002; Roggo et al., 2007).
In the analysis of NIR spectroscopy data, it is common to use some kind of
pre-processing tools prior to the application of multivariate calibration: Orthogonal
System Calibration or “OSC” (Greensill and Walsh, 2002), Standard Normal Variate
or “SNV” (McGlone et al., 2003; Chauchard et al, 2004), Multiplicative Scatter
Correction or “MSC” (Hernández-Gómez et al., 2006; Maleki et al., 2007), among
others. However, Peirs et al. (2002) when comparing seven pre-processing
techniques concluded that none of them significantly improve the accuracy of the
models.
Chemometrics is a technique that has revolutionized analytical chemistry
since the 1960, mainly in NIR spectroscopy. According to the International
Chemometrics Society (ICS), "Chemometrics is the science of relating measurements
made on a chemical system or process to the state of the system via application of
mathematical or statistical methods". Typical applications of chemometric methods
are the development of quantitative structure activity relationships or the evaluation
of analytical chemical data. Various methods have been presented for building
calibration models which make use of multivariate method. Among them, partial
least squares (PLS) regression is the most richly spread, followed by principal
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
89
component regression (PCR), where factors that relate to variation in the response
measurements are regressed against the properties of interest (Cozzolino et al., 2007;
Feudale et al., 2002); instead, multiple linear regression (MLR) is adequate for a
small number of variables (Chauchard et al, 2004). Calibration transfer in
multivariate calibration is one of the most important and key issues in near-infrared
spectral analysis technology; this technique is used to find the transformation relation
between two instruments or sets of data of the same type, so that the model
established for one instrument could be used on the other to predict the spectral
response (Li et al., 2007). As stated by Yoon et al. (2002), the calibration transfer is
not as simple as it seems, since unsatisfactory predictions can be due to a variety of
factors, such as skin (Fraser et al., 2003), temperature, variety or maturity (Miyamoto
and Kitano, 1998), and they are still being investigated.
During last years, NIR is being increasingly used in horticulture for the
internal quality inspection of whole fruits and vegetables. Previous studies have
shown that NIR can be used as a rapid and non-destructive technique, capable of
measuring wide chemical and physical properties: soluble solids, acidity, firmness,
internal disorders, etc. The NIR technique is already installed on-line in the fruit and
vegetable industry for the inspection of internal quality (Nicolaï et al., 2007);
however, these equipments are not suitable to measure on the tree. Nowadays, the
producers of fruits and vegetables demand portable equipments in order to perform
fruit monitoring and to predict the harvest optimum date. Thus, some NIR portable
equipments are commercialized or are being developed. These methods enable to
collect data without having to extract samples, obtaining information instantly and
non-destructively; moreover several quality parameters can be simultaneously
estimated.
Several researchers have analyzed the real estimating capacity of portable
NIR commercial equipments or have developed prototypes, generally based on
interactance methods. These portable equipments try to compress in tight dimensions
all components of a conventional spectrophotometer: NIR spectroscopy (light source,
optical fiber, diffraction grating, and detector) and internal software of statistical
analysis to predict the different parameters, in addition to battery power and memory.
Some portable commercial equipment with their corresponding technical data has
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
90
been summarized in Tabla 2.4. Most of the handheld equipments are calibrated for
measuring different parameters (pH, acidity, sugar, etc.) according to the needs of
each type of fruit.
Some of the portable equipments summarized in Tabla 2.4 have been studied
by several researchers to analyze the reliability of such. ‘Quality Station’ was applied
by Fadanelli et al. (2002) over several varieties of apples and by Guidetti et al.
(2005) over different sets of fruits, who compared the results with SSC and firmness
with the traditional destructive method; the portable fruit analyzer with a gun-shape
emits the halogen light through six optical fibers displayed in a circle, and the
seventh central fiber connected to the spectrometer receives the reflected light. Other
equipment with gun-shape, dubbed ‘FQA-NIR GUN’ was tasted by Peano et al.
(2006) in three varieties of nectarines.
’Le Vigneron’ was used to collect spectra from wine grapes and wine
products (Nazarov et al., 2005); this unit, is based on AOTF-NIR (acousto-optic
tunable filter, near-infrared) technology, backed up by powerful chemometrics based
statistical analysis: MLR, PCA, PCR, PLS and discriminate analysis, using
singularly or in combination.
The first results of ‘GLOVE’ handheld equipment was presented by Bellon-
Maurel et al. (2001). It consists of an original NIR portable glove-shape, designed in
a European project (GLOEVE, PL 97-3399) thanks to the collaboration among five
research groups. The sensors are namely: a VIS-NIR diode array spectrometer, an
impactor-sound detector and a caliper; years later, Hernández-Sánchez et al. (2003)
focuses their research on the metrological characteristics of the sugar content
application and the influence of external parameters involved in the lack of
robustness of the infrared based model. A similar project developed a robust and
portable sensor for measured acidity in grapes based on LS-SVM (Least Square
Support Vector Machine), being the most accurate prediction, compared to PLSR
and MLR; subsequently this device was knew as ‘TROMBLON’ (Chauchard et al.,
2004).
Temma et al. (2002) also developed a portable device tested mainly in apple
varieties. The instrument was evaluated in several ways, including the value of the
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
91
full width at half maximum (FWHM); finally the calibration equation made use of
887 and 912 nm with regard to second derivate value of absorbance.
Herold et al. (2005) studied the usability of a portable spectrometer
equipment to measure the development of apples on the tree: SSC and firmness. The
device consisted of two main parts: (1) a stationary part fitted into a backpack and (2)
a portable part with the spectrometer module attached to the forearm with a sensing
probe that is guided by hand. Recently, Zude et al. (2007 and 2008) have used the
‘Pigment Analyzer’ to measure sucrose, reducing sugars in carrots and carotenes and
soluble solids content in citrus fruits respectively.
The Central University of Queensland has developed a portable NIR device,
which was trialled among other for mango assessment and as a harvest time guide to
final eating quality (Subedi et al., 2006).
The main objective of this work was to evaluate the estimation capacity of a
commercial portable NIR device for the measurement of internal quality in fruits,
mandarins and oranges, with special attention to the estimation of SSC and acidity.
5.4.2. Materials and methods
5.4.2.1. Sample sets
Stored fruits from commercial chambers in a packing house were selected
from different orchards to cover the maximum range of variability regarding internal
quality. The experiments were performed over two different periods (March'05 and
May'05). The fruits studied were citrus: mandarins cv. Nadorcott (n=241 with fruits
from four orchards) and oranges cv. Lanelate (n=190 with fruits from three
orchards).
Spectral data were recorded on citrus fruits with the portable equipment at the
packing house where the sample were also analyzed with on-line equipment
immediately after (Riquelme et al., 2008). The fruits were then transported to Madrid
(LPF-TAG, UPM) where reference measurements were made and examined for the
reference values.
TesisMª Te
5.4.2
meas
syste
strate
instru
range
meas
advis
Figure
holde
betw
intern
ºBrix
the a
5.4.2
Usin
SSC
to m
acidi
s doctoral eresa Riquel
2.2. NIR equ
The opt
surements w
em of the in
egically pl
umentation
e between 6
The equi
sured in two
se.
e 5.16. NIR p
Samples
er with out
ween 50 ms
nal softwar
x), and total
average valu
2.3. Laborat
In the la
ng the juice
and TA we
measure SSC
ity (TA) wa
lme
uipment
tical equipm
was a comm
nstrument co
aced as to
makes use
600 and 110
ipment was
o different t
portable equi
(intact citr
tput respons
s for manda
e with mod
l titratable
ue of the con
tory referen
aboratory, r
e extracted
ere made fo
C (accuracy
as determin
ment (Figu
mercial por
onsists of a
o guarantee
of a diffrac
00 nm.
calibrated
temperature
ipment and s
rus) had to b
se below 1
arins and 2
dels as to de
acidity (TA
ntents for th
nce measur
reference m
by means o
or each indi
y ±0.1ºBrix
ned with an
92
ure 5.16) u
rtable NIR
small halog
e an intera
ction grating
for each spe
es (20ºC and
summary of a
be manuall
.5 s, from
280 ms for
fine estimat
A, meq/10m
he whole int
rements
measurement
of a mecha
ividual fruit
x, ATAGO
n automatic
used to ma
fruit qualit
gen lamp an
actance sam
g to split the
ecies indivi
d 10ºC), fol
applied meth
y placed in
which spec
r oranges. T
tion for solu
ml); each me
tact fruit.
ts were tak
anical squee
ts. A digita
PF-101, T
titrator usi
5. Trabaj
ake the no
ty analyzer
nd a silicon
mple prese
e light withi
dually, with
llowing the
hodology.
n the sample
ctrum acqui
The equipm
uble solids c
easurement
ken for SSC
ezer, three
l refractom
Tokyo,Japan
ing NaOH (
jos realizad
on-destructi
r. The optic
array detect
entation. T
in the spectr
h a sample s
manufactur
e presentati
isition rang
ment provid
content (SS
aiming to
C and acidi
replicates f
eter was us
n,). Titratab
(0.1 N) up
dos
ive
cal
tor
The
ral
set
rer
on
ged
des
SC,
be
ty.
for
sed
ble
to
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
93
pH=8 and 2 ml of diluted juice in distilled H2O; the results were expressed as
meq/10ml (accuracy ±0.15%, Tritoline, Schott Gerate Gmbh, Germany). Units are
the same as those used by the on-line equipment, as referred in a previous publication
(Riquelme et al., 2008).
The maturity index (MI = soluble solids/titratable acidity ratio) and the
juiciness (percentage of juice weight, with respect to the total fruit weight) were also
calculated since both are a requisite for minimum quality in the commercialization of
citrus fruit.
5.4.2.4. Data analysis
At a first step, spectra were processed with the internal software of the
portable equipment. In a more detailed and devoted procedure, the spectra registered
were exported and analyzed with Statistica (version 6.1; StatSoft, Tulsa, OK, USA)
and Matlab (version 7; Math Works, Inc., USA), both for mandarins cv. Nadorcott
and oranges cv. Lanelate, in order to segregate the reliability of the portable
estimation tool with regard to the quality of the NIR spectrophotometer itself.
Whereas the later (external software) refers to the sensitivity of the instrument the
former (internal software) illustrates the intelligence of the processing tool.
In all cases, samples gathered in March’05 were used as the calibration set
(122 mandarins, 72 oranges), while those from May’05 were used for validation (119
mandarins, 118 oranges). Six spectra were scanned for each piece of fruit (three at
20ºC and three at 10ºC), always in same point.
• Model accuracy provided by the internal software of the portable equipment
The estimation accuracy level obtained with the internal software was
determined in both species by the standard error of calibration (SEC), the standard
error of prediction (SEP), the bias, the bias-corrected standard error of prediction
(SEPc), and the fit of the model by the coefficient of determination (R2).
• Further spectral analysis with external software
Further spectral data analysis has been performed on the spectra in the range
609-1072 nm (some as used by the internal software).
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
94
Two correction algorithms have been used previous to model building in this
work over all the spectral data in order to compensate the additive and multiplicative
effects in the spectra: (1) Multiplicative scatter correction (MSC), calculated
similarly to other studies (Maleki et al., 2007); (2) Mean centered (MC), which
consisted in subtracting to each spectrum the average spectra.
After proper pre-processing of spectra, two multiple linear regression
methods were applied: (1) partial least squares (PLS) regression (PLS_toolbox;
Eigenvector Research, Manson, USA); and (2) principal component analysis (PCA)
plus PLS. Cross-validation procedure was used to determine the optimal number of
latent variables (LV) in the model (up to a maximum of 20), which coincides with
the minimum value of error of calibration set in cross-validation (SEV). Once
completed, the calibration model was applied to the external validation set (Roger,
2005).
After observing the results of PLS the researchers decided to study in depth
the data sets with a PCA were used to investigate sample spectra for obtain
qualitative information of samples.
• Reproducibility of NIR estimation: temperature
Reproducibility is the capacity of an instrument to give the same result when
the same sample is analyzed under similar experimental conditions throughout
expanded period of time. This parameter is used to analyze the equipment stability in
real conditions.
The influence of two fruit temperatures (20ºC and 10ºC) on the estimation
with the portable instrument was calculated. This study intends to verify whether this
portable device is suitable for use under different temperature conditions or not, since
the temperatures involved were within the theoretical range established by the
equipment manufacturer.
One-way analysis of variance (ANOVA) was used to compare between both
temperatures; a p<0.05 was considered statistically significant. The Bias between
both temperatures was also calculated.
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
95
5.4.3. Results and discussions
The number of mandarins and oranges measured (n) and the corresponding
statistical characteristics (means, range, standard deviation) for reference parameters
within the calibration and validations sets are given in Table 5.20. Sugar and
juiciness show similar values comparing calibration and validation set, but the
acidity level is higher for samples harvested during the first period (March,
calibration set), and thus the MI ratio is affected in the opposite way.
Table 5.21 shows the correlation matrix for the four reference parameters:
soluble solids content (SSC, ºBrix), titratable acidity (TA, meq/10ml), maturity index
(MI) ratio and juiciness (%). The correlation achieved the highest results between TA
and IM; indicating that MI ratio is more influenced by the TA than by the SSC.
Table 5.20. Characteristics of sample sets of mandarins and oranges used for the
calibration and validation study. Values measured by the laboratory techniques
(references).
Calibration (CAL) Validation (VAL)
Mean±SD Min/Max Mean±SD Min/Max
Mandarins Ncal=122 Nval=119
SSC (ºBrix) 14.25±0.74 11.4/16.5 13.00±0.84 7.5/14.6
TA (meq/10ml) 2.30±0.36 1.6/3.4 1.26±0.24 0.6/2.3
MI (ºBrix/(meq/10ml)) 6.32±0.88 4.2/8.8 10.69±2.11 20.8/5.9
Juiciness (%) 40.02±3.03 31.0/45.9 43.44±3.97 34.0/52.6
Oranges Ncal=72
Nval=118
SSC (ºBrix) 11.56±1.09 9.1/15.4 12.39±0.89 10.3/14.8
TA (meq/10ml) 3.51±0.58 2.5/5.0 1.23±0.25 0.8/2.3
MI (ºBrix/(meq/10ml)) 3.35±0.48 2.5/4.5 10.43±1.80 5.9/16.2
Juiciness (%) 36.5±6.6 22.6/50.1 33.82±3.87 17.4/41.6
Table 5.21. Correlations between different features of citrus studied.
SSC TA MI Juiciness
Mandarins
SSC 1 TA 0.64 1 MI -0.45 -0.92 1
Juiciness -0.29 -0.39 0.29 1
Oranges
SSC 1 TA -0.22 1 MI 0.35 -0.94 1
Juiciness -0.03 0.25 -0.25 1
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
96
5.4.3.1. Model accuracy provided by the internal software of the portable
equipment
Table 5.22 shows the calibration and validation results using the internal
software of the portable equipment predicting SSC and TA values for both species
studied; the low correlation coefficients (R) of external validation proves that the
system is not accurate (lack of adjust for calibration) nor robust (low performance
under external validation) for citrus fruits. Other portable equipments in the literature
achieved much better results (Peano et al., 2006; Temma et al., 2002).
Table 5.22. Calibration and validation results for soluble solids (SSC) and
titratable acidity (TA): Coefficient correlation (R), and root mean squared errors
of calibration and prediction.
Calibration Validation
R SEC R SEP Bias SEPc
Mandarins SSC (ºBrix) 0.46 0.69 0.24 1.23 -0.38 1.17
TA (acidity units) 0.33 8.25 0.08 2.45 2.27 0.93
Oranges SSC (ºBrix) 0.70 0.78 0.45 1.59 -1.11 1.14
TA (acidity units) 0.46 15.84 0.06 2.14 1.95 0.88
5.4.3.2. Further spectral analysis with external software
After observing that the predicted values with the internal software were bad
enough and provided the original spectra, the LPF-TAG researchers performed a
deep study of the data using chemometric techniques (PLS and PC), trying to take
maximum advantage of spectral data.
Table 5.23 shows the results obtained with Partial Least Square (PLS)
analysis to each parameter studied. For the validation set the correlation coefficients
(R) obtained with the external model improved with respect to the obtained with the
internal software of the portable system.
Riquelme et al. (2008) measured the same pieces of citrus fruits (mandarins
cv. Nadorcott and oranges cv. Lanelate) with an on-line commercial equipment,
which optical system worked in transmittance mode. The models in the on-line
equipment yielded the following results: for SSC on mandarins: R=0.81,
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
97
SEP=0.91ºBrix, SEPc=0.40ºBrix and on oranges: R=0.87, SEP=1.46ºBrix, SEPc=
0.44ºBrix); and for TA on mandarins: R=0.12, SEP=0.31 meq/10ml, SEPc=0.26
meq/10ml and on oranges R=0.31, SEP=0.24 meq/10ml, SEPc=0.24 meq/10ml.
Comparing calibration and validation data for both equipments (on-line and
portable); the results demonstrated that the on-line equipment performed better than
portable equipment for SSC, that is transmittance mode is more reliable than
interactance mode for citrus. This incident has been demonstrated by several authors,
whose work concluded the need of using NIR transmittance for thick-skin fruit like
mandarins, oranges, grapefruits, melon or watermelon. MacGlone et al. (2003)
compared three modes of visible-near infrared spectroscopic measurement
(reflectance, interactance and transmittance) for mandarin cv. Satsuma, concluding
that the transmittance mode gave the most accurate SSC predictions (R=0.96,
SEP=0.32%) for nine factors while obtaining R=0.92 and SEP=0.47% with ten
factors for interactance mode, a reasonably good accuracy in comparison to our data
in Table 5.23.
Table 5.23. Summary of Cross-Validation and external validation results for
mandarins and oranges calibration model developed using PLS analysis for
soluble solids content (SSC), titratable acidity (TA), maturity index (MI) and
juiciness.
Internal calibration External validation
minlv R SECV SEPV R SEP SEPc
Man
darin
s SSC (ºBrix) 14 0.57 0.58 0.61 0.73 1.06 1.21
TA (meq/10ml) 8 0.35 0.32 0.33 0.00 0.95 1.38
MI (ºBrix/(meq/10ml)) 9 0.33 0.81 0.83 0.00 4.55 0.42
Juiciness (%) 8 0.32 0.82 2.88 0.17 4.53 0.77
Ora
nges
SSC (ºBrix) 13 0.69 0.70 0.79 0.46 2.40 0.80
TA (meq/10ml) 10 0.52 0.47 0.50 0.14 1.97 0.29
MI (ºBrix/(meq/10ml)) 9 0.37 0.42 0.45 0.00 7.29 1.80
Juiciness (%) 10 0.66 4.63 4.94 0.17 8.81 5.44
In this study, the correlation values (R) for total acidity are still of practical
use which was also confirmed with the on-line equipment. Throughout the years,
SSC and TA have been the most studied quality parameters with optical properties,
however for acidity it has been difficult to obtain robust models, especially in citrus
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
98
fruit; McGlone et al. (2004) and Cayuela (2008) obtained correlation coefficients
below to 0.80, concluding that the accuracy of the developed models was poor.
Thus our PLS results (summarized in Table 5.23) were poor compared to
other researchers which obtained models with R above than 0.90, both in citrus and
other fruits. Hence a Principal Component Analysis (PCA) was applied in order to
address the behavior of the individual samples and to evaluate the feasibility of
improving the estimation models.
PCA was processed for both species (mandarins and oranges) and fruit
temperatures (20ºC and 10ºC). The raw absorbance spectra for each piece of fruit
were the inputs in the PCA. Using a centered data as pretreatment, seven principal
components (PC) were required to explain (99% variance total). With the first
principal components explaining nearly 52% of variance captured.
Figure 5.17-a shows the raw spectra for all citrus measured (mandarins and
oranges), which was placed strategically on top of the gray map (displaying the
correlation coefficient of each wavelength with regard to each of the PCA scores,
PC1 to PC20) in order to help to the interpretation of the data. This kind of
representation shows relations beyond the main ones. For example, as usual the first
PC (PC1) is highly correlated with many parts of the spectra (regions between 600
and 687nm –darker– and between 726 and 924nm –lighter-); this illustrates the fact
that the fist principal component depicts the general shape of the curves. However a
640-687 nm band was related to a higher extent with PC5 (whiter colour), while the
region among 924-1072 nm relates more with PC2, PC3 and PC4, a stated by
corresponding intensity patterns.
The first seven PC factors scores were represented per pairs (not shown) in
order to analyze globally the behavior of the samples. The temperature influence was
clearly seen in all graphs with a displacement of the cloud data, also in accordance
with an ANOVA test performed for the seven PCs (Table 5.24).
A major conclusion of such ANOVA is that ‘period’ (harvest time) and
‘orchard’ lightly affects PC3 and PC7 in spite of temperature.
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
99
Figure 5.17. Graph representation. (a) Raw spectra of absorbance for all citrus fruits (241
mandarins, 190 oranges) analyzed after MSC pretreatment. (b) Surface plot (gray map) of the
autocorrelation matrix between wavelengths in abscissas and scores of PC in ordinates. White
areas represent higher correlation.
Table 5.24. Results of the significance test (F and p) in ANOVA between the first seven PC
scores and the different treatments (species, temperature, period and orchards) for all fruits
together.
PC1 PC2 PC3 PC4 PC5 PC6 PC7
Specie 1.50 NS 837.47**** 157.14**** 36.39**** 112.11**** 604.11**** 86.15****
Temperature 660.73**** 116.26**** 2.14NS 0.11 NS 1.34 NS 0.00 NS 62.02****
Period 28.70**** 427.83**** 721.90**** 89.19**** 3.37NS 97.35**** 0.42 NS
Orchard 139.85**** 160.33**** 47.53**** 7.58**** 85.31**** 106.32**** 40.59**** NS for no significance if p>0.05 and **** for significance if p<0.00001.
The absorbance spectra with MSC for both species (Figure 5.18-a mandarins
and Figure 5.18-b oranges) and after pretreatment are very similar; however, the
ANOVA test indicates that the PCA extracts differences between species with a high
significance level (p<0.00001). So, the NIR spectroscopy could be used to
647 687 726 766 805 845 884 924 963 1003 10420
0.5
1
1.5
Abs
orba
nce
Log(
1/T)
Wavelength (nm)
Var
ianc
e ca
ptur
ed (%
) by
each
Prin
cipa
l Com
pone
nt
647 687 726 766 805 845 884 924 963 1003 1042
51.87% PC119.39%PC215.62% PC36.73% PC42.80% PC51.97% PC60.57% PC70.35% PC80.24% PC9
0.15% PC100.09% PC110.05% PC120.03% PC130.02% PC140.02% PC150.01% PC160.01% PC170.01% PC180.01% PC190.01% PC20
647 687 726 766 805 845 884 924 963 1003 10420
0.5
1
1.5
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
(a)
(b)
Cor
rela
tion
coef
ficie
nt
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
100
distinguish species or varieties. Seregély et al. (2004) and Steuer et al. (2001)
showed the possibility of separating melon genotypes and citrus oils respectively.
Moreover, in this research temperature, orchard and period are also highly significant
(p<0.00001).
Figure 5.18-c and Figure 5.18-d show clearly different groups or clouds of
data (three for mandarins and two for oranges), which indicate that PCA is able to
detect minimal differences in the NIRs spectra of fruit sets. In Figure 5.17 it was also
possible to see this effect linked with PC5. Analyzing in detail the groups shown
with 3D PCA plots, it was observed that each one is a mixture of orchards and
periods.
MANDARINS ORANGES
Figure 5.18. Plots separating both species mandarins (left) and oranges (right). (a) and (b)
raw spectra of absorbance for individual samples after MSC pretreatment. PC scores plots of
three-dimensional are derived from (c) PC4, PC5 and PC2, and (d) PC1, PC5 and PC3;
Plotted points represent individual samples (solid symbol: 20ºC; empty symbol: 10ºC).
650 700 750 800 850 900 950 1000 10500
0.2
0.4
0.6
0.8
1
1.2
1.4
Wavelength (nm)
Abso
rban
ce L
og(1
/T)
(a)650 700 750 800 850 900 950 1000 1050
0
0.2
0.4
0.6
0.8
1
1.2
1.4
Wavelength (nm)
Abso
rban
ce L
og(1
/T)
(b)
-20-10
010
20
-10
0
10
20-30
-20
-10
0
10
20
Score 4Score5
Scor
e 2
Group 2
Group 1
Group 3
(c) -60-40
-200
2040
-10
0
10
20-60
-40
-20
0
20
Score 1Score5
Scor
e 3
Group 4Group 5
(d)
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
101
According to the results on Table 5.22, 5.23 and 5.24 or graphical
representation in Figure 5.17 and Figure 5.18, it is possible to conclude that the
spectral variability can be influenced by several factors, since variations in the
equipment used (light intensity, white of reference, etc.), the fruit features (like thick-
skin, cavities, seeds, etc.) or external conditions (temperature, humidity, etc.)
indirectly influence the final outcome, specially with portable equipments where the
external conditions never can be fully controlled. A statistical analysis with apples
showed that seasons and cultivars were responsible over spectral variability, whereas
the influence of the orchards was low (Peirs et al., 2003). Also the effect of the fruit
skin was investigated over mandarins, concluding that the thick skin is highly
attenuating (Fraser et al., 2003). Having seen these results of accuracy, it is possible
to confirm the importance of the selection of calibration set. All these factors are
influencing in the spectra variability obtained with citrus fruits in this work, minimal
differences but those has been detected by PCA and probably were the reason of
poor calibration model and little robustness.
If PLS test is applied to each one of these groups (G) separately, it was
observed that correlation coefficients significantly improved, however the best
models obtained (Figure 5.19) were: for SSC in mandarins was increased from
R=0.57 (R2=0.32) in the case without PCA selection to R=0.74 (R2=0.55) for G3
after PCA selection, reducing the calibration error 0.10ºBrix; SSC in oranges was
increased from R=0.69 (R2=0.48) in the case without PCA selection to R=0.71
(R2=0.50) for G4 after PCA selection, reducing minimally the calibration error;
Juiciness in oranges was increased from R=0.66 (R2=0.43) in the case without PCA
selection to R=0.69 (R2=0.48) for G5 after PCA selection, reducing the calibration
error 1.62ºBrix. Therefore, with the PCA selection the results approached these of
other research works. Recently, Cayuela (2008) obtained with NIR reflectance over
oranges cv. Valencia Late (SD=1.36ºBrix) a model for soluble solids R=0.96 and
SECV=0.51ºBrix in the internal validation for ten factors, showing SEP=0.51ºBrix in
the external validation exercise; and for mandarin cv. Satsuma (SD=0.66ºBrix or
0.30 for pH), Hernández-Gómez et al. (2006) got the best calibration models with a
R=0.97 (SEC=0.16ºBrix) for SSC, and R=0.87 (SEC=0.11) for pH.
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
102
Soluble solids content for mandarins
1 3 5 7 9 11 13 15 17 19Model complexity (number of latent variable)
0,2
0,3
0,4
0,5
0,6
0,7
0,8
Cor
rela
tion
coef
ficie
nt (R
)
R without PCA selection R with PCA selection
Soluble solids content for mandarins
1 3 5 7 9 11 13 15 17 19Model complexity (number of latent variable)
0,40
0,45
0,50
0,55
0,60
0,65
0,70
0,75
0,80
0,85
Cal
ibra
tion
erro
r (ºB
rix)
SEPV without PCA selection SECV without PCA selection SEPV with PCA selection SECV with PCA selection
Juiciness for oranges
1 3 5 7 9 11 13 15 17 19Model complexity (number of latent variable)
0,2
0,3
0,4
0,5
0,6
0,7
0,8
Cor
rela
tion
coef
ficie
nt (R
)
R without PCA selection R with PCA selection
Juiciness for oranges
1 3 5 7 9 11 13 15 17 19Model complexity (number for latent variable)
2,0
2,5
3,0
3,5
4,0
4,5
5,0
5,5
6,0
6,5
Cal
ibra
tion
erro
r (%
)
SEPV without PCA selection SECV without PCA selection SEPV with PCA selection SECV with PCA selection
Figure 5.19. Plots of correlation coefficient (R) on left and external calibration errors on right
(SECV and SEPV) for sample without PCA selection and with PCA selection.
In this point, it could be interesting to make a calibration transfer between
spectral clouds using techniques as a piecewise direct standardization (PDS) as
proposed Alamar et al. (2007) who concluded that PDS could reduce below 0.7% the
spectral differences.
5.4.3.3. Reproducibility of NIR estimation: temperature
Although the equipment was calibrated with two different fruit temperatures
(20ºC and 10ºC) of citrus fruit, the analysis of estimated reproducibility shows that
the fruit temperature of the fruit influences largely the estimation. The correlation
coefficients (R) obtained with the internal software for SSC (ºBrix) were 0.71 for
mandarins, and 0.82 for oranges. For TA (meq/10ml) the internal software showed a
low correlation in both species: mandarins 0.46 and oranges 0.40. The temperature
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
103
influence was clearly seen in all graphs with a displacement of the cloud data, as it
was also demonstrated with the ANOVA test performed for the seven PCs (Table
5.24); this effect is expressed by Bias (Table 5.25).
The results of the ANOVA testing showed very significant difference
(p<0.0001) between both temperatures studied in most of the cases. The results
obtained in a previous study with an on-line equipment for same samples (Riquelme
et al., 2008) only showed significant differences (p<0.05) for TA (F=7.843) in
mandarins and SSC (F=2.286) in oranges as due to fruit temperature.
Table 5.25. Bias calculated between both temperatures studies in
the three methodologies.
Internal software
External software
without PCA selection
With PCA selection
Mandarins SSC (ºBrix) -0.76 0.28 0.14
TA (meq/10ml) 1.52 -0.07 -0.18
Oranges SSC (ºBrix) 0.50 0.00 -0.20
TA (meq/10ml) -1.25 0.13 1.55
5.4.4. Conclusions
A portable NIR commercial equipment based on interactance mode using the
range of 600-1100 has been evaluated for citrus fruits. The study of reproducibility
shows that the fruit temperature significantly influences the NIR spectra.
The accuracy provided by the internal software of the portable NIR
equipment, did not turn out the ideal with correlation coefficients (R) lower the 0.45;
therefore, a deep study was performed using chemometric techniques (PLS and
PCA), trying to take maximum advantage of spectral data. This way it was observed
that the parameters better estimated were: SSC for mandarins (R=0.57), SSC for
oranges (R=0.69) and juiciness for oranges (R=0.66), still far from several data in the
literature.
A Principal Component Analysis found different groups for each species,
probably influenced by the existence of external factors (temperature, skin, humidity,
etc) hindering to get a robust model. The results of PLS test ‘without PCA selection’
Tesis doctoral Mª Teresa Riquelme
5. Trabajos realizados
104
were compared with PLS test ‘with PCA selection’, with improvements in both
calibration and external validation set.
A major conclusion refers to the fact that enlarging the calibration set with
unknown sources of variation leads to less precise and robust models and so especial
attention has to be paid in order to avoid contamination in spectral data bases.
The results achieved with this research encouraged the manufacturer to stop
the commercialization of the equipment in order to improve the technical
specifications of the spectrometer and also of the data processing tool.
Tesis Doctoral Mª Teresa Riquelme
6. Resultados y discusión
105
Capítulo 6
RESULTADOS Y DISCUSIÓN
Las técnicas de estudio de propiedades ópticas aplicadas a la evaluación de la
calidad de frutas y hortalizas ofrecen amplias posibilidades en su utilización tanto en
los trabajos experimentales como en su empleo en los procesos de clasificación y
envasado.
En este estudio se han realizado trabajos experimentales basados en
tecnologías ópticas, que aunque ya eran aplicadas en las zonas que abarca el visible e
infrarrojo del espectro electromagnético, la novedad en el presente planteamiento es
la evaluación en su funcionamiento real. Un abanico de nuevos retos en el campo de
las propiedades físicas que permiten analizar la calidad tanto externa como interna de
los frutos.
La metodología de aplicación conduce a resultados que revelan amplias
posibilidades en el desarrollo de estas tecnologías avanzadas, sin embargo, su
progreso implica la necesidad de actuar a diferentes niveles. En los trabajos
realizados en esta tesis doctoral ha sido necesario recurrir a la utilización de
equipamiento muy diverso y en consecuencia métodos de trabajo variados. Se han
utilizado equipos para el análisis de imagen en laboratorio, instalaciones de trabajo
en línea en empresas, mediante espectrofotometría de visible (VIS) e infrarrojo
(NIR) basada en transmitancia, así como equipos ópticos portátiles basados en
interactancia.
La valoración conjunta de estos resultados pone de manifiesto las amplias
posibilidades que estas tecnologías ópticas ofrecen en el sector de frutas y hortalizas
y la necesidad de establecer metodologías de control y evaluación de su
funcionamiento, una vez han sido adoptadas por los usuarios.
Tesis Doctoral Mª Teresa Riquelme
6. Resultados y discusión
106
6.1. RESULTADOS MÁS RELEVANTES
6.1.1. Adquisición de datos
En el desarrollo del trabajo experimental, los datos proporcionados en los
diferentes ensayos y trabajos constituyen la base de partida de los resultados y
conclusiones; este desarrollo se logra con un adecuado plan de trabajo y
equipamiento, como se ha expuesto en los correspondientes apartados de materiales
y métodos (4.1.2, 4.2.2, 4.3.2 y 4.4.2). Sin embargo, las características de los trabajos
planteados en esta tesis, desarrollados en colaboración con las empresas y en sus
propias instalaciones imponen la necesidad de la adecuación durante el propio
desarrollo. La misma ejecución supera constantemente los materiales y métodos
inicialmente previstos, obligando a adoptar decisiones que los modifican y que
indudablemente optimizan las posibilidades del trabajo. Esta constante adaptación de
la metodología, sobrepasa el mero registro de datos y constituye en sí misma un
conjunto de resultados, por lo que es necesario incluir su generación en este capítulo.
La aplicación del análisis de la imagen en la clasificación de aceitunas
requiere una adecuada captación de las mismas, para poder realizar el correcto
tratamiento de los datos que proporcionan. Las imágenes adquiridas de las aceitunas
en las primeras etapas de este trabajo tenían como función esencial la caracterización
de las diferentes categorías, para lo que sirvieron adecuadamente; sin embargo con la
“correlación” de los parámetros iniciales (peso, calibres, cantidad y superficie de
defectos, firmeza y color externo) se comprobó que no era posible establecer un
criterio óptimo de separación.
Posteriormente, se consideró que las imágenes disponibles podrían permitir
realizar una adecuada clasificación de las aceitunas en función de los defectos.
Se disponía de un número reducido de frutos de algunos de los defectos
categorizados (serpeta, granizo y rehús), además las imágenes archivadas no reunían
características óptimas para su análisis por la existencia de sombras o deficiencias en
la iluminación. No obstante, se han utilizado para su procesado, en los casos que ha
sido posible; por la aplicación de un programa matemático (MATLAB; versión 7.0;
Math Works, Inc., USA) podemos transferir a parámetros numéricos la gran riqueza
de información que nos proporcionan esas imágenes.
Tesis Doctoral Mª Teresa Riquelme
6. Resultados y discusión
107
Un paso más avanzado en la aplicación de las propiedades ópticas está
permitiendo, en la actualidad, la utilización comercial de estas características para la
clasificación de frutas; concretamente se utiliza maquinaria que con la aplicación de
técnicas NIR evalúan múltiples propiedades de los frutos, sin embargo para trabajar
con una adecuada garantía, tanto de los empresarios como de los consumidores de
estos frutos, sería necesario contrastar la fiabilidad del trabajo desarrollado por los
equipos.
En nuestros ensayos en líneas comerciales hemos trabajado con frutos de
características muy distintas (especie, variedad, tamaño, estructura o color) como
muestra de la amplia utilización de estas técnicas. En su aplicación sobre melón cv.
Galia el objetivo es medir el contenido en sólidos solubles y la firmeza de la pulpa,
como reflejo de las propiedades apreciadas por el consumidor: dulzor y resistencia a
la masticación. Mientras que para los cítricos (mandarinas cv. Nadorcott y naranjas
cv. Lanelate) los parámetros que inciden en el índice de madurez son: el contenido en
sólidos solubles y la acidez valorable, que son los que tienen interés comercialmente.
En este caso la primera dificultad estriba que en las máquinas instaladas sólo
disponemos de los datos finales de clasificación (ºBrix, firmeza y acidez) pero no de
los espectros captados, por lo que su análisis posterior resulta menos “profundo”.
La necesidad de trabajar en las instalaciones comerciales, con desplazamiento
de diversos equipos establecía también una importante limitación en el trabajo, tanto
respecto al tiempo utilizado en las líneas de manipulación como en el número de
muestras disponibles, en particular en el caso de los melones.
Junto a la aparente simplicidad de la presentación de los parámetros
proporcionados por la maquinaria y la evaluación de su fiabilidad, es necesario
valorar la exactitud del modelo, estudiando los errores de calibración y validación,
así como la precisión del mismo mediante estudios de repetibilidad y
reproducibilidad, en función de las características de cada fruto y de las posibilidades
de las distintas instalaciones.
Los equipos instalados en las líneas de manipulación que han sido ensayados,
utilizan el método de transmitancia, aunque las fuentes de luz son distintas; mientras
el equipo utilizado de la empresa SUMITOMO para la clasificación de melones
Tesis Doctoral Mª Teresa Riquelme
6. Resultados y discusión
108
emplea tres láseres colocados consecutivamente en la línea, todos dentro del rango
del NIR, el equipo F5 de SACMI correspondiente a la línea de cítricos emplea dos
lámparas halógenas colocadas a ambos lados del transportador de frutos, abarcando
desde el visible hasta el infrarrojo cercano.
En ambas instalaciones, junto a las limitaciones indicadas anteriormente,
surgen dudas en relación con su funcionamiento efectivo, que afectan al
posicionamiento y vibraciones de los frutos en el momento de adquisición del
espectro, falta de estabilidad de la fuente de energía y en el sistema de amplificación
del detector, existencia de radiaciones extrañas que alcanzan al detector o cambios en
su sensibilidad.
Todos estos factores son difícilmente verificables en las condiciones de
desarrollo de muestras experimentales y que incluso podrían corresponder a otras
áreas de estudio de estas instalaciones.
Como se ha podido comprobar, la técnica NIR está ya instalada en las líneas
de manipulación, como una parte más del proceso de clasificación, sin embargo un
nuevo reto al que se enfrentan actualmente fabricantes y productores tanto de
maquinaria como de frutas es a encontrar un equipo de estas características y de
reducido tamaño, que sea capaz de medir la calidad de los frutos en la propia parcela
con el fin de establecer el momento optimo de recolección.
El equipo portátil (FQA NIR-GUN de FANTEC) utilizado en estas
experiencias permitió realizar la calibración para cada variedad, pues proporciona los
espectros originales adquiridos por el sensor. El tratamiento conjunto de la
información facilitada por estos espectros, los datos finales del equipo y los de
referencia analizados en el laboratorio permitió realizar un estudio más completo,
que ha enriquecido las posibilidades de trabajo y de manejo de datos.
6.1.2. Manejo de datos
Aunque la clasificación visual de las aceitunas se realiza correctamente por
personal especializado, presenta serios problemas por coste de mano de obra, fatiga y
fallos debidos al error humano. Por otra parte, las diferencias que presentan los
parámetros que caracterizan a los frutos correspondientes a los diferentes defectos
Tesis Doctoral Mª Teresa Riquelme
6. Resultados y discusión
109
catalogados no son suficientes para automatizar la separación en las distintas
categorías comerciales. Sin embargo con el empleo de las técnicas de análisis de
imagen, es posible optimizar aquella información y lograr una adecuada separación.
A partir de la selección efectuada por los equipos NIR tanto en los instalados
en las líneas de manipulación como con el equipo portátil, y aplicando un tratamiento
equivalente de los datos al indicado anteriormente junto con el empleo de análisis de
referencia, realizados en laboratorio, se ha estudiado la repetitividad y
reproducibilidad de las medidas, así como la exactitud del modelo, lo que nos ha
permitido evaluar la eficacia de estos sistemas.
• Análisis de imagen
En el estudio de la apariencia externa de las aceitunas por análisis de imagen,
el proceso especificado en la Figura 4.3 fue simulado al completo en el propio
laboratorio, procedimiento habitual para calibrar un instrumento de esta índole. La
siguiente etapa sería preparar un software capaz de realizar todos los pasos que a
continuación se presentan y que lleguen a clasificar con el menor error, cada fruto en
la categoría que le corresponda.
En el caso de las aceitunas, que son frutos de pequeño calibre, se optó por
incluir en cada imagen dos frutos con el fin de facilitar y agilizar el proceso de
adquisición de imágenes. Esto obligó a incluir un paso más en el pre-tratamiento de
las imágenes que pueden simplificarse en:
1. Eliminar el fondo de la imagen
2. Separar las imágenes de ambas aceitunas
3. Extracción del defecto del área de cada aceituna
Para la creación de un modelo capaz de clasificar las aceitunas en varias
categorías, se optó por el análisis discriminante (DA), una técnica estadística
multivariante. Sin embargo, para poder trabajar con este análisis, fue necesario
reducir el número de variables a someter en el proceso, para lo cual se empleó el test
de Fisher LSD por el que se determina la media entre grupos en un análisis de
varianza (ANOVA). El propio programa de estadística de acuerdo con los criterios
establecidos en función de los valores de la F de Fisher, se encarga de seleccionar
Tesis Doctoral Mª Teresa Riquelme
6. Resultados y discusión
110
entre todas las variables que han sido extraídas de las imágenes, las que mejor
identifican y distinguen las categorías buscadas.
Una vez seleccionadas las variables y comprobadas todas las combinaciones
posibles, se observó que con la realización de tres DAs, es factible clasificar los
frutos en ocho categorías; por la aplicación de un primer proceso de análisis
discriminante separamos los frutos con defectos globales de aquellos en que este
tiene un carácter local. A partir de estos dos grupos, mediante dos tratamientos
independientes de DA, se logra la clasificación en los ocho grupos considerados.
En este desarrollo se utiliza una combinación de parámetros de color del
fruto, superficie del fruto y características morfológicas particulares del defecto
extraído. Todo este proceso nos ha permitido desarrollar unas funciones de
discriminación que hacen posible su aplicación en la separación de estos frutos; no
obstante es necesario comprobar la fiabilidad del proceso mediante el estudio de los
frutos correctamente clasificados y los que representan errores en el proceso.
Una vez obtenidas las funciones de discriminación hemos procedido a
realizar un ensayo de calibración del sistema con el empleo de una muestra de
aceitunas (n=123) en las que estaba perfectamente definidos los defectos a separar.
La aplicación de las funciones discriminantes sobre esta muestra nos proporciona un
alto porcentaje de frutos correctamente separados, como se ha mostrado en la Figura
5.4 en los que sólo en la categoría “rehús” el porcentaje de aciertos bajó al 80%,
mientras que las restantes categorías alcanzaban niveles superiores y en la mayoría
de los casos se situaban en el 100%.
En el proceso de validación del sistema, realizado con frutos no
seleccionados, también se obtienen niveles altos respecto a los frutos perfectamente
clasificados, en particular se obtienen valores del 100% en la categoría
correspondiente a frutos sin defecto.
En esta parte del trabajo se pone de manifiesto, que con un adecuado
tratamiento de los parámetros correspondientes a las características ópticas de las
aceitunas, es posible separar los frutos sanos de los que tienen defectos, que a su vez
se pueden diferenciar con un alto nivel de eficacia en las categorías comerciales
correspondientes a los defectos considerados.
Tesis Doctoral Mª Teresa Riquelme
6. Resultados y discusión
111
• Equipos instalados en línea
Respecto a los experimentos realizados sobre equipos instalados en línea de
manipulación, el proceso que siguen dichos equipos internamente, es el mismo que el
expuesto anteriormente (Figura 4.3), en ambos casos la forma de interacción con el
producto (melones y cítricos) es transmitancia de la radiación incidente,
proporcionando el elemento detector un espectro en función de las características del
producto, a partir de los cuales un software calibrado inicialmente por el fabricante
de la máquina, mediante un análisis multivariante, utilizará las variables (longitudes
de onda) más idóneas para estimar en cada caso los parámetros deseados: melones
(SSC y firmeza) y cítricos (SSC y TA). En estos ensayos solo fue posible acceder a
los parámetros finales proporcionados por el equipo, lo que limitó en gran medida su
estudio. No obstante, se consideraron todas las posibilidades al alcance, con el fin de
estudiar correctamente la fiabilidad de dichos equipos. Estos valores, SSC, TA y
firmeza, se corresponden con los factores de discriminación considerados en el
ensayo correspondiente a las aceitunas, por lo tanto, a partir de aquí podemos realizar
el estudio de fiabilidad del equipo que en cada caso se ha abordado en función de la
información disponible.
En el estudio realizado en los equipos comerciales de clasificación instalados
en cooperativas, se ha procedido a realizar las comprobaciones de exactitud y
precisión, resumidos en la Tabla 6.1; para ello se ha trabajado con dos líneas de
manipulación:
(1) melones cv. Galia
(2) cítricos: mandarinas cv. Nadorcott y naranjas cv. Lanelate.
Para los melones se han utilizando muestras diferenciadas, en un caso una
muestra heterogénea que nos permitió realizar el estudio del modelo y la evaluación
del porcentaje de frutos bien clasificados, mientras que con una segunda muestra
homogénea, se realizaron estudios de repetibilidad y reproducibilidad del equipo.
Sin embargo para los cítricos se han utilizado muestras correspondientes a dos fechas
de recolección, realizadas en los meses de marzo y mayo; esto permitió trabajar con
frutos de características distintas en cuanto a su evolución fisiológica y grado de
maduración.
Tesis Doctoral Mª Teresa Riquelme
6. Resultados y discusión
112
Tabla 6.1. Resumen de los ensayos con los equipos instalados en línea.
Metodología seguida para el estudio de la fiabilidad de los equipos
ópticos instalados en línea.
Línea de MELONES
cv. Galia
Línea de CITRICOS Mandarinas cv. Nadorcott
Naranjas cv. Lanelate
(a) Muestra heterogéna n=108 (b) Muestra homogénea n=10
(c) Marzo: 168 mand, 84 narj (d) Mayo: 120 mand, 120 narj
SSC y Firmeza SSC y TA
Exactitud modelo (SEPc) Exactitud modelo (SEC y SEPc)
Repetibilidad (a) Repetibilidad (d)
Reproducibilidad: - Posición (a) - Momento del día (a)
Reproducibilidad: - Posición (d) - Temperatura (d) - Configuración de calibración (c+d)
% Frutos bien clasificados (b) % Frutos bien clasificados (d)
El estudio del modelo de calibración se ha realizado a partir de los datos
estimados por los sensores en correlación con los determinados en laboratorio; se ha
aplicado análisis de correlación que permitieron valorar la realidad de los datos
proporcionados por los equipos en línea. Este estudio nos pone de manifiesto, para el
caso del melón, una correlación muy baja en los datos de la firmeza, alcanzándose un
valor de R=0,60 en la comparación realizada con los sólidos solubles; de igual forma
si consideramos el RPD (relación entre la desviación estándar de las muestras
ensayadas y el error estándar de predicción) se observa que el valor obtenido es
igualmente bajo, inferior a 1,5 incluso tras la corrección del sesgo (Bias). En los
trabajos realizados con cítricos obtenemos valores de R>0,75 para el estudio de
sólidos solubles, sin embargo para la determinaciones realizadas del contenido en
ácidos la correlación que se obtiene es muy baja. En cítricos el ratio SD/SEP tras la
corrección del sesgo (Bias) mejoró notablemente para el caso del contenido de
sólidos solubles en ambas especie estudiadas, situándose entre 1,5 y 2,0.
Por otra parte también se ha analizado la repetibilidad en el funcionamiento
del los equipos mediante el cálculo del error de la medida (SD) evaluada a partir del
cálculo de la desviación estándar (SD), siendo bastante buena este repetibilidad en el
Tesis Doctoral Mª Teresa Riquelme
6. Resultados y discusión
113
caso de los melones tanto para sólidos solubles (0.08ºBrix) como para firmeza (0,011
en “unidades de firmeza de Sumitomo”). En cítricos la repetibilidad resultante fue
peor para mandarinas (error menor que 0.5ºBrix y 0.1 meq/10ml de acidez valorable)
que para naranjas (error menor que 0.2ºBrix and 0.01 meq/10ml). Sin embargo en los
casos particulares de firmeza en melones y acidez en cítricos, los rangos en los que
se sitúan los valores de medida proporcionados por el sensor son muy pequeños, con
resultados que no se corresponden con los de referencia.
Por otro lado, se comprobó el efecto de diversos factores externos sobre la
reproducibilidad de la medida, por lo que se aplicó el estudio del análisis de varianza
(ANOVA) y de la correlación entre los grupos estudiados. En el caso de los melones
se analizó tanto la influencia de la posición de los frutos como el momento en que se
ha realizado la medida a lo largo del día; el procedimiento seguido nos ha permitido
establecer niveles muy bajos de significación (p>0.05) en las estimaciones
proporcionadas por el equipo instalado en la línea de melones.
Con criterios similares a los establecidos en el trabajo de las aceitunas se ha
procedido a estudiar los errores de clasificación de los frutos en ambos equipos de
trabajo en línea, como medida de la correcta capacidad de clasificación en dos
categorías en función de los umbrales preestablecidos (melones 11,5ºBrix,
mandarinas MI=13 y naranjas MI=8). En la selección de melones en función del
contenido en sólidos solubles, el porcentaje total de frutos correctamente clasificados
fue sólo del 59%; mientras que en mandarinas y naranjas fueron respectivamente del
78 y 81%.
• Equipo portátil
Los ensayos con el equipo portátil han permitido un desarrollo mucho más
completo puesto que además de los datos proporcionados por el propio dispositivo,
también se disponía de los espectros originales, lo que permitió aplicar un proceso de
trabajo similar al mostrado en el caso anteriormente expuesto del análisis de imagen.
En el estudio de reproducibilidad de las estimaciones de la lectura de NIR en
función de la temperatura (20ºC y 10ºC) se ha comprobado tanto con los resultados
de ANOVA como con los cálculos de sesgo (Bias), que la temperatura influye
fuertemente en los valores obtenidos.
Tesis Doctoral Mª Teresa Riquelme
6. Resultados y discusión
114
En este equipo portátil hemos medido la valoración de la exactitud del
modelo del software interno del mismo por el mismo, procedimiento expuesto
anteriormente para el caso de los equipos en línea. En esta ocasión los resultados de
calibración y validación, para los sólidos solubles y acidez valorable, se mantienen
por debajo de los adecuados para un modelo correcto. Estos resultados deficientes
nos indujeron a profundizar en el estudio para mejorar la aplicación del equipo en las
determinaciones de las frutas; para ello se han utilizado técnicas quimiométricas
como PLS y PCA, tratando de sacar el máximo provecho de los espectros. El método
de PLS proporciona resultados muy pobres por lo que se optó por hacer un PCA para
ambas especies
Aunque a simple vista, apenas se observan diferencias entre los espectros de
las muestras ensayadas, los resultados obtenidos con el análisis de componentes
principales muestran que es posible detectar claramente la separación de tres grupos
de frutos en el caso de las mandarinas y dos en naranjas. Al aplicar un nuevo PLS
independientemente para cada uno de estos grupos obtenidos, se comprueba una
mejora en los resultados de calibración del modelo, en particular para los sólidos
solubles en mandarinas, que permite la adecuada separación de las diferentes
categorías.
6.2. DISCUSIÓN DE RESULTADOS
La necesidad de seleccionar automáticamente los productos hortofrutícolas en
función de sus características, externas o internas, ha alcanzado importantes logros
con la utilización de las propiedades ópticas, implementadas con los adecuados
procedimientos en el tratamiento de los datos que proporcionan los equipos de
clasificación.
Por ello el proceso de caracterización de los principales parámetros ha
constituido el contenido de mayor importancia en nuestro trabajo; los datos de
partida proporcionados por los dispositivos de medida no permiten una adecuada
separación, por lo que desde hace años existen amplios desarrollos que implican
tanto el tratamiento preliminar de los parámetros detectados como su procesado
estadístico, que permiten una adecuada separación de las clases.
Tesis Doctoral Mª Teresa Riquelme
6. Resultados y discusión
115
6.2.1. Pre-tratamiento
La información adquirida por el detector, es transformada en un conjunto de
datos, en el que se integran también valores que representan un exceso de
información, que debe ser depurado para poder realizar los tratamientos matemáticos
con éxito.
En nuestros trabajos partimos de dos tipos diferentes de datos: imágenes y
espectros, por lo que para su adecuación se han seguido técnicas distintas. Las
imágenes se han procesado con una combinación de rutinas de segmentación a
diferentes niveles, de acuerdo con Bennedsen and Peterson (2005), que permitieron
una adecuada separación de los frutos y sus defectos, para lo que el programa de
MATLAB se mostró eficiente presentando los datos en condiciones para su análisis
posterior. En este proceso se realizó la eliminación del fondo de la imagen, y de las
sombras (ruido), así como la extracción de cada uno de los defectos. Las coordenadas
de color (Red, Green, Blue, Hue, Saturation, Value) fueron obtenidas y estudiadas
por separado en base a sus histogramas (tanto con los niveles de intensidad de gris,
como por los estadísticos descriptivos correspondientes); estos histogramas fueron
sometidos a una media móvil con el fin de eliminar el ruido observado (Mathworks,
2005). Asimismo, considerando el alto número de variables proporcionadas por las
imágenes, ha sido necesario reducir el número en función de un test de Fisher, que en
el análisis de varianza estudia las diferencias significativas entre las medias de los
grupos; de este modo se obtuvo un conjunto de variables significativas adecuada para
la clasificación de las funciones en las etapas siguientes.
Con las lecturas obtenidas con el dispositivo portátil los datos iníciales se han
sometido a la corrección del efecto multiplicativo (MSC) al centrado de las variables,
que ha permitido eliminar el efecto de línea base y corregir las variaciones de
absorción de luz en el interior de los frutos (Hernández-Gómez et al., 2006), así
como asegurar que todos los resultados se interpretan alrededor de la media (Ferré,
2006).
6.2.2. Creación del modelo y estudio de la exactitud
En este desarrollo se ha buscado el mejor método para procesar la
información contenida en las imágenes y en los espectros; para ello se han aplicado
Tesis Doctoral Mª Teresa Riquelme
6. Resultados y discusión
116
diferentes técnicas de análisis multivariante. En el caso de las imágenes, después de
un reiterado proceso de ensayo y error, se realizó la aplicación del análisis
discriminante (DA), que requiere un bajo número de variables y un bajo poder
computacional como se demostró en trabajos anteriores (Valero et al., 2004;
Hernández-Sánchez et al., 2006), siendo además la técnica más usada en el proceso
de clasificación de imágenes. Como el objetivo establecido por parte de la empresa
comprendía la separación de ocho categorías comerciales, en nuestro desarrollo fue
preciso realizar el análisis discriminante en dos etapas, separando en primer lugar dos
grupos correspondientes a defectos globales y defectos locales, que posteriormente
fueron sometidos a sendos procesos de análisis discriminantes que nos permitieron
alcanzar el objetivo previsto.
Existen pocos trabajos que aplican la técnica de análisis de imagen para la
clasificación de defectos en frutos pequeños: aceitunas (Díaz et al., 2004) o cerezas
(Uthanisombut, 1996), cuyos modelos se basaron únicamente características de
color. Sin embargo, a pesar de la dificultad de trabajar y manejar frutos de tan
pequeño calibre, en este trabajo se ha profundizado en mejorar la discriminación con
la combinación de parámetros de color y de características morfológicas tanto de la
aceituna como del defecto. La idea de utilizar dicha aplicación surge de
investigadores como Kondo et al. (2000) o Leemans y Destain (2004) que en
naranjas y manzanas, respectivamente, mezclan parámetros de color, forma de los
frutos, textura, posición, etc.; o como Unay y Gosselini (2006) que utilizaron además
características morfológicas que definen los defectos de las manzanas. El
procedimiento utilizado mediante análisis discriminantes “DAs” proporcionó una
adecuada selección de las variables que serían útiles para diferenciar los ocho grupos.
La mayoría de los trabajos donde se obtuvieron funciones de clasificación
generadas a partir de las características extraídas de las imágenes correspondientes,
realizan esta separación en una sola etapa, por ejemplo en mandarinas para la
clasificación en dos grupos (con o sin semilla), mediante análisis discriminante
mostraron porcentajes de clasificación de 92.5% y 79.5% (Hernández-Sánchez et al.,
2006); en aceitunas (Díaz et al., 2004) comparando diferentes técnicas sólo lograron
clasificar los frutos en cuatro categorías, obteniendo los mejores resultados con
neural-networks (90%) comparado con PLS y distancia de Mahalanobis (70%).
Tesis Doctoral Mª Teresa Riquelme
6. Resultados y discusión
117
Finalmente, la aplicación de los tres análisis discriminantes resultó en una
correcta clasificación de 97% y 75% de aceitunas durante la calibración y validación,
respectivamente; sin embargo, estos porcentajes de clasificación varían mucho
dependiendo del tipo de categoría: entre un 80-100% durante la calibración y 38-
100% durante la validación. Algunas de las limitaciones del presente estudio, eran la
combinación de defectos que dificultaban la separación de algunas de las categorías,
así como el escaso número de muestras en la calibración de algunas categorías
(serpeta, molestado2 y granizo) defectos que son muy variables en cada campaña
dependiendo de las condiciones ambientales, por lo cual fue difícil obtener un
número mayor de elementos en la muestra.
Los equipos estudiados de infrarrojo (en línea y portátil) estaban calibrados
para melones y cítricos, cuyos resultados no fueron satisfactorios en general (sólidos
solubles, acidez y firmeza); aunque algunos trabajos en la determinación del
contenido de sólidos solubles, tanto con cítricos como con melones, presentan
buenos resultados en ensayos de laboratorio. Por ejemplo, para mandarinas se
consiguieron buenos resultados para R=0,99 cv. Satsuma (Kawano et al., 1993) y
R=0,96 (McGlone et al., 2003); para diferentes variedades de melones R=0.94
(Maruo et al., 2002); para sandías R≥0,80 (Tian et al., 2007).
Podemos estimar que esta diferencia es consecuencia de las condiciones de
trabajo en líneas comerciales y siguiendo las pautas indicadas por las empresas;
diferencia que introduce múltiples factores que pueden afectar a la exactitud de las
medidas, como ha sido expuesto por numerosos autores: temperatura, estructura del
fruto, humedad, posición, etc. (Fraser et al., 2003; Hernández-Sánchez et al., 2003;
Miyamoto y Kitano, 1998; Long et al., 2006). En nuestros ensayos se ha estudiado la
influencia de algunos factores en la reproducibilidad de la medida, tales como el
efecto de la temperatura, la posición de la fruta, configuración de calibración, o
momento del día en el cual se tomó la medida; el estudio más relevante, fue el efecto
de la temperatura que afecta seriamente a la estimación proporcionada por ambos
equipos utilizados para el análisis de la calidad en cítricos
En estas circunstancias sería recomendable realizar periódicamente una
correcta calibración y mantenimiento de estos equipos con el fin de obtener
Tesis Doctoral Mª Teresa Riquelme
6. Resultados y discusión
118
resultados más satisfactorios; al mismo tiempo, también podría ser factible mejorar
los resultados por el desarrollo de algoritmos discriminantes que evitara la influencia
negativa de la variación de los factores expuestos.
Si comparamos los dos equipos de medida utilizado en cítricos, el dispositivo
en línea que trabaja en modo de transmitancia y el equipo portátil que trabaja en
interactancia, se confirman las conclusiones obtenidas por McGlone et al. (2003) que
comparó tres procedimientos de medida (interactancia, transmitancia y reflectancia),
resultando que la transmitancia ofrecía los mejores resultados en estos frutos,
ratificando las recomendaciones que habían propuesto Kawano et al. (1993) para
frutos de piel gruesa.
En un primer estudio de calibración se comprobó que los resultados
proporcionados por el equipo portátil de medida mostraban una baja correlación
(R≤0,70) en relación a los datos de referencia, se realizó un estudio en profundidad
con la aplicación de técnicas quimiométricas para perfeccionar el modelo aplicado.
La amplia cantidad de trabajos referentes a técnicas de infrarrojo, pone de
manifiesto la importancia de esta técnica así como de las posibilidades de su
aplicación; en la mayoría de los trabajos, agrupados en una revisión reciente
realizada por Nicolaï et al., (2007), se puede observar que las técnicas de análisis
multivariante más utilizadas en espectrofotometría de infrarrojo son los mínimos
cuadrados parciales (PLS) y el análisis de componentes principales (PCA); de ahí
que en el presente trabajo para el estudio de los espectros se haya optado por ambos
métodos para el estudio en profundidad de los espectros procedentes del equipo
portátil.
Para el estudio de los espectros de este ensayo, el análisis PLS se mostró
ineficaz en la selección de una combinación adecuada de variables para construir el
modelo apropiado, por lo que fue necesario realizar un PCA; esta técnica
multivariante permitió detectar diferencias entre frutos en base a sus
correspondientes espectros dentro de cada especie, identificando un sub-espacio en el
Tesis Doctoral Mª Teresa Riquelme
6. Resultados y discusión
119
que las variaciones espectrales están más ligadas a la respuesta (Roger, 2005) lo que
permitió posteriormente su análisis por el procedimiento del PLS.
Después de este tratamiento reiterado se logró una mejor separación de las
mandarinas en función del contenido en sólidos solubles. Sin embargo este proceso
tampoco fue eficaz para una adecuada separación de las naranjas, o cuando se
considera la acidez valorable en ambas especies. Quizás en este punto debamos
preguntarnos si en el desarrollo de los experimentos hemos utilizado suficiente
número de muestras de calibración, al considerar que por tratarse frutas, su carácter
biológico puede introducir un elevado número de variaciones que interfieren en la
resolución (Ferré, 2006).
6.2.3. Visión conjunta de resultados
Como se expuso en la presentación de los procesos seguidos en el ensayo de
los diferentes equipos (Figura 4.3), todos estos trabajos muestan una estructura
coincidente, circunstancia que nos permite segregar los trabajos en sus diferentes
etapas y realizar la reagrupación general, método que enriquece las conclusiones
dotándolas de una mayor perspectiva y aplicación más amplia. Cada uno de los
equipos utilizados, permite el análisis individualizado de cada una de las frutas de la
partida, que en función de los equipos o instalaciones se determinan diferentes
características, superficiales o internas.
En las últimas décadas las grandes posibilidades de la creciente capacidad de
cálculo de los equipos informáticos, unidos al avance en el desarrollo de métodos
matemáticos, han enriquecido las posibilidades de separación individualizada de las
frutas en función de sus características. Sin embargo, la diversidad de los diferentes
productos hortofrutícolas y la propia heterogeneidad en cada conjunto, como se
puede comprobar al comparar los diferentes ensayos expuestos, hace necesario el
estudio de sistemas concretos para cada proceso de selección.
Finalmente en cada uno de los trabajos se ha puesto de manifiesto la
necesidad de realizar estudios para contrastar la fiabilidad y repetibilidad, pues las
eficacia de la selección puede estar afectada por numerosos factores, por lo que
requiere ajustes en la configuración en función de las condiciones de trabajo, especie,
variedad, exigencias de separación, etc.
Tesis Doctoral Mª Teresa Riquelme
7. Conclusiones
121
Capítulo 7
CONCLUSIONES
La experimentación en el sector posrecolección de frutas es necesaria tanto
para progresar en el conocimiento científico, como para que el desarrollo tecnológico
alcance plena eficiencia en su aplicación en los sectores económicos ligados a la
agricultura y la industria. Con este objetivo, los trabajos que implican la actividad
científica y de innovación deben realizarse coordinadamente en los laboratorios de
los organismos de investigación y en las instalaciones de las propias empresas
destinatarias.
En la comercialización de frutas y hortalizas, los sistemas de selección y
clasificación contribuyen a dinamizar el mercado y a garantizar la calidad y
seguridad a los consumidores. En este sector, las tecnologías avanzadas, como la
aplicación de sistemas de control no destructivos, aportan importantes ventajas y
soluciones.
7.1. CONCLUSIONES ESPECÍFICAS
Como resultado de los estudios presentados en esta memoria de tesis doctoral,
podemos extraer las siguientes conclusiones específicas:
La combinación de técnicas ópticas y la aplicación reiterada de procesos
discriminantes, hacen posible la clasificación de las aceitunas para la separación
de defectos en ocho clases distintas, en función de los parámetros de color de los
frutos, junto con diferentes características morfológicas externas.
La adaptación de los equipos a las propiedades particulares de cada producto y
proceso de manipulación, exige un estudio cuidadoso y metódico, pues son
Tesis Doctoral Mª Teresa Riquelme
7. Conclusiones
122
muchos los factores que influyen en la capacidad y eficacia de estos
dispositivos:
En los frutos que muestran heterogeneidad en su composición interna,
como los melones, su posición en el elemento detector afecta a la
reproducibilidad.
La repetibilidad en la estimación del contenido en sólidos solubles,
permite asegurar que la utilización de los equipos on-line para cítricos y
melones es fiable para sólidos solubles.
La reproducibilidad de las determinaciones realizadas en línea (SSC,
acidez y firmeza), está afectada por numerosos factores ligados a la
ejecución del control; sin embargo en las líneas de cítricos se ha
comprobado que en general la temperatura y la posición de los frutos en
el soporte del transportador no afecta a la estimación final.
En el equipo portátil para la estimación de azúcares y ácidos de cítricos,
la temperatura influye significativamente en el resultado obtenido.
Trabajando con frutos de piel gruesa se ha demostrado que los sistemas ópticos
que utilizan el modo de transmitancia son más efectivos que los que emplean el
modo de interactancia.
7.2. CONCLUSIONES GENERALES
Las conclusiones específicas, junto con las aportaciones realizadas sobre este
tema por numerosos investigadores, nos permiten mostrar las siguientes conclusiones
generales:
El desarrollo de sistemas de clasificación por métodos no destructivos admite
realizar su aplicación sobre cada fruto y garantizar que sus características
cumplen las normas correspondientes. En particular las técnicas ópticas ofrecen
amplias posibilidades en la valoración de características superficiales y de
cualidades internas o de la composición.
Tesis Doctoral Mª Teresa Riquelme
7. Conclusiones
123
Los desarrollos alcanzados en los últimos años ofrecen sistemas de medida y de
adquisición de datos muy versátiles, trabajando en laboratorio o en líneas
comerciales de selección. Los sistemas de algoritmos y métodos multivariante
permiten optimizar la utilización de la información disponible, así como una
idónea clasificación de los productos a comercializar.
Los sistemas empleados en la medida de las propiedades ópticas, proporcionan
una rica información de las características de cada unidad, con gran utilidad para
la valoración de los productos hortofrutícolas. Sin embargo, para poder realizar
una correcta discriminación es necesario un complejo tratamiento de los datos,
que presenta metodologías específicas en cada caso.
Los sistemas de selección aplicados en las líneas de manipulación comerciales
precisan una meticulosa supervisión para contrastar su fiabilidad y repetibilidad;
este objetivo se puede lograr con plena garantía mediante el control de los
sistemas de trabajo y de los productos clasificados.
Es muy importante actualizar la configuración de calibración de los equipos
periódicamente, para un adecuado mantenimiento y utilización.
Tesis Doctoral Mª Teresa Riquelme
8. Propuestas de futuras actividades
125
Capítulo 8
PROPUESTAS DE FUTURAS ACTIVIDADES
Los resultados obtenidos en la realización de esta tesis doctoral han permitido
avanzar en la metodología de aplicación de las propiedades ópticas al control no
destructivo de frutas y hortalizas y muestra las amplias posibilidades de estos
procedimientos de trabajo en el desarrollo de modelos y programas que pueden
desarrollarse y aplicarse específicamente a cada producto en sus condiciones de
producción y comercialización.
Como resultado de los estudios realizados se han transferido diversas
soluciones a las empresas interesadas en las innovaciones que se han mostrado, no
obstante su propio desarrollo nos muestra que son amplias las posibilidades que se
pueden plantear para progresar en estas líneas de investigación; entre estas podemos
indicar:
− La variabilidad de las frutas de cada lote genera problemas complejos, que
en muchos casos son difíciles de apreciar, por lo que es necesario tratar de
forma específica cada producto, considerando minuciosamente sus
características (composición y estructura) y su presentación ante el detector.
Para ello es necesario abordar estudios reiterados en que se consideren los
factores que generan la variabilidad de las muestras. Otra opción a
desarrollar es el estudio de la fiabilidad de los equipos empleando muestras
patrón (esferas calibradas), con propiedades de absorción y dispersión
conocidas y estables.
− En el estudio de los espectros, puede ser necesario poner a punto sistemas
de segregación que eliminen los casos anómalos, que contribuiría a reducir
el tamaño de las muestras.
Tesis Doctoral Mª Teresa Riquelme
8. Propuestas de futuras actividades
126
− Abordar el análisis de la calidad intrínseca de los modelos de calibración en
los dispositivos instalados, tanto para mejorar la rigurosidad de su trabajo,
como para realizar su evaluación; en este aspecto se podría incluir la
colaboración con los departamentos de I+D de las empresas, para la mejora
de los modelos de calibración a distancia.
− Desarrollar un protocolo de ensayo orientado a las empresas que utilizan
equipos ópticos similares, con el fin de que puedan comprobar el nivel de
fiabilidad del software con el que están calibrados los equipos.
− Profundizar en técnicas de transferencia de calibración que permitan
mejorar la robustez de los modelos.
En definitiva, son propuestas que aunque deben abordarse de forma específica
para cada situación, en conjunto aportaran una base para que se avance en la
optimización del funcionamiento de los sistemas de propiedades ópticas.
Divulgación de resultados
La comunicación de los resultados es sin duda una parte muy importante
dentro del proceso de investigación, ya que solamente después de ser difundidos
podrán ser debatidos y replicados, formando de esta manera parte de la comunidad
científica.
Actualmente se encuentran en revisión un artículo para el Aplied Engineering
in Agriculture sobre un equipo en línea de infrarrojo para la medida de la calidad
interna en melones.
Asi mismo se han enviado recientemente dos artículos al Aplied Engineering
in Agriculture y al Journal Food Engineering sobre el estudio de equipos ópticos
comerciales para el análisis de la calidad interna en cítricos, uno instalado en línea y
otro portátil respectivamente.
Tesis doctoral Mª Teresa Riquelme
9. Bibliografía
127
Capítulo 9
BIBLIOGRAFÍA
Alamar, M.C.; Bobelyn, E.; Lammertyn, J.; Nicolaï, B.M.; Moltó, E. 2007.
Calibration transfer between NIR diode array and FT-NIR
spectrophotometers for measuring the soluble solids contents of apple.
Postharvest Biol. Technol., 45: 38-45.
Alvarado, M.; Civantos, M.; Duran, J.M. 2001. Plagas. In: D. Barranco, Fernández-
Escobar, R., L. Rallo (Eds.), El cultivo del olivo (pp. 435-493). Ed. Grupo
Mundi-Prensa, Madrid, Spain.
Barreiro, P. 2003. Apuntes de clase de la asignatura de doctorado “Propiedades
físicas de productos agrícolas y calidad en recolección y post-recolección”.
Programa de doctorado de Ingeniería Rural, del Dpto. de Ing. Rural, ETSI
Agrónomos (UPM).
Barreiro, P.; Moya, A.; Ruiz-Altisent, M.; Agulheiro, A.C.; García-Ramos, F.J.;
Homer, I.; Moreda G. 2003. Separación de aceitunas sobremaduras y
alambradas en línea mediante rebote. In: II Congreso Nacional de
Agroingenieria, Córdoba, Spain.
Barreiro, P.; Zheng, C.; Sun, D.W.; Hernández-Sánchez, N.; Pérez-Sánchez, J.M.;
Ruiz-Cabello J. 2008. Non-Destructive Seed Detection in Mandarins:
Comparison of Automatic Threshold Methods in FLASH and COMSPIRA
MRIs. Postharvest Biol. Technol., 47(2): 189-198.
Tesis doctoral Mª Teresa Riquelme
9. Bibliografía
128
Bellon-Maurel, V.; Crochon, M.; Roger, J.M. 2001. GLOVE: an instrumented glove
to non destructively and rapidly assess fruit quality. In: Proceedings of the 6th
International Symposium held in Postman. Ed. Zude, M., Herold, B., Geyer,
M.
Bennedsen, B.S.; Peterson, D.L. 2005. Performance of a system for apple surface
defect identification in near-infrared images. Biosyst. Eng., 90(4): 419-431.
Blasco, J.; Aleixos, N.; Moltó E. 2007. Computer vision detection of peel defects in
citrus by means of a region oriented segmentation algorithm. J. Food Eng.,
81: 535-543.
Brosnan, T.; Sun, D.W. 2004. Improving quality inspection of food products by
computer vision-a review. J. Food Eng., 61: 3-16.
Cayuela, J.A. 2008. Vis/NIR soluble solids prediction in intact oranges (Citrus
sinensis L.) cv. Valencia Late by reflectance. Postharvest Biol. Technol., 47:
75-80.
Chauchard, F.; Cogdill, R.; Roussel, S.; Roger, J.M.; Bellon-Maurel, V. 2004.
Application of LS-SVM to non-linear phenomena in NIR spectroscopy:
development of a robust and portable sensor for acidity prediction in grapes.
Chemom. Intell. Lab. Syst., 71: 141-150.
Chen, P. 1996. Quality evaluation technology for agricultural products. In: Proc. Int.
Conf. on Agric. Machinery Engineering. Seoul. Korea
Cheng, X.; Tao, Y.; Chen, Y.R.; Luo, Y. 2003. NIR/MIR dual-sensor machine vision
system for online apple stem-end/calyx recognition. Trans. ASAE, 46(2): 551-
558.
CICyT. 2007. Plan Nacional de Investigación Científica, Desarrollo e Innovación
Tecnológica 2008-2011. Ministerio de Educación y Ciencia. Madrid.
COM. 2007. Propuesta de Reglamento del Consejo por el que se establecen
disposiciones específicas con respecto al sector de frutas y hortalizas y se
modifican determinados Reglamentos. Bruselas 24.01.07
Tesis doctoral Mª Teresa Riquelme
9. Bibliografía
129
Cordero, S.; Lleó, L.; Barreiro, P.; Ruiz-Altisent, M. 2006. Peach multispectral
images related to firmness and maturity. In: World Congress: Agricultural
Engineering for a Better World. Bonn, Germany.
Costa, G.; Noferini, M.; Andreotti, C.; Mazzoti, F. 1999. Non-destructive
determination of soluble solids and flesh firmness in nectarines by near
infrared spectroscopy. In: Contents of near infrared spectroscopy:
Proceedings of the 9th International conference. Verona (Italia). Ed. A.M.C.
Davies and R. Giangiamoco, 863-866.
Cozzolino, D.; Cynkar, W.U.; Dambergs, R.G.; Janik, L.; Gishen, M. 2007. Near
infrared spectroscopy in Australian grape & wine industry. Cooperative
Research Center for Viticulture, Technology Application Note.
Deloitte. 2004. Informe del sector frutas y hortalizas. Ministerio de Agricultura,
Pesca y Alimentación. Madrid, junio 2004.
Diaz, R.; Faus, G.; Blasco, M.; Blasco, J.; Moltó, E. 2000. The application of a fast
algorithm for the classification of olives by machine vision. Food Research
International, 33: 305-309.
Diaz, R.; Gil, L.; Serrano, C.; Blasco, M.; Moltó, E.; Blasco, J. 2004. Comparison of
three algorithms in the classification of table olives by means of computer
vision. J.Food Eng., 61(I): 101-107.
Diezma-Iglesias, B.; Ruiz-Altisent, M.; and Barreiro, P. 2004. Detection of internal
quality in seedless watermelon by acoustic impulse response. Biosyst. Eng.,
88(2): 221-230.
Du, C.J.; Sun, D.W. 2004. Recent developments in the applications of image
processing techniques for food quality evaluation. Trends Food Sci. Technol.,
15: 230-249.
Dull, G.G.; Birth, S.G.; Smittle, D.A.; Leffler, R.G. 1989. Near infrared analysis of
soluble solids in intact cantaloupe. J. Food Sci., 54(2): 393-395.
Tesis doctoral Mª Teresa Riquelme
9. Bibliografía
130
Ergun, M.; Jeong, J.; Huber, D.J.; Cantliffe, D.J. 2007. Physiology of fresh-cut
‘Galia’ (Cucumis melo var. reticulates) from ripe fruit treated with 1-
methylcyclopropene. Postharvest Biol. Technol., 44: 286-292.
European Commission. 2001. Standard for melons. OJEC, 8.8.2001, L214: 23-25.
European Commission. 2006. Towards a reform of the common market organization
for the fresh and processed fruit and vegetable sectors. Consultation
document for impact assessment. Brussels, 18 May 2006. http://ec.europa.eu/agriculture/consultations/fruitveg/consultation_en.pdf.
European Commission. 2007. Agriculture and Rural Development. Fruit &
vegetables Reform. 24/01/2007.
Fadanilli, C.; Chistè, C.; Zeni, F. 2002. Quality delle mele Misurata con metodo NIR.
In: Ricerca-Fruticoltura. Ed: Terra Trentina, economia e tecnica per
l’agricoltura, 5: 25-29.
FAO. 1987. Norma del CODEX para las aceitunas de mesa, CODEX alimentarious.
CODEX STAN 66-1981, (Rev. 1-1987), 1-19.
Ferré, J. 2006. Calibración multivariante en análisis cuantitativo. El modelo inverso.
In: Técnicas de Laboratorio (nº 310, p.p. 262-266), ISSN 0371-5728
Feudale, R.N.; Woody, N.A.; Tan, H.; Myles, A.J.; Brown, S.D.; Ferré, J. 2002.
Transfer of multivariate calibration models: a review. Chemom. Intell. Lab.
Syst., 64: 181-192.
Fraser, Dv.G.; Jordan, R.B.; Kunnemeyer, R.; McGlone, V.A. 2003. Light
distribution inside mandarin fruit during internal quality assessment by NIR
spectroscopy. Postharvest Biol. Technol., 27: 185-196.
García, J.M. 2004. Comercio internacional de frutas y hortalizas. In: La tierra del
agricultor y ganadero: Cuadernos. 2: 36-42.
Tesis doctoral Mª Teresa Riquelme
9. Bibliografía
131
García, J.M.; Compés, R.; Baviera, A. 2007. La reforma de la OCM de frutas y
hortalizas. Evaluación de la propuesta de la Comisión. Boletín económico del
ICE N° 2910, 1-15 mayo 2007.
Golding, J.B.; Satyan, S.; Liebenberg, C.; Walsh, K.; McGlasson, W.B. 2006.
Application of portable NIR for measuring soluble solids concentrations in
peaches. Acta Hort. (ISHS), 713: 461-464.
Greensill, C.V.; Walsh, K.B. 2002. Calibration transfer between miniature
photodiode array-based spectrometers in the near infrared assessment of
mandarin soluble solids content. J. Near Infrared Spectrosc., 10: 27-35.
Guidetti, R.; Donato, A.; Mazzini, C. 2005. NIR portable device use in a logistic
platform: productivity and performance analysis. Acta Hort. (ISHS), 682:
1341-1346.
Guthrie, J.; Wedding, B. 1998. Robustness of NIR calibration for soluble solids in
intact melon and pineapple. J. Near Infrared Spectrosc., 6: 259-265.
Gutiérrez, A.; Martín-Gago, J.A.; Ferrer, S. 2004. La luz sincrotrón: una herramienta
extraordinaria para la ciencia. Apuntes de Ciencia y Tecnología, 12: 37-46.
He, D.J.; Maekawa, T.; Morishima, H.; 2001. Detecting device for on-line detection
of internal quality of fruits using near infrared spectroscopy and the related
experiments. Trans. Chinese Soc. Agric. Eng., 17: 146–148.
Hernández-Gómez, A.; He, Y.; García, A. 2006. Non-destructive measurement of
acidity, soluble solids and firmness of Satsuma mandarin using VIS/NIR-
spectroscopy techniques. J. Food Eng., 77: 313-319.
Hernández-Sánchez, N.; Barreiro, P.; & Ruiz-Cabello, J. 2006. On-line identification
of seeds in mandarins with magnetic resonance imaging. Biosyst. Eng., 95(4):
529-536.
Hernández-Sanchez, N.; Luron, S.; Roger, J.M.; Bellon-Maurel, V. 2003. Robustness
of models based on NIR spectra for sugar content prediction in apples. J.
Near Infrared Spectrosc., 11: 97-107.
Tesis doctoral Mª Teresa Riquelme
9. Bibliografía
132
Herold, B.; Truppel, I.; Zude, M.; Geyer, M. 2005. Spectral measurements on
‘Elstar’ apples during fruit development on the tree. Biosyst. Eng., 91(2), 173-
182.
Huang, H.; Yu, H.; Xu, H.; Ying, Y. 2008. Near infrared spectroscopy for on/in-line
monitoring of quality in foods and beverages: A review. J. Food Eng., 87(3):
303-313.
Iida, J.; Terashima, A.; Maeda, K.; Ishikawa, S.; Yamauchi, S. 2003. Non-destructive
sugar content measuring apparatus. United States Patent No.: US 6504154
B2.
INIA. 2008. Líneas estratégicas y guía para la convocatoria de solicitudes de
proyectos de i+d del subprograma de proyectos de investigación fundamental
orientada a los recursos y tecnologías agrarias en coordinación con las
comunidades autónomas. Instituto Nacional de Investigación y Tecnología
Agraria y Alimentaria. Madrid
Ito, H.; Fukino-Ito, N.; Horie, H.; Morimoto, S. 2004. Non-destructive detection of
physiological disorders in melons using near infrared (NIR) spectroscopy.
Acta Hort. (ISHS), 654: 229-234.
Ito, H.; Morimoto, S.; Yamauchi, R.; Ippoushi, K.; Azuma, K.; Higashio, H. 2002.
Potential of near infrared spectroscopy for non-destructive estimation of
soluble solids in watermelons. Acta Hort. (ISHS), 588: 353-356.
Kader, A.A. 2007. Quality assurance of harvested horticultural perishables
Department of Pomology. University of California, Davis-USA.
http://postharvest.ucdavis.edu/datastorefiles/234-169.pdf
Kavdir, I.; Guyer, D.E. 2004. Comparison of artificial neural networks and statistical
classifiers in apple sorting using textural features. Biosyst. Eng., 89(3): 331-
344.
Tesis doctoral Mª Teresa Riquelme
9. Bibliografía
133
Kawano, S.; Fujiwara, T.; Iwamoto, M. 1993. Nondestructive determination of sugar
content in Satsuma Mandarin using Near Infrared (NIR) transmittance. J.
Japan. Soc. Hort. Sci., 62(2): 465-470.
Kleynen, O.; Leemans, V.; Destain, M.F. 2005. Development of a multi-spectral
vision system for the detection of defects on apples. J. Food Eng., 69: 41-49.
Kondo, N.; Ahmad, U.; Monta, M.; Murasc, H. 2000. Machine vision based quality
evaluation of Iyokan orange fruit using neural networks. Comput. Elect.
Agric., 29: 135-147.
Krivoshiev, G.P.; Chalucova, R.P.; Moukarev, M.I. 2000. A possibility for
elimination of the interference from peel in nondestructive determination of
the internal quality of fruit and vegetables by VIS/NIR spectroscopy.
Lebensmittel-Wissenschaft und-Technol., 33(5): 344-353.
Lamertyn, J.; Peirs, A.; De-Baerdemaeker, J.; Nicolaï, B. 2000. Light penetration
properties of NIR radiation in fruit with respect to non-destructive quality
assessment. Postharvest Biol. Technol., 18: 121-132.
Leemans, V.; Destain, M.F. 2004. A real-time grading method of apples based on
features extracted from defects. J. Food Eng., 61: 83-89.
Li, Q.; Zhang, G.; Xu, K.; Wang, Y. 2007. Application of DS Algorithm to the
Calibration Transfer in Near-Infrared Spectroscopy. Spectrosc. Spectral
Analysis, 27(5): 873-876.
Long, R.L.; Walsh, K.B. 2006. Limitations to the measurement of intact melon total
soluble solids using near infrared spectroscopy. Australian J. Agric. Resch.,
57(4): 403-410.
Maier, H.G. 1981. Métodos modernos de análisis de alimentos. Tomo I: métodos
ópticos. Ed. Acribia, Zaragoza.
Maleki, M.R.; Mouazen, A.M.; Ramon, H.; Baerdemaeker, J. 2007. Multiplicative
Scatter Correction during on-line measurement with near infrared
spectroscopy. Biosyst. Eng., 96(3): 427-433.
Tesis doctoral Mª Teresa Riquelme
9. Bibliografía
134
Mann, M.; Renier, J. 2007. Reforma del sector de las frutas y hortalizas.
MEMO/07/REV. Bruselas, 24/01/07. http://ec.europa.eu/spain/pdf/07.01.24_notainfofv_es.pdf
MAPA. 2006. Anuario de Estadística Agroalimentaria. Ministerio de Agricultura,
Pesca y Alimentación. Madrid. http://www.mapya.es
Maruo, T.; Ito, T.; Terashima, A.; Maeda, K.; Shimamura, S. 2002. Nondestructive
evaluation of ripeness and soluble solids content in melon and watermelon
fruits using laser. Acta hort. (ISHS), 588: 373-377.
Mateos, F.; Patiño, A.; Pérez, J.; Tombs, J.; Aguirre, M.A. 2005. Implementación en
FPGA de un sistema de procesamiento en tiempo real para la detección de
defectos en frutos. In: V Jornadas de Computación Reconfigurable y
Aplicaciones (Jcra 2005, pp. 151-157.). Granada, Spain.
Mathworks. 2005. Image Processing Toolbox User’s Guide (For Use with
MATLAB). http://www.mathworks.com/
McGlone, V.A.; Fraser, D.G.; Jordan, R.B.; Künnemeyer, R. 2003. Internal quality
assessment of mandarin fruit by VIS/NIR spectroscopy. J. Near Infrared
Spectrosc., 11: 323-332.
Mehl, P.M.; Chen, Y.R.; Kim, M.S.; Chan, D.E. 2004. Development of hyperspectral
imaging technique for the detection of apple surface defects and
contaminations. J. Food Eng., 61: 67-81.
Miller, W.M.; Zude, M. 2002. Non-destructive Brix sensing of Florida grapefruit and
honey tangerine. Proc. Fla. State Hort. Soc., 115: 56-60.
Miyamoto, K.; Kawauchi, M.; Fukuda, T. 1998. Classification of high acid fruits by
partial least squares using the near infrared transmittance spectra of intact
Satsuma mandarins. J. Near Infrared Spectrosc., 6: 267-271.
Moshenin, N.N. 1970. Physical properties of plant and animal materials. Gordon and
Breach Science publishers, Incs.
Tesis doctoral Mª Teresa Riquelme
9. Bibliografía
135
Nazarov, I. 2005. Powerful substance seach echancements launched by SciFinder. In:
The Brimrose “Le Vigneron” Hndheld Portable AOTF-NIR spectrometer. Ed.
Chesapeake Chemist Maryland Section American Chemical Society.
Nicolaï, B.M.; Beullens, K.; Bobelyn, E.; Peirs, A.; Saeys, W.; Theron, K.I.;
Lammertyn, J. 2007. Nondestructive measurement of fruit and vegetable
quality by means of NIR spectroscopy: A review. Postharvest Biol. Technol.,
46(2): 99-118.
OMS. 2003. Diet, Nutrition and the Prevention of Chronic Diseases. Report of a
Joint WHO/FAO Expert Consultation WHO ISBN: 924120916X .
Organización Mundial de la Salud. http://www.fao.org/WAIRDOCS/WHO/AC911E/AC911E00.HTM
Otsu, N. 1979. A threshold selection method from gray-level histograms. IEEE
Trans. Syst., Man, Cybern., smc-9(1): 62-66.
Peano, C.; Reita, G.; Chiabrando, V. 2006. Firmness and soluble solids assessment of
nectarines by NIRs spectroscopy. Acta Hort. (ISHS), 713: 465-469.
Peirs, A. 2002. Measurement of apple quality and maturity by means of NIR
spectroscopy and imaging. Thesis. Katholieke Universiteit Leuven, Belgium.
Peirs, A.; Scheerlinck, N.; Nicolaï, B. 2003. Temperature compensation for near
infrared reflectance measurement of apple fruit soluble solids contents.
Postharvest Biol. Technol., 30: 233-248.
Riquelme, M.T.; Ruiz-Altisent, M., Valero, C. 2004. Informe sobre la caracterización
de aceitunas “var. Manzanilla Sevillana” (Confidential report).
Riquelme, M.T.; Valero, C.; Barreiro, P.; Ruiz-Altisent, M. 2008. Evaluation of NIR
commercial equipment for analyzing the internal quality of citrus (mandarins
and oranges). Appl. Eng. Agric. (In revision).
Roger, JM. 2005. Développements chimiométriques pour améliorer la robustesse des
mesures spectrométriques appliquées aux agro-procédés. Mémoire
d’habilitation. Academie de Montpellier, Université de Montpellier II.
Tesis doctoral Mª Teresa Riquelme
9. Bibliografía
136
Roggo, Y.; Chalus, P.; Murer, L.; Lema-Martinez, C.; Edmond, A.; Jent, N. 2007. A
review of near infrared spectroscopy and chemometrics in pharmaceutical
technologies. J. Pharm. Biom. Anal., 44: 683-700.
Rosenberger, C.; Emile, B.; Laurent, H. 2004. Calibration and quality control of
cherries by artificial vision. J. Electr. Imag., 13(3): 539-546.
Ruiz-Altisent, M. 1998. Apuntes de clase de la asignatura de doctorado
“Instrumentación de la calidad”. Programa de Doctorado Energía,
Maquinaria y Riego, del Dpto. de Ing. Rural, ETSI Agrónomos (UPM).
Schaare, P.N.; Fraser, D.G. 2000. Comparison of reflectance, interactance and
transmission modes of visible-near infrared spectroscopy for measuring
internal properties of kiwifruit (Actindia chinensis). Postharvest Biol.
Technol., 20: 175-184.
Scott, G.W.; MacGillivray, J.H. 1940. Variation in solids of the juice from different
regions in melon fruits. Hilgardia, 13: 69-79.
Secretaría de Estado de Universidades e Investigación. 2007. RESOLUCIÓN de 26
de noviembre de 2007, de la Secretaría de Estado de Universidades e
Investigación, por la que se convocan ayudas para la realización de proyectos
de investigación, programas de actividad investigadora y acciones
complementaria dentro del Programa Nacional de Proyectos de Investigación
Fundamental, en el marco del VI Plan Nacional de Investigación Científica,
Desarrollo e Innovación Tecnológica 2008-2011. BOE nº 287 de 30/11/2007.
Seregély, Z.; Deák, T.; Bisztray, G.D. 2004. Distinguishing melon genotypes using
NIR spectroscopy. Chemom. Intell. Lab. Syst., 72: 195-203.
Shewfelt, R. L. 1999. What is quality?. Postharvest Biol. Technol., 15: 197-200.
Shewfelt, R. L. 2006. Defining and meeting consumer requirements. Acta Hort.
(ISHS), 712: 31-37.
Skoog, D.A.; Holler, F.J.; Nieman, T.A. 2001. Principios de Análisis Instrumental,
Ed. McGraw-Hill/Interamericana de España, S.A.U., Madrid.
Tesis doctoral Mª Teresa Riquelme
9. Bibliografía
137
StatSoft, Inc. 2007. Electronic Statistics Textbook. Tulsa, OK, USA: StatSoft. http://www.statsoft.com/textbook/stathome.html.
Steuer, B.; Schulz, H.; Läger, E. 2001. Classification and analysis of citrus oils by
NIR spectroscopy. J. Food Chem., 72(1): 113-117.
Subedi, P.P.; Walsh, K.B.; Owens, G. 2006. Prediction of mango eating quality at
harvest using short-wave near infrared spectrometry. Postharvest Biol.
Technol., 43(3): 326-334.
Temma, T.; Hanamatsu, K.; Shinoki, F. 2002. Development of a portable near
infrared sugar-measuring instrument. J. Infrared Spectrosc. 10: 77-83.
Tian, H.; Ying, Y.; Lu, H.; Fu, X.; Yu, H. 2007. Measurement of soluble solids
content in watermelon by VIS/NIR diffuse transmittance technique. J.
Zhejiang Univ. Sci. B. 8(2): 105-110.
Trapero, A.; Blanco, M.A. 2001. Enfermedades. In D. Barranco, Fernández-Escobar,
R., L. Rallo (Eds.), El cultivo del olivo (pp. 497-550). Ed. Grupo Mundi-
Prensa, Madrid, Spain.
Unay, D.; Gosselin, B. 2006. Automatic defect segmentation of ‘Jonagold’ apples on
multi-spectral images: A comparative study. Postharvest Biol. Technol., 42:
271-279.
USDA. 1967. United States Standards for Grades of Green Olives. United States
Department of Agriculture Washington, Federal Register August 9, 1967 (32
F.R. 11467)
Uthaisombut, P. 1996. Detecting defects in cherries using machine vision. M.S.
Thesis, Computer Science, Michigan State University.
Valero, C. 2002. Aplicación de la espectroscopia de reflectancia difusa (ERDT) a la
detección de parámetros de calidad interna de frutas. Tesis.
Valero, C.; Ruiz-Altisent, M.; Cubeddu, R.; Pifferi, A.; Taroni, P.; Torricelli, A.;
Valentini, G.; Johnson, D.; Dover, C. 2004. Selection Models for the Internal
Tesis doctoral Mª Teresa Riquelme
9. Bibliografía
138
Quality of Fruit, based on Time Domain Laser Reflectance Spectroscopy.
Biosystem Engineering, 88(3): 313-323.
Yan-de, L.; Yi-bin, Y.; Xia-ping, F.; Huizhan, L. 2007. Experiments on predicting
sugar content in apples by FT-NIR Technique. J. Food Eng., 80: 986-989.
Yoon, J.; Lee, B.; Han, C. 2002 Calibration transfer of near-infrared spectra based on
compression of wavelet coefficients. Chemometrics and Intelligent
Laboratory Systems, 64(1): 1-14.
Zude, M.; Birlouez-Aragon, I.; Pachold, P.J.; Rutledge, D.N. 2007. Non-invasive
spectrophotometric sensing of carrot quality from harvest to consumption.
Postharvest Biology and Technology, 45: 30-37.
Zude, M.; Pflanz, M.; Kaprielian, C.; Aivazian, B.L. 2008. NIRs as a tool for
precision horticulture in the citrus industry. Biosystem Engineering, 99: 455-
459.
Tesis Doctoral Mª Teresa Riquelme
Anejo: Normativas frutas y hortalizas
139
ANEJO
NORMATIVAS SOBRE FRUTAS Y
HORTALIZAS FRESCAS
Tesis Doctoral Mª Teresa Riquelme
Anejo: Normativas frutas y hortalizas
141
1.1. DISPOSICIONES GENERALES Disposiciones comunitarias
R (CE) 2200/96 del Consejo de 28 de octubre (DO L 297 de 21.11.1996, p. 1), por el que se establece la organización común de mercados en el sector de las frutas y hortalizas. Indicar que títulos me interesan.
Modificaciones por: R (CE) 2520/97 de la Comisión de 15 de diciembre (DO L 346 de 17.12.1997, p. 41) R (CE) 857/99 del Consejo de 22 de abril (DO L 108 de 27.4.1999, p. 7) R (CE) 1257/99 del Consejo de 17 de mayo (DO L 160 de 26.6.1999, p. 80) R (CE) 2699/00 del Consejo de 4 de diciembre (DO L 311 de 12.12.2000, p. 9) R (CE) 2826/00 del Consejo de 19 de diciembre (DO L 328 de 23.12.2000, p. 2) R (CE) 718/01 de la Comisión de 10 de abril (DO L 100 de 11.4.2001, p. 12) R (CE) 911/01 de la Comisión de 10 de mayo (DO L 129 de 11.5.2001, p. 3) R (CE) 545/02 del Consejo de 18 de marzo (DO L 84 de 28.3.2002, p. 1) R (CE) 1881/02 del Consejo de 14 de octubre (DO L 285 de 23.10.2002, p. 13) R (CE) 47/03 de la Comisión de 10 de enero (DO L 7 de 11.1.2003, p. 64) R (CE) 6/05 de la Comisión de 4 de enero (DO L 2 de 5.1.2005, p.3)
Derogada por: R (CE) 361/08 del Consejo de 14 de abril (DO L 121 de 7.5.2008, p.1)
Nota: Pero el R (CE) 2200/96 está en vigor hasta el 1 de julio de 2008
R (CE) 1234/07 del Consejo de 22 de octubre (DO L 299 16.11.2007, p.1), por el que se crea una organización común de mercados agrícolas y se establecen disposiciones específicas para determinados productos agrícolas (Reglamento único para las OCM).
R (CE) 361/08 del Consejo de 14 de abril (DO L 121 de 7.5.2008, p.1), que modifica el Reglamento (CEE) 1234/07, por el que se crea una organización común de mercados agrícolas y se establecen disposiciones específicas para determinados productos agrícolas (Reglamento único para las OCM).
Disposiciones estatales
RD 2192/1984, de 28 de noviembre (BOE de 15 de diciembre), por el que se aprueba el Reglamento de aplicación de las normas de calidad para las frutas y hortalizas frescas comercializadas en el mercado interior.
1.2. DISPOSICIONES RELATIVAS A CONTROLES DE CALIDAD DE FRUTAS Y HORTALIZAS FRESCAS
R (CEE) 2251/92 de la Comisión de 29 de julio (DO L 219 de 4.8.1992, p. 9), relativo a los controles de calidad de frutas y hortalizas frescas.
Modificado por: R (CEE) 3720/92 de la Comisión de 22 de diciembre (DO L 378 de 23.12.1992, p. 32)
Tesis Doctoral Mª Teresa Riquelme
Anejo: Normativas frutas y hortalizas
142
R (CE) 1148/01 de la Comisión de 12 de junio (DO L 156 de 13.6.2001, p.9), sobre los controles de conformidad con las normas de comercialización aplicables en el sector de las frutas y hortalizas frescas.
Modificado por: R (CE) 2379/01 de la Comisión de 5 de diciembre (DO L 15 321 de 6.12.2001, p.15)
R (CE) 408/03 de la Comisión de 5 de marzo (DO L 62 de 6.3.2003, p. 8)
1.3. NORMAS DE CALIDAD POR PRODUCTOS MELONES
R (CE) 1093/97 de la Comisión de 16 de junio (DO L 158 de 17.06.1997, p.21), por el que se establecen normas de comercialización aplicables a los melones y sandías.
Modificado por: R (CE) 850/00 de la Comisión de 27 de abril (DO L 103 de 28.4.2000, p.21)
R (CE) 1615/01 de la Comisión de 7 de agosto (DO L 214 de 08.08.2001, p.21), por el que se fijan las normas de comercialización de los melones y por el que se modifica el R (CE) 1093/97.
Modificado por: R (CE) 1016/06 de la Comisión de 4 de julio (DO L 183 de 5.7.2006, p.9)
ACEITUNAS DE MESA
CODEX 1987 Norma del CODEX para las aceitunas de mesa. CODEX STAN 66-1981 (Rev. 1-1987).
COI 2004 Norma comercial aplicable a las aceitunas de mesa Resolución Nº RES-2/91-IV/04.
Naciones Unidas, Ginebra, 2005. Convenio internacional del aceite de oliva y de las aceitunas de mesa de 2005 TD/OLIVE OIL./6 (DO L 302 19.11.2005, p.47).
R (CE) 865/04 del Consejo de 29 de abril (DO L 206 de 9.6.2004, p.37), por el que se establece común de mercado del aceite de oliva y de las aceitunas de mesa y se modifica el Reglamento (CEE) 827/68.
CITRICOS: Naranjas y Mandarinas
R (CE) 1799/01 de la Comisión de 12 de septiembre (DO L 244 14.09.2001, p.12), por el que se establecen las normas de comercialización de los cítricos.
Modificado por: R (CE) 2010/02 de la Comisión de 12 de noviembre (DO L 310 13.11.2002, p.3)
R (CE) 2173/03 de la Comisión de 12 de diciembre (DO L 326 13.12.2003, p.10)
top related