Efecto de la concentración de Almidón del Queso Mantecoso comercial adulterado, sobre las características colorimétricas por visión computacional

Texto completo

(1)Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. UNIVERSIDAD NACIONAL DE TRUJILLO FACULTAD DE CIENCIAS AGROPECUARIAS. PE CU AR IA S. ESCUELA ACADÉMICO PROFESIONAL DE. RO. INGENIERÍA AGROINDUSTRIAL. TESIS. DE. AG. EFECTO DE LA CONCENTRACIÓN DE ALMIDÓN DEL QUESO MANTECOSO COMERCIAL ADULTERADO, SOBRE LAS CARACTERÍSTICAS COLORIMÉTRICAS POR VISIÓN COMPUTACIONAL. TE. CA. (EFFECT OF THE STARCH CONCENTRATION OF ADULTED COMMERCIAL MANTECOSO CHEESE ON THE COLORIMETRIC CHARACTERISTICS BY COMPUTER VISION). BR. SANDRA KRISTELL QUISPE RAMIREZ M.SC. JESÚS ALEXANDER SÁNCHEZ GONZÁLEZ. IO. AUTOR:. BI BL. ASESOR:. TRUJILLO – PERÚ. 2017. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(2) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. UNIVERSIDAD NACIONAL DE TRUJILLO. PE CU AR IA S. FACULTAD DE CIENCIAS AGROPECUARIAS ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA AGROINDUSTRIAL. EFECTO DE LA CONCENTRACIÓN DE ALMIDÓN DEL QUESO MANTECOSO COMERCIAL ADULTERADO, SOBRE LAS CARACTERÍSTICAS COLORIMÉTRICAS POR VISIÓN COMPUTACIONAL. RO. (EFFECT OF THE STARCH CONCENTRATION OF ADULTED COMMERCIAL MANTECOSO CHEESE ON THE COLORIMETRIC CHARACTERISTICS BY. AG. COMPUTER VISION). TESIS. DE. PARA OBTENER EL TÍTULO DE:. INGENIERO AGROINDUSTRIAL. CA. PRESENTADO POR EL BACHILLER:. TE. SANDRA KRISTELL QUISPE RAMIREZ. BI BL. IO. SUSTENTADO Y APROBADO ANTE EL HONORABLE JURADO:. PRESIDENTE: DR. VICTOR JAVIER VÁSQUEZ VILLALOBOS …………………... SECRETARIO: DR. RAÚL BENITO SICHE JARA. …………………... MIEMBRO (ASESOR): M.SC. JESÚS SÁNCHEZ GONZÁLEZ. …………………... ii Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(3) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. PE CU AR IA S. DEDICATORIA. DE. AG. RO. A Dios mi padre, a mi Señor Jesús por su infinita gracia y su Espíritu Santo, por permitirme haber logrado avanzar un paso más en la vida.. IO. BI BL. .. TE. CA. A mis padres Luz Ramírez Bacilio y Bayardo Quispe Tandaypan, por su incansable sacrificio y apoyo incondicional en mi formación como persona.. iii Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(4) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. AGRADECIMIENTOS A Dios principalmente por su infinita misericordia y haberme permitido avanzar un. PE CU AR IA S. paso más en la vida. El presente trabajo de investigación para obtener el título profesional de Ingeniero. Agroindustrial, no se hubiese culminado sin el esfuerzo no solo del autor, sino, del equipo humano que intervino de manera directa e indirecta en este trabajo.. A mis padres Luz y Bayardo por su incansable sacrificio para que haya llegado hasta esta etapa; así como a toda mi familia por su apoyo.. RO. A mi asesor, M.Sc. Jesús Sánchez González, por haberme brindado su tiempo,. AG. experiencia y acertada orientación en el presente trabajo de investigación. A Jesús Obregón quién aporto con sus conocimientos, para realizar el presente. DE. trabajo.. A los docentes de esta escuela de Ing. Agroindustrial, quienes me brindaron sus. TE. CA. enseñanzas, tanto profesionales como humanísticos.. BI BL. IO. “Que tu confianza este siempre puesta en Dios, él siempre es Fiel”. iv Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(5) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. INDICE RESUMEN ............................................................................................................. vi. PE CU AR IA S. ABSTRACT ........................................................................................................... vii 1. INTRODUCCIÓN ............................................................................................. 1 2. MATERIALES Y MÉTODOS ............................................................................ 3. Queso mantecoso y almidón ..................................................................... 3. 2.2.. Acondicionamiento de muestras ............................................................... 3. 2.3.. Control de humedad .................................................................................. 3. 2.4.. Sistema de Visión Computacional y Adquisición de Imágenes ................. 3. 2.5.. Realce de Imágenes por modificación de contraste ................................. 6. 2.6.. Medición de valores RGB .......................................................................... 6. 2.7.. Conversión de color .................................................................................. 6. 2.8.. Descripción del color ................................................................................. 9. 2.9. Análisis estadístico .................................................................................. 10. DE. AG. RO. 2.1.. CA. 3. RESULTADOS Y DISCUSIÓN ...................................................................... 11. TE. 4. CONCLUSIONES .......................................................................................... 22 5. REFERENCIAS BIBLIOGRÁFICAS .............................................................. 23. IO. ANEXOS 1: Pre procesamiento de imágenes. ..................................................... 27. BI BL. ANEXOS 2. Tablas.............................................................................................. 36 ANEXOS 3. Análisis estadísticos ......................................................................... 40. v Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(6) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. RESUMEN. PE CU AR IA S. Este estudio tuvo como objetivo determinar el efecto de la concentración de adulteración con almidón de maiz (CAA), en 4 lotes de producción de queso mantecoso comercial, sobre sus características colorimétricas (L*, a*, b*, C* y H°). por medio de visión computacional (VC); se comparó estas características entre. muestras de queso control (0% CAA) y las muestras preparadas con CAA p/p de (5%, 10%, 15%, 20% y 25%) por medio del test post hoc de Dunnet (>control, p<0.05), determinando así, desde que CAA se puede detectar adulteración de. RO. queso mantecoso; las características colorimétricas fueron obtenidas a partir de. imágenes de las muestras, las que tuvieron un pre-procesamiento que consistió en. AG. realzar su contraste hasta un 50.9% y de estas se obtuvo sus valores RGB, con el software “Image-J” versión 2006.02.01;. para. posteriormente transformar. secuencialmente sus valores RGB a XYZ y finalmente a valores en el espacio CIE. DE. L * a * b * a partir de los cuales se calculó el ángulo de tono o matiz (H* o H°) y croma o saturación (C*). Se obtuvo que las mejores características o parámetros. CA. de color para detectar CAA, fue L* y H°, ya que con estos se detectó CAA a partir. TE. de 5% en los 4 lotes.. Palabras clave: Queso mantecoso, visión computacional, modelo RGB, modelo. BI BL. IO. CIE L*a*b*, Image J.. vi Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(7) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. ABSTRACT. PE CU AR IA S. The objective of this study was to determine the effect of corn starch adulteration. (CSA) in four batches of commercial mantecoso cheese on its colorimetric. characteristics (L *, a *, b *, C * and H ° ) through computer vision (VC); (0% CSA) and CSA w/ w samples (5%, 10%, 15%, 20% and 25%) were compared by Dunnet's. post hoc test (> Control, p <0.05), thus determining, since CSA can be detected adulteration of mantecoso cheese; the colorimetric characteristics were obtained from images of the samples, which had a pre-processing that consisted of. RO. enhancing their contrast up to 50.9% and from these their RGB values were obtained with the software "Image-J" version 2006.02. 01; to subsequently. AG. transform its RGB values to XYZ and finally to values in the CIE space L * a * b * from which the hue or hue (H * or H °) and chroma or saturation (C *). It was obtained. DE. that the best characteristics or color parameters to detect CSA was L * and H °,. CA. since with these CSA was detected from 5% in the 4 batches.. BI BL. IO. Image. TE. Keywords: Mantecoso cheese, computer vision, RGB model, CIE L*a*b* model,. vii Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(8) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. 1.. INTRODUCCIÓN. Queso mantecoso es un producto semi fresco, producto típico de la región. PE CU AR IA S. Cajamarca, en el norte de Perú; es de pasta blanda y mantecosa; presenta color blanco o ligeramente amarillento; se elabora a partir de la cuajada o quesillo, al que se le extrae el suero; es prensado, salado y triturado; se trabaja la masa a mano para asegurar su textura cremosa; se compacta en bloques de bola que se pesan,. moldean y empacan para su comercialización; además, tiene un contenido relativamente alto de grasa (Infolactea, 2016). Si bien existen quesos análogos en. en los cuales se ha sustituido su proteína láctea por proteínas vegetales (almidón), para así mejorar su textura y disminuir costos en su producción (Mounsey y. RO. O'Riordan, 2001), no debe ser razón para que estos se puedan comercializar como. AG. productos elaborados netamente con proteínas láctea. Al ser el color en alimentos uno de los primeros atributos en ser evaluado por los. DE. consumidores; además, uno de los parámetros de evaluación sensorial más importantes en cuanto al concepto de calidad de un alimento (Fernández et al.,. CA. 2011). En la actualidad se están utilizando nuevas herramientas para medir cambios en las características del color de los alimentos, siendo una de estas; la. TE. visión computacional “VC”, la que se proyecta como una alternativa para evaluaciones sensoriales (Saldaña et al., 2013).. VC, está relacionada con el. IO. procesamiento y análisis de imágenes; segmentando, cuantificando y clasificando. BI BL. elementos de interés; ésta herramienta , en comparación con los sensores de luz tradicionales, permiten hacer una evaluación más detallada de áreas más amplias en productos alimenticios, con un color lo más homogéneo posible y que cada color presente en la imagen de la matriz analizada, se explique por uno o más píxeles (Antonelli et al., 2004) , además reduce costos, tiempo y subjetividad en las 1 Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(9) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. mediciones de color, haciendo la estimación más confiable y científica (Brosnan y Sun, 2004). Un sistema de visión computacional “SVC”, está compuesto por; una. PE CU AR IA S. cámara digital; usada para adquirir imágenes, un sistema de iluminación estándar. y un software para el procesamiento y análisis de imágenes (Du y Sun, 2004). Muchas de las cámaras digitales usan el modelo de color RGB, para representar el color; el sensor de esta, captura la intensidad de luz en el nivel rojo (R), verde (G). y azul (B) del espectro de la luz; por otro lado, CIE L* a* b* (CIELAB) es un modelo. cromático que es normalmente usado para describir todo los colores que el ojo humano puede percibir, fue desarrollado específicamente por la Comisión. RO. International d'Eclairage (Comisión de iluminación Internacional). Los parámetros L*a* b* en el modelo, representan la luminosidad del color (L*), su posición entre el. AG. rojo y el verde(a*) y su posición entre el amarillo y el azul (b*) (Associates, Laboratory Hunter, 2013). La definición de apariencia en color requiere de la. DE. transformación de coordenadas cartesianas a* y b* dentro de coordenadas cilíndricas C*ab (croma) y H*ab (ángulo de matiz); estas coordenadas cilíndricas unidas a la luminosidad permiten la definición de un color, modelo CIE L* C* H*,. CA. estas variables colorimétricas nos permiten evaluar la relación entre análisis visual. TE. y numérico (Melgoza et al., 2001). El objetivo de este estudio fue determinar el efecto de concentraciones de. IO. adulteración con almidón (CAA) en queso mantecoso, por medio un SVC, sobre. BI BL. sus características colorimétricas en el espacio CIE L* a* b* y CIE L* C* H*,. comparando los valores cromáticos del queso mantecoso control (sin CAA) con aquellas que contienen CAA; con la finalidad de enriquecer la información sobre el queso mantecoso cajamarquino y proporcionar herramientas en defensa de los consumidores. 2. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(10) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. 2.1.. Queso mantecoso y almidón. PE CU AR IA S. 2. MATERIALES Y MÉTODOS. Se utilizó queso mantecoso comercial de 4 lotes de producción lote1 (FP: 06/06/16. - FV: 04/08/16), 2 (FP: 12/06/16-FV: 10/08/16) ,lote 3 (FP: 03/07/16 - FV: 31/08/16) y lote 4 (FP: 10/07/16-FV: 07/09/16) de una marca comercial conocida y almidón. de maíz comercial (Maizena Duryea); 1.275 kg de queso y 0.225 kg de almidón por cada lote. Acondicionamiento de muestras. RO. 2.2.. Se prepararon muestras de 50 g con concentraciones de almidón p/p de; 0%, 5%,. AG. 10%, 15%, 20% y 25%, se realizaron 6 repeticiones por cada porcentaje. Se mezcló el queso con el almidón, se colocó en moldes de 4 cm x 5 cm x 2.5 cm, posteriormente se cubrieron completamente con polietileno de baja densidad y se. Control de humedad. CA. 2.3.. DE. sometieron a temperatura de refrigeración de 5°C por 24 horas.. Luego de 24 horas se extrajo 2 g de cada muestra, para controlar la humedad a. IO. 2000).. TE. 105°C por 3.5 h, siguiendo el método gravimétrico AOAC 926.08 (CX/MMP 00/16,. Sistema de Visión Computacional y Adquisición de Imágenes. BI BL. 2.4.. El sistema de visión computacional utilizado en este trabajo tuvo cuatro componentes principales, figura1; cámara de madera con paredes de color negro (84x85 cm; para prevenir la reflexión y la luz externa), sistema de iluminación (4 fluorescentes Philips Natural Daylight 18 W de 60 cm de longitud, con un color de 3. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(11) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. temperatura de. 6500 K;. colocados en los lados superiores de la caja; para. disminuir el efecto negativo de reflectancia y para crear la intensidad de luz. PE CU AR IA S. homogénea superficie de la muestra), cámara digital Réflex (CANON EOS 4i, colocada verticalmente a una distancia de 24 cm de las muestras); el ángulo entre. el eje de la lente y las fuentes de iluminación fue de aproximadamente 45°, hardware (Laptop Lenovo CORE i5) y software (EOS Utility), para ver y para. capturar imágenes desde el computador. Las imágenes fueron capturadas utilizando los siguientes ajustes de la cámara Tabla1.. Las imágenes de queso mantecoso adulterado y no adulterado fueron digitalizadas. RO. en pixeles (24 bits/pixel) que contienen niveles de tres colores primarios: rojo, verde. AG. y azul (RGB).. DE. Tabla1. Variables y valores de cámara Digital Reflex Valor. Modo de operación. Manual. Flash. off. Distancia focal. 47 mm. BI BL. IO. TE. CA. Variable. Velocidad de obturación (ISO). 200. Abertura del Objetivo (Av). f/8. Exposición (Tv). 1/25s. Resolución de Imagen (píxeles) 4608 x 3456 Balance de blancos. Fluorescente. 4 Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(12) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. PE CU AR IA S. SVC y Adquisición de Imágenes (2.4). Realce de color de imágenes (2.5). Imagen (864px*830px). Uso de Image J. DE. AG. Medición de valores RGB (2.6). MODELO. CA. Conversión de color (2.7). Realce de imagen (Aumento de contraste 50.9%). RO. Crop de Imagen capturada. Valores CIE L* a *b*. IO. TE. Valores RGB. BI BL. Descripción del color (2.8) CIE L*a* b* y L*C* H* (Patel & Anand, 2012). Figura 1. Esquema para la predicción de queso adulterado haciendo uso de visión computacional. 5. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(13) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. 2.5.. Realce de color de Imágenes. PE CU AR IA S. Se aplicó la técnica de realce Anexos1, aumentando el contraste de las imágenes en un 50.9%; no en el sentido estricto de aumentar la calidad radiométrica, sino de mejorar algunas de sus características visuales para las siguientes etapas del. análisis de las imágenes, ya que el contraste normalmente se aplica a la luminancia,. indica la dispersión de los niveles de grises en la imagen, se basan en reasignar los valores de intensidad de una imagen. Se da un mayor rango de valores a al. Medición de valores RGB. AG. 2.6.. RO. rango de intensidad que nos interese destacar más (Platero, 2009).. Se hizo uso del software libre “Image-J” versión 2006.02.01, el cual proporcionó los. DE. valores promedios de RGB para cada imagen siguiendo los pasos mostrados en. CA. Anexos1.. Conversión de color. TE. 2.7.. Para convertir el espacio de color RGB de la imagen al espacio de color CIELAB. IO. fue necesario hacerlo en dos fases. La primera fase consistió en la conversión de. BI BL. RGB a XYZ (Poynton, 1996) y el segundo de XYZ CIELab espacio de color. Como primer paso se normalizo RGB a valores RGB (valores entre 0 y 1) utilizando las ecuaciones 1, 2 y 3 para cada valor de R, G y B, respectivamente.. R. R+0.055 2.4. > 0.04045 → r = ( 255. 1.055. ). ; si. R 255. R. ≤ 0.04045 → r = 12.92. (1). 6 Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(14) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. > 0.04045 → g = ( 255. 1.055. ). B+0.055 2.4. B. > 0.04045 → b = ( 255. 1.055. ). ; si. ; si. G. G. 255. ≤ 0.04045 → g = 12.92. (2). PE CU AR IA S. G+0.055 2.4. G. B. B. ≤ 0.04045 b →= 12.92 255. (3). Posteriormente estos valores se convirtieron de valores RGB a valores XYZ RGB. utilizando la matriz “M” para un observador iluminante D65-2º como se muestra en. la Ecuación 4. Se utilizó el D65-2º iluminante-observador, debido que es un estándar recomendado por la Commission Internationale d'Eclairage (CIE) y mejor. RO. adaptada a la iluminación de que se utilizó (Blasco et al., 2007).. 0.1805 0.0722] 0.9505. (5). CA. 0.3576 0.7152 0.1192. (4). TE. 0.4124 [M] = [0.2126 0.0193. DE. Donde:. AG. r X [ Y] = 100 ∗ [M] [g] b Z. IO. Por lo tanto, el desarrollo de la ecuación 4 y el uso de la matriz 5, se obtienen. BI BL. valores de X, Y Z y por la ecuación 6. X = 100 ∗ r ∗ 0.4124 + 100 ∗ g ∗ 0.3576 + 100 ∗ b ∗ 0.1805 Y = 100 ∗ r ∗ 0.2126 + 100 ∗ g ∗ 0.7152 + 100 ∗ b ∗ 0.0722. (6). Z = 100 ∗ r ∗ 0.0193 + 100 ∗ g ∗ 0.1192 + 100 ∗ b ∗ 0.9505 7 Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(15) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. Posteriormente se obtienen los valores de x, y, z, usando las ecuaciones 7.8 y 9. X. x=X. Y. (7); y = Y. n. PE CU AR IA S. respectivamente. Z. (8);z = Z. n. n. (9). Donde Xn, Yn, Zn son los valores triestímulo del objeto específico de blanco utilizando en este caso el iluminante D65 (luz del día) y el observador 2° con los valores que se muestran en la Ecuación 10.. (10). RO. Xn = 95.047; Yn = 100; Zn = 108.883. Después se calcularon los valores: varX, Var Y, var Z, utilizando las ecuaciones 11,. AG. 12 y 13.. 16. DE. x > 0.008856 → varX = (x)1/3 ; si x ≤ 0.008856 → var X = (7.787 ∗ x) + (116)(11) 16. CA. y > 0.008856 → varY = (y)1/3 ; si y ≤ 0.008856 → var Y = (7.787 ∗ y) + (116)(12) 16. TE. z > 0.008856 → varZ = (z)1/3 ; si z ≤ 0.008856 → var Z = (7.787 ∗ z) + (116)(13) Posteriormente, se calcularon los valores de L *, a * y b * en el espacio de color. IO. CIELab, siguiendo la Ecuación 14 para calcular la luminosidad L *, la ecuación 15. BI BL. para el valor de a * y la ecuación 16 para el valor de b *. L∗ = (116 ∗ varY) − 16. (14). a∗ = 500 ∗ (varX − varY). (15). b∗ = 200 ∗ (varY − varZ). (16) 8. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(16) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. 2.8.. Descripción del color. PE CU AR IA S. Los espacios CIE L*a*b* y L* C* H* fueron utilizados para la descripción del color; L* recibe el nombre de luminosidad o claridad y, puede tomar valores entre 0 y 100. Las coordenadas colorimétricas a* y b* forman un plano perpendicular a la coordenada L*; a* define la desviación del punto acromático correspondiente a la luminosidad hacia el rojo si a* es positiva, y hacia el verde si a* es negativa.. Análogamente la coordenada b* define la desviación hacia el amarillo si b* es positiva, y hacia el azul si b* es negativa (Gilabert, 1992).. RO. El conjunto a* b* recibe el nombre de cromaticidad y junto con L* definen el color. del estímulo (en coordenadas cartesianas o rectangulares); esto corresponde al. AG. término de cromaticidad que no indica explícitamente ni el tono ni la saturación. Este inconveniente se soluciona definiendo C* (croma) y H* (tono). El croma C* toma el valor 0 para estímulos acromáticos y normalmente no pasa de 150, aunque. DE. puede superar valores de 1000 para estímulos monocromáticos. El tono, H*, varía entre 0 y 360° y para los estímulos acromáticos (a* = b* = 0) es una magnitud. CA. indefinida. Ambos términos (C*, H*) también definen la cromaticidad del color de un. TE. estímulo y, junto con la L*, determinan las coordenadas cilíndricas del espacio CIE Lab (Mathias-Retting y Ah-Hen, 2014). C∗ = √(a∗ )2 + (b ∗ )2. BI BL. IO. (17). b∗. H ∗ = arctg (a∗ ). (18). 9 Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(17) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. 2.9 Análisis estadístico. PE CU AR IA S. Se realizó un análisis de varianza (p<0.05); así como también una prueba post test de Dunnet (>control), el cual nos permitió evaluar las diferencias entre las muestras control (CAA de 0%) con las muestras con CAA (5%, 10%, 15%, 20% y 25%).. Se modelo el comportamiento de la tonalidad (H* o H°) de las muestras de acuerdo. BI BL. IO. TE. CA. DE. AG. RO. a la variación de CAA.. 10 Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(18) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. 3. RESULTADOS Y DISCUSIÓN Se determinó el contenido de humedad en base seca (Hbs) y los parámetros. PE CU AR IA S. colorimétricos de los espacios CIE L* a* b y CIE L* C* H*; luminosidad (L*),. coordenadas de cromaticidad (a* y b*), croma o saturación (C*) y hue, tonalidad o. matiz (H* o H°); de muestras de queso mantecoso comercial, con diferentes. concentraciones de adulteración con almidón “CAA” ( 0% , 5%,10%, 15%, 20% y 25%), siendo la primera, la muestra control, en cuatro lotes (LT1, LT2. LT3 y LT4), sus valores medios y desviación estándar, se resume en las Tablas 2 y 3.. Tabla 2. Contenido de humedad en base seca (Media ± SD) según las CAA en los. CAA (%). Hbs-LT1. 0. 1.11 ± 0.00. 5. 1.11 ± 0.00. 10. 0.99 ± 0.00. 15 20. RO. cuatro lotes de queso mantecoso comercial. Hbs-LT2. Hbs-LT4. 1.17 ± 0.00. 1.19 ± 0.00. 1.12 ± 0.00. 1.11 ± 0.00. 1.13 ± 0.00. 1.01 ± 0.00. 0.99 ± 0.00. 0.98 ± 0.00. 0.94 ± 0.00. 0.94 ± 0.00. 0.95 ± 0.00. 0.94 ± 0.00. 0.85 ± 0.00. 0.85 ± 0.00. 0.88 ± 0.00. 0.88 ± 0.00. 0.80 ± 0.00. 0.77 ± 0.00. 0.75 ± 0.00. 0.78 ± 0.00. CA. DE. AG. 1.14 ± 0.00. TE. 25. Hbs-LT3. Según Tabla 2, cuanto mayor es la CAA, los valores medios de Hbs se redujeron. IO. aproximadamente a 0.78 en los cuatro lotes; de acuerdo a Martines y Lira (2010). BI BL. se espera valores cercanos a 0 %, cuando el material está constituido de materia seca y muy poca masa de agua, ya que según afirman Mounsey y O'Riordan (2001) la inmovilización del agua por los gránulos de almidón puede dar como resultado la deshidratación de la matriz proteica del queso, dando lugar a un aumento de. interacciones hidrófobas de proteína-proteína. 11 Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(19) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. Tabla 3. Valores de L*, a*, b*, C* y H* (Media ± STD) y T de Dunnett (>control) a en los cuatro lotes de queso mantecoso comercial en sus diferentes CAA (%).. 5. 61.04 ± 0.60*. 63.62 ± 0.32*. 10. 64.06 ± 0.48*. 63.75 ± 0.34*. 15. 64.84 ± 0.29*. 64.04 ± 0.13*. 20. 63.85 ± 0.37*. 63.96 ± 0.18*. 25. 63.65 ± 0.11*. 63.88 ± 0.29*. 0c. 27.68 ± 0.51. 25.53 ± 0.28. 5. 25.81 ± 0.40. 25.11 ± 0.27. 10. 24.75 ± 0.31. 25.13 ± 0.30. 15. 23.57 ± 0.34. 24.17 ± 0.06. 20. 22.96 ± 0.40. 24.14 ± 0.50. 25. 22.77 ± 0.54. 0c. LT4. 61.96 ± 1.02. 63.09 ± 0.47. 63.13 ± 0.66*. 63.95 ± 0.36*. 65.47 ± 0.36*. 64.06 ± 0.28*. 65.30 ± 0.43*. 64.36 ± 0.52*. 64.55 ± 0.11*. 63.74 ± 0.28*. 64.27 ± 0.38*. 63.49 ± 0.32*. 26.10 ± 0.89. 26.88 ± 0.59. 25.46 ± 0.56. 26.22 ± 0.70. 24.38 ± 0.41. 25.79 ± 0.76. 24.51 ± 0.35. 25.77 ± 0.32. 24.84 ± 0.32. 25.21 ± 0.28. 23.63 ± 0.64. 24.65 ± 0.15. 24.41 ± 0.22. 66.29 ± 0.43. 68.83 ± 0.37. 68.17 ± 0.79. 68.68 ± 0.29. 5. 67.37 ± 0.48*. 69.49 ± 0.25*. 69.10 ± 0.52*. 68.91 ± 0.65. 10. 69.81 ± 0.42*. 69.78 ± 0.25*. 70.99 ± 0.27*. 69.31 ± 0.47*. 15. 70.38 ± 0.23*. 70.01 ± 0.26*. 70.85 ± 0.34*. 69.38 ± 0.37*. 20. 69.74 ± 0.17*. 69.74 ± 0.11*. 70.22 ± 0.13*. 69.83 ± 0.30*. 25. 68.97 ± 0.22*. 69.76 ± 0.23*. 69.97 ± 0.17*. 69.79 ± 0.26*. 0c. 71.84 ± 0.31. 73.41 ± 0.29. 73.00 ± 0.46. 73.75 ± 0.30. 5. 72.15 ± 0.36. 73.89 ± 0.16*. 73.65 ± 0.32*. 73.73 ± 0.80. 10. 74.07 ± 0.32*. 74.17 ± 0.25*. 75.06 ± 0.17*. 73.95 ± 0.58. 15. 74.23 ± 0.22*. 74.06 ± 0.25*. 74.97 ± 0.29*. 74.02 ± 0.27. 20. 73.42 ± 0.16*. 73.80 ± 0.23*. 74.48 ± 0.06*. 74.24 ± 0.28. 25. 72.63 ± 0.11*. 73.66 ± 0.36. 74.19 ± 0.13*. 73.94 ± 0.21. 0c. 67.34 ± 0.47°. 69.65 ± 0.28°. 69.05 ± 0.86°. 68.63 ± 0.45°. 5. 69.03 ± 0.41°* 70.13 ± 0.26°* 69.77 ± 0.53°* 69.17 ± 0.41°*. IO 10. 70.48 ± 0.32°* 70.19 ± 0.23°* 71.05 ± 0.36°* 69.59 ± 0.53°*. 15. 71.48 ± 0.27°* 70.96 ± 0.08°* 70.92 ± 0.30°* 69.63 ± 0.32°*. 20. 71.77 ± 0.32°* 70.91 ± 0.36°* 70.52 ± 0.26°* 70.15 ± 0.23°*. BI BL H*. LT3. RO. 62.87 ± 0.33. TE. C*. 60.06 ± 1.48. AG. b*. 0c. DE. a*. LT2. CA. L*. LT1. PE CU AR IA S. CAA. 25 71.73 ± 0.45°* 71.29 ± 0.45°* 70.60 ± 0.14°* 70.72 ± 0.21°* (*) La diferencia de medias es significativa en el nivel 0.05, para cada lote. (c)Grupo. control muestras con 0% de almidón (a) La prueba t de Dunnett, se analizó con respecto al grupo control, y se compararon los demás grupos con este. 12 Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(20) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. Gráfico Caja y Bigotes. 66. 65. 65. 64. 64. 63. 63. 62 61. 62 61. 60. 60. 59. 59 58. 58 0. 5 10 15 20 25 Gráfico Caja % y Bigotes. 0. 5 10 15 20 25 Gráfico Caja % y Bigotes. CAA (%). 66. 66. 65. 65. 64. 64. 63. 63. L* - LT4. 62. RO. L* - LT3. CAA (%). 62. PE CU AR IA S. 66. L* - LT2. L*- LT1. Gráfico Caja y Bigotes. 61. 61 60. 60. 59. AG. 59. 58. 58 0. 5. 10. 15 %. CAA (%). 20. 25. 0. 5. 10. 15 %. 20. 25. CAA (%). DE. Figura 3. Efecto de las CAA (%) en la luminosidad (L*) (L*-LT1: luminosidad en lote1, L*-LT2: Luminosidad en lote 2, L*-LT3:. CA. Luminosidad en lote 3, L*-LT4: Luminosidad en lote 4) Las diferencias de color son muy importantes para evaluar las relaciones entre los. TE. análisis visuales y numéricos (Melgoza et al., 2001). Los diferentes valores de luminosidad (L*) según tabla 3, indicaron que el reflejo de la luz sobre las muestras. IO. de queso mantecoso comercial, fueron heterogéneas de acuerdo a la variación de. BI BL. CAA. Los valores medios más altos de L* según tabla 3, lo obtuvieron las muestras con CAA de 15% para el LT1, LT2 y LT4; 10 % para LT3; por otro lado, las muestras. control presentaron los valores más bajos en los 4 lotes; es decir, los valores de luminosidad incrementaron con respecto al queso mantecoso puro o control; por lo tanto, las muestras con CAA a partir de 5 %, se considerarían más claras que las 13. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(21) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. muestras control, ya que según Papadakis et al. (2000) a medida que el valor de L* aumenta, se obtiene un producto más claro; en los diagramas de la Figura 3, se. PE CU AR IA S. observa que existe alta variabilidad en la luminosidad de las muestras control para. los lotes 1, 2 y 3; más, en el lote 4 existe más variabilidad en la CAA de 15% la variabilidad presentada de acuerdo a la variación de CAA, pueden ser debidas a que los objetos absorben y reflejan la luz de forma distinta dependiendo de sus. características físicas, tal como la forma o también la composición (Mathias-Retting y Ah-Hen, 2014); al realizar el test post hoc de Dunnett (>control) tabla 3, se encontraron diferencias significativas (*; p<0.05), a partir de las muestras con CAA de 5% en los 4 lotes . Gráfico Caja y Bigotes. RO. Gráfico Caja y Bigotes. 30. 30. 29. 29. AG. 28. 28 27. a*- LT2. a*-LT1. 27 26. DE. 25 24 23 22. 5 10 20 Gráfico Caja y15Bigotes %. CA. 0. 26 25 24 23 22. 25. 0. CAA (%). 30. 30 29. 27. 27. a* - LT4. 28. 26. IO. a* - LT3. 28. 25. 26 25. 24. 24. 23. 23. BI BL. 25. CAA (%). TE. 29. 5 10 15Bigotes 20 Gráfico Caja y %. 22. 22 0. 5. 10. 15 %. 20. 0. 25. 5. 10. 15 %. 20. 25. CAA (%). CAA (%). Figura 4. Efecto de las CAA (%) en a* (a*-LT1: a*en lote1, a*-LT2: a* lote 2, a*-LT3: a* lote 3, a*-LT4: a* en lote 4) 14 Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(22) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. De acuerdo a la Tabla 3, los valores medios de a* más altos se presentaron en las muestras control y los más bajos en las de CAA de 25% para los 4 lotes; por lo. PE CU AR IA S. tanto, se afirma que; mientras la muestra sea más pura es decir, menor CAA, el. valor de a* será más alto y esta a su vez tendrá un desplazamiento hacia el color rojo; ya que el factor a*, quien denota el valor rojo/verde; indica que una medición de color en la dirección positiva muestra un desplazamiento hacia este color (Alva. et al., 2015); sin embargo, al realizarse la prueba de dunnet Tabla 3, no se encontro diferencias significativas (*; p < 0.05) entre a* y las CAA en ninguno de los lotes. analizados; además en los diagramas de la Figura 4, se observa que la variabilidad. RO. de a* fue baja para todas las CAA en el LT1; mas, se presentó variabilidad solo en. las CAA de 15% en LT2 y LT4 y 25% en LT3. Resultados similares se han. AG. observado en queso suave donde, los valores de a* para este caso, mostraron un ligero grado de verdor; más, tampoco se encontraron diferencias significativas entre. DE. sus muestras control (queso sin proteína vegetal) y las que contenían concentraciones de proteína vegetal (p < 0,05) (Rinaldoni et al., 2014). En la Figura 5, se observa que existe alta variablididad de b* en las muestras control. CA. y en aquellas con CAA de 5% y 10% en el LT1 y LT3; y en la CAA de 5% para LT4.. TE. Así mismo, según Tabla 3, los valores medios más altos de b* pertenecieron a las muestras de 15% para LT1 y LT2; 10% para LT3 y 20% para LT4 y los más bajos. IO. en las muestras control para los 4 lotes; por lo tanto, las muestras con mayor CAA. BI BL. presentaron un color más amarillo, que las de bajas; ya que, al estar el factor b*, quien indica un valor amarillo/azul, en dirección positiva, representa un cambio hacia el amarillo (Alva et al., 2015) ; este color puede ser debido a que según Galván, (2005) en el proceso de fabricación del queso, se elimina la mayor parte del componente líquido de la leche, dejando una mayor concentración de. 15 Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(23) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. componente graso el cual, posee un pigmento amarillento/naranja. Por otro lado Rinaldoni et al., (2014), menciona que en quesos con bajo contenido de grasa, el. PE CU AR IA S. valor b * positivo indica el grado de amarillamiento ya que la eliminación de grasa. imparte un aspecto translúcido por lo tanto, se puede decir que al aumentar CAA,. parte de grasa fue eliminada y sustituida por los componentes del almidón. A partir del Test post hoc de Dunnett (>control) tabla 3, se obtuvo que en los lotes 1, 2 y 3 se puede determinar CAA a partir de 5%; más, en el LT4 a partir de 10%. Gráfico Caja y Bigotes Gráfico Caja y Bigotes. 72. 72. 71. 71 70. RO. 69. b* - LT2. b*- LT1. 70. 68 67. 69 68. 66. AG. 67 66. 65. 65. 5. 10. 15 CAA%(%). 20. 25. 0. Gráfico Caja y Bigotes. 69. 25. 72. 67. 69 68. IO. 67. 66. 66. 65. BI BL. 20. 70. 68. 0. 15 %. 71. TE. b* - LT3. 70. 10. Gráfico Caja y Bigotes. b* - LT4. 71. CA. 72. 5. CAA (%). DE. 0. 65 5. 10. 15 %. 20. 25. 0. 5. 10. CAA (%). 15 % CAA (%). 20. 25. Figura 5. Efecto de las CAA en b*. (b*-LT1: b* en lote1, b*-LT2: b* en lote 2, b*-LT3: b* en lote 3, b*-LT4: b*en lote 4). 16 Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(24) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. De acuerdo a la Figura 6, se dice que existe alta variabilidad de C* en LT4 en las CAA de 5% y 10%; en cambio, para el LT2, su variabilidad es similar en todas las. PE CU AR IA S. concentraciones. Según Tabla 3, los valores medios mayores de C* se presentaron en las muestras de 15% y 10% para LT1, LT2 y LT3 respectivamente, 20% para. LT4; mientras que los menores en las muestras control para LT1, LT2 y LT3, y 5%. para LT4; mas, según Tabla 3, del Test de Dunnett (>control) con respecto a C*, se obtuvo que; solo para los tres primeros lotes, se encontraron diferencias significativas (*, p<0.05); se pudo determinar CAA a partir de 10% para LT1 y 5%. para LT2 y LT3; sin embargo, para el LT2, los valores de C* en la CAA de 25% no. RO. tuvieron diferencias significativas, con respecto al control; esto pudo deberse a que se tuvo alta variabilidad en los valores de a* en el LT2, LT3 y LT4 (Figura 4); ya. AG. que, según Nicolas et al. (1994) el cambio en los parámetros de color de a* y b* conllevan a una variación del parámetro C*. El croma o medida de saturación del. DE. color (C*), se considera el atributo cuantitativo del color (Fernández et al., 2011), sus valores medios estuvieron aproximadamente entre 71 a 75 (Tabla 3), valores. CA. muy cercanos a un color puro; sabiendo que C*, el cual se mide desde el punto central del espacio de color (a* = b* = 0), y quien se extiende hacia fuera desde. TE. ese punto en una línea recta (Chiralt et al., 2007) , indica cuan puro o intenso es el color en una escala de 0 a 100, donde este último valor expresa la mayor pureza. IO. (Patel y Anand, 2012) ; asimismo en los lotes LT1 y LT3 (Tabla 3), se obtuvo que. BI BL. a mayor cantidad de sólidos o mayor CAA, mayor resultó su saturación del color (Álvarez et al., 2007) , es decir las muestras con menor CAA estuvieron más cerca del eje de claridad (L*) (Carvajal et al., 2011), o con colores menos puros; ya que. C* se utiliza para determinar el grado de diferencia de un color en comparación con. un color gris con la misma luminosidad; además los valores de C* cercanos o 17 Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(25) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. superiores a 50 indican colores vívidos (Gil et al., 1997) . Estudios mencionan que la variación de color entre los productos puede estar relacionada con el uso de. PE CU AR IA S. grasa vegetal como sustituto de la crema lechera, ya que las diferencias entre ellos. tienden a aumentar con el aumento de la proporción de esta sustitución.. Encontraron que el queso análogo requeijão (queso crema); con 50% de grasa. vegetal presento mayor saturación de amarillo que las muestras con 0% y 25% de esta (Cunha et al., 2010). Por otro lado se afirma que el tamaño del glóbulo graso. de los productos que contienen almidones o grasa vegetal, tiene glóbulos de grasa. más pequeños, indicando una emulsificación grasa más extensa (Savello et al., 1989).. Gráfico Caja y Bigotes. RO. Gráfico Caja y Bigotes. 76. 76. AG. 75. C* - LT2. 74 73. DE. C* - LT1. 75. 72 71. 72 71 0. 25. 76 75. 74. 74. C* - LT4. 75. 73 72. BI BL. 5 10 15 20 Gráfico Caja y Bigotes %. CAA (%). IO. C* - LT3. 73. 25. TE. 76. 5 10 20 Gráfico Caja y15Bigotes % CAA (%). CA. 0. 74. 73 72 71. 71 0. 5. 10. 15 %. 20. 0. 25. CAA (%). 5. 10. 15 %. 20. 25. CAA (%). Figura 6. Efecto de las CAA en C* (C*-LT1: croma en lote1, C*-LT2: croma en lote 2, C*-LT3: croma en lote 3, C*-LT4: croma en lote 4) 18. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(26) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. En la Figura 7, se observa una alta variabilidad de H* solo en las muestras control del LT3; asi mismo, los valores medios de tonalidad angular (H°) o matiz según. PE CU AR IA S. Tabla 3, están aproximadamente entre 66° a 73°; indicando estos que, las muestras. estuvieron entre los colores rojo y amarillo; sabiendo que, H° tiene unidades en. forma de grados que expresan el color básico de un objeto; 0° +a* (rojo), 90°. +b* (amarillo), 180° -a* (verde) y 270° -b* (azul) ) (Carvajal et al., 2011). Los valores medios mayores de H* se presentaron en las muestras con CAA de 20% para LT1, 25% para LT2 y LT4, 10% para LT3; en cambio, los menores se presentaron solo en las muestras control para los 4 lotes; por lo tanto se dice que, las muestras. RO. control se inclinaron hacia el color naranja y aquellas con alta CAA hacia el amarillo; ya que según Galván (2005), entre menos humedad contengan los quesos, su. AG. coloración puede presentar tonalidades más amarillas. Estudios afirman que la presencia de proteínas vegetales, en este caso CPS. DE. (Concentración de proteína de soya), en queso suave, no afectan significativamente al color de los productos similares al queso (muestra control sin CPS), sus. CA. resultados obtenidos de H* para este estudio revelaron que fue en promedio 90.67± 0.28 sin diferencias significativas entre las muestras con 5%, 10% y 15% de CPS;. TE. ya que sus valores del ángulo de matiz estuvo entre 40° a 90° lo que indico una tonalidad amarilla en las muestras (Rinaldoni et al., 2014); sin embargo para este. IO. estudio al considerar que se añadió proteínas vegetales de maíz (almidón) si se. BI BL. encontró diferencias significativas (*, p<0.05) tabla 3, Dunnett (>control); se identificó CAA a partir de 5% en los cuatro lotes.. 19 Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(27) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. Gráfico Caja y Bigotes. 74. 73. 73. 72. 72. 71. 71. 70 69. PE CU AR IA S. 74. H* - LT2. H* - LT1. Gráfico Caja y Bigotes. 70 69. 68. 68. 67. 67 66. 66 0. 0. 5 10 15 20 25 Gráfico Caja y Bigotes %. CAA (%). 74. 74. 73. 73. 72. 72. 71. 71. H* - LT4. 70. 70. RO. H* - LT3. CAA (%). 5 10 15 20 25 Gráfico Caja y Bigotes %. 69. 69 68. 68. 67. AG. 67. 66. 66 0. 5. 10. 15 % CAA (%). 20. 25. 0. 5. 10. 15 %. 20. 25. CAA (%). DE. Figura 7. Efecto de las CAA en H*. CA. (H*-LT1: Hue en lote1, H*-LT2: Hue en lote 2, H*-LT3: Hue en lote 3, H*-LT4: Hue en lote 4). Existe una relación estadísticamente significativa (p<0.05), al modelar el. TE. comportamiento H* con respecto a CAA figura 8. El estadístico R2 indica que el. IO. modelo ajustado 𝑦 = (𝛽0 + 𝛽1 √𝑥)−1 explica un 92.4%, 73.0%, 49.7% y 71.3% de la. BI BL. variabilidad en H*- LT1, H* - LT2, H* - LT3 y H* - LT4 respectivamente, después de transformar a una escala de raíz cuadrada para linealizar el modelo. Además los coeficientes de correlación de H* (-0.961451, -0.854278, -0.704863 y -0.84445). para LT1, LT2, y LT4 respectivamente, indican una relación fuerte entre las variables; mas no en LT3. Las diferencias entre los modelos 4 lotes puede deberse. 20 Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(28) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. a que en la elaboración del queso no está estandarizado su contenido de grasa en leche, la cual acentúa la tonalidad amarilla (Galvan, 2005). Gráfico del Modelo Ajustado H* - LT1 = 1/(0.0148575 - 0.000200308*sqrt(%)) 74. PE CU AR IA S. Gráfico del Modelo Ajustado H* - LT2 = 1/(0.0143858 - 0.0000654934*sqrt(%)) 72 71.5. 72 H* - LT2. H* - LT1. 71. 70. 70.5. 70. 68. r = - 0.961451. r = -0.854278. 69.5. 66. 69. 0. 5. 10. 15. 20. 25. 0. 15 20 25 % Gráfico del Modelo Ajustado H* - LT4 = 1/(0.0146064 - 0.0000789639*sqrt(%)). 5. 10. RO. %. Gráfico del Modelo Ajustado H* - LT3 = 1/(0.0144466 - 0.0000714936*sqrt(%)) 72. AG. 71. 70.5. 71. 69. H* - LT4. DE. H* - LT3. 70. 70. 69. r = -0.704863. 67 0. 5. CA. 68. 10. 15. 20. 69.5. r = -0.84445. 68.5 68. 25. 0. %. 5. 10. 15. 20. 25. TE. %. IO. Figura 8. Comportamiento de los valores de H* con respecto a la CAA (%) en los 4 lotes de queso mantecoso comercial.. BI BL. En relación al comportamiento de los parámetros de color L*, C*, H*, con el concentraciones de adulteración, como ya se ha indicado previamente por otro autor, las diferencias de matiz (H°) se detectan más fácilmente que las variaciones de croma y luminosidad (Shewfelt et al., 1987), más en este estudio se detectaron. también variaciones en cuanto a L*. 21 Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(29) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. 4. CONCLUSIONES. Se determinó el efecto de concentraciones de adulteración con almidón (CAA) de. PE CU AR IA S. (0%, 5%, 10%, 15%, 20% y 25%) en queso mantecoso, por medio un SVC, sobre. sus características colorimétricas en el espacio CIE L* a* b* y CIE L* C* H*, comparando estos valores cromáticos de queso mantecoso control (sin CAA) con. aquellas que contienen CAA. De lo analizado se obtuvo que, la matriz proteica de las muestras con CAA se deshidrataron a causa de la presencia de almidón ya que. a mayor CAA, la humedad en base seca se disminuyó a 0.78. Los valores de L* incrementaron en las muestras con CAA, con respecto al queso mantecoso control;. RO. se encontraron diferencias significativas en cuanto a L* (p<0.05), a partir de las muestras con CAA de 5% en los 4 lotes. En cuanto a los valores de a*, mientras. AG. menor fue la CAA, el valor de a* fue más alto y por lo tanto tuvo un desplazamiento hacia el rojo; mas no hubo diferencias significativas (p<0.05) entre las muestras.. DE. Según los valores de b*, las muestras con mayor CAA tendrían un color más amarillo; se encontraron diferencias significativas en cuanto a b* (p<0.05) a partir. CA. de 5% en los lotes 1, 2 y 3 más en el lote 4 a partir de 10%. A mayor cantidad de sólidos en los quesos, o mayor CAA, mayor resultó la. TE. saturación del color (C*); solo en los lotes 1, 2 y 3; se encontraron diferencias. IO. significativas (p<0.05), se pudo determinar CAA a partir de 5% solo en los lotes 1 y 3. En cuanto al matiz (H*) se pudo determinar CAA a partir de concentraciones de. BI BL. 5% en los cuatro lotes. El modelo al que se ajustó el comportamiento H* con. respecto a CAA fue 𝑦 = (𝛽0 + 𝛽1 √𝑥)−1, indicando una relación fuerte entre las. variables con coeficientes de correlación de (-0.961451, -0.854278 y -0.84445) para los lotes 1, 2 y 4 respectivamente. Por lo tanto con H° y L*, se detectó más fácilmente las CAA en queso mantecoso. 22. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(30) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. 5. REFERENCIAS BIBLIOGRÁFICAS Alva, C.; Ramírez, C.; Siche, R. 2015. Visión computacional en la evaluación del. PE CU AR IA S. efecto de la temperatura y tiempo de fritura sobre el color de hojuelas de papa (Solanum tuberosum) nativa. Agroindustrial science (5), 153-160.. Álvarez, S.; Rodríguez, M.; Ruiz, E.; Fresno, M. 2007. Correlaciones de textura y color instrumental con la composición química de quesos de cabra canarios. Redalyc, 56(1), 663-666.. Álvarez, S.; Rodriguez, V.; Ruiz, M.; Fresno, M. 2007. Correlaciones de textura y color instrumental con la composición química de quesos de cabra canarios.. RO. Redalyc-archivos de zootecnia, 56(1), 663-666.. Antonelli, A.; Cocchi, M.; Fava, P.; Foca, G.; Franchini, G.; Manzini, D.; Ulrici, A.. AG. (2004). Automated evaluation of food colour by means of multivariate image analysis coupled to a wavelet-based classification algorithm. Anal. Chim (515),. Associates,. DE. 3-13. Laboratory. Hunter.. 2013.. HUNTER. LAB.. Disponible. en:. http://www.hunterlab.com/basics-of-color-theory.pdf. CA. Blasco, J.; Aleixos, N.; Moltó, E. 2007. Computer vision detection of peel defects in. TE. citrus by means of a region oriented segmentation algorithm. Food Engineering(81), 535-543.. IO. Brosnan, T.; Sun, D. 2004. Improving quality inspection of food products by. BI BL. computer vision. Food Engineering (61), 3-16. Carvajal, J.; Aristizábal, I.; Oliveros, C.; Mejía, J. 2011. Colorimetría del Fruto de Café. (Coffea. arabica. L.). Durante. su. Desarrollo. y. Maduración.. FAc.Nal.Agr.Medellín, 2(64), 6229-6240.. 23 Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(31) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. Chiralt, A.; Martinez, N.; Gonzáles, C.; Talens, P.; Moraga, G. 2007. Propiedades físicas de los alimentos: Editorial. España: Universidad Politécnica de Valencia.. PE CU AR IA S. Cunha, C.; Dias, A.; Walkiria, V. 2010. Microstructure, texture, color and sensory. evaluation of a spreadable processed cheese analogue made with vegetable fat. Food Research International (43), 723-729.. CX/MMP 00/16. (13 de 12 de 2000). Métodos de muestreo y análisis de productos lácteos. Disponible en:. ftp://ftp.fao.org/codex/Meetings/CCMMP/ccmmp4/mm00_16s.pdf. Du, C.; Sun, S. (2004). . Recent developments in the applications of image techniques. for. food. quality. evaluation.. Food. Science. &. RO. processing. Technology(15), 230-249.. AG. Fernández, R.; Stinco, C.; Meléndez, F.; Vicario, I. 2011. Visual and Instrumental Evaluation of orange Juice color: a consumers' preference study. Sensory of. DE. Studies(26), 436-444.. Galván, M. (2005). Proceso básico de la leche y el queso. Revista Digital Universitaria, 6(9), 1067-6079.. CA. Gil, R.; Gómez, E.; Martínez, A.; López, J. 1997. Evolution of the CIELAB and other. TE. spectrophometric parameters suring winw feremntation. Influence of some pre and postfermentative factors. Food REs, 9(30), 699-705.. IO. Gilabert, E. 1992. Medida del color. Servicio de publicaciones. Valencia:. BI BL. Universidad Politécnica de Valencia. Infolactea. 2016. Soluciones Prácticas Oficina Regional para América Latina. Disponible en: http://infolactea.com/productos/queso/quesos-blandos/. Martines, E.; Lira, L. 2010. Análisis y aplicación de las expresiones del contenido de humedad en sólidos. Centro Nacional de Metrología, 1(5), 1-6.. 24 Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(32) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. Mathias-Retting, K.; Ah-Hen, K. 2014. El color en los alimentos un criterio de calidad medible. Agrosur, 2(42), 39-48.. PE CU AR IA S. Melgoza, M.; Pérez, M.; Yebra, A.; Huertas, R.; Hita, E. 2001. Algunas reflexiones y recientes recomendaciones internacionales sobre evaluación de diferencias de color. Opt. Pura Apl (34), 1-10.. Mounsey, J.; O'Riordan, E. 2001. Characteristics of Imitation Cheese containing Native Starches. Journal of Food and Science, 66(4), 586-591.. Nicolas, J.; Richard-Forget, F.; Goupy, P.; Amiot, M.; Aubert, S. 1994. Enzymatic browning reactions in apple and apple products. Critical Reviews in Food Science. RO. & Nutrition. Food science & Nutrition, 2(34), 109157.. Papadakis, S.; Abdul-Malek, S.; Kamdem, R.; Yam, K. 2000. Versatile and. AG. inexpensive technique for measuring color of foods. Food Technology, 12(54), 48-51.. DE. Patel, J.; Anand, R. 2012. Color Image Segmentation for Medical Images using L*a*b* Color Space. Electronics and Communication Engineering (IOSRJECE), 1(2), 24-45.. CA. Platero, C. 2009. Robótica y Visión Artificial - Capítulo4: Técnicas de Procesado.. TE. Disponible en:. http://www.elai.upm.es/webantigua/spain/Asignaturas/Robotica/ApuntesVA/cap. IO. Procesadov1.pdf. BI BL. Rinaldoni, A.; Palatnik, D.; Zaritzky, N.; Campderrós, M. 2014. Soft cheese-like product development enriched with soy protein. Food Science and Technology (55), 139-147.. 25 Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(33) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. Saldaña, E.; Siche, R.; Luján, M.; Quevedo, R. 2013. Review: computer vision applied to the inspection and quality control of fruits and vegetables. Food. PE CU AR IA S. Technology, 16(4), 254-272.. Savello, P.; Eristrom, C.; Kalab, M. 1989. Microstructure and meltability of model process cheese made with rennet and acid aasein. Journal of Dairy Science, 1(72), 1-11.. Shewfelt, R.; Prussia, S.; Resurreccion, A.; Hurts, W.; Cambell, D. 1987. Quality changes of vine-ripened tomatoes within the postharvest handling system. Food Science (52), 661-664.. RO. Wadhwani, R.; Mc Mahon, D. 2012. Color of low-fat cheese influences flavor perception and consumer liking. Journal of Dairy Science, 95(5), 2336-2346.. BI BL. IO. TE. CA. DE. John Wiley & Sons. ed.). AG. Wyszecki, G.; Stiles, W. 1982. Color Science: Concepts and Methods, (Sec. Ed.. 26 Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(34) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. ANEXOS 1: Pre procesamiento de Imágenes. 1. Abrir imagen desde la pestaña File conocidas. PE CU AR IA S. 2. Realizar una línea que se ajuste aproximadamente a la figura de dimensiones 3. Ajustar la escala en la pestaña Analizar en la opción Set Scale… Aparecerá la distancia en pixeles (Distance in pixels) de la línea, luego colocar la distancia conocida (Known distance) y sus unidades de medida (Unit of length).. 4. Seleccionar la opción global, para que esta escala se aplique para todas las imágenes. Figura 1.. 5. Para seleccionar el área de interés se selecciona la herramienta rectángulo y. en la pestaña Edit en la opción specify… se coloca las medidas específicas y se marca la opción Scale units (mm). Figura 2.. RO. 6. Se administrara las áreas en la pestaña Analize opción Tools >> ROI Manager, donde se ira añadiendo todas las áreas de interés. Figura 3. 7. El nombre del área se pueden cambiar como se muestra en Figura 4. En la. AG. opción RENAME de la ventana de ROI Manager.. 8. Seleccionar la ficha Show All y labels, así se mostrara el área con sus respectiva etiqueta.. DE. 9. Guardar áreas en la opción More >> Save… de la ventana de ROI Manager, así al abrir la siguiente imagen aparecerá las áreas en las mismas coordenadas con las mismas dimensiones Fig 5.. Para extraer las áreas a analizar en otra ventana, se hace uso de ROI. CA. 10.. Manager, se selecciona el área, luego en la pestaña Image opción Crop. Para realzar el contraste de las imágenes en la pestaña Image en la opción. TE. 11.. Adjust- Brightness /contrast… se desplaza la barra Minimun hasta el contraste. IO. buscado en nuestro caso 130 el cual representa el 50.1% del contraste inicial. 12.. A partir de la imagen con aumento de contraste en la pestaña Plugins en. BI BL. la opción Analize- Measure RGB se obtienen los valores medios de RGB de la imagen. 27 Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(35) BI. BL. IO. TE. CA. DE. AG. RO PE CU A. RI A. S. Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. Figura 1. Ajuste de escala 28. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(36) Figura 2. Especificación de área a analizar. BI. BL. IO. TE. CA. DE. AG. RO PE CU A. RI A. S. Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. 29 Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(37) BL. IO. TE. CA. DE. AG. RO PE CU A. RI A. S. Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. BI. Figura 3. Administración de áreas con ROI Manager. 30 Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(38) BL. IO. TE. CA. DE. AG. RO PE CU A. RI A. S. Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. BI. Figura 4. Cambio de nombre de áreas (RENAME) y visualización de áreas a analizar (SHOW ALL). 31 Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(39) Figura 5. Guardar áreas. BI. BL. IO. TE. CA. DE. AG. RO PE CU A. RI A. S. Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. 32 Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(40) Figura 6. Corte de imagen (CROP). BI. BL. IO. TE. CA. DE. AG. RO PE CU A. RI A. S. Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. 33 Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(41) Figura 7. Realce de contraste 50.9%. BI. BL. IO. TE. CA. DE. AG. RO PE CU A. RI A. S. Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. 34 Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(42) Figura 8. Medición de RGB. BI. BL. IO. TE. CA. DE. AG. RO PE CU A. RI A. S. Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. 35 Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(43) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. 5. 6. RO PE CU A. 20% Label Mean. 25% Label Mean. Red. 213.613. Red. 221.033. Red. 221.615. Red. 217.732. Red. 215.874. Green. 129.64. Green. 136.788. Green. 139.895. Green. 138.037. Green. 136.966. Blue. 1.285. Blue. 0. Blue. 8.48E-04. Blue. 0.026. Blue. 0.163. Blue. 0.731. Red. 217.413. Red. 213.944. Red. 221.607. Red. 222.065. Red. 218.155. Red. 215.447. Green. 131.437. Green. 128.852. Green. 136.877. Green. 137.856. Green. 134.756. 1.39E+02 Green 0.076 Blue. 0.052. Blue. 0. Blue. 1.16E-05. Blue. Red. 210.831. Red. 212.596. Red. 221.755. Red. 221.38. Green. 123.098. Green. 127.779. Green. 137.563. Green. 3.48E-04. Blue. 0.012. Blue. 0. Blue. Red. 210.749. Red. 212.704. Red. Green. 121.991. Green. 126.924. 0.041. Blue. 0.033. Red. 217.133. Red. 215.843. 139.226. Green. 136.456. Green. 136.494. Blue. 3.10E-02. Blue. 220.883. Red. 135.497. Green. 2.22E+02 Red 138.889 Green. AG. Blue. DE. 4. 15% Label Mean. Green. Blue. 0. Blue. 0. Red. 208.257. Red. 210.267. Red. Green. 120.629. Green. 125.63. Green. 0.00E+00 Blue 219.043 Red 134.727 Green. 0. Blue. 2.32E-05. Blue. 210.447. Red. 218.87. Red. 220.978. 125.082. Green. 133.865. Green. 137.784. 0. Blue. Blue. 0. Blue. Red. 206.458. Red. Green. 118.135. Green. 0. Blue. 0.675. Blue. 0.182. Blue. 0.649. 218.096. Red. 215.373. 137.231. Green. 134.406. 0.002. Blue. 0.144. Blue. 0.108. 219.979. Red. 216.613. Red. 215.309. 135.848. Green. 136.443. 1.38E+02 Green 0.009 Blue. 0.004. BI. Blue. Blue. CA. 3. 136.598. RGB. 10% Mean Label. TE. 2. Green. 5% Mean. IO. 1. 0% Mean Label 219.259 Red. BL. REP.. RI A. S. ANEXOS 2. Tablas Tabla 1. Valores RGB de las muestras de queso mantecoso comercial, lote 1 en sus diferentes CAA obtenidos con Image J. 36 Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/. 0.051. Blue. 0.608. Red. 216.562. Red. 214.289. Green. 134.889. Green. 133.766. Blue. 0.008. Blue. 0.013.

(44) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. 5. 6. Red. 215.499. Red. 219.876. Green. 129.862. Green. Blue. 0. Red Green. 20%. 25%. Mean. Label. Mean. Label. Mean. Label. Mean. Red. 219.99. Red. 219.173. Red. 221.324. Red. 218.878. 134.934. Green. 135.306. Green. 135.818. Green. 141.422. Green. 136.269. Blue. 0. Blue. 0.016. Blue. 0. Blue. 1.218. Blue. 8.59E-04. 216.618. Red. 219.626. Red. 219.362. Red. 219.133. Red. 218.656. Red. 220.325. 131.583. Green. 134.301. Green. 134.425. Green. 135.843. Green. 135.264. Green. 138.391. Blue. 0.017. Blue. 1.05E-04. Blue. 0.015. Blue. 0.002. Blue. 0.002. Blue. 0.014. Red. 217.784. Red. 221.857. Red. 220.255. Red. 219.688. Red. 221.222. Red. 219.935. Green. 131.561. Green. 136.722. Green. 135.088. Green. 137.147. Green. 140.133. Green. 136.513. Blue. 0. Blue. 6.97E-05. Blue. 0.002. Blue. 2.67E-04. Blue. 0.638. Blue. 0.003. Red. 218.389. Red. 221.071. Red. 219.237. Red. 219.679. Red. 220.311. Red. 219.95. Green. 132.779. Green. 134.868. Green. 133.372. Green. 136.387. Green. 136.673. Green. 136.314. Blue. 0.05. Blue. 2.44E-04. Blue. 0. Blue. 4.18E-04. Blue. 0.004. Blue. 5.81E-05. Red. 218.814. Red. 221.268. Red. 220.336. Red. 219.567. Red. 220.885. Red. 219.385. Green. 133.708. Green. 136.341. Green. 135.483. Green. 136.053. Green. 139.21. Green. 134.918. Blue. 0.001. Blue. 0. Blue. 0.002. Blue. 1.97E-04. Blue. 0.032. Blue. 0. Red. 218.127. Red. 220.657. Red. 218.551. Red. 219.868. Red. 220.572. Red. 219.293. Green. 132.813. Green. 135.038. Green. 133.006. Green. 136.507. Green. 137.129. Green. 135.514. 0.01. Blue. 7.43E-04. Blue. 0. Blue. 2.32E-05. Blue. 0.015. Blue. 4.65E-05. BI. Blue. Label. RO PE CU A. Mean. AG. Label. 15%. DE. 4. Mean. CA. 3. 10%. TE. 2. Label. 5%. IO. 1. 0%. BL. REP.. RI A. S. Tabla 2. Valores RGB de las muestras de queso mantecoso comercial, lote 2 en sus diferentes CAA; obtenidos con Image J. 37 Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(45) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. 5. RO PE CU A. 25%. Mean. RGB. Mean. Label. Mean. Label. Mean. Label. Mean. Label. Mean. Red Green. 215.97 130.999. Red Green. 219.66 134.59. Red Green. 224.437 140.142. Red Green. 224.272 140.229. Red Green. 222.227 137.64. Red Green. 221.329 137.966. Blue Red Green Blue Red Green Blue. 0.001 214.258 128.555 0 218.778 133.321 0.008. Blue Red Green Blue Red Green Blue. 0 216.805 130.462 0 220.688 136.203 0. Blue 0 Red 225.139 Green 141.525 Blue 4.53E-04 Red 225.523 Green 140.758 Blue 0. Blue Red Green Blue Red Green Blue. 0 223.355 138.032 0 225.589 141.392 0. Blue Red Green Blue Red Green Blue. 0 222.4 137.44 0 223.065 138.237 0. Blue Red Green Blue Red Green Blue. 0 220.779 136.165 0 221.061 137.085 0. Red 214.018 Red Green 125.901 Green Blue 0 Blue Red 217.45 Red Green 132.26 Green Blue 3.48E-05 Blue Red 213.104 Red. 218.588 132.172 0 217.64 132.673 0 217.54. Red 224.774 Green 139.249 Blue 0.003 Red 223.785 Green 138.642 Blue 3.48E-05 Red 223.716. Red Green Blue Red Green Blue Red. 225.147 139.37 0 223.314 139.092 0.012 222.997. Red Green Blue Red Green Blue Red. 222.234 136.291 0 222.034 137.118 0 221.273. Red Green Blue Red Green Blue Red. 221.041 136.316 0.01 220.581 136.246 0 219.149. 131.504 0. Green Blue. Green Blue. 137.833 0. Green Blue. 135.607 0. Green Blue. 133.306 0. Green Blue. 125.622 0. Green Blue. AG. Label. 138.525 0.016. BI. 6. 20%. DE. 4. 15%. CA. 3. 10%. TE. 2. 5%. IO. 1. 0%. BL. REP.. RI A. S. Tabla 3. Valores RGB de las muestras de queso mantecoso comercial, lote 3 en sus diferentes CAA ; obtenidos con Image J. 38 Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(46) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. 4. 5. 20%. 25%. RGB. Mean. Label. Mean. Label. Mean. Label. Mean. Label. Mean. Red. 221.138. Red. 222.561. Red. 220.54. Red. 217.203. Red. 214.913. Red. 219.441. Green. 132.593. Green. 136.619. Green. 135.369. Green. 131.538. Green. 130.24. Green. 135.901. Blue. 0. Blue. 0. Blue. 8.13E-05. Blue. 0. Blue. 1.16E-05. Blue. 0. Red. 219.136. Red. 222.586. Red. 220.634. Red. 217.914. Red. 219.551. Red. 218.811. Green. 129.572. Green. 134.634. Green. 135.891. Green. 132.788. Green. 135.066. Green. 134.573. Blue. 0. Blue. 0. Blue. 8.25E-04. Blue. 0. Blue. 0. Blue. 0. Red. 222.199. Red. 222.311. Red. 219.961. Red. 218.165. Red. 216.461. Red. 221.049. Green. 134.91. Green. 135.619. Green. 133.117. Green. 132.115. Green. 131.602. Green. 137.414. Blue. 0. Blue. 0. Blue. 0. Blue. 0. Blue. 0. Blue. 3.48E-05. Red. 221.92. Red. 222.349. Red. 219.554. Red. 216.958. Red. 220.335. Red. 220.913. Green. 133.741. Green. 133.374. Blue. 0. Blue. 0. Red. 220.034. Red. Green. 131.094. Blue. AG. RO PE CU A. Mean. Green. 131.991. Green. 130.238. Green. 135.315. Green. 136.498. Blue. 0. Blue. 0. Blue. 0. Blue. 0. 220.951. Red. 219.903. Red. 217.168. Red. 215.501. Red. 219.725. Green. 133.496. Green. 133.482. Green. 131.44. Green. 130.465. Green. 136.199. 0. Blue. 0. Blue. 0. Blue. 0. Blue. 0. Blue. 0. Red. 219.985. Red. 220. Red. 218.865. Red. 215.659. Red. 218.181. Red. 220.171. Green. 130.469. Green. 129.951. Green. 130.852. Green. 129.783. Green. 132.955. Green. 136.1. Blue. 0. Blue. 0. Blue. 0. Blue. 0. Blue. 0. Blue. 0. BI. BL. 6. 15%. Label. DE. 3. 10%. CA. 2. 5%. TE. 1. 0%. IO. REP.. RI A. S. Tabla 4. Valores RGB de las muestras de queso mantecoso comercial, lote 4 en sus diferentes CAA; obtenidos con Image J. 39 Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(47) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. Entre grupos Dentro de grupos Total. RI A. Suma de cuadrados 108.439 15.102 123.541. RO PE CU A. Tabla1. ANOVA para L*- LT1 por CAA Fuente. gl. Media cuadrática. F. Sig.. 5 30 35. 21.688 0.503. 43.084. 0.000. Tabla2. ANOVA para L*- LT2 por CAA. Total. gl 5 30 35. 1.087 0.077. F. Sig.. 14.046. 0.000. Media cuadrática. F. Sig.. 5 30 35. 10.874 0.323. 33.640. 0.000. IO. TE. gl. BI. BL. Entre grupos Dentro de grupos Total. Suma de cuadrados 54.369 9.697 64.066. CA. Tabla3. ANOVA para L*- LT3 por CAA Fuente. Media cuadrática. AG. Entre grupos Dentro de grupos. Suma de cuadrados 5.433 2.321 7.754. DE. Fuente. S. ANEXOS 3. Análisis estadísticos. 40 Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.