Predicción de los sólidos solubles totales, ph y acidez titulable de naranjas (citrus sinensis l var valencia) mediante imágenes hiperespectrales

Texto completo

(1)Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. RI A. FACULTAD DE CIENCIAS AGROPECUARIAS. S. UNIVERSIDAD NACIONAL DE TRUJILLO. PE CU A. ESCUELA ACADÉMICO PROFESIONAL DE. AG RO. INGENIERÍA AGROINDUSTRIAL. INFORME DE TESIS. DE. Predicción de los sólidos solubles totales, pH y acidez titulable de naranjas (Citrus sinensis L. var. Valencia) mediante imágenes hiperespectrales. Br. Victor Jesús Aredo Tisnado. TE. AUTOR:. CA. (Prediction of total soluble solids, pH and titratable acidity of oranges (Citrus sinensis L. var. Valencia) using hyperspectral imaging). Dr. Raúl B. Siche Jara. CO-ASESOR:. M. Sc. Wilson Manuel Castro Silupú. BI. BL. IO. ASESOR:. TRUJILLO – PERÚ. 2015 -i-. 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. RI A. FACULTAD DE CIENCIAS AGROPECUARIAS. S. UNIVERSIDAD NACIONAL DE TRUJILLO. PE CU A. ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA AGROINDUSTRIAL. PREDICCIÓN DE LOS SÓLIDOS SOLUBLES TOTALES, PH Y ACIDEZ TITULABLE DE NARANJAS (Citrus sinensis L. var. Valencia) MEDIANTE IMÁGENES HIPERESPECTRALES. AG RO. (PREDICTION OF TOTAL SOLUBLE SOLIDS, PH AND TITRATABLE ACIDITY OF ORANGES (Citrus sinensis L. var. Valencia) USING HYPERSPECTRAL IMAGING) INFORME DE TESIS PARA OBTENER EL TÍTULO DE:. DE. INGENIERO AGROINDUSTRIAL. PRESENTADO POR EL BACHILLER:. CA. Victor Jesús Aredo Tisnado. TE. SUSTENTADO Y APROBADO ANTE EL HONORABLE JURADO:. BL. IO. PRESIDENTA. BI. SECRETARIO. MIEMBRO (ASESOR). :. M.Sc. Gabriela Barraza Jáuregui ……………..….. :. M.Sc. Jesús Sánchez Gonzáles ………..……..….. :. Dr. Raúl B. Siche Jara. ……..……..…….. -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. RI A. S. DEDICATORIA. A DIOS,. PE CU A. Por darme salud y fortaleza para lograr mis objetivos, por guiar mis pasos todos los días de mi vida.. A mis padres Jesús y Rosa, Todo mi cariño y amor, a ustedes. AG RO. que hicieron todo en la vida para que yo pueda lograr mis objetivos, por motivarme y apoyarme cada vez que lo necesité.. A mis hermanos Helen y Aron,. DE. Por ser mis amigos de toda la vida, por permitirme aprender de ellos y. CA. ayudarme a ser una mejor persona.. A Lía,. TE. Por. darme. su. compañía. y. apoyarme incondicionalmente en. BL. IO. cada uno de mis proyectos.. BI. Victor Jesús Aredo Tisnado. -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) PE CU A. AGRADECIMIENTOS. RI A. S. Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. A Dios por darme la sabiduría y la responsabilidad para cumplir con esta etapa de mi vida.. A mis padres y hermanos por su incansable apoyo en todas las actividades que implicaron el desarrollo de esta tesis.. AG RO. Al Dr. Raúl Siche Jara, por su amistad, consejos, oportunidades y por proporcionarme su asesoría en esta tesis.. Al M. Sc. Wilson Castro Silupú, por la co-asesoría en esta tesis y por facilitar la toma de datos en la Universidad Nacional Toribio Rodríguez de Mendoza de Amazonas.. DE. A mis compañeros de investigación Lía Velásquez, Jhan Carranza y Abel Barreto, por su apoyo en la formulación y ejecución de esta tesis. A todos los docentes de la Escuela Académico Profesional de Ingeniería. CA. Agroindustrial de la Universidad Nacional de Trujillo, que durante mi formación profesional en el periodo 2009-2013 me compartieron con mucha dedicación sus. BI. BL. IO. TE. conocimientos y experiencias.. -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. S. INDICE. RI A. RESUMEN ................................................................................................................... vi ABSTRACT .................................................................................................................vii. INTRODUCCIÓN ................................................................................................... 1. 2.. MATERIALES Y MÉTODOS ................................................................................... 4 Muestras de naranja. ...................................................................................... 4. 2.2.. Sistema de imágenes hiperespectrales .......................................................... 4. 2.3.. Medición de parámetros de calidad ................................................................ 5. 2.4.. Adquisición y tratamiento de imágenes hiperespectrales ................................ 6. 2.5.. Tratamiento espectral y construcción de modelos de predicción .................... 8. AG RO. 2.1.. RESULTADOS Y DISCUSIÓN ............................................................................ 13 3.1.. Parámetros de calidad interna y espectro de reflectancia de las naranjas .... 13. 3.2.. Pre-tratamiento espectral SNV ..................................................................... 16. 3.3.. Construcción de modelos PLSR para predicción de SST, pH y AT ............... 17. DE. 3.. PE CU A. 1.. 3.4. Selección de longitudes de onda más influyentes y construcción de modelos simplificados PLSR y MLR ...................................................................................... 22. CA. 3.5. Comparación y evaluación de modelos PLSR completos y modelos simplificados PLSR y MLR ........................................................................................................... 26 CONCLUSIONES ................................................................................................ 30. 5.. REFERENCIAS BIBLIOGRÁFICAS ..................................................................... 31. TE. 4.. BI. BL. IO. ANEXOS..................................................................................................................... 36. -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. S. RESUMEN. RI A. Imágenes hiperespectrales en la región visible e infrarrojo cercano (400-1000 nm) fueron evaluadas en la determinación no destructiva de sólidos solubles totales. PE CU A. (SST), pH y acidez titulable (AT) en naranjas (enteras y en mitades) en estado de madurez de cosecha. Los datos espectrales se analizaron utilizando Regresión de Mínimos Cuadrados Parciales (PLSR, siglas en inglés). Usando el espectro completo en naranjas enteras se obtuvieron coeficientes de determinación (R2) para predecir SST, pH y AT de 77,0%, 77,2% y 78,3% con un Error Estándar de. AG RO. Calibración (SEC, siglas en inglés) de 0,501 ºBrix, 0,080 y 0,092 % Ac. Cítrico, y un Error Estándar de Predicción (SEP, siglas en inglés) de 0,517 ºBrix, 0,080, 0,088 % Ac. Cítrico, respectivamente. En naranjas en mitades los coeficientes de determinación (R2) para la predicción de SST, pH y AT fueron de 92,1%, 87,7%, y. DE. 88,0% con un SEC de 0,294 ºBrix, 0,059 y 0,068 % Ac. Cítrico, y un SEP de 0,400 ºBrix, 0,061 y 0,074 % Ac. Cítrico, respectivamente. Las longitudes de onda más. CA. influyentes en la predicción fueron seleccionadas utilizando los coeficientes β de los modelos PLSR de espectro completo. Se construyeron modelos simplificados PLSR. TE. y de regresión lineal múltiple (MLR, siglas en inglés) utilizando sólo las longitudes de onda seleccionadas para predecir los parámetros de calidad, pero ninguno de. BL. IO. los modelos simplificados tuvieron niveles de predicción aceptables (R2<70%).. Palabras clave: Imágenes hiperespectrales, mínimos cuadrados parciales,. BI. predicción, atributos de calidad, naranjas.. -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. S. ABSTRACT. RI A. Hyperspectral imaging in the visible and near-infrared (400–1000 nm) regions was tested for nondestructive determination of total soluble solids (TSS), pH, and titaratable acidity (TA) in oranges (whole and half) in commercial ripeness. The. PE CU A. spectral data were analyzed using the partial least squares (PLS) analysis. The determination coefficients (R2) with the whole spectral range (400–1000 nm) for predicting TSS, pH and TA on whole oranges were 77.0%, 77.2% and 78.3% with Standard Error of Calibration (SEC) of 0.501 ºBrix, 0.080 and 0.092 % citric acid,. AG RO. and Standard Error of Prediction (SEP) of 0.517 ºBrix, 0.080 and 0.088 % citric acid, respectively; for half oranges the R2 for predicting TSS, pH and TA on half oranges were 92.1%, 87.7%, y 88.0% with SEC of 0.294 ºBrix, 0.059 and 0.068 % citric acid, and SEP of 0.400 ºBrix, 0.061 and 0.074 % citric acid, respectively. The most. DE. influential wavelengths were selected using coefficients β from PLS models. New simplified PLSR and multiple lineal regression (MLR) models were established using. CA. only the selected wavelengths to predict the quality attributes, but the models didn’t. TE. have an acceptable level of prediction (R2<70%).. Keywords: Hiperspectral imaging, partial least squares, prediction, quality. BI. BL. IO. attributes, oranges.. -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. INTRODUCCIÓN. S. 1.. RI A. La calidad de un fruto fresco se define como la medida de atributos que determinan. su idoneidad para el consumidor, atributos que pueden estar ligados a la apariencia, textura, sabor, y valor nutritivo (ElMasry et al., 2007). Actualmente, las frutas son. PE CU A. clasificadas de forma manual o automática en base a características de calidad externa. Sin embargo, los parámetros internos de calidad, como el contenido total de sólidos solubles, pH y la acidez titulable son muy importantes en las industrias de alimentos modernas (Rajkumar et al., 2012; Nogales-Bueno et al., 2014; ElMasry. AG RO. et al., 2007). Las técnicas instrumentales para medir estas propiedades son destructivas e involucran una cantidad considerable de trabajo manual, lo cual es lento, costoso y sujeto a incoherencias y errores humanos. Por ello, se necesitan sistemas precisos, confiables y no destructivos que examinen de forma automática. DE. los productos. Es en base a esta necesidad que el desarrollo de métodos remotos de medición de parámetros de calidad será muy útil para los productores, procesadores o distribuidores de alimentos (ElMasry et al., 2012; Rajkumar et al.,. CA. 2012).. TE. La combinación de simplicidad, precisión y rapidez así como el mínimo nivel de preparación de las muestras hacen a las imágenes hiperespectrales una tecnología. IO. prometedora en el aseguramiento de la calidad de alimentos, ya sea en el análisis. BL. de materias primas y productos, y seguimiento de procesos (ElMasry et al., 2012), ya que al ser esta tecnología resultado de la incorporación de la espectroscopia y el. BI. análisis de imágenes, permite evaluar diferentes componentes de manera simultánea, así como localizar su distribución espacial (Wu y Sun, 2013). -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. Una de las configuraciones de adquisición de imágenes hiperespectrales más. S. usadas en la predicción de parámetros de calidad interna productos vegetales es la. RI A. de reflectancia (Lorente et al., 2012), por ejemplo autores como Leiva-Valenzuela et al. (2013) predijeron la firmeza y los sólidos solubles de arándanos evaluando un. PE CU A. rango espectral de 500-1000 nm; ElMasry et al. (2007) predijeron humedad, sólidos solubles y pH en fresas evaluando el rango espectral de 400-1000 nm; Zhao et al. (2009) predijeron sólidos solubles en manzanas evaluando el rango espectral de 685-900 nm; Rajkumar et al. (2012) predijeron la humedad y sólidos solubles totales. AG RO. en plátano evaluando el rango espectral entre 400 y 1000 nm; Nogales-Bueno et al. (2014) predijeron la concentración de azúcar, acidez titulable y pH en uvas evaluando el rango espectral de 900-1700 nm. En la mayoría de los trabajos en predicción citados requirieron de la construcción de modelos cuantitativos usando técnicas estadísticas multivariantes siendo una de las más aplicadas la regresión. DE. de mínimos cuadrados parciales (PLSR, siglas en inglés) ya que es un método robusto y fiable para la construcción de modelos predictivos empíricos cuando los. CA. factores experimentales son numerosos y altamente colineales como los datos. TE. espectrales (He et al., 2012; Lin et al., 2012). En la selva del Perú, un producto tradicional con extensas áreas de cultivo y con. IO. poca industrialización es la naranja. Esta situación limita el desarrollo económico de. BL. las zonas productoras. Por ejemplo la región Junín, principal productora de naranjas del país (53% de la producción nacional en el año 2011), solo exporta el 10% de su. BI. producción, siendo lo demás comercializado en el mercado interno (BCRP, 2013). Sin embargo, como este producto tiene potencialidad para ocupar mercados en. -2Esta 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. regiones del Asia como la China, por tener diferente estacionalidad de producción y. S. ser un producto “orgánico”, se hace necesario medir y asegurar su calidad para su. RI A. ingreso a mercados competitivos (MINAGRI, 2012; MINAG, 2008; DRASM, 2014).. Por los antecedentes mencionados, este trabajo se enfocó en generar un método. PE CU A. rápido, fiable y no destructivo para predecir tres parámetros de calidad interna (sólidos solubles totales, pH y acidez titulable) en naranjas (Citrus sinensis L. var. Valencia) mediante la tecnología de imágenes hiperespectrales de reflectancia. Lo cual se logró cumpliendo los siguientes objetivos específicos:. Establecer la configuración adecuada para obtener data hiperespectral de. AG RO. . reflectancia de naranjas enteras y en mitades en el rango de 400-1000 nm. . Aplicar la técnica variable normal estándar (SNV, siglas en inglés) como pretratamiento a los espectros de reflectancia (ER) para mejorar la robustez de. . DE. los modelos de predicción.. Construir modelos de predicción PLSR usando la información espectral y los. CA. valores de sólidos solubles totales (SST), pH y acidez titulable (AT) de las naranjas, y evaluar su capacidad de predicción. Identificar las longitudes de onda más influyentes en la predicción de los. TE. . IO. parámetros de calidad SST, pH y AT, que corresponden a los mayores valores absolutos de los coeficientes de regresión PLSR. Construir modelos simplificados de predicción con las longitudes de onda. BL. . BI. seleccionadas mediante PLSR y regresión lineal múltiple (MLR, siglas en inglés), y evaluar su capacidad de predicción.. -3Esta 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. MATERIALES Y MÉTODOS Muestras de naranja.. RI A. 2.1.. S. 2.. Las muestras de naranja (Citrus sinensis L. var. Valencia) procedieron de la. PE CU A. localidad de Rodríguez de Mendoza del departamento de Amazonas (Perú). Se seleccionaron 120 frutos libres de cualquier característica anormal tales como golpes, enfermedades y contaminaciones. Los frutos seleccionados fueron de diferente estado de madurez para evaluar un amplio rango de variación en los parámetros de calidad interna. Las naranjas fueron agrupadas al azar en dos. AG RO. conjuntos. El “conjunto 1” estuvo compuesto por 90 frutos utilizados en la calibración de los modelos, mientras que el “conjunto 2” estuvo compuesto por 30 frutos utilizados en la validación externa de los modelos.. Sistema de imágenes hiperespectrales. DE. 2.2.. El sistema de adquisición de imágenes hiperespectrales fue de modo de reflectancia en un rango espectral visible e infrarrojo cercano de 400-1000 nm con enfoque en. CA. línea (“Pushbroom”).. TE. El sistema está representado en la Figura 1 y constó de: (a) una cámara de imágenes hiperespectrales (Pica XC, Resonon Inc., EE.UU) con cámara CMOS (GX. IO. 1660, Allied-Vision Technology, Canadá) y lentes objetivo. (Xenoplan 1.4/23,. BL. Schneider-Kreuznach, Germany); (b) un montaje de iluminación (Resonon Inc.,EE.UU) con lámparas en ángulo de 45° (3GD0,Solux, Japón) y fuente de. BI. alimentación (SEC 1223CE, Samlex America, Taiwan); (c) una plataforma de transporte (LPS-12-20, Servo Systems Co., EE.UU), con motor (DMX-J-SA-17,. -4Esta 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. Arcus Technology Inc., EE.UU); (d) una laptop con sistema operativo Windows 7. S. Intel inside CORE i7 (ThinkPad X201, Lenovo, EE.UU) con un software de. (a) (b). AG RO. (c). PE CU A. RI A. adquisición y procesamiento de datos (SpectrononPRO, Resonon Inc., EE.UU).. (d). DE. Figura 1. Sistema de adquisición de imágenes hiperespectrales de reflectancia con enfoque en línea.. Medición de parámetros de calidad. CA. 2.3.. TE. Luego de adquirir las imágenes hiperespectrales de las naranjas enteras y cortadas por la mitad, cada naranja fue exprimida manualmente para extraer el. IO. zumo en el que fueron medidos los sólidos solubles totales (SST), pH y acidez. BL. titulable (AT) utilizando los siguientes métodos de la AOAC (2005): método 932.12 para determinación de SST (ºBrix) por refractometría, método 981.12. BI. para determinación de pH por potenciometría y método 942.15 para determinación de AT (% ácido cítrico) por titulación.. -5Esta 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. Adquisición y tratamiento de imágenes hiperespectrales. S. 2.4.. RI A. Los siguientes ítems explican los principales pasos para la obtención de información espectral utilizada en predicción de los SST, pH y AT en naranjas mediante. estudio están representados en la Figura 2.. PE CU A. imágenes hiperespectrales, estos ítems integrados a los demás pasos clave en este. Naranjas (enteras y mitades). Pre-tratamiento espectral (SNV). AG RO. Imagen hiperespectral bruta. DE. Imagen hiperespectral corregida. Calibración con todas las longitudes de onda. CA. Identificación de la ROI y obtención de espectro medio. Modelo de predicción completo PLSR. Coeficientes β. BI. BL. IO. TE. Análisis de imagen. Datos. Medición por método tradicional (SST, pH o AT). Selección de longitudes de onda más influyentes. Calibración con longitudes de onda seleccionadas (PLSR o MLR). Modelo de predicción simplificado Regresión. Figura 2. Esquema de los principales pasos para la predicción de los SST, pH y AT en naranjas mediante imágenes hiperespectrales. -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. S. 2.4.1. Adquisición de imágenes hiperespectrales. RI A. Cada muestra entera y en mitad (cortada en dirección transversal ecuatorial) fue colocada en la plataforma de carga y transportada a una velocidad ajustada de 0,3. PE CU A. cm/s al campo de visión de la cámara. La distancia entre la lente y la plataforma se fijó en 27,5 cm. Las imágenes fueron de 8 nm de resolución espectral es decir de 75 bandas espectrales en el rango de 400 - 1000 nm. El sistema de imágenes hiperespectrales fue controlado por un computador usando el software Spectronon. AG RO. pro-software (RESONON INC, USA).. 2.4.2. Corrección de la imagen hiperespectral. Para la corrección de las imágenes hiperespectrales de las muestras, fue necesario contar con dos imágenes de referencia: una imagen oscura o de reflectancia nula. DE. (B) adquirida al apagar la fuente de luz y al cubrir el lente de la cámara con una tapa opaca, para medir la “corriente de la oscuridad” (dark current) del sensor de la cámara, y una imagen blanca (W) adquirida con las mismas condiciones de escaneo. CA. de las muestras de una superficie de teflón estándar blanca y uniforme, con un nivel. TE. alto de reflectancia, proveída por RESONON INC, para medir el efecto de las variaciones espaciales de la luz en el campo de visión (Nogales-Bueno et al., 2014;. IO. Iqbal et al., 2013). Las imágenes B y W se utilizaron en la corrección de la imagen. 𝐼=. 𝐼0 − 𝐵 ∗ 100 𝑊−𝐵. BI. BL. bruta, mediante la siguiente ecuación:. Dónde: I es la imagen hiperespectral corregida a unidad de reflectancia relativa (%); I0 es la imagen hiperespectral original (bruta); B es la imagen oscura (~0% -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. RI A. realizada utilizando el software Spectronon Pro (Resonon Inc., EE.UU).. S. reflectancia) y W es la imagen blanca (~99,9% reflectancia). Esta calibración fue. 2.4.3. Identificación de la ROI y generación del espectro medio. PE CU A. La identificación de la región de interés (ROI) en la imagen se realizó con la herramienta “Select spectrally similar pixels” (selección de pixeles similares espectralmente) usando de referencia un pixel de referencia en el área correspondiente al fruto. Para la generación del espectro medio de la ROI se aplicó la opción “Mean spectrum” (espectro medio). Estos pasos fueron realizados. 2.5.. AG RO. utilizando el software Spectronon Pro (Resonon Inc., EE.UU).. Tratamiento espectral y construcción de modelos de predicción. 2.5.1. Pre-tratamiento de datos espectrales. DE. Los espectros medios de la ROI de cada muestra fueron almacenados en una matriz de datos. Adicionalmente se aplicó un pre-tratamiento espectral llamado variable. CA. normal estándar (SNV, siglas en inglés) debido a la variación de la forma y tamaño del fruto y que es ampliamente usado porque actúa individualmente a cada espectro. TE. sin depender de espectros de referencia (Rodríguez-Pulido et al., 2014; Iqbal et al.,. 𝑅𝑆𝑁𝑉 =. 𝑅 − 𝑅̅ 𝜎. BL. IO. 2014). La SNV fue aplicada usando la siguiente ecuación:. Dónde: RSNV: es el espectro de reflectancia normalizado, R es el espectro de. BI. reflectancia calibrado, 𝑅̅ es el promedio del espectro de reflectancia, y 𝜎 es la desviación estándar del espectro de reflectancia.. -8Esta 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. S. 2.5.2. Construcción de modelos de predicción PLSR.. RI A. Con las matrices de datos ER y los datos de los parámetros de calidad, se. construyeron modelos mediante regresión de mínimos cuadrados parciales (PLSR,. PE CU A. siglas en inglés). El PLSR es un procedimiento utilizado para asociar un gran conjunto de datos experimentales altamente correlacionados y colineales (variables independientes o predictores) con las variables de respuesta (observaciones), mediante la reducción del número original de descriptores a un nuevo conjunto de datos basado en un. AG RO. número reducido de factores ortogonales llamados variables latentes (VL) (Barbin et al., 2013; ElMasry et al., 2007). El modelo resultante se representa por: 𝑌 = 𝑋𝑏 + 𝑒. DE. Dónde: Y es la matriz de respuesta de las mediciones independientes (90 frutas x 1) que son los valores de un parámetro de calidad (SST, pH o AT), X es el conjunto de. CA. datos predictores (90 muestras × 75 longitudes de onda) que son los valores de la matriz ER, b es la matriz de coeficientes de regresión β obtenidos a partir del análisis. TE. PLSR, y e es la matriz de información residual no explicada por las VL (Iqbal et al.,. IO. 2013; Barbin et al., 2013). El algoritmo PLSR según lo aplicado por ElMasry et al. (2007) determina un conjunto. BL. de ejes de proyección ortogonal “W”, llamado pesos “PLS”, y los puntajes de. BI. longitud de onda “T”. Entonces, los coeficientes de regresión β se obtienen mediante regresión de Y en los puntajes de longitud de onda T como sigue:. -9Esta 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. RI A. 𝑊 ∗ = (𝑊(𝑃′ ∗ 𝑊)−1 ). S. 𝑌̂ = 𝑋𝑊𝑎∗ 𝛽 = 𝑇𝑎 𝛽. Donde 𝑌̂ es el valor predicho del parámetro de interés, “a” es el número de VL, y P'. PE CU A. es la carga de longitud de onda.. En la exploración y análisis de VL se puede determinar el número óptimo de VL del modelo de calibración en base al valor mínimo de suma de cuadrados de error de predicción (PRESS, siglas en inglés) que es la suma de la desviación al cuadrado. AG RO. entre los valores predichos y reales de los parámetros de calidad. Esta selección permite que el modelo PLSR no presente subajuste (underfitting) ni sobreajuste (overfitting) (Liu et al., 2013; ElMasry et al., 2011).. Los modelos PLSR fueron validados de forma externa mediante la predicción de los. DE. parámetros de calidad de las muestras del conjunto de predicción (30 muestras) usando los modelos obtenidos en el proceso de calibración.. CA. El rendimiento de los modelos de predicción fue evaluado usando el coeficiente de. TE. determinación de calibración (𝑅𝐶2 ) y de predicción (𝑅𝑃2 ,); y el error estándar de calibración (SEC), error estándar de predicción (SEP). Un buen modelo debe tener. IO. valores bajos y a la vez diferencias pequeñas entre SEC, y SEP, así como altos. BL. valores (>0.85) de 𝑅𝐶2 y 𝑅𝑃2 , (Barbin et al., 2013 , ElMasry et al., 2011). Estos criterios. BI. se definen a continuación: 𝐼𝐶. 𝑃𝑅𝐸𝑆𝑆 = ∑(𝑦̂𝑖 − 𝑦𝑖 )2 𝑖=1. -10Esta 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. 𝐼𝐶. S. 1 𝑆𝐸𝐶 = √ ∑(𝑦̂𝑖 − 𝑦𝑖 )2 𝐼𝐶 − 1 𝐼𝑝. 𝑖=1. 𝐼𝑝. PE CU A. 1 𝑆𝐸𝑃 = √ ∑(𝑦̂𝑖 − 𝑦𝑖 − 𝑏𝑖𝑎𝑠)2 𝐼𝑝 − 1. RI A. 𝑖=1. 1 𝑏𝑖𝑎𝑠 = ∑(𝑦̂−𝑦 𝑖 𝑖) 𝐼𝑝 𝑖=1. Donde 𝑦̂, 𝑖 es el valor predicho de un parámetro en el número de frutos i ; 𝑦𝑖 , el valor medido de un parámetro en el número de frutos i ; IC , el número de frutos (espectros). AG RO. en el conjunto de calibración (90); y IP , número de frutos (espectros) en el conjunto de validación (30) y el “bias” es el sesgo o error sistemático.. 2.5.3. Selección de longitudes de onda óptimas y construcción de. DE. modelos simplificados PLSR y MLR. La data hiperespectral tienen alta dimensionalidad y multicolinelidad debido a la. CA. correlación existente entre las variables contiguas (longitudes de onda) (Liu et al., 2014). Para reducir estos defectos en los datos espectrales a su nivel más bajo, es. TE. mejor seleccionar las longitudes de onda que contienen la información más importante, evitando las que puedan ser portadores de información irrelevante o. IO. ruido y así facilitar la interpretación de los resultados con un número de variables. BL. reducido haciendo posible su implementación en imágenes multiespectrales para. BI. aplicaciones en línea (Liu et al., 2013; Cheng et al., 2014; Barbin et al., 2013). En este estudio, así como en los trabajos de Iqbal et al. (2013), Barbin et al. (2013) y ElMasry et al. (2007), las longitudes de onda óptimas fueron las que correspondan -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. a los mayores valores absolutos de los coeficientes de regresión (coeficientes β) de. S. los mejores modelos PLSR de predicción de parámetros de calidad con espectro. RI A. completo. Con las longitudes de onda óptimas se desarrollaron nuevos modelos PLSR simplificados. Obteniendo dos categorías de modelos de calibración PLSR. PE CU A. (espectros completos y simplificados) que pueden compararse en términos de ajuste y error.. Por otro lado se construyeron modelos de regresión lineal múltiple (MLR, siglas en inglés) donde también sólo se utilizaron las longitudes de onda seleccionadas. Este. AG RO. paso se realizó utilizando el software “MS Excel” (Microsoft Office 2013, EE.UU.) para producir un modelo como se observa en la siguiente ecuación: 𝑘. 𝑌̂ = 𝑎0 + ∑ 𝑎𝑘 𝑅λk 𝑘=1. DE. Donde: 𝑌̂ es el valor predicho del parámetro; k es el número de longitudes de onda seleccionadas (número de X variables- o predictores); un a0, ak son los coeficientes. CA. de regresión, y Rλk es la reflectancia a una longitud de onda λ correspondiente al. TE. termino k en el término en el modelo. Definidos los modelos MLR, se utilizaron los coeficientes de regresión para predecir. IO. los parámetros de calidad de las muestras en los conjuntos de calibración y de. BL. validación, y así evaluar la capacidad predictiva de los modelos, en base al R2c y. BI. R2p y los errores SEC y SEP.. -12Esta 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. RESULTADOS Y DISCUSIÓN Parámetros de calidad interna y espectro de reflectancia de las. S. 3.1.. RI A. 3.. naranjas. PE CU A. En la Tabla 1 se presenta los parámetros de calidad interna determinados en naranjas cosechadas provenientes de la localidad de Toribio Rodríguez de Mendoza (Chachapoyas-Perú).. Tabla 1. Parámetros de calidad de las muestras evaluadas.. AG RO. Parámetro Mín. Máx. Promedio Desv. Estándar SST (ºBrix) 8.5 12.8. 10.2. 1.0. 3.14 3.83. 3.54. 0.16. AT (%). 0.66 1.51. 1.01. 0.19. 10.4. 1.9. DE. pH. 7.4 15.7. CA. SST/AT. La NMX-F-118-1984 (DGN-México, 1984) señala que en un zumo puro de naranja. TE. la variación normal de SST debe estar entre 10.5 - 13.5 ºBrix, pH entre 3 y 4, AT entre 0.65 - 1.85 % Ac. Cítrico, y madurez (SST/AT) entre 12 - 20. Los valores. IO. mínimos determinados en este estudio (Tabla 1) están ligeramente por debajo de. BL. límite inferior de la norma citada. Sin embargo, por la forma de obtención de las muestras se puede afirmar que los datos representan la variación natural de las. BI. naranjas cosechadas en la localidad de origen.. -13Esta 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. Respecto a la calidad de una fruta cítrica como la naranja donde la apariencia. S. externa no da una referencia precisa del estado de madurez del fruto, la FAO (2003). RI A. señala que el ratio entre sólidos solubles totales y acidez titulable definen la madurez del fruto. Es en ese sentido, este indicador fue usado para entender las. PE CU A. diferencias espectrales entre las muestras, representadas en la Figura 3.. 75 70 65 60. 55. AG RO. Reflectancia calibrada (%). 80. 50 45 40. 13-16. 35 400. 500. 600. 700. 10-13.. 800. 7-10. 900. 1000. DE. Long. Onda (nm). 75. CA. 70 65. TE. 60 55 50. IO. Reflectancia calibrada (%). 80. (a). 13-16. 45. BI. BL. 400. 500. 600. 700. 10-13. 800. 7-10. 900. 1000. Long. Onda (nm) (b). Figura 3. Espectros promedio según variación de relación SST/AT (7-10, 10-13, 13-16) en: (a) naranjas enteras, (b) naranjas en mitades. -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. En la Figura 3, se observa que la composición expresada como madurez (relación. S. SST/AT) y el espectro promedio para las muestras pertenecientes a tres categorías. RI A. de madurez planteadas en base a la variación natural en las muestras (7-10, 10-13, 13-16), sugiere por las diferencias entre espectros que existe relación entre la. PE CU A. composición y el espectro de reflectancia de los frutos. En la Figura 3a se puede notar que en los espectros de naranjas enteras solo existe una relación lineal con la madurez (SST/AT) entre los 450-600nm debido a que los espectros mantienen un orden ascendente de acuerdo al nivel de madurez. Mientras que en la Figura 3b una. AG RO. relación lineal inversa es evidenciada en todo el rango espectral estudiado (4001000 nm) entre los espectros de naranjas en mitades y la madurez de los frutos. Al ser el pH una parámetro influenciado por la AT y la madurez definida por el ratio SST/AT, se puede afirmar que la reflectancia espectral en el intervalo estudiado de. DE. 400-1000 nm de las naranjas en madurez de cosecha evidencia las diferencias en los parámetros estudiados (SST, pH y AT), lo cual es la base de los estudios de. CA. predicción mediante imágenes hiperespectrales donde la diferencia de composición o el estado del fruto se ve reflejado en sus diferencias espectrales, tal y como fue. TE. reportado en frutos como plátano (Rajkumar et al., 2012), fresa (ElMasry et al., 2007) y uva (Nogales-Bueno et al., 2014).. IO. El conjunto de espectros de reflectancia de las naranjas estudiadas no es idéntico. BL. a los espectros en los trabajos citados y esto se explica porque cada producto tiene características inherentes en su respuesta espectral que no la hacen comparables. BI. con otros productos de naturaleza similar (Rajkumar et al., 2012).. -15Esta 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. Pre-tratamiento espectral SNV. S. 3.2.. RI A. En la Figura 4 se puede notar que el espectro promedio calibrado cambia a uno normalizado con forma similar pero con una amplitud reducida de la desviación. PE CU A. estándar, lo cual es indicador de la potencialidad del pre-tratamiento SNV en la mejora de la robustez de modelos construidos con esta data. Motivo por el cual investigadores como Rodríguez-Pulido et al. (2014) y Nogales-Bueno et al. (2014) aplicaron esta técnica para normalizar el espectro eliminando parte del ruido que. AG RO. 80 60 40 20 0. 400. 600. 800. 1000. Reflectancia normalizada. 100. DE. Reflectancia calibrada. genera variación no relacionada con las características del fruto. 2 1 0. -1. 400. 40 20 0. IO. 400. 600. 800. 1000. 1000. -3. Long. Onda (nm) (b) Reflectancia normalizada. CA. 60. TE. Reflectancia calibrada. 80. 800. -2. Long. Onda (nm) (a) 100. 600. 2. 1 0 -1 400. 600. 800. 1000. -2 -3 -4. Long. Onda (nm) (d). BL. Long. Onda (nm) (c). BI. Figura 4. Espectros promedio con desviación estándar para naranjas enteras: (a) calibrado y (b) normalizado; para naranjas en mitades: (c) calibrado y (d) normalizado. -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. Construcción de modelos PLSR para predicción de SST, pH y AT. S. 3.3.. RI A. En la Figura 5, que reporta la exploración del efecto del número de variables latentes (VL) en los modelos PLSR se puede notar en general que cuando se emplea. PE CU A. información espectral de naranjas en mitades en vez de información espectral de naranjas enteras, existe una mayor varianza explicada (VE) de los parámetros de calidad en todas las 30 variables latentes exploradas, y a la vez ofrecen un menor error “PRESS”. Esto se puede justificar por la tecnología empleada, ya que si bien es cierto las imágenes hiperespectrales de reflectancia han sido útiles en la. AG RO. predicción de parámetros de calidad interna en frutos intactos (ElMasry et al., 2007; Nogales-Bueno et al., 2014; Rajkumar et al., 2012), hasta la actualidad no ha sido reportado un trabajo que apliqué la misma tecnología para predecir parámetros de calidad interna en naranjas. Sin embargo en una configuración de adquisición. DE. hiperespectral diferente, Liu et al. (2008) predijeron con un coeficiente de correlación de 0,998 el contenido de sólidos solubles de naranjas utilizando imágenes. CA. hiperespectrales de fluorescencia inducida por láser (700-1100 nm). Estos investigadores usaron esa tecnología porque se afirma que el modo de adquisición. TE. de imágenes hiperespectrales por reflectancia aplicado en algunos frutos con cáscara de un grosor considerable no puede obtener información espectral. IO. suficiente para conocer las características internas de composición del fruto,. BL. mientras que la configuración de fluorescencia inducida por láser sí tiene la capacidad, por el alto poder de penetración en el tejido de fruto (Wu y Sun, 2013).. BI. Por otro lado, ante la naturaleza de la forma del fruto intacto, es posible que aplicando técnicas que actúan a nivel espacial en las imágenes hiperespectrales y. -17Esta 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. que corrigen los efectos de la dispersión de la luz debido a la curvatura de superficie. S. de la muestra, como la propuesta por Gomez-Sanchis et al. (2008) que evaluó un. RI A. modelo de elevación digital en frutas cítricas, y como la aplicada por Peng y Lu (2008) que evaluó imágenes de dispersión hiperespectral en manzanas, pueda. PE CU A. lograrse mejores ajustes en los modelos PLSR de las naranjas enteras. Sin embargo, autores como Wu y Sun (2013) afirman que el uso de tratamientos de corrección ya sea espacial o espectral en imágenes hiperespectrales no debe ser exagerado debido a que se puede alterar mucha de la información original del fruto.. AG RO. Es así que muchos trabajos con frutos con curvatura como uva (Chen et al., 2015; Nogales-Bueno et al., 2014), arándano (Leiva-Valenzuela et al., 2013), plátano (Rajkumar et al., 2012), fresa (ElMasry et al., 2007) no han aplicado las correcciones a nivel espacial mencionadas.. DE. Se conoce que cuando los modelos PLSR incluyen más VL, la VE aumenta, mientras que el PRESS puede presentar un comportamiento variable tal y como se. CA. observa en la Figura 5, es por eso que la selección del número de VL óptimo se realiza en base al mínimo PRESS, sin considerar la VE. Cuando se construye un. TE. modelo PLSR con un número de VL menor al óptimo, el modelo se considera subajustado (“underfitted”) y por el contrario si se construye un modelo PLSR con. IO. un número de VL mayor al óptimo, el modelo se considera sobreajustado. BL. (“overfitted”). En este estudio el número de VL óptimos obtenidos al mínimo PRESS fue en naranjas enteras de 8, 7 y 7, y en naranjas en mitades 15, 14 y 14 para los. BI. SST, AT y pH respectivamente. Sin embargo, evaluando en términos de VE, se. -18Esta 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. RI A. para la predicción de SST en naranjas en mitades (VE = 85,12 %).. S. observó que los modelos no son aceptables (VE < 70 %) con excepción del modelo. A fin de construir modelos con VE aceptable (> 70 %) se siguieron otros criterios. PE CU A. para definir el número de VL que permitan generar modelos utilizables, considerando que el PRESS presentó valores pequeños (~0) a lo largo de las 30 VL, mientras que la VE aumentó con cada VL incluida hasta llegar a un máximo constante. El criterio básico planteado para definir el número de VL fue seleccionar la VL en la que el PRESS es similar al mínimo y la VE es similar al máximo. AG RO. constante, verificando la decisión evaluando la relación VE/PRESS y la distancia al número de VL óptimo, lo cual restringiría el sobreajuste en el modelo generado con la VL seleccionada. Aplicando estos criterios en la Figura 5, el número de VL seleccionado para los modelos de espectro completo para la predicción de. DE. parámetros de calidad en naranjas enteras fue de 19, 24 y 24, y en naranjas en mitades fue de 19, 21 y 21 para los SST, pH, y AT respectivamente. Definido el. CA. número de variables latentes se aplicó la regresión PLSR para obtener los modelos cuyos coeficientes de regresión se presentan en la Figura 6, y cuyo performance se. BI. BL. IO. TE. discute más adelante (Tabla 2).. -19Esta 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) 2.5. 1. 20. 0.6. 20. 0 20. 0. 30. 0. Número de VL 100. 80. 0.1. 80. 40. 0.04. 20. 0. 20. Número de VL 100. 0. 10. 20. VE (%). 0.1 0.05 0. 0.015 0.01 0.005 0 10. 20. 30. (d). 100. 0.05. 80. 0.04. 60. 0.03. 40. 0.02. 20. 0.01. 0. 30. 0 0. Número de VL. IO. 40. Número de VL. CA. 0. TE. 20. 0.02. 0. 0.15. 40. 0.025. 0. 0.2. 80. 0.03. 60. 30. DE. (c). 0.035. 20. 0.02. 0. VE (%). VE (%). 0.06. PRESS. 60. AG RO. 0.08. PRESS. VE (%). 0.12. 60. 0 30. (b). 100. 10. 20. Número de VL. (a). 0. 10. 0.2. PRESS. 10. 0.4. PRESS. 0. 0.8. 40. 0.5. 0. RI A. 1.5 40. 1. 60. VE (%). 2. 60. 1.2. 80. PRESS. 80. VE (%). 100. PRESS. 3. PE CU A. 100. S. Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. 10. 20. 30. Número de VL. (e). (f). BL. Figura 5.Varianza explicada y PRESS de los modelos de espectro completo para. BI. la predicción de parámetros de calidad en naranjas enteras: (a) SST, (c) pH y (e) AT, y en naranjas en mitades (b) SST, (d) pH, (f) AT.. -20Esta 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) 60. 60. 40. 40. 0 -20 400. 600. 800. 1000. -40 -60. 20 0 -20 400 -40 -60. -80. -80. Longitud de onda (nm). Coeficientes β. 0. -10. 400. 600. 800. 1000. 0. 600. IO. Longitud de onda (nm). DE. CA. 20. TE. Coeficientes β. 40. -60. 10. -30. 60. -40. 1000. 20. -20. (c). -20. AG RO. 800. 800. 1000. (d) 30 20. Coeficientes β. Coeficientes β. 30. Longitud de onda (nm). 400. 1000. (b). 40. 600. 800. Longitud de onda (nm). (a) 40 30 20 10 0 -10 400 -20 -30 -40 -50. 600. PE CU A. 20. S. 80. RI A. 80. Coeficientes β. Coeficientes β. Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. 10 0 -10. 400. 600. 800. 1000. -20 -30 -40. Longitud de onda (nm). (e). (f). BL. Longitud de onda (nm). Figura 6. Coeficientes β vs longitud de onda de los modelos de espectro completo. BI. para la predicción de parámetros de calidad en naranjas enteras: (a) SST, (c) pH y (e) AT, y en naranjas en mitades (b) SST, (d) pH, (f) AT. -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. 3.4.. Selección de longitudes de onda más influyentes y construcción de. RI A. S. modelos simplificados PLSR y MLR. La selección de las longitudes de onda más influyentes en la predicción con un modelo PLSR según lo aplicado en diversos trabajos como ElMasry et al. (2007);. PE CU A. Barbin et al., (2013); Liu et al., (2014); Iqbal et al., (2013), debe ser en base a los valores absolutos de los coeficientes β más altos. Sin embargo en los trabajos mencionados se observa que la recomendación no fue exactamente seguida, ya que estos autores representan en gráficos a los coeficientes β versus las longitudes. AG RO. de onda (de la misma forma que la Figura 6) y seleccionan los picos más sobresalientes a lo largo del rango espectral estudiado, es en esa situación que a veces son escogidos picos que no corresponden a uno de los valores más altos de coeficientes β, sino porque su selección resulta conveniente ya que porta. DE. información que las longitudes de onda cercanas no contienen. En está trabajo la representación de los coeficientes β con su respectiva longitud de onda (Figura 6) sugiere que son mínimas las longitudes de onda de poca influencia en el modelo y. CA. esto se puede justificar a que en el rango espectral de 400-1000nm, las bandas. TE. espectrales empleadas solo fueron 75 debido a la baja resolución espectral usada (8nm), y que en consecuencia redujo la colinealidad captada en las longitudes de. IO. onda. Por ejemplo ElMasry et al. (2007) utilizó en el mismo rango espectral unas. BL. 826 bandas espectrales, lo que en consecuencia significa obtener más información espectral del alimento estudiado. Sin embargo, como es lógico, al obtener imágenes. BI. hiperespectales de alta resolución espectral puede ser impráctico en la industria ya que implicaría disponer de equipos más. sofisticados y computadoras de alta. -22Esta 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. capacidad de almacenamiento de información y de alta velocidad de procesamiento,. S. por lo que es mejor equilibrar las características mencionadas trabajando con por. RI A. ejemplo una resolución espectral de 3,25 nm como la aplicada en el trabajo de. PE CU A. Rodríguez-Pulido et al. (2014).. En este trabajo, para efectos de estudiar la selección de las longitudes de onda más influyentes en la obtención de modelos simplificados, y ante la imposibilidad de definir un número exacto de longitudes de onda por la gran cantidad de picos visibles (Figura 6), el criterio seguido fue determinar las longitudes de onda que. AG RO. superen al límite superior definido como el promedio de los valores absolutos de los coeficientes β sumado la desviación estándar. Los resultados se presentan en el Anexo 5 (Tabla 7).. En la selección se conoce que al ser el objetivo reducir al mínimo el uso de. DE. longitudes de onda para así construir con esa información modelos simplificados, en diversos trabajos como los de autores como ElMasry et al. (2007); Barbin et al.. CA. (2013); Liu et al. (2014); Iqbal et al. (2013), la máxima cantidad de longitudes de onda fue 15, siendo lo más común o lo más deseado que la cantidad de longitudes. TE. de onda sea menor de 10. En este trabajo bajo las características del conjunto de coeficientes β y con el criterio de selección planteado, la cantidad de longitudes de. IO. onda identificadas como más influyentes en la predicción de SST, pH y AT fue de. BL. 15, 13 y 14 para naranjas enteras y de 15, 9, 10 para naranjas en mitades, valores que estuvieron dentro del rango de los trabajos citados. Sin embargo, evaluando el. BI. uso de la información reducida en la construcción de modelos PLSR y MLR. -23Esta 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. simplificados en términos de ajuste y de error (Tabla 2), se recomienda usar los. RI A. S. modelos de espectro completo, ya que ofrecen mejores niveles de predicción.. Autores que construyeron modelos PLSR completos como Chen et al. (2015) para. PE CU A. la predicción del contenido de antocianinas en uvas, y Rodríguez-Pulido et al. (2014) para la predicción de flavonoles en semillas de uva, no han reportado el rendimiento de predicción de modelos PLSR simplificados, la principal razón es que los modelos PLSR completos ofrecen ajustes considerados aceptables pero no excelentes (en general entre el 70-90%) y por lo tanto para evitar perdida de información que sea. AG RO. reflejado en los ajustes inaceptables de los modelos simplificados, se recomienda aplicar los modelos de espectro completo. Esta situación es similar a lo observado en este trabajo y explica el porqué de los bajos ajustes de los modelos simplificados. En la Figura 7, se observa un comportamiento similar al discutido en la Figura 5,. DE. siendo el número de VL para los modelos de espectro simplificado para la predicción de parámetros de calidad en naranjas enteras de 9, 9 y 10, y en naranjas en mitades. CA. fue de 11, 8 y 8 para los SST, pH, y AT respectivamente, donde a excepción del. TE. modelo de SST en naranjas enteras, todos son seleccionados a un PRESS mínimo. Respecto a la potencialidad de usar un modelo simplificado que reemplace a un. IO. modelo completo, se observa que solo el modelo obtenido con datos de naranjas en mitades para predecir los SST se acerca al nivel de predicción considerado como. BL. aceptable (>70%), mientras que los demás modelos no ofrecen ajustes aceptables,. BI. restringiendo a solo el uso de modelos completos para la predicción de los parámetros estudiados.. -24Esta 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) 0.8. 30. 0.6. 20. 0.4. 10. 0.2. 0. 0 4. 6. 8. 10. 12. 14. 0.6 0.4. 0. Número de VL 30. 30. 0.03. 25. 25. 0.025 0.015. 10 0 6. 8. 10. 12. Número de VL. 5. 0. 0. 0. 30 25. CA. 0 0. TE. 5. 2. 4. 6. 35. 0.039. 30. 8. 10. 0.03 0.029 0.028 0.027. 2. 0.026 0.025 4. 6. 8. 12. 0.037. 0.05 0.04. 25. 0.036. 20. 0.03. 15. 0.02. 10. 0.035. 5. 0.034. 0. 14. 0.01 0 0. 2. 4. 6. 8. 10. Número de VL. Número de VL. IO. 0 14. (d). 0.04. 0.038. 10. 12. Número de VL. VE (%). 35. 15. 10. 15. 0.005. DE. (c). 20. 8. 10. 0.01. 5. VE (%). PRESS VE (%). 0.02. 15. 20. AG RO. 20. PRESS. VE (%). 0.035. 4. 6. (b). 35. 2. 4. Número de VL. (a). 0. 2. 0.2. PRESS. 2. 0.8. PRESS. 0. S. 40. 1. PRESS. 1. 1.2. RI A. 50. 80 70 60 50 40 30 20 10 0. PE CU A. 1.2. VE (%). 60. PRESS. VE (%). Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. (f). (e). BL. Figura 7. Varianza explicada y PRESS de los modelos PLSR de espectro. BI. simplificado para la predicción de calidad en naranjas enteras: (a) SST, (c) pH y (e) AT, y en naranjas en mitades (b) SST, (d) pH, (f) AT.. -25Esta 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. 3.5.. Comparación y evaluación de modelos PLSR completos y modelos. Tabla 2. Estadísticos de los modelos. Nº.L.O.. Calibración. Nº.V.L.. R2C. Predicción. PE CU A. Parámetro. RI A. S. simplificados PLSR y MLR. SEC. R2P. SEP. 0,501. 75,678. 0,517. 0,720. 65,426. 0,616. 0,717. 63,764. 0,627. 0,080. 72,195. 0,080. 31,321. 0,139. 7,994. 0,148. 31,755. 0,138. 6,231. 0,151. 78,277. 0,092. 75,703. 0,088. 29,797. 0,166. 7,294. 0,174. 30,440. 0,165. 4,163. 0,181. Naranjas enteras. pH. AT. 19. 77,005. 15. 9. 52,533. 15. -. 52,916. 75. 24. 77,218. 13. 9. 13. -. 75. 24. 14. 10. 14. -. AG RO. SST. 75. 75. 92.111. 0.294. 86.116. 0.400. 11. 68.694. 0.585. 69.649. 0.569. 14. -. 68.872. 0.583. 68.685. 0.579. 75. 21. 87.717. 0.059. 83.755. 0.061. 9. 8. 25.214. 0.145. 15.034. 0.143. 9. -. 25.214. 0.145. 15.029. 0.143. 75. 21. 88.037. 0.068. 82.986. 0.074. 10. 8. 27.371. 0.169. 24.596. 0.157. 10. -. 27.376. 0.169. 24.861. 0.157. 14. TE. IO. pH. 19. CA. SST. DE. Naranjas en mitades. BL. AT. BI. Nº.L.O.: Número de longitudes de onda Nº.V.L.: Número de variables latentes. -26Esta 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. En la Tabla 2 se puede confirmar lo discutido anteriormente de que los modelos de. S. espectro completo si pueden predecir los SST, pH y AT en naranjas en madurez de. RI A. cosecha ya sea como naranjas enteras o en mitades, y que la información espectral. de las naranjas en mitades permiten obtener modelos completos de mayor ajuste y. PE CU A. menor error en comparación con las naranjas enteras, estos ajustes pueden visualizarse en las Figuras 8 y 9. Respecto a los modelos simplificados, estos no logran un nivel de predicción aceptable ya sea obtenido por PLSR o MLR. Por lo tanto frente al nivel de información obtenido con la configuración hiperespectral. AG RO. seguida se puede afirmar que no es posible simplificar los modelos completos en este estudio. Sin embargo los procedimientos establecidos representan un primer paso para el desarrollo de métodos no destructivos, rápidos y fiables en la determinación de parámetros de calidad interna en naranjas. En ese sentido, si el interés es conseguir modelos simplificados para que puedan ser aplicados en la. DE. industria con tecnología de imágenes multiespectrales, se recomienda generar los modelos con información de mayor resolución espectral, ya que parte de la. CA. información espectral importante que explica la varianza del parámetro de calidad puede no haberse captado en esta experiencia dada la baja resolución espectral. BI. BL. IO. TE. aplicada (alta amplitud de bandas espectrales).. -27Esta 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) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. RI A. S. 13.0 12.0 11.0 10.0. PE CU A. SST Predicho (ºBrix). 14.0. 9.0 8.0 8.0. 9.0. 10.0. 11.0. 12.0. SST Observado (ºBrix) (a). 4.00 3.90 3.70 3.60 3.50 3.40 3.30 3.20 3.00 3.00. 3.10. 1.30 1.20. 3.30. 3.40. 3.50. 3.60. 3.70. 3.80. 3.90. 4.00. 1.00. 1.10. 1.20. 1.30. 1.40. 1.50. 1.60. pH Observado (b). TE. AT Predicho (%). 1.40. 3.20. CA. 1.60. DE. 3.10. 1.50. 14.0. AG RO. pH Predicho. 3.80. 13.0. 1.10 1.00. IO. 0.90. 0.80 0.70. BI. BL. 0.60. 0.60. 0.70. 0.80. 0.90. AT Observado (%) (c). Figura 8. Parámetros observados y predichos por modelos PLSR en los conjuntos de calibración y validación en naranjas enteras: (a) SST, (b) pH y (c) AT. -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) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. RI A. S. 13.0 12.0 11.0 10.0. PE CU A. SST Predicho (ºBrix). 14.0. 9.0 8.0 8.0. 9.0. 10.0. 11.0. 12.0. SST Observado (ºBrix) (a). 4.00 3.90 3.70 3.60 3.50 3.40 3.30 3.20. 3.00 3.00. 3.10. 1.30 1.20. 3.30. 3.40. 3.50. 3.60. 3.70. 3.80. 3.90. 4.00. 1.00. 1.10. 1.20. 1.30. 1.40. 1.50. 1.60. pH Observado (b). TE. AT Predicho (%). 1.40. 3.20. CA. 1.60. DE. 3.10. 1.50. 14.0. AG RO. pH Predicho. 3.80. 13.0. 1.10 1.00. IO. 0.90 0.80 0.70. BI. BL. 0.60. 0.60. 0.70. 0.80. 0.90. AT Observado (%) (c). Figura 9. Parámetros observados y predichos por modelos PLSR en los conjuntos de calibración y validación en naranjas en mitades: (a) SST, (b) pH y (c) AT. -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) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. CONCLUSIONES. S. 4.. RI A. La configuración de tecnología de imágenes hiperespectrales de reflectancia (4001000nm) puede ser utilizada para generar métodos no destructivos para predecir los sólidos solubles totales, pH y acidez titulable en naranjas en madurez de. PE CU A. cosecha. Los datos espectrales analizados con Regresión de Mínimos Cuadrados Parciales (PLSR) arrojaron modelos para naranjas enteras con coeficientes de determinación (R2) para predecir SST, pH y AT de 77,0%, 77,2% y 78,3% con un Error Estándar de Calibración (SEC) de 0,501 ºBrix, 0,080 y 0,092 % Ac. Cítrico, y. AG RO. un Error Estándar de Predicción (SEP, siglas en inglés) de 0,517 ºBrix, 0,080 y 0,088 % Ac. Cítrico, respectivamente. En naranjas en mitades los coeficientes de determinación (R2) para la predicción de SST, pH y AT de 92,1%, 87,7%, y 88,0% con un SEC de 0,294 ºBrix, 0,059 y 0,068 % Ac. Cítrico, y un SEP de 0,400 ºBrix,. DE. 0,061 y 0,074 % Ac. Cítrico, respectivamente. Los modelos PLSR y MLR simplificados utilizando sólo las longitudes más influyentes en la predicción de los. CA. parámetros de calidad no tuvieron niveles de predicción aceptables (R2<70%). Se recomienda para futuros trabajos que busquen generar modelos de predicción. TE. en naranjas con data hiperespectral, adquirir mayor o diferente información espectral ya sea aplicando una mayor resolución espectral, o explorando una región. BI. BL. IO. espectral diferente (>1000 nm).. -30Esta 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) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. REFERENCIAS BIBLIOGRÁFICAS. S. 5.. RI A. American Meat Science Association (AMSA). 1992. Guidelines for meat color. evaluation. Chicago IL: Association National Live Stock and Meat Board. USA.. PE CU A. Chicago.. Association of Official Analytical Chemists (AOAC). 2005. Official method of analysis. 18. ed. AOAC International. USA. Washington, DC.. Banco Central de Reserva del Perú. (BCRP). 2013. Informe Económico y Social http://www.bcrp.gob.pe/docs/Proyecci on-. AG RO. Región Junín. Disponible en:. Institucional/Encuentros-Regionales/2013/junin/ies-junin-2013.pdf. Accesado el 18-04-15.. Barbin, D.; Sun, D-W.; Su, C. 2013. NIR hyperspectral imaging as non-destructive. DE. evaluation tool for the recognition of fresh and frozen- thawed porcine longissimus dorsi muscles. Innovative Food Science and Emerging Tecnologies 18: 226-236. CA. Chen, S.; Zhang, F.; Ning, J.; Liu, X.; Zhang, Z.; Yang, S. 2015. Predicting the anthocyanin content of wine grapes by NIR hyperespectral imaging. Food. TE. Chemistry 172: 788-793.. IO. Cheng, J.; Sun, D-W.; Zeng, X.; Pu, H. 2014. Non- destructive and rapid. BL. determination of TVN-N content for freshness evaluation of grass carp by hyperspectral imaging. Innovative Food Science and Emerging Tecnologies 21:. BI. 179-187. -31Esta 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) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. RI A. en: http://cie.co.at/index.php?i_ca_id=485. Accesado el 21-04-15.. S. CIELab. 1976. CIE Colorimetry - Part 4: 1976 L*a*b* Colour Space. Disponible. Dirección General de Normas (DGN) – MÉXICO, 1984. NMX-F-118-1984. Alimentos. PE CU A. para Humanos. Bebidas No Alcohólicas: Jugo de Naranja Envasado.. Dirección Regional de Agricultura San Martin (DRASM) PERÚ. 2014. Guía Técnica. para. el. cultivo. de. la. Naranja.. Disponible. en:. http://www.agrodrasam.gob.pe/sites/default/files/GUIAN.pdf. Accesado el 23-. AG RO. 04-15.. ElMasry, G.; Iqbal, A.; Sun, D-W.; Allen, P.; Ward, P. 2011. Quality classification of cooked, sliced turkey hams using NIR hyperspectral imaging system. Journal of Food Engineering, 103(3), 333–344.. DE. ElMasry, G.; Kamruzzaman, M.; Sun, D.; Allen, P. 2012. Principles and Applications of Hyperspectral Imaging in Quality Evaluation of Agro-Food Products: A Review,. CA. Critical Reviews in Food Science and Nutrition, 52:11, 999-1023.. TE. ElMasry, G.; Wang, N.; Elsayed, A.; Ngadi, M. 2007. Hyperspectral imaging for nondestructive determination of some quality attributes for strawberry. Journal of. IO. Food Engineering. 81: 98–107.. BL. Food and Agriculture Organization (FAO), 2003. Manual para la Preparación y venta. BI. de Frutas y Hortalizas. Boletín de servicios agrícolas de la FAO 151. Roma. Italia.. Gómez-Sanchis, J.; Moltó, E.; Camps-Valls, G.; Gómez-Chova, L.; Aleixos, N.; Blasco, J. 2008. Automatic correction of the effects of the light source on -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) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. spherical objects. An application to the analysis of hyperespectral images of. RI A. S. citrus fruits. Journal of Food Engineering 85: 191-200.. Iqbal, A.; Sun, D-W.; Allen, P. 2013. Prediction of moisture, color and pH in cooked,. PE CU A. pre-sliced turkey hams by NIR hyperspectral imaging system. Journal of Food Engineering 117: 42-51.. Iqbal, A.; Sun, D-W.; Allen, P. 2014. An overview on principle, techniques and application of hyperspectral imaging with special reference to ham quality. AG RO. evaluation and control. Food Control 46: 242-254.. Leiva-Valenzuela, G.; Renfu, L.; Aguilera, J.2013. Prediction of firmness and soluble solids content of blueberries using hyperspectral reflectance imaging. J. Food Eng. 2013, 115, 91–98.. DE. Liu, D.; Sun, D-W.; Qu, J.; Zeng, X.; Pu, H.; Ma, J. 2014. Feasibility of using hyperspectral imaging to predict moisture content of porcine meat during salting. CA. process. Food Chemistry 152: 197-204.. TE. Liu, D.; Sun, D-W.; Zeng, X. 2013. Recent advances in wavelength selecction techniques for hyperspectral image processing in the food industry. Food and. IO. Bioprocess Technology. 7: 307-323.. BL. Liu, D.; Zhang, L.; Guo, E. 2008. Hyperspectral Laser-induced fluorescence imaging for non-destructive assessing soluble solids content of orange. Computer and. BI. Computing Technologies in Agriculture. 1: 51–59. -33Esta 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) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. Lorente, D., Aleixos, N., Gomez-Sanchis, J., Cubero, S., Garcia-Navarrete, O. L.,. S. Blasco, J. 2012. Recent advances and applications of hyperspectral imaging for. RI A. fruit and vegetable quality assessment. Food and Bioprocess Technology, 5(4),. Ministerio. de. Agricultura. (MINAG)-PERÚ.. PE CU A. 1121–1142. 2008.. Un. Nuevo. Protocolo. Fitosanitario y el Acceso de los Cítricos Peruanos al Mercado Chino. Disponible. en:. http://www.agronegociosperu.org/downloads/citricos.pdf.. AG RO. Accesado el 22-04-15.. Ministerio de Agricultura y Riego (MINAGRI)-PERÚ. 2012. Cítricos. Disponible en. http://minagri.gob.pe/portal/download/pdf/herramientas/. organizaciones/dgca/citricos.pdf. Accesado el 19-04-15.. DE. Nogales-Bueno, J.; Hernández-Hierro, J.F.; Rodríguez-Pulido, F.J.; Heredia, F. J. 2014. Determination of technological maturity of grapes and total phenolic. CA. compounds of grape skins in red and White culivars during ripening by near infrared hyperspectral image: A preliminary approach. Food Chemistry 152: 586-. TE. 591.. Peng, Y.; Lu, R. 2008. Analysis of spatially resolved hyperspectral scattering images. IO. for assessing apple fruit firmness and soluble solids content. Postharvest Biology. BI. BL. and Technology, 48: 52–62.. -34Esta 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) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación. Rajkumar, P.; Wang, N.; Eimasry, G.; Raghavan G.S.V.; Gariepy, Y. 2012. Studies. S. on banana fruit quality and maturity stages using hyperspectral imaging. Journal. RI A. of Food Engineering 108:194-200.. PE CU A. Rodríguez-Pulido, F.J.; Hernández-Hierro, J.M.; Nogales-Bueno, J.; Gordillo, B.; Gonzáles-Miret, M.L.; Heredia, F.J. 2014. A novel method for evaluating flavanols in grape sedes by near infrared hyperspectral imaging. Talanta 122: 145-150. Saldaña, E.; Siche, R.; Castro, W.; Huamán, R.; Quevedo, R. 2014. Measurement. AG RO. parameter of color on yacon (Smallanthus sonchifolius) slices using a computer vision system. LWT - Food Science and Technology 59 (2- 2): 1220-1226 Sun, D-W. 2010. Hiperspectral Imaging for Food Quality Analisys and Control. Elsevier. San Diego, United States of America.. DE. Wu, D.; Sun, D-W. 2013. Advanced applications of hyperspectral imaging technology for food quality and safety analysis and assessment: A review — Part. CA. II: Applications. Innovative Food Science and Emerging Technologies 19: 15–28. TE. Zhao, J.; Vittayapadung, S.; Chen, Q.; Chaitep, S.; Chuaviroj, R. 2009. Nondestructive measurement of sugar content of apple using hyperspectral imaging. BI. BL. IO. technique. International Journal of Science and Technology. 3(1): 130–142.. -35Esta 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/.