O UNIVERSIDAD NACIONAL DE TRUJILLO

FACULTAD DE CIENCIAS AGROPECUARIAS

ESCUELA ACADMICO PROFESIONAL DE
INGENIERA AGROINDUSTRIAL

PROYECTO DE TESIS
ESTIMACIN DE LA VIDA TIL POR COLOR DE RODAJAS DE
YACN (Smallantus sonchifolius) MNIMAMENTE PROCESADOS
MEDIANTE PRUEBAS ACELERADAS A PARTIR DE UN SISTEMA DE
VISIN COMPUTACIONAL

AUTOR:

Br. Huamn Vsquez Rosmer.

Br. Saldaa Villa Erick Manuel.

ASESOR: Ing. Dr. Ral Siche Jara

TRUJILLO PER
2011

PROYECTO DE INVESTIGACIN

TTULO:

ESTIMACIN DE LA VIDA TIL POR COLOR DE RODAJAS DE

YACN (Smallantus sonchifolius) MNIMAMENTE PROCESADOS
MEDIANTE PRUEBAS ACELERADAS A PARTIR DE UN SISTEMA DE
VISIN COMPUTACIONAL
1. PERSONAL INVESTIGADOR:
2.1. Nombres y Apellidos

: Huamn Vsquez Rosmer

Saldaa Villa Erick

2.2. Departamento

: Ciencias Agroindustriales

2.3. Facultad

: Ciencias Agropecuarias

2.4. Categora

: Bachilleres en Ingeniera Agroindustrial

2.5. Nmero matrcula

: 0272400806
0272400206

3. ASESOR:
3.1.

Apellidos y Nombres

Dr. Ral Siche Jara

3.2.

Facultad

Ciencias Agropecuarias

3.3.

Escuela

Ingeniera Agroindustrial

4. TIPO DE INVESTIGACIN:
5.1. De acuerdo a la orientacin

: Aplicada.

5.2. De acuerdo a la tcnica de contratacin

: Experimental.

5. RGIMEN DE INVESTIGACIN: Libre

6. INSTITUCIN A LA QUE PERTENECE EL PROYECTO:
Escuela de Ingeniera Agroindustrial de la Facultad de Ciencias Agropecuarias de la
Universidad Nacional de Trujillo.

8. LOCALIDAD E INSTITUCIN DONDE SE EJECUTAR EL PROYECTO:

8.1

Institucin : UNIVERSIDAD NACIONAL DE TRUJILLO

Ubicacin: Ciudad Universitaria Av. Juan pablo II s/n, Trujillo, Per.

9. CRONOGRAMA DE EJECUCIN DEL PROYECTO:

Cuadro 1. Cronograma de ejecucin del proyecto de tesis
MESES

ETAPAS

Recoleccin y revisin de informacin

Formulacin y sustentacin del proyecto

Pruebas experimentales (o Revisin Bibliogrfica)

Evaluacin e interpretacin de resultados

Redaccin y correccin del informe

Presentacin y sustentacin

10. DURACIN

11.

: 4 meses

FECHA DE INICIO

: Mayo 2011

FECHA DE TRMINO

: setiembre 2011

HORAS SEMANALES DEDICADAS AL PROYECTO:

a. Semanas

: 20

b. Horas/Semana

: 20

c. Total de horas

: 400
3

12.

RECURSOS
12.1 Personal:
Autores

: Br. Huamn Vsquez Rosmer.

Br. Saldaa Villa Erick Manuel.

Asesor

: Dr. Ral Siche Jara

12.2 Locales :
Laboratorio Multifuncional, Laboratorio de Tecnologa de

los Procesos

Agroindustriales de la Facultad de Ciencias Agropecuarias de la Universidad

Nacional de Trujillo
12.3

Materiales y Equipos
12.3.1. Materia prima
Yacn (Smallantus sonchifolius).
12.3.2. Insumos
cido ctrico.
Alginato de sodio.
12.3.3. Material de vidrio
Fiola 250 mL.
Pipetas 1 mL.
Probetas 100 mL.
Vasos de precipitacin 50, 250, 500 mL.
12.3.4. Reactivos
Agua destilada.
12.3.5. Equipos
4

Cmara digital lumix.

Colormetro.
Estufa.
Mufla.
Espectrofotmetro.
Cmara de vidrio.
Refrigeradora.
Computadora core i3.
Memoria USB.
Equipo de sistema de visin computacional.

12.3.6. Otros
Cuchillos.
Recipientes plsticos.
Jarras de medida.
Bolsas plsticas (PET baja densidad).
Film de PVC.

13. PRESUPUESTO:
Cuadro.

Presupuesto para la investigacin

Costo
(S/.)
A. Material de oficina y escritorio
Papel Bond A4
Millar
2
Lapiceros
Unidad
2
2
Cuadernos
Unidad
1
Tinta de impresin a
Unidad
Tinta color
de impresin
en
Unidad
Hp
Subtotal
negro
B. Gastos de experimentacin
.tem

Unidad

Subtotal
5

Cantidad

Costo
(S/.)

C. Otros servicios
Internet
Copias
Imprevistos
Anillado
Empastado
Subtotal
TOTAL

14. FINANCIAMIENTO:
Propio

PLAN DE INVESTIGACIN
I.

ANTECEDENTES (Estudios previos respecto al tema)

La metodologa de analizar imgenes mediante visin computacional ha sido estudio de diferentes

investigaciones, esta metodologa empleada en analizar imgenes de alimentos es relativamente
nueva en nuestro medio, en ese sentido (Misimi et al., 2007); en la evaluacin del desarrollo de
manchas oscuras durante la maduracin de bananas empleando un sistema de visin
computacional (SVC) y software de computadora, lograron identificarlas y cuantificarlas a partir
de las imgenes.
Muchos autores recomiendan medir el color en los alimentos mediante el mtodo propuesto por la
Comisin Internacional de la Vigne et du Vin (OIV, 1979) para el anlisis cromtico de los
productos derivados de las uvas, que son una simplificacin de CIEYxy, basado en la
consideracin del espectro cromtico completo con el observador estndar CIE 1931 y el
iluminante estndar CIE C. Para el caso de la miel en particular, (Terrab et al. 2002);
caracterizaron cromticamente muestras provenientes de Marruecos, mediante reflectancia difusa
y colorimetra triestmulo. Utilizaron espacios cromticos uniformes (CIEL*a*b*) y no uniformes
(CIExyz), que permiten visualizar y representar colores en dos y tres dimensiones, (Trussel et al.
2005). Al estudiar mediante anlisis discriminante los resultados obtenidos para mieles de citrus,
eucalipto, menta y brezo, encontraron que el parmetro b* mostraba el mayor poder de
discriminacin (81%), seguido por el parmetro a*, relacionado con la segunda variable cannica.
Las coordenadas CIEL*a*b* permitieron una mejor clasificacin de las muestras (93% de la
varianza), donde la Luminosidad L y el Croma C mostraron pequeas variaciones para las mieles
de distinto origen floral.
La tendencia actual es analizar digitalmente la imagen y transformar las coordenadas RGB
mediante modelos matemticos en las correspondiente coordenadas de los espacios cromticos
CIELa* b* y CIELuv, para su posterior anlisis. Entre los diferentes modelos, las redes
neuronales y el modelo cuadrtico presentan el menor error (prximo al 1%); por su parte, los
modelos gamma y directo resultan ms rpidos para el clculo; (Len et al., 2006). El mtodo de
digitalizacin de imgenes permite medir y analizar el color de las superficies de los alimentos.

No

permite

an

reemplazar

los

sofisticados

sistemas

de

medicin

instrumentales

espectrofotomtricos, pero es una alternativa viable por lo verstil, econmico y sencillo (Yam y
Papadakis, 2004).
El mtodo estandarizado para medicin de color en miel es el basado en la comparacin ptica,
utilizando un colormetro Pfund o un Lovibond (Bogdanov et al., 2004), normalizados
internacionalmente. El comparador Lovibond es ms fcil de usar que el Pfund, pero la miel
generalmente es comercializada de acuerdo a este ltimo. Los otros mtodos mencionados no han
sido validados internacionalmente. La disponibilidad de los colormetros Pfund, diseados
inicialmente para la industria petroqumica es escasa; los equipos se construyen por pedidos
especiales que no siempre son satisfechos. Los exportadores de miel han incorporado por su
mayor disponibilidad, versatilidad y practicidad, el colormetro Hanna, que apareci en el
marcado en 2004. El presente trabajo compara determinaciones de color realizadas con un
colormetro Pfund y un colormetro Hanna, con el propsito de evaluar la correspondencia de los
resultados obtenidos, a los efectos de considerar la viabilidad del colormetro Hanna para medir el
color de la miel.
La caracterizacin de un sistema de captacin de imagen digital consiste en construir un modelo
que relacione las distribuciones espectrales de energa del estmulo con los valores digitales de la
imagen y estos, a su vez, con la respuesta del sistema visual humano (CIExyz); este modelo
depende no slo de la cmara, sino que requiere fijar, la distancia del objeto de captura, el rea de
trabajo, la geometra de iluminacin/observacin y minimizar la influencia de otras luces
ambientales. (Misimi et al., 2007); sealan que un SVC consiste en la instalacin de un escenario
iluminado, una cmara para la captacin de imgenes y un computador para el procesamiento de
estas; lo cual involucra la segmentacin, la cuantificacin y la clasificacin de las imgenes y
objetos de inters de esas imgenes para la toma de decisiones. Una vez que la cmara est
caracterizada y las condiciones de observacin fijadas, el dispositivo puede utilizarse a modo de
colormetro para medir el color (Valencia, 2007).
Mendoza y Aguilera (2004), implementaron un SVC para identificar estados de maduracin de
bananas basados en el color y desarrollo de manchas oscuras, el cual consisti en un sistema de
luces, el empleo de una cmara digital y el procesamiento de las imgenes mediante un software
8

que permiti mejorar la calidad de las imgenes, realizar el anlisis de color, cuantificar las
manchas oscuras e incluso adquirir informacin sobre la textura de la superficie de los frutos.
Este sistema tambin fue utilizado en hojuelas de papa fritas para evaluar caractersticas de color
y textura con el propsito de clasificar la apariencia para modelar preferencias de calidad
(Mendoza et al., 2007).
La inspeccin del color de muestras texturadas se realiza mediante visin humana, y siempre que
la textura lo permite la medida de las diferentes zonas de color se realiza mediante un
espectrofotmetro o colormetro (Corbaln y Moya 2003). Estos instrumentos integran el valor de
la medida en el rea de la muestra sobre la que se aplican; si la distribucin del color no es
uniforme, por la presencia de variables como texturas o manchas, entre otras, el valor promedio
obtenido no describe adecuadamente el color de la muestra original (Escofet-Soteras et al. 2005);
es decir, estos equipos no realizan segmentacin ni clasificacin de las imgenes.
En un trabajo realizado en la formulacin de leche maternizada, se estudi la vida til de leches
maternizadas. A partir de resultados preliminares obtenidos mediante ensayos acelerados, se
seleccion el oscurecimiento de la leche como descriptor crtico de la vida til. Se encontr muy
buena correlacin entre los datos de oscurecimiento de la leche determinado sensorialmente y la
disminucin del valor L*. En este caso, una sencilla medida instrumental puede reemplazar la
medida sensorial, que necesita de entrenamiento previo de los evaluadores y mayor tiempo de
realizacin. (Hough y Fiszman, 2005).
II. JUSTIFICACIN
Uno de los objetivos primarios del ser humano ha sido, es y ser siempre el estudio y la
simulacin de sistemas biolgicos, y en concreto de sistemas de visin o de captura de energa
radiante. As, el paso siguiente es el diseo y la fabricacin de instrumentos o sistemas de visin
artificial que reproduzcan las respuestas visuales humanas frente a cualquier tipo de estmulos
visuales.
En ese sentido, reviste inters la utilizacin de cmaras digitales para la medida del color en
imgenes, que ofrecen ventajas como, resolucin ajustable y menor costo econmico, en
comparacin con los instrumentos convencionales.

Adems el proceso de toma de imgenes mediante visin computacional emulando a un

colormetro proporciona algunas ventajas evidentes sobre un colormetro convencional, al saber,
la posibilidad de analizar cada pixel de la superficie entera del alimento, y la cuantificacin de la
superficie caractersticas y defectos de la misma.
La utilizacin de visin computacional como medio para estimar la vida til de alimentos es
sumamente ventajosa en el sentido de que se reemplazar las respuestas de los panelistas por
imgenes tomadas a partir de una cmara digital y procesadas mediante un software de clculo,
ello disminuir costo, tiempo y subjetividad de las repuestas de color hacindolas ms confiables
y por lo tanto estimando un tiempo de vida til ms cercano al real, En base a ello y acercando
esta situacin a nuestra realidad, enfocaremos esta investigacin en estimar la vida til de cubos
de yacn mnimamente procesados, dndole as un carcter cientfico, en cuanto a parmetros de
tiempo y temperaturas de almacenamiento de yacn mnimamente procesado, dicho producto
tiene la ventaja del producto fresco, con una prolongada vida til y al mismo tiempo garantizan la
seguridad alimentaria, manteniendo la calidad nutritiva y sensorial. Adems, estos productos estn
unidos a la posibilidad de uso inmediato ya que han sido sometidos a seleccin, pelados y picado,
operaciones que dificultan o demoran algunas preparaciones culinarias. La evaluacin sensorial
proporciona informacin integral de la calidad y de las expectativas de aceptabilidad por parte del
consumidor.
III. PROBLEMA
Cunto ser el tiempo de vida til por color de rodajas de yacn ( Smallantus

sonchifolius) mnimamente procesados mediante pruebas aceleradas a partir de un sistema

de visin computacional?
IV. HIPTESIS
El tiempo de vida til por color en rodajas de yacn ( Smallantus sonchifolius)
mnimamente procesados mediante pruebas aceleradas a partir de un sistema de visin
computacional ser de 12 das.

10

V. OBJETIVOS
Objetivo General
Estimar el tiempo de vida til por color de rodajas de yacn (Smallantus sonchifolius)
mnimamente procesados mediante pruebas aceleradas a partir de un sistema de visin
computacional.
Objetivos especficos
Disear y construir un equipo de visin computacional para rodajas de yacn
(Smallantus sonchifolius) mnimamente procesado.
Elaborar rodajas de yacn (Smallantus sonchifolius) mnimamente procesado con
cobertura de alginato de sodio.
Medir en unidades L*a*b* rodajas de yacn (Smallantus sonchifolius) mnimamente
procesados partir de imgenes digitales RGB mediante software de clculo calibrado con
un colormetro convencional.
Estimar el limite crtico con la cromaticidad, tonalidad y luminocidad en funcin de
unidades L*a*b* obtenidos mediante un sistema de visin computacional.
VI. MATERIALES Y METODOLOGA
VI.1. MATERIALES
VI.1.1. Materia prima
Yacn (Smallantus sonchifolius).
VI.1.2. Insumos
cido ctrico.
Alginato de sodio.
VI.1.3. Material de vidrio
Fiola 250 mL.
Pipetas 1 mL.
Probetas 100 mL.
11

 Vasos de precipitacin 50, 250, 500 mL.

VI.1.4. Reactivos
Agua destilada.
VI.1.5. Equipos

Cmara digital lumix.

Colormetro.
Estufa.
Mufla.
Espectrofotmetro.
Cmara de vidrio.
Refrigeradora.
Computadora core i3.
Memoria USB.
Equipo de sistema de visin computacional.

VI.1.6. Otros
Cuchillos.
Recipientes plsticos.
Jarras de medida.
Bolsas plsticas (PET baja densidad).
Film de PVC.

VI.2. Metodologa
VI.2.1. Caracterizacin de la materia prima
La materia prima, adquirida en los mercados de la regin, ser seleccionada y
clasificada segn su tamao y calidad.
Se realizarn las siguientes pruebas fisicoqumicas de un total de 5 unidades por
prueba:
a. Determinacin de la humedad
Se determinar segn el mtodo de la A.O.A.C (1995).
12

b. Determinacin del contenido de slidos solubles

Segn el mtodo A.O.A.C (1995).
c. Determinacin de las cenizas
Segn el mtodo A.O.A.C (1995).
VI.2.2. Elaboracin de yacn mnimamente procesado
Un da antes del procesamiento del yacn, sern comprados los mismos y llevados a la
Universidad

Nacional

de

Trujillo,

laboratorio

de

tecnologa

de

procesos

agroindustriales; En seguida se proceder a seguir paso a paso el diagrama de flujo de

la figura 1. El diagrama de flujo que se realizar es el siguiente:

13

Figura 1. Diagrama de flujo para yacn mnimamente procesado.

A continuacin se describen cada una de las operaciones presentadas en la Figura 1.
a) Recepcin de la materia prima
Se emplear como materia prima yacn (Smallantus sonchifolius), la materia
14

prima ser de la mejor calidad, se manipular con cuidado evitando golpearla y

se almacenar en refrigeracin hasta el proceso siguiente.
b) Seleccin y clasificacin
La materia prima recepcionada ser, seleccionada y clasificada. Se descartar los
defectuosos y se trabajar con races de aproximadamente 200 g de forma entre
esfrica y alargada, no muy delgada ni muy gruesa.

c) Lavado
Los frutos enteros sern sometidos a un prelavado con agua corriente y
detergente neutro, con ayuda de una escobilla de nylon se realizar una mejor
limpieza.
d) Primera Sanitizacin
La sanitizacin ser con una solucin de cido paractico (80 ppm) durante tres
minutos para reducir la contaminacin inicial del producto, puesto que la
microflora presente en la cscara puede migrar a la pulpa, acarreando en un
crecimiento rpido de microorganismos.
e) Almacenamiento
Despus de la sanitizacin, los frutos sern almacenados a 12C en una
refrigeradora

LG por 18 horas para disminuir la temperatura de la pulpa

antes del procesamiento y reducir as la actividad metablica.

f) Pelado y trozado
Los frutos sern pelados y trozados en forma de rodajas con un espesor
aproximado de 20 mm, este proceso deber de llevarse a cabo lo ms rpido
posible debido a que los trozos de yacn sufren pardeamiento enzimtico.
g) Segunda sanitizacin
Las rodajas de yacn sern inmersas en una solucin de cido paractico (80
ppm) durante tres minutos.
15

h) Primer drenado
En seguida sern drenadas durante dos minutos antes de sumergirlos en la
solucin cida.
i) Aplicacin de solucin de cidos
Luego de este proceso sern inmersas las rodajas en una solucin de cido
ctrico (1%) por dos minutos.
j) Segundo Drenado
Despus se drenar nuevamente por dos minutos.
k) Embalaje
Sern acondicionados en embalajes redondos de PET con film de PVC.
l) Almacenaje
Se almacenar en refrigeracin (5C).
VI.2.3. Preparacin y aplicacin de coberturas
Se prepararn soluciones acuosas conteniendo el 2% de alginato de sodio, sern
preparadas a 80 C y bajo agitacin constante, hasta que la solucin se torne color
mbar traslucida, utilizndose un agitador magntico con calefaccin (IKA, modelo
HR B1, Staufen, Alemania). Despus se dejar en reposo por 24 horas a temperatura
ambiente (23 1 C) para eliminar las burbujas de aire (Montero-Caldern; RojasGra; Martn-Belloso, 2008; Raybaudi-Massilia; Mosqueda-Melgar; Martn-Belloso,
2008).
Para la aplicacin de la capa, las rodajas de yacn se colocarn de dos en dos,
sumergidas por tres minutos y luego escurrido para el secado de la pelcula de 2 horas
a 181 C. Despus del drenaje, las muestras sern embaladas en todo el PET y
cubierto con plstico y se almacenaron a 5 C, hasta el momento del anlisis mediante
un sistema de visin computacional.

16

VI.2.4. Adquisicin de imgenes RGB

Las imgenes a utilizar en este trabajo sern tomadas con el siguiente sistema de
adquisicin de imgenes.
La cmara digital Lumix con 7 mega pixeles de resolucin, se colocar
verticalmente a una distancia de 22.5 cm de las muestras. El ngulo entre el eje de
la lente y la fuente de iluminacin ser de aproximadamente 45.
La iluminacin se realizar con cuatro Philips, con luces fluorescentes de 18 W
(60 cm de longitud), con una temperatura de color de 6500 K, y un ndice de
color (Ra) cerca del 95%.
Los tubos de iluminacin y la cmara se colocarn en la caja de madera en las
paredes interiores de los cuales fueron pintados negro para minimizar la luz de
fondo.
Las imgenes sern tomadas con una resolucin mxima (2272 * 1704 pxeles) y
se conectar al puerto USB de una computadora core i3.
Los ajustes de la cmara utilizada en nuestros experimentos se resumen en la
Tabla 1.
Tabla 1. Configuracin de la cmara
Variable
Distancia focal
Zoom
Flash
Velocidad Iso
Balance de blancos
Modo de funcionamiento
Apertura
exposicin TV
Calidad
Macro
Con

el

fin de calibrar

Valor
20.7 mm
9
apagado
100
Fluorescencia H
Manual
Av. f/8.0
1/15 s
prima
in

el sistema

color de 32 cartas de se medirn (ver

carta de

colores se divide

digital

de

algunos grficos
en 10 regiones

la figura. 3. En cada regin, los

color, los

valores

de

en

valores

la Figura. 2). Cada

como se
color

de

muestra en
L*a*b*

se

medirn usando un colormetro Hunter Lab. Adems, una imagen digital RGB se
han

tenido

en cada cuadro, y los

17

valores

de

color

R,

GyB

de

las

regiones correspondientes sern medidos usando el programa de Matlab que

calcular la valores medios para cada valor de color en cada regin de acuerdo a las
10 mscaras se ilustra en la figura. 3.

Lmparas

Cmara

Caja de madera
Color de la muestra

Figura 2. Sistema de adquisicin de imgenes.

Figura 3. Matriz, mostrando 21 de las 32 cartas de color utilizados en la calibracin proceso.

18

Tabla de colores

Zona de captura por la cmara

Regiones

Figura 4. Medicin del color de las 10 regiones de cada cuadro.

VI.2.5. Construccin y definicin del modelo
a)

Construccin del modelo

Las 320 mediciones RGB se obtendrn al igual que sus correspondientes 320
dimensiones L*a*b* (del colormetro). Antes de la construccin del modelo
cuadrtico, las muestras se dividirn es un conjunto de 62,5% de las muestras
(200 mediciones) RGB y dimensiones

L*a*b* se utilizarn con fines de

formacin, y el restante 37,5% de las muestras (120 mediciones) se reservarn

para su anlisis.
b) Definicin del modelo
La metodologa a utilizar para estimar la transformacin de RGB a L*a*b* se
compone de dos partes (ver Figura 4. y la nomenclatura a usar la tabla 2):
La primera parte consistir en tener parmetros de entrada 1, 2,, m que
sern las variables RGB obtenidos a partir de la imagen digital en color de
una muestra, y cuyos resultados son las variables L*a*b* estimadas a
partir del modelo (ver R,G,B y
19

respectivamente, en la figura. 4), y

La segunda parte consistir en la calibracin de los parmetros 1, 2,, m,

Para el modelo se estimarn sobre la base de la minimizacin de la media
del error absoluto entre las variables

(la salida del modelo) y

variables L*, a*,b* (medida a partir de la muestra utilizada en i) mediante el

uso de un colormetro.
Colormetro

Modelo

Cmara
Error

.. Calibracin del proceso

_____ Estimacin de

Figura 5. Estimacin de los valores L*a*b* sobre la base de las mediciones de RGB.

Tabla 2. Nomenclatura a usar

variable
L*
a*
b*

R
G
B
eL
ea
eb

Descripcin
Valor de L* medido con un colormetro
Valor de a* medido con un colormetro
Valor de b* medido con un colormetro
Valor de L* obtenido con el modelo
Valor de a* obtenido con el modelo
Valor de b* obtenido con el modelo
Valor de R (rojo), medida a partir de la imagen digital
Valor de G (verde), medida a partir de la imagen digital
Valor de B (azul) medido desde la imagen digital
Error en la estimacin de L*
Error en la estimacin de a*
Error en la estimacin de b*

20

Muestr

Una

vez

que el sistema ha sido calibrado,

ser posible inferir

los

valores

L*a*b* sobre la base de las mediciones RGB desde la cmara sin tener que utilizar
el colormetro (vase la lnea continua en la figura. 4).
El error medio normalizado en la estimacin de cada uno de las variables L*a*b*
se obtendrn mediante

la

comparacin

de las

a*, b*) con las estimaciones del modelo (

):

mediciones colormetro

(L*,

Estos errores se calcularn con un promedio de las mediciones de N para i = 1,

, N. Los errores se normalizarn de

acuerdo

la gama

de cada

una

de las escalas. Como las mediciones en los intervalos de 0L*100, -120a*-120

y -120b*120, la escala a utilizar ser L = 100 y a = b = 240. Con el fin de
evaluar el desempeo del modelo utilizado, el error medio se calcular:

El problema de la estimacin de los parmetros del modelo se podra plantear de la

siguiente manera. Sea f la funcin que transforma las coordenadas (R, G, B) en (
).

21

Dnde = [1 2 m] T es el vector de parmetros para el modelo f. Por lo

tanto, debe

ser estimado de

manera

que el

error medio

sea minimizado en (2). En este trabajo, la reduccin se lleva a cabo utilizando el

software Matlab (MathWorks, 2000). Cuando f es lineal, un mtodo directo de
regresin lineal se utiliza para los parmetros.
VI.2.6. Modelacin Lineal
Es

un

modelo

simple

para

la

transformacin

de RGB

L*a*b*,

es

una funcin lineal de las variables (R, G, B).

La
la

siguiente
primera

fila

es
de

una
la

explicacin
matriz

en

de

cmo

(4) se

los

parmetros

obtendrn,

y la

explicacin es vlida para las otras filas: En primer lugar, se deber definir:

El vector de parmetros para el modelo

La matriz de entrada con las mediciones de N de R, G, B

22

de

misma

Y el vector de salida con el N mediciones de L*

Por

tanto,

la estimacin de L *, obtenidos a

partir

de la

minimizacin de

la norma entre las mediciones y estimaciones y-, se define por (Stderstrm

& Stoica, 1989):

Dnde:

La

ventaja

de

este

modelo

es

que

es

directo

su

solucin

no se obtiene a travs de iteraciones.

6.2.7. Dterminacin de color en alimentos
Las unidades de color se obtendrn a partir de un sistema de visin computacional en
coordenadas L*a*b*, las mediciones de color sern expresadas en tres parmetros:
Luminosidad L* (L*= oscuro y L*=100 blanco); cromaticidad definida por a* (+a*=
vermelho y a*=verde) y b* (+b*=amarillo y b*=azul); con esos parmetros , sern
evaluados las coordenadas cilndricas C* y H*, donde C* definir la cromaticidad y H* la
tonalidad a partir de las ecuaciones (10) y (11) (HUNTERLAB, 1996).

...(10)

...(11)
6.2.8.

Estimacin de la vida til de yacn (Smallantus sonchifolius).

23

a)

a.1)

Estimacin de la vida til mediante pruebas aceleradas

Determinacin de la cintica de deterioro
Lo primero que se determinar ser el grado de deterioro que sufre el yacn
mnimamente procesado con respecto al tiempo, segn los modelos de
orden cero, uno y dos.
El modelo de reaccin base para el deterioro es:

Dnde:
Q = Calidad o atributo a medir (color).
t = tiempo de almacenamiento.
K = constante de velocidad de reaccin.
n= orden de reaccin.
Integrando la ecuacin (), para una reaccin de orden cero, uno y dos,
quedaran las ecuaciones linealizadas de la siguiente manera:

n= 0

Q f = Q 0 + Kt...(2)

n =1

lnQ f =lnQ 0 +Kt...(3)

n =2

1
1
=
+ Kt ...(4)
Qf
Q0

Dnde:
t = Tiempo de almacenamiento.
Q0 = Calidad o atributo inicial.
Qf = Calidad o atributo final.
Se graficarn los tres tipos ecuaciones y se evaluarn el coeficiente de
determinacin (R2) para determinar el orden que sigue la reaccin.

24

a.2) Determinacin de la vida til

El tiempo de vida til se determinar mediante pruebas aceleradas
incubando las muestras a cuatro temperaturas distintas: 10, 20, 30 y 40 C,
mediante el color a las muestras (Labuza, 1982).
El color se medir cada 3 horas, mediante el sistema de visin
computacional, con la finalidad de obtener la imagen en L*a*b* y por ende
determinar la cromaticidad, tonalidad y la luminosidad que sern los
indicadores de deterioro de la calidad, con la finalidad de evaluar el color
con respecto al tiempo.
a.3) Variacin del logaritmo del tiempo con la temperatura de incubacin
Como se observa uno de los parmetros de estas ecuaciones es la constate
de velocidad (K) que se ve afectada por la temperatura.
En la gran mayora de las reacciones, la prdida de la calidad o atributo
(color), el valor de K vara en funcin de la temperatura y segn la ecuacin
de Arrhenius.
El tiempo de vida til de las rodajas de yacn se determinar interceptando la
proyeccin la lnea obtenida al graficar la variacin del logaritmo de tiempo en
funcin a la temperatura de incubacin con la temperatura de 5 C, ya que sta
es la temperatura promedio a la cual se almacena durante su transporte y
exposicin en anaquel.

25

REFERENCIAS BIBLIOGRFICAS
Mendoza, F., & Aguilera, J. M. (2004). Application of image analysis for classification of
ripening bananas. Journal of Food Science, 69, E471E477.
Leon, K., Mery, D., Pedreschi, F., & Leon, J. (2006). Color measurement in L_a_b_ units from
RGB digital images. Food Research International, 39, 10841091.
MathWorks (2000). Optimization toolbox for use with Matlab: users guide. The MathWorks Inc.
Yam, K. L., & Papadakis, S. (2004). A simple digital imaging method for measuring and
analyzing color of food surfaces. Journal of Food Engineering, 61, 137142.
Trusell, H. J., Saber, E., & Vrhel, M. (2005). Color image processing. IEEE Signal Processing
Magazine, 22(1), 1422.
Stoderstrom, T., & Stoica, P. (1989). System identification. New York: Prentice-Hall.
LABUZA, T. 1982. Shelf Life Dating Foods. Connecticut: Food and Nutrition Press, Inc.
HUNTERLAB. Aplication note: CIEL* a* b* color scale. Virginia, v. 08, n. 07, 1996.
MONTERO-CALDERN, M.; ROJAS-GRA, M. A.; MARTN-BELLOSO, O. Effect of
packaging conditions on quality and shelf-life of fresh-cut pineapple (Ananas comosus).
Postharvest Biology and Technology, v. 50, n. 02-03, p. 182189, 2008.
ASSOCIATION OF OFFICIAL ANALYTICAL CHEMISTS (A.O.A.C). 1995. Official Methods
of Analysis of the Association of Official Analytical Chemists. 16 Editin. Arlington.
OIV (1979) Recopilacin de los Mtodos Internacionales de Anlisis de Vinos. Madrid:
Ministerio de Agricultura.
MISSIMI E., MATHIASSE J.R., ERIKSON U. 2007. Computer vision-based sorting of Atlantic
salmon (Salmo salar) fillets according to their color level. Journal of Food Science 72(1):S30-S35.

26

VALENCIA E. 2007. Procesado de imagen digital en color: Adquisicin, anlisis colorimtrico y

realce. Tesis Doctoral. Departamento de ptica y Optometra. Universitat Politcnica de
Catalunya. 201 p.
MENDOZA F., DEJMEK P., AGUILERA J.M. 2007. Colour and image texture analysis in
classification of commercial potato chips. Food Research International 40:1146-1154.
CORBALN M., MOYA M. 2003. Segmentacin y medida del color de texturas en color, pp.
126-128. A: Actas de la 7 Reunin Nacional de ptica. Comit de la 7 Reunin Nacional de
ptica. (http://www.optica.unican.es/rno7/Contribuciones/articulospdf/corbalan1.pdf).
ESCOFET-SOTERAS J., MILLN-GARCA-VARELA M.S., NAVARRO-BELSU R,
NESTARESGARCA O. 2005. Dispositivo y procedimientos de visin por ordenador para la
medida y caracterizacin de la distribucin de color en una muestra. Patente de invencin.
Nmero de publicacin: 2 208 076. Oficina Espaola de Patentes y Marcas. Espaa. 3 p.
Terrab, A.; Gonzalez-Miret, L.; Heredia, F.J. Colour characterisation of Thyme and Avocado
honeys by diffuse reflectance spectrophotometry and spectroradiometry. European Food Research
and Technology, 2004, 218, 488-492.
Bogdanov S.; Ruoff K.; Persano Oddo L, Physico Chemical methods for characterisation of
unifloral honeys: a review Apidologie 35 (2004) S4-S17.

27

ANEXOS

28

ANEXO 01: MTODOS PARA DETERMINAR LOS ANLISIS FISICOQUMICOS

Mtodo para la determinacin de la Humedad

Nombre del mtodo: mtodo del peso constante (A.O.A.C, 1995)

Procedimiento:
Colocar el crisol que servir de tara, en la estufa a 105C por espacio de una hora.
Colocar inmediatamente en el secador por espacio de 20 minutos para que enfre y luego pesarla.
Este peso del crisol seco se denomina peso de tara.
Pesar en el crisol entre 2 a 5 g. de muestra aproximadamente, a este peso se le denomina peso de
la muestra hmeda (W1).
Llevar a la estufa a una temperatura de 130C durante 2 horas, hasta que el peso sea constante.
Se coloca en el desecador por 20 minutos y finalmente se pesa (W2)
Clculos:

H (%) =

Dnde:
H(%): contenido de humedad expresada en porcentaje
W1: peso de la muestra hmeda (g)
W2: peso de la muestra seca (g)

29

Mtodo para la determinacin de las cenizas totales

Nombre del mtodo: mtodo del peso constante (A.O.A.C., 1995)
Procedimiento:
Pesar 1,5 g. de muestra en un crisol de porcelana.
Llevar a la mufla y calcinar la muestra a 600C hasta conseguir peso constante y obtener una.
ceniza de color blanco.
Enfriar en un desecador hasta temperatura ambiente y pesar inmediatamente.
Clculos:

% Cenizas =

Dnde:
Pc = Peso de crisol ms cenizas.
P = Peso de crisol vaco.
M = peso de muestra.

Mtodo para la determinacin de los slidos solubles (A.O.A.C., 1995)

Procedimiento:
Tomar dos gotas del extracto del yacn.
Dejar caer en el visor del refractmetro.
Leer directamente la concentracin expresada en grados brix.
Ajustar la lectura segn la temperatura de medicin.

30