Professional Documents
Culture Documents
imágenes hiperespectrales
Non-destructive evaluation of quail (Coturnix coturnix) eggs using hyperspectral images
Autores: Elmer Gil; Raúl García; Leyla Cárdenas; Mayori Alvarado; Carlos Calderón; Rosa Espejo.
Escuela De Ingeniería Agroindustrial – UNT
Resumen
Uno de los parámetros importantes para medir la calidad del huevo es su frescura. El método Haugh (HU)
es una forma para determinarla, pero es destructiva. Esta investigación tuvo como objetivo predecirla por
medio de imágenes hiperespectrales en un rango de longitud de onda de 900 a 1700 nm y compararlo con
el método HU. Para eso, se usaron huevos frescos que se almacenaron a 25°C y analizamos sus datos
espectrales cada tres días, partiendo del día 0 hasta el día 18. Primero se encontró el PCA para clasificar
las muestras, luego se desarrolló un modelo de calibración usando la regresión de mínimos cuadrados
parciales (PSLR) y finalmente la predicción. El modelo original, sin pretratamiento, dio las mejores
condiciones para establecer el modelo de predicción con un R2 de 0.8447 y un error cuadrático medio de
predicción (RMSEP) de 2.2938. Los resultados muestran que el modelo si predice correctamente la
medida HU y de una manera no destructiva. En conclusión, el análisis no destructivo de imágenes
hiperespectrales determinó la frescura de los huevos de codorniz teniendo una precisión similar al método
estándar (método Haugh)
Palabras clave: Perfil espectral, Haugh, PCA, PLS, imagen hiperespectral
Abstract
One of the important parameters to measure egg quality is the freshness. The Haugh method (HU) is a
way to determine it, but is destructive. The objective of this investigation was to predict it by means of
hyperspectral images in a wavelength range of 900 to 1700 nm and to compare it with the HU method. For
that, fresh eggs were used, which were stored at 25 ° C and we analyzed their spectral data each three
days, starting from day 0 until day 18. First the PCA was found to classify the samples, then a calibration
model was developed using the regression of partial least squares (PSLR) and finally the prediction. The
original model, without pretreatment, gave the best conditions to establish the prediction model with an
R2 of 0.8447 and a mean square error of prediction (RMSEP) of 2.2938. The results show that the model
does correctly predict the HU measure and in a non-destructive way. In conclusion, the Non-destructive
analysis of quail eggs using hyperspectral images determinated the freshness of the quail eggs having an
accuracy similar to the standard method (Haugh method).
Key Words: freshness, Haugh, PCA, PLS, hyperspectral image
Tabla 2.
Exactitud del análisis de calibración y predicción
Resultados
Tratamiento Numero
Correctamente Incorrectamente Exactitud
de
clasificados clasificados (%)
muestras
T1 10 10 0 100
T2 10 10 0 100
T3 10 10 0 100
Calibración T4 10 10 0 100
T5 10 10 0 100
T6 10 10 0 100
T7 10 10 0 100
3.4. PLS
Fig. 4. Gráficos de puntuaciones de PCA en el En la tabla 3 observamos los valores de
rango de longitud de onda de 900-1700 nm: a) calibración y predicción son muy similares
PC1 frente a PC2 para los días de tanto así que el valor mínimo y máximo de
almacenamiento (0, 3, 6, 9, 12,15,18) sin HU del experimento en el conjunto de
pretratamiento; b) Variación de PC1 calibración cubre el valor mínimo y máximo
aplicando pretratamiento Savitzky-Golay en el conjunto de predicción, lo que indica
segunda derivada según el tiempo de que la distribución de HU en el conjunto de
almacenamiento, agrupados por días calibración fue adecuada para construir el
respectivamente. modelo de calibración para la predicción.
En la figura 4a se trabajó el PCA sin Esto confirmó que el análisis del rendimiento
pretratamiento, abarcando un total del 89% de del modelo PLSR fue confiable. (Suktanarak
validez para el PC1, la gráfica mostró que no hay & Teerachaichayut, 2017).
diferencias significativas entre las muestras y por
lo tanto no se evidenció clasificación alguna. Para Tabla 3
eso se trabajó con el PCA de cada pretratamiento, Características de las muestras de huevos de
dando como mejor resultado el PCA de la segunda codorniz en HU en el grupo de calibración y el
derivada. (Tabla 2). En la figura 4b se observó que grupo de predicciones en el rango de longitud de
el PC1 abarcó el 96% de validez, clasificando los onda de 900-1700 nm.
de dispersión de la luz física y aumentar la
Ítems Calibración Predicción información espectral (Kobori, y otros, 2013). Por
Numero de muestras 70 35 otro lado, cuando se utiliza huevos de codorniz no
es necesario ningún pretratamiento. Eso quiere
Rango 62-89 63-86 decir que con los datos obtenidos inicialmente se
Promedio 75.05 74.62 obtiene suficiente información para calcular el
SD 7.12 6.32 HU.
El propósito de la técnica de regresión de mínimos
cuadrados parciales (PLSR) es generar un modelo
SD = Desviación estándar. lineal para predecir la respuesta de las variables
dependiente Y de un gran conjunto de valores
La tabla 4 muestra los rendimientos de los independientes X. (Liu D. , 2014), por lo que se
pretratamientos y del original, siendo el modelo analizó a partir del modelo original para obtener
original el que mejor predice con coeficiente de una mejor predicción y calibración (tabla 4). En la
correlación (R2) igual a 0.8114 y una raíz del error fig. 5 el valor del R2 es de 0.84 siendo un valor
cuadrático medio de predicción (RMSEP) igual a distante al R2 hallado en por (Te, Xinze, Tetsuya,
2.6913 para calibración de HU, debido a ello, se Haoyu, & Satoru, 2017) donde es igual a 0.89,
utilizó para la predicción. Por lo que se podría pero muy por debajo de Nguyen-do-Trong et al.
decir que el modelo predice bien tanto para (2017) donde su valor es de 0.97. Los valores de
huevos con un alto y bajo HU. (Nguyen-Do- R2 que no exceden 0.90 indica que el modelo
Trong, Dusabumuremyi, & Saeys, 2018). tiene una capacidad de predicción limitada
Suktanarak et al. (2017), al trabajar con huevo de (Castro, y otros, 2018), lo que indica que hay
gallina obtiene el mejor R2 cuando se utiliza el factores que el modelo PLS no está considerando
pretratamiento SNV dando un valor de 0.85. El necesarios para la predicción y que hay que
pretratamiento espectral estándar de variación evaluar trabajarlos con menor cantidad de
normal (SNV) se utilizó para eliminar los efectos variables latentes.
Tabla 4
Análisis de los resultados de varios pretratamientos espectrales para la predicción de HU en el grupo de
calibración.
Tabla 5
Análisis de los resultados del modelo PLSR para la predicción de HU en el conjunto de calibración y el
conjunto de predicción.
Wu, D., Shi, H., Wang, S., He, Y., Bao, Y., & Liu, K.
(2012). Rapid prediction of moisture
content of dehydrated prawns using
online hyperspectral imaging system.
Analytica Chimica Acta, 726, 57-66.
Zhao, J., Lin, H., Chen, Q., Huang, X., Sun, Z., &
Zhou, F. (2010). Identification of egg’s
freshness using NIR and support vector
data description. Journald Food
Engineering, 98, 408-414.