Evaluación no destructiva de los huevos de codorniz (Coturnix coturnix) usando

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

1. Introducción vitamina B12 que se encuentran exclusivamente

El huevo de codorniz se considera un alimento
muy nutritivo, siendo uno de los mejores y una
fuente económica de proteínas de alta calidad. En
su composición se encuentran ácidos esenciales,
vitaminas, minerales y ácidos grasos esenciales
para la nutrición humana (Moura, Barreto, &
Lanna, 2010). Es un alimento rico en carotenoides
y vitaminas como la colina, el ácido fólico y la
en la yema, en la que se concentra también la
mayor parte de biotina, ácido pantoténico y
vitaminas B1 y B6 (Instituto de estudios del
huevo, 2003).
El control de calidad del alimento es muy
importante para asegurar un buen consumo,
animales sanos y un incremento en los
rendimientos de producción (Cruz-Suarez, et al.,
2006). La calidad puede considerarse una
característica compleja de los alimentos que
determina su valor o aceptabilidad para los
consumidores; está relacionada con los requisitos
básicos que deben cumplirse para que los
alimentos sean inocuos y no estén contaminados
o adulterados (Organización de las Naciones
Unidas para la Alimentación y Agricultura,
2000).
Muchas personas encuentran los huevos como
una fuente de nutrientes asequible. Sin embargo,
la frescura y la calidad de esa fuente están muy
influenciadas por el tiempo de almacenamiento y
las condiciones que disminuyen a lo largo del
tiempo. La variabilidad en la frescura puede ser
percibida por los consumidores como una falta de
calidad. Además, la degradación puede llegar a un
punto donde el huevo no es apto para el consumo
humano (Abdel-Nour, Ngadi, Prasher, & Karimi,
2011; Akter, Kasim, Omar, & Sazili, 2014;
Akyurek & Okur, 2009; Mathew, Olufemi, &
Foluke, 2016). La predicción de estos cambios es
fundamental para controlar la frescura del huevo.
Estos cambios incluyen el adelgazamiento de la
albúmina, el debilitamiento de la membrana
vitelina y un aumento en el contenido de agua de
la yema. Las propiedades espumante y
emulsionante de la albúmina y la yema,
respectivamente, se ven afectadas por la
concentración de proteína, pH y fuerza iónica
(Karoui, et al., 2006). La frescura puede evaluarse
mediante parámetros físicos, bioquímicos,
microbianos y sensoriales.
El método de la unidad Haugh (HU) es un método
ampliamente utilizado pero destructivo para
medir la calidad del huevo (Haugh, The Haugh
unit for measuring egg quality, 1937). La unidad
Haugh es una medida de la
calidad proteínica del huevo que consiste en
medir la altura de la clara (albúmina) que rodea la
yema. Los huevos con albúminas altas y mayores
HU pueden almacenarse por más tiempo
manteniendo su apariencia fresca para el
consumidor.
La reducción de la frescura del huevo da como
resultado una capa delgada de su clara y un
aumento de los intercambios de gases con las
condiciones ambientales a través de los poros de
la cáscara (Stadelman & Cotterill, 1995). Por lo
tanto, se necesita una técnica rápida, objetiva y no
destructiva para mejorar la inspección de calidad
interna de los huevos (Cattaneo, Balzaretti,
Quaglia, & Gian Camilo, 1997).
Las imágenes hiperespectrales combinan las
ventajas de las imágenes y la espectroscopía, y
pueden adquirir información espectral y de
imágenes simultáneamente en un sistema. Su rica
información espectral es suficiente para la
extracción de características internas (Wu, et al.,
2012). Se han aplicado imágenes hiperespectrales
para evaluar la calidad de la carne (ElMasry, Sun,
& Allen, 2013; Barbin, ElMasry, Sun, & Allen,
2012), frutas (Li, Rao, & Ying, 2011), verduras
(Rady, Guyer, Kirk, & Donis-González, 2014; Lu
& Ariana, 2013) y grietas en la cáscara del huevo
(Lawrence, Yoon, Heitschmidt, Jones, & Park,
2008).
Asimismo, la industria alimentaria ha utilizado la
espectroscopia de reflectancia del infrarrojo
cercano NIR durante mucho tiempo (Stark, 1996),
porque es una técnica de análisis de calidad
precisa, rápida y no destructiva (Kumaravelu &
Gopal, 2015). Se han difundido recientemente
trabajos de investigación usando NIR para
predecir el tiempo de almacenamiento
relacionado con la frescura en huevos de gallina,
(Suktanarak & Teerachaichayut, 2017), (Islam, y
otros, 2016) ; huevos intactos y rotos (Zhao,
Wang, Lu, & Jiang, 2010).
Todos estos trabajos de investigación fueron
elaborados a partir de huevos de gallina; sin
embargo hasta la actualidad no sean realizado
estudios relacionados a los huevos de codorniz,
siendo un producto muy comercializado en el
mercado local.
El objetivo de este estudio fue determinar la
frescura de los huevos de codorniz por medio de
imágenes hiperespectrales como una técnica no
destructiva y compara este método con la prueba
estándar HU.
2. Materiales y métodos
2.1. Materia Prima
Los huevos de codorniz se obtuvieron de la granja
(Granja La norteña) el mismo día que se ovaron.
Luego se limpiaron y se seleccionaron los huevos
sin grietas o rotos. Finalmente se separaron
aleatoriamente en 7 grupos de 15 huevos (N=105)
para ser incubados (VELP científica, modelo
FOC 2251), por 0, 3, 6, 9, 12, 15 y 18 días a una
temperatura de 25°C.
2.2. Medida de frescura: método Haugh
El valor de la unidad Haugh, una expresión
relacionada con la calidad de la proteína del huevo
y la frescura del huevo (Haugh, A new method for
determining the quality of an egg, 1937). Cada
huevo se midió mediante el método estándar
usando la fórmula:
𝐻𝑈 = 100 × 𝑙𝑜𝑔(ℎ − 1.7𝑤 0.37 + 7.6)
Donde H es la altura de la albúmina gruesa en
milímetros. El parámetro H se estimó
promediando mediciones realizadas en diferentes
puntos de albúmina gruesa a una distancia de 10
mm de la yema usando una pinza digital (Caner,
2005), en nuestro caso se utilizó el promedio de 5
Figura 1. Diagrama de flujo para el proceso de
mediciones y se usó un vernier en vez de una
análisis de imágenes hiperespectrales.
pinza digital. W es el peso del huevo en gramos
(Monira, Salahuddin, & Miah, 2003), para eso se
utilizó una balanza de 0.01 g de error.
2.3.2. Adquisición de imágenes
2.3. Sistema de imágenes hiperespectrales
Sistema de adquisición de imágenes
2.3.1. Corrección y calibración hiperespectrales de reflectancia en línea.El
sistema cuenta con: (a) una cámara de imágenes
Se usaron dos imágenes de referencia, para la
hiperespectrales (900-1700 nm, Headwall
corrección del blanco y negro, el cuales se extrajo
Photonics, EE.UU) con cámara StingRay optics
su espectro (Carranza, 2017).Con ambas
(Headwall Photonics, EE.UU); (b) un montaje de
imágenes se calculó una imagen corregida (I) de
iluminación (Headwall Photonics, EE.UU) con
reflectancia relativa, de acuerdo con la siguiente
lámparas en ángulo de 45° (3GD0, Solux, Japón)
ecuación: I = [(I0 - B) / (W - B)] * 100; donde I0
y fuente de alimentación (21DC, Headwall
es la original imagen hiperespectral; B es la
Photonics, EE.UU); (c) una plataforma de
imagen oscura (~ 0% de reflectancia) adquirida
transporte (VT-80 250-DC Corp. PI Micos,
con la luz apagada y la lente de la cámara
Germany), con motor (C 863 Mercury Servo,
completamente cubierta con la tapa y W es la
Corp. PI Micos, Germany); (d) una computadora
imagen blanca obtenida de un superficie blanca de
con sistema operativo Windows 7 professional
espectrón de dimensiones 7.6 x 29.5 cm
Intel Core i7 ( HP, EE.UU) con un software de
(Resonon.Inc, USA.) (~ 99.9% reflectancia)
adquisición y procesamiento de datos (HyperSpec
(Barreto, Cruz-Tirado, Siche, & Quevedo, 2018).
III). La resolución de cada foto fue de 320
sensores x 150 frames. Para la adquisición de las
imágenes, fueron seleccionados 15 huevos de
manera aleatoria y el mismo proceso se repitió
cada 3 días durante 18 días. La velocidad de la
etapa de traslado se optimizó antes de la
adquisición de imágenes para evitar cualquier
distorsión en la forma de la imagen que surge de
la superposición de la información espectral en
los píxeles adyacentes (Mishra, Nordon,
Tschannerl, & Lian, 2018). En este caso la
velocidad de la plataforma horizontal tenía a una
velocidad de 4 mm/s. Cada muestra tuvo una
posición inicial de 90 mm hasta una posición de
alto de 160 mm y fueron tomadas en un fondo
negro.
Figura 2. Diagrama esquemático del sistema
hiperespectral.
2.3.3. Segmentación (obtención del ROI)
Se procesaron las imágenes en el programa
MATLAB 2016a, utilizando el algoritmo
transform y el programa de Matlab, Hypertools
versión 1.1 obteniendo la data. Para la
segmentación de cada imagen se seleccionó de
manera manual además se realizó la selección de
la mayor área específica para la región de interés
(ROI), obteniendo su promedio espectral del
huevo de codorniz Esta imagen segmentada
contiene la región que representa la mayor área
seleccionada del huevo.
2.3.4. Pre-Procesos
Para el pre-procesamiento de los datos espectrales
y el desarrollo de modelos matemáticos se hizo
uso del software Unscrambler X versión 10.4. Los
datos espectrales se importaron en el software, los
cuales fueron transformados por 5 métodos de
pre-procesamiento, los cuales incluyen
Smoothing, Primera derivada (5 puntos de
suavizado para espectros NIR), Segunda
Derivada (Orden Polinomial 2), Varianza Normal
Estándar (SNV), Corrección de dispersión
multiplicativa (MSC). El proceso de pre-
tratamiento espectral es importante porque reduce
los ruidos que pueden afectar las propiedades
físicas como la variación en la forma y el tamaño
de las muestras (Lenordi & Burn, 1999).
2.3.5. Análisis de componente principal
(PCA)
Para el cálculo del PCA, se utilizó el software The
Unscrambler X versión 10.4. Con la data espectral
ya adquirida se buscó clasificar los huevos por su
tiempo de incubación y calidad. Para eso se aplicó
los pretratamientos antes mencionados y se
seleccionó al que mejor establece diferencias
entre las muestras procesadas.
2.3.6. Mínimos cuadrados parciales
(PLS)
La regresión de mínimos cuadrados (PLS) se
empleó para lograr elaborar el modelo
matemático que relaciona la respuesta del
espectro multivariada con la calidad del huevo de
codorniz. Las variables independientes fueron los
espectros de los huevos, estos se usaron en el
método PLSR para generar el conjunto de
variables respuesta, HU (Geladi & Kowalski,
1986). Se aplicaron los pretratamientos
mencionados en el punto 2.6. la data espectral,
con la finalidad de obtener las condiciones
óptimas del modelo de calibración para HU
(Sineenart & Sontisuk, 2017). De cada
pretratamiento espectral, se determinó el
coeficiente de correlación (R2), y la raíz del error
cuadrático medio de predicción (RMSECP).
3. Resultados y discusión
3.1. Calidad de los huevos por el método
Haugh
Tabla 1
Promedios de la Unidad Haugh en los huevos
de codorniz por día de almacenamiento.
MUESTRA HU
Día 0 83 ± 3.30
Día 3 82 ± 2.78
Día 6 78 ± 1.86
Día 9 76 ± 1.30
Día 12 72 ± 1.67
Día 15 68 ± 1.71
Día 18 64 ± 1.32
La calidad en los huevos de codorniz tiene una
relación directa con el tiempo de almacenamiento,
la cual determina su valor o aceptabilidad para los
consumidores.
Los datos de la longitud de onda en las imágenes grado de esta migración es muy pequeña. Estos
hiperespectrales variaron entre 900-1700 nm para cambios son más evidentes en los huevos
huevos frescos (≥60 de HU) y (<60 de HU) para almacenados a temperatura ambiente que en los
huevos no frescos. La frescura de las muestras de de bajo refrigeración (Pandey, Sing, &
los huevos de codorniz se clasifico en alta HU Mahapatra, 1983). La absorbancia del espectro
(70-89) y baja HU (62-69); esta clasificación se original a 1124.36 nm fue mayor en huevos
dio en base a una escala del 0 al 100 de acuerdo a frescos que en huevos no frescos (Fig.3a).
los valores HU. Además, el promedio de las segundas derivadas
del espectro de huevos frescos a 1133.85 nm,
3.2. Perfil espectral presentó un pico opuesto más alto que los huevos
Los espectros de absorbancia de absorbancia no frescos, lo que indica que la cantidad de lípidos
original del ROI en huevos frescos (N=78) y contenida en los huevos de codorniz disminuye.
huevos no frescos (N=27), se promediaron y
graficaron como se representa en la Fig.3a. Se
aplicó el pretratamiento de los espectros
utilizando la segunda derivada de Savitzky-Golay
para visualizar claramente los picos de los
componentes químicos que pueden influenciar
para predicción de análisis Haugh como se
muestra en la Fig. 3b. Los espectros de la segunda
derivada mostraron un pico de agua a 1408.95 nm,
cercano a 1450 nm (Osborne & Hindle, 1993;
Willians & Norris, 1987), el pico de proteína
(grupo funcional N-H) a 1020.01 nm fue
consistente con Ortiz-Somovilla et al. (2007), el
pico de lípido a 1133.85 nm fue próximo a 1200
nm (Willians & Norris, 1987).
durante el tiempo de almacenamiento.
Durante un período inicial, la albúmina pierde
agua no solamente por evaporación a través de la
cáscara, sino que también por difusión hacia
yema. En el almacenamiento, el agua pasa desde
la yema a la albúmina y luego al exterior, hasta
que es completamente disipada hacia la atmósfera
externa (Romanoff & Romanoff, 1949), esto
podría medirse por los cambios en el pico de
absorbancia del agua en las imágenes
hiperespectrales. La absorbancia del espectro
original promedio a 1418.43 nm fue mayor en
huevo fresco que en el huevo no fresco (Fig.3a).
Además, el promedio de las segundas derivadas
del espectro de los huevos frescos a 1408.95 nm,
presentó un pico opuesto ligeramente alto que los
huevos no frescos (Fig.3b), lo que demuestra que
los huevos frescos contenían más cantidad de Fig. 3. Espectros medios de imágenes
agua que los huevos no frescos. hiperespectrales de todas las muestras de
huevos con diferente frescura.
En los huevos de codorniz almacenados, la
proteína tiende a incrementar sobre sus valores (a) Espectros originales.
iniciales. Las derivadas del espectro de los huevos (b) Espectro segunda derivada
frescos a 1020.01 nm, mostró un pico opuesto más
bajo que los huevos no frescos. El incremento en
Con el pasar del tiempo, el saco albuminoso
el contenido de proteína en yema puede ser debido
decrece en altura, primero rápidamente y luego
a una pequeña migración de proteínas desde la
más lentamente, también pierde firmeza tanto que
albúmina a la yema durante el almacenamiento, el
se extiende por encima del área de ancho cuando
el huevo es abierto. La disminución en la fuerza
de la membrana vitelina se correlaciona con la
difusión de agua hacia la yema. El agrandamiento
de la yema estira la membrana y
consecuentemente la debilita, generando la
mezcla de la albúmina y la yema debido a su
ruptura (Romanoff & Romanoff, 1949).
3.3. Análisis de componentes principales
(PCA)
datos en siete grupos según los días de
almacenamiento, de los cuáles el día 0,3, y 6 se
encontraron en un rango positivo, demostrando
que estos huevos presentan mejor calidad; caso
contrario el día 18 se encuentra muy distante de
los primeros días, esto indica que la calidad del
grupo es menor ya que sus características difieren
de las otras muestras debido a su largo periodo de
almacenamiento. Existen antecedentes en los
cuáles se trabajó el PCA calculando el nivel de
frescura del huevo (Islam, y otros, 2016), también
se clasificó por huevos intactos o rotos (Zhao,
Wang, Lu, & Jiang, 2010), por temperatura y día
(Chaudhrya, y otros, 2018). La clasificación se
dio a partir de los distintos tiempos de incubación,
variable que nos generó grandes diferencias
respecto a los trabajos antes mencionados.

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

Fig. 4. Gráficos de puntuaciones de PCA en el
rango de longitud de onda de 900-1700 nm: a)
PC1 frente a PC2 para los días de
almacenamiento (0, 3, 6, 9, 12,15,18) sin
pretratamiento; b) Variación de PC1
aplicando pretratamiento Savitzky-Golay
segunda derivada según el tiempo de
almacenamiento, agrupados por días
respectivamente.
En la figura 4a se trabajó el PCA sin
pretratamiento, abarcando un total del 89% de
validez para el PC1, la gráfica mostró que no hay
diferencias significativas entre las muestras y por
lo tanto no se evidenció clasificación alguna. Para
eso se trabajó con el PCA de cada pretratamiento,
dando como mejor resultado el PCA de la segunda
derivada. (Tabla 2). En la figura 4b se observó que
el PC1 abarcó el 96% de validez, clasificando los
3.4. PLS
En la tabla 3 observamos los valores de
calibración y predicción son muy similares
tanto así que el valor mínimo y máximo de
HU del experimento en el conjunto de
calibración cubre el valor mínimo y máximo
en el conjunto de predicción, lo que indica
que la distribución de HU en el conjunto de
calibración fue adecuada para construir el
modelo de calibración para la predicción.
Esto confirmó que el análisis del rendimiento
del modelo PLSR fue confiable. (Suktanarak
& Teerachaichayut, 2017).
Tabla 3
Características de las muestras de huevos de
codorniz en HU en el grupo de calibración y el
grupo de predicciones en el rango de longitud de
onda de 900-1700 nm.

Ítems Calibración Predicción
Numero de muestras 70 35
Rango 62-89 63-86
Promedio 75.05 74.62
SD 7.12 6.32
SD = Desviación estándar.
La tabla 4 muestra los rendimientos de los
pretratamientos y del original, siendo el modelo
original el que mejor predice con coeficiente de
correlación (R2) igual a 0.8114 y una raíz del error
cuadrático medio de predicción (RMSEP) igual a
2.6913 para calibración de HU, debido a ello, se
utilizó para la predicción. Por lo que se podría
decir que el modelo predice bien tanto para
huevos con un alto y bajo HU. (Nguyen-Do-
Trong, Dusabumuremyi, & Saeys, 2018).
Suktanarak et al. (2017), al trabajar con huevo de
gallina obtiene el mejor R2 cuando se utiliza el
pretratamiento SNV dando un valor de 0.85. El
pretratamiento espectral estándar de variación
normal (SNV) se utilizó para eliminar los efectos
de dispersión de la luz física y aumentar la
información espectral (Kobori, y otros, 2013). Por
otro lado, cuando se utiliza huevos de codorniz no
es necesario ningún pretratamiento. Eso quiere
decir que con los datos obtenidos inicialmente se
obtiene suficiente información para calcular el
HU.
El propósito de la técnica de regresión de mínimos
cuadrados parciales (PLSR) es generar un modelo
lineal para predecir la respuesta de las variables
dependiente Y de un gran conjunto de valores
independientes X. (Liu D. , 2014), por lo que se
analizó a partir del modelo original para obtener
una mejor predicción y calibración (tabla 4). En la
fig. 5 el valor del R2 es de 0.84 siendo un valor
distante al R2 hallado en por (Te, Xinze, Tetsuya,
Haoyu, & Satoru, 2017) donde es igual a 0.89,
pero muy por debajo de Nguyen-do-Trong et al.
(2017) donde su valor es de 0.97. Los valores de
R2 que no exceden 0.90 indica que el modelo
tiene una capacidad de predicción limitada
(Castro, y otros, 2018), lo que indica que hay
factores que el modelo PLS no está considerando
necesarios para la predicción y que hay que
evaluar trabajarlos con menor cantidad de
variables latentes.

Tabla 4
Análisis de los resultados de varios pretratamientos espectrales para la predicción de HU en el grupo de
calibración.

Pretratamientos espectrales N F R2C RMSEC R2V RMSECV R2P RMSEP

Original 70 7 0.8589 2.6412 0.7894 3.2198 0.8114 2.6913
Savitzky-Golay 1ºderivada 70 7 0.8462 2.7569 0.7746 3.4464 0.8057 2.7315
Savitzky-Golay 2ºderivada 70 7 0.8731 2.5048 0.7561 3.5150 0.6949 3.8834
MSC 70 7 0.8875 2.3583 0.8020 3.1404 0.7948 2.8068
SNV 70 7 0.8669 2.5645 0.7918 3.2091 0.7383 3.1702
Savitzky-Golay smoothing 70 7 0.8354 2.8526 0.7576 3.4876 0.7827 2.8885

Tabla 5
Análisis de los resultados del modelo PLSR para la predicción de HU en el conjunto de calibración y el
conjunto de predicción.

Conjunto de calibración Conjunto de predicción

Pretratamientos
espectrales RMSE RMSEC RMSEC RMSE
N F RC2 RV2 N F RP2
C V V P
Original (sin
70 7 0.8873 2.3604 0.8482 2.7015 35 7 2.7015 0.8447 2.2938
preproceso)
Fig. 5. Parcelas dispersas de HU medida y HU predicha en la medición de imágenes
hiperespectrales.
(a) Grupo de calibración
(b) Grupo de predicción

4. CONCLUSIONES 5. REFERENCIAS BIBLIOGRÁFICAS

El análisis de imágenes hiperespectrales
determinó la frescura de los huevos de codorniz
teniendo una precisión similar al método estándar
(método Haugh). Esto puede traer ventajas a nivel
industrial al ser un método rápido, barato y sobre
todo no destructivo lo que genera una gran ventaja
al momento de representar un lote de producción
sin necesidad de generar pérdidas del producto y
tomar el riesgo que algunas muestras simbolicen
incorrectamente al grupo. Entre todos los
modelos, para predecir la medida HU, el que tenía
un alto R2 y un bajo error (RMSEP) fue el modelo
original (sin pretratamiento) siendo los valores
0.8114 y 2.6913 respectivamente. Al ser este
tratamiento el mejor, se calculó el PLSR dando
valores de 0.8447 y 2.2938; dando a entender que
a pesar que predice muy bien, aún sufre de
algunas limitaciones porque su R2 es menor a
0.90. Por otro lado, para el análisis de los
componentes principales (PCA), Savitzky-Golay
(segunda derivada) fue el tratamiento que
establece diferencias significativas entre los datos
a partir del tiempo de almacenamiento. El método
Haugh no es la única forma de calcular la frescura
del huevo, también existen otras maneras no
convencionales que lo podrían reemplazar como
la colorimetría de la yema y sería interesante
observar como el análisis de las imágenes
hiperespectrales cambia con el método a utilizar.
Abdel-Nour, N., Ngadi, M., Prasher, S., & Karimi,
Y. (2011). Prediction of egg freshness
and albumen quality using visible/near
infrared spectroscopy. Food Bioprocess
Technol, 4, 731-736.
Aboonajmi, M., & Abbasian Najafabadi, T.
(2014). T. Prediction of Poultry Egg
Freshness Using Vis-NIR Spectroscopy
with Maximum Likelihood Method.
International Journal of Food Properties,
17(10), 2166-2176.
Akter, Y., Kasim, A., Omar, H., & Sazili, A. Q.
(2014). Effect of storage time and
temperature on the quality
characteristics of chicken eggs. J. Food
Agric.
Akyurek, H., & Okur, A. A. (2009). Effect of
storage time, temperature and hen age
on egg quality in free-range layer hens.
J. Anim. Vet. Adv., 8, 1953-1958.
Barbin, D. F., ElMasry, G., Sun, D., & Allen, P.
(2012). Predicting quality and sensory
attributes of pork using near-infrared
 hyperspectral imaging. Analytica Cruz-Suarez, L. E., Ruiz-Díaz, P., Cota-Cerecer, E.,
Chimica Acta, 719, 30-42. Nieto-Lopez, M. G., Guajardo-Barbosa,
C., Tapia-Salazar, M., . . . Ricque-Marie,
Barreto, A., Cruz-Tirado, J., Siche, R., &
D. (2006). Revisión sobre algunas
Quevedo, R. (2018). Determination of
características físicas y control de
starch content in adulterated fresh
calidad de alimentos comerciales para
cheese using hyperspectral imaging.
camarón en México. Avances en
Food Bioscience, 21, 14-19.
Nutrición Acuícola, 8.
Caner, C. (2005). The effect of edible eggshell
ElMasry, G., Sun, D., & Allen, P. (2013).
coatings on egg quality and consumer
Chemical-free assessment and mapping
perception. Journal of the science of
of major constituents in beef using
food and agriculture, 1897-1902.
hyperspectral imaging. Journal of Food
Carranza, J. (2017). Predicción del color y Engineering, 117(2), 235-246.
humedad en granos de café variedad
Gangying, Z., Yangyang, G., Wei, L., Jie, H.,
arábica usando imágenes
Minmin, W., & Guohua, H. (2015). Large
hiperespectrales.
yellow croaker (pseudosciaena crocea)
Castro, W., Prieto, J. M., Guerra, R., Chuquizuta, storage time detecting method by
T., Medina, W. T., Acevedo-Juarez, B., & visible-nir spectroscopy combined with
Avila-George, H. (2018). Feasibility of aperiodic stochastic resonance.
using spectral profiles for modeling J.Chin.Inst.Food Sci. Technol, 1050.
water activity in five varieties of white
Geladi, P., & Kowalski, B. R. (1986). Partial least-
quinoa grains. Journal of food
squares regression: a tutorial. Analytica
engineering.
Chimica Acta, 185, 1-17.
Cattaneo, P., Balzaretti, C., Quaglia, F., & Gian
Giovenzana, V., Beghi, R., Buratti, S., Civelli, R.,
Camilo, M. (1997). Valutazione della
& Guidetti, R. (2014). Monitoring of
freschezza delle uova in guscio con
freshcut Valerianella locusta Laterr.
metodi chimici e fisici. Ingegneria
shelf life by electronic nose and VIS–NIR
Alimentare, Le Conserve Animali, 13(4),
spectroscopy. Talanta, 1120, 368-375.
9-20.
Giunchi, A., Berardinelli, A., Ragni, L., Fabbri, A.,
Chaudhrya, M. M., Amodio, M. L., Babellahi, F.,
& Silaghi, F. (2008). Non-destructive
De Chiara, M. L., Amigo Rubio, J. M., &
freshness assessment of shell eggs using
Colelli, G. (2018). Hyperspectral imaging
FT-NIR spectroscopy. Journal of Food
and multivariate accelerated shelf life
Engineering, 89(2), 142-148.
testing (MASLT) approach for
determining shelf life of rocket leaves. Haugh, R. (1937). A new method for
Journal of Food Engineering, 122-133. determining the quality of an egg. US
egg poultry, 27-49.
Chen, Q., Cai, J., Wan, X., & Zhao, J. (2011).
Application of linear/non-linear Haugh, R. (1937). The Haugh unit for measuring
classification algorithms in egg quality. United States Egg Poultry
discrimination of pork storage time Magazine, 43, 552-555.
using Fourier transform near infrared
Instituto de estudios del huevo. (2003). El gran
(FT-NIR) spectroscopy. LWT Food Sci.
libro del huevo. Madrid, España:
Technol, 44, 2053-2058.
Everest, S.A.
Islam, H., Kondo, N., Ogawa, Y., Fujiura, T., measurement using single-wavelength
Suzuki, T., & Shinichi, F. (2016). photo time-of-flight correction. Appl.
Detection of infertile eggs using visible Spectrosc., 53, 637-646.
transmission spectroscopy. Engineering
Li, J., Rao, X., & Ying, Y. (2011). Detection of
in Agriculture, Environment and Food, 1-
common defects on oranges using
6.
hyperspectral reflectance imaging.
Karoui, R., Kemps, B., Bamelis, F., De Ketelaere, Computers and Electronics in
B., Decuypere, E., & De Baerdemaeker, Agriculture, 78(1), 38-48.
J. (2006). Methods to evaluate egg
Lin, H., Zhao, J., Chen, Q., & Zhou, F. (2011).
freshness in research and industry: a
Freshness measurement of eggs using
review. Eur. Food Res. Technol., 222,
near infrared(NIR) spectroscopy and
727-732.
multivariate data analysis. Innov. Food
Kimiya, T., Sivertsen, A., & Heia, K. (2013). Sci. Emerg., 12(2), 182-186.
VIS/NIR spectroscopy for non-
Lin, H., Zhao, J., Sun, L., Kun Bi, X., & Cai, J.
destructive freshness assessment of
(2015). Effective variables selection in
Atlantic salmon (Salmo salar L.) fillets.
eggs freshness graphically oriented local
Journal of Food Engineering, 116, 758-
multivariate analysis using NIR
764.
spectroscopy. International Conference
Klaypradit, W., Kerdpiboon, S., & Singh, R. on Chemical, Material and Food
(2011). Application of artificial neural Engineering, 13-18.
networks to predict the oxidation of
Liu, D. (2014). Recent advances in wavelength
menhaden fish oil obtained from fourier
selection techniques for hyperspectral
transform infrared spectroscopy
image processing in the food industry.
method. Food and Bioprocess
Food Bioprocess Technol, 307-323.
Technology, 4(3), 475-480.
Liu, D., Qu, J., Pu, H., & Zeng, X. (2013). Non-
Kobori, H., Gorretta, N., Rabatel, G., Bellon-
destructive prediction of salt contents
Maurel, V., Chaix, G., Roger, J., &
and water activity of porcine meat slices
Tsuchikawa, S. (2013). Applicability of
by hyperspectral imaging in a salting
Vis-NIR hyperspectral imaging for
process. Innovation food emergency
monitoring wood moisture content
tehnology, 316-323.
(MC). Journal of food engieneering, 307-
314. Liu, F., & Tang, X. (2015). Fuji apple storage time
rapid determination method using
Kumaravelu, C., & Gopal, A. (2015). A Review on
Vis/NIR spectroscopy. Bioengineered, 6,
the Applications of Near-Infrared
166-169.
Spectrometer and Chemometrics for the
Agro-food Processing Industries. 08-12. Liu, P., & Tu, K. (2012). Prediction of TVB-N
content in eggs bases on electronic
Lawrence, K. C., Yoon, S. C., Heitschmidt, G. W.,
nose. Food Control, 23(1), 177-183.
Jones, D. R., & Park, B. (2008). Imaging
system with modified-pressure chamber Lorentzen, G., Rotabakk, B., Olsen, S., Skuland,
for crack detection in shell eggs. Sensing A., & Siikavuopio, S. (2016). Shelf life of
and Instrumentation for Food Quality snow crab clusters (Chionoecetes opilio)
and Safety, 2(2), 116-122. stored at 0 and 4 C. Food Control, 59,
454-460.
Lenordi, L., & Burn, D. (1999). Quantitative
multiwavelength constituent
Lu, R., & Ariana, D. P. (2013). Detection of fruit
fly infestation in pickling cucumbers
using a hyperspectral
reflectance/transmission imaging
system. Postharvest Biology and
Technology, 81(1), 44-50.
Mathew, A. O., Olufemi, A. M., & Foluke, A.
(2016). Relationship of temperature and
length of storage on ph of internal
contents of chicken table egg in humid
tropics. Biotechnol. Anim.
Mishra, P., Nordon, A., Tschannerl, J., & Lian, G.
R. (2018). Near-infrared hyperspectral
imaging for non-destructive
classification of commercial tea
products. Journal od food engineering.
Monira, K. N., Salahuddin, M., & Miah, G.
(2003). Effect of breed and holding
period on egg quality characteristics of
chicken. International journal of poultry
science 2, 261-263.
Moura, G., Barreto, S., & Lanna, E. (2010). Efeito
da redução da densidade energética de
dietas sobre as características do ovo de
codorna japonesa. Revista Brasileira de
Zootecnia, 39(6), 1266-1271.
Nguyen-Do-Trong, N., Dusabumuremyi, J. C., &
Saeys, W. (2018). Cross-polarized VNIR
hyperspectral reflectance imaging for
non-destructive quality evaluation of
dried banana slices, drying process
monitoring and control. Journal of food
engineering.
Organización de las Naciones Unidas para la
Alimentación y Agricultura. (2000).
Inocuidad y calidad de los alimentos en
relación con la agricultura. 22°
Conferencia Regional de la FAO para
Europa. Oporto, Portugal.
Ortiz-Somovilla, V., España-España, F., Gaitán-
Jurado, A. J., Pérez-Aparicio, J., & De
Pedro-Sanz, E. J. (2007). Proximate
analysis of homogenized and minced
mass of pork sausages by NIRS. Food
Chemistry, 101, 1031-1040.
Osborne, B. G., & Hindle, P. H. (1993). Practical
NIR spectroscopy with applications.
Food and Beverage Analysis, 11-35.
Pandey, N. K., Sing, R. P., & Mahapatra, C. M.
(1983). Chemical changes occurring in
quail (Coturnix coturnix japónica) egg
components during storage. Indian J.
Anim. Sci., 53, 225-229.
Rady, A., Guyer, D., Kirk, W., & Donis-González,
I. (2014). The potential use of
visible/near infrared spectroscopy and
hyperspectral imaging to predict
processing-related constituents of
potatoes. Journal of Food Engineering,
135, 11-25.
Romanoff, A., & Romanoff, A. (1949). The avian
egg. New York, USA: Jhon Wiley and
Sons.
Sineenart, S., & Sontisuk, T. (2017). Non-
destructive quality assessment of hens'
eggs using hyperspectral images.
Journal of Food Engineering, 97-103 .
Stadelman, W., & Cotterill, O. (1995). Egg
Science and Technology (Cuarta ed.).
New York: Food Product Press.
Stark, E. (1996). Near infrared spectroscopy past
and future. Near Infrared Spectrosc.
Future Waves, 701-713.
Suktanarak, S., & Teerachaichayut, S. (2017).
Non-destructive quality assessment of
hens’ eggs using hyperspectral images.
Journal of Food Engineering, 215, 97-
103.
Te, M., Xinze, L., Tetsuya, I., Haoyu, Y., & Satoru,
T. (2017). Noncontact evaluation of
soluble solids content in aplles by near-
infrared hyperspectral imaging. Journal
os food engneeting, 56-61.
Willians, P. C., & Norris, K. H. (1987). Near-
infrared technology in the agricultural
 and food industries. American
Association of Cereal Chemists.

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.

Zhao, Y., Wang, J., Lu, Q., & Jiang, R. (2010).

Pattern recognition of eggshell crack
using PCA and LDA . Innovative Food
Science and Emerging Technologies,
520-525.