imagenes hiperespectrales trabajo.docx
-
Upload
renzo-herrera-sanchez -
Category
Documents
-
view
50 -
download
3
Transcript of imagenes hiperespectrales trabajo.docx
Región de 1000 a 1600 nm. Precisiones de clasificación 93, el 87 y el 99 % fueron
obtenidos para la identificación de los granos de trigo infectado por A. niger, A.
glaucus y Penicillium spp., respectivamente. Resultado similar (clasificación de
precisión 95 %) se obtuvo por Delwiche et al. [21] quien detecta daños de Fusarium en
el trigo en longitud de onda de entre 400 y 1700 nm.
En otros cereales, Williams et al. [119] evaluó los granos de maíz infectadas con
Fusarium verticillioides, aplicando imaginería hiperespectral NIR (1000-2498 nm), con
una coeficiente de determinación R2 = 0.98. Además, pone de relieve dos prominentes
picos en 1900 y 2136 nm, relacionada con los cambios en las composiciones de
almidón y proteínas en presencia de Fusarium.
Un trabajo similar fue realizado por Siripatrawan y Makino [107], quien desarrolló un
método para supervisar la descomposición hongos en arroz almacenado inoculado con
Aspergillus oryzae mediante imágenes hiperespectrales 400 a 1000 nm. HSI fue capaz
de identificar rápidamente el arroz infectado, aunque las muestras no mostró síntomas
de infección por hongos, con un coeficiente de determinación, R2 = 0.97.
Carnes
En los mercados de hoy en día, la demanda de productos de calidad y seguridad de los
consumidores está aumentando. Esto está haciendo la industria alimentaria para la
implementación de las tecnologías que permiten la evaluación y el control de calidad
más rápidamente; el control se realiza manualmente en la mayoría de los productos
cárnicos, que es intensiva en mano de obra, costoso, lento y sujeto a error humano.
La tabla 4, muestra algunas investigaciones en la evaluación de la calidad de la carne,
incluido el análisis de la ternura, la contaminación microbiana, composición química.
Una propiedad con la que un consumidor califica la carne es termura, una propiedad
manifestada por una baja resistencia a la ruptura de la masticación. Lo contrario es la
dureza, que es una propiedad textural manifestada por la resistencia, rompiendo altos y
persistentes en la masticación [45].
En carnes cocidas, textura comprende dos componentes principales: la termura y
jugosidad. Con menos jugo, la carne se considera menos tierna [22]; por lo tanto, se ha
convertido en un desafío para la industria cárnica para medir este importante parámetro
de calidad con eficacia, precisión y noninvasively [73].
Técnicas como la espectroscopia han mostrado una capacidad razonable para predecir
la ternura de la carne [3]. Asimismo, visión por computador como base para predecir
las características de textura, de mármol y color [43]. Por su parte, el HSI ha
demostrado ser un técnico- nique de amplia aplicabilidad a este respecto, dado que
simul- taneously recopila información bioquímica y la estructura muscular que tiene un
alto grado de relación con la suavidad de la carne. La estructura muscular y las
propiedades bioquímicas incluyen el pH muscular (que influye en la actividad de
enzimas proteolíticas), la longitud del sarcómero (una indicación del grado de
contracción muscular en rigor), el grado de proteólisis, la cantidad y la insolubilidad de
tejido conectivo (colágeno) y composición [29].
En varios estudios, el HSI ha sido aplicado para predecir La ternura de la carne, basado
en la predicción indirecta de ternura extrayendo datos espectrales en algunas regiones
de los filetes y luego interactuar con los valores reales de diez- derness determinado
por instrumentos especializados [28].
En este sentido, Naganathan et al. [71, 72] utilizado en el HSI gamas espectrales de
400-1000 y 900-1700 nm para predecir los diez- derness de la carne cocida después de
14 días de envejecimiento. El HSI obtenidos con ternura valores obtenidos por fuerza
cortante, predecir las diferentes categorías de las muestras de carne en función de la
ternura en suave, medio y duro, con una precisión del 96,4 % [71]. Además, las
longitudes de onda (1074,1091, 1142, 1176, 1219, 1365, 1395, 1408 y 1462 nm) para
la absorción de las grasas, proteínas y agua fueron identificados, aunque en este caso,
la precisión de la predicción global de ternura fue de sólo el 77 % [72].
Otros estudios llevados a cabo para predecir la ternura de la carne de vacuno fueron
desarrollados por [73], en longitud de onda de entre 450 y 900 nm. La precisión
obtenida fue de 93 %. Los coeficientes de correlación de 0,67, 0,94 y 093,
respectivamente, fueron obtenidos por Cluff et al. [17], y Wu Peng [87] y Tao et al.
[112], trabajan en bandas espectrales similares, como se muestra en la Tabla 4.
Se realizaron varios estudios para demostrar la capacidad de imaginería hiperespectral
para la identificación y autenticación de diferentes especies de carne roja. En este
sentido, Kamruzzaman et al. [48] logró la clasificación de la carne de res, cerdo y
cordero por imágenes adquiridas en 900 a 1700 nm del músculo longissimus dorsi de
estas especies Clasificación precisiones de 99, 93 y 97 % fueron obtenidos. Asimismo,
el mismo equipo de trabajo [49] desarrolló un método no destructivo para detectar la
adulteración de la carne de cordero picada, obteniendo un coeficiente de determinación
de 0,98.
Otro parámetro evaluado utilizando HSI es la presencia de tumores en las aves de
corral [52, 56], que son difíciles de detectar con el ojo desnudo o por cualquier técnica
óptica tradicional. En este sentido, Kim et al. [52] desarrolló un sistema de
fluorescence HSI a longitudes de onda entre 425 y 711 nm para detectar tumores en la
piel de carcasas de pollo con una tasa de éxito del 76 %, pero no fueron capaces de
detectar algunos tumores con un diámetro inferior a 3 mm.
En otros estudios, en mismas longitudes de onda, las mejores tasas de detección de los
tumores fueron obtenidos por Kong et al. [56] y Kim et al. [53], con valores de 82 y 98
%, respectivamente. Asimismo, la presencia de huesos en filetes de pollo fue evaluada
por Yoon et al. [132], quien obtuvo un 100 % de exactitud, aplicando HSI en 400 a
1000 nm.
Debido a su riqueza en nutrientes, carnes son susceptibles a la contaminación
microbiana, lo que puede afectar a la preservación y constituyen un peligro para el
consumidor. Actualmente, no existe ninguna tecnología para detectar bacterias de
forma rápida y precisa.
Tabla 4 Aplicaciones de HSI en la evaluación de la calidad y la inocuidad de la carne y productos
cárnicosProducto Aplicación K (nm). Precisión Referencias
La carne
Predicción de ternura 496-1036 R = 0,67 [17].Predicción de ternura 400-1000 96,4 % [71].
Predicción de ternura 900-1700 77% [72].
Predicción de ternura 450-900 92,9 % [73].
Predicción de ternura 400-1100 R = 0,94 [87].
La identificación y autenticación 900-1700 99% [48]
Determinación de pigmentos recuento de bacterias viables totales recuento de
bacterias viables totales
328-1115 R2 = 0,95 [129]
400-1100 R2 = 0,96 [89]
400-1000 R2 = 0,95 [88]
Carne de cerdo
La calidad de la carne 400-1000 85% [90].
La calidad de la carne 430-980. 87,5 % [91].
La identificación y autenticación 900-1700 93% [48].
Reconocimiento de la frescura 900-1700 98% [8].
Pérdida por goteo 430-980. R = 0,77 [92].
El pH de la carne 430-980. R = 0,55 [92].
Color de la carne. 430-980. R = 0,86 [92].
El pH de la carne salada 400-1000 R2 = 0.79 [60]
El contenido de humedad en la carne de cerdo salado recuento de viables totales
psicrotrïlicas recuento en placa
400-1000 R2 = 0,92 [61]
900-1700 R2 = 0,82 [7]
900-1700 R2 = 0.85 [7]
Predicción de ternura 400-1100 R = 0,93 [112]
Contaminación de E. coli 400-1100 R = 0,88 [112]
Carne de pollo
Detección de hueso en filetes 400-1000 100% [132]
La detección de tumores de piel 425-711. 76% [52].
La detección de tumores de piel 425-711. 82% [56].
La detección de tumores de piel 425-711. 98% [53].
Detección de contaminación fecal 400-1000 99% [40].
Detección de contaminación fecal 430-900 96% [84].
Detección de contaminación fecal 400-900 97% [83].
Clasificación de contaminantes fecales y ingesta 400-900 90% [85].
Detección de enfermedades 400-900 93,5 % [130]
La diferencia entre la libre-gama y pollos parrilleros 328-1115 93% [127]
Cordero
Clasificación de los músculos 900-1700 100% [47].
La identificación y autenticación detección de adulteración frescura de bacalao
900-1700 97% [48]
900-1700 R2 = 0.98 [49]
892-2495 R2 = 0,59 [10]
carne de pescado
y
productos
marinos
Contenido de agua 760-1040 R = 0,94 [27].
Contenido de grasa 760-1040 R = 0.91 [27]
La oxidación de los lípidos 400-1000 R2 = 0,83 [25}
Total de microorganismos viables en la carpa 400-1000 R2 = 0.90 [14]
Total de microorganismos viables en carne de salmón 400-1700 R2 = 0,99 [123]
Frescura en congelados/descongelados langostinos 400-1000 95 %/98 % [19].
La contaminación; los métodos disponibles son lentos y destructivo. En este sentido, se
han realizado varios estudios para evaluar el menoscabo, como el desarrollado en la
carne porcina por Wang Et al. [117], quien exploró el potencial de HSI obtenidos por
reflectancia para predecir la presencia de microorganismos viables totales conseguir un
alto nivel de predicción (R2 = 0,94).
Resultados similares se obtuvieron en filetes de carne, con coeficientes de
determinación R2 de 0.95y 0.96 [88] [89], ambos trabajando en el 400-1000 nm,
mientras que en la carne porcina, menores valores de R2 se obtuvieron por Barbin et al.
[7] Para el recuento de viables totales (TVC) y psicrotr�icas recuento en placa (PPC),
con valores de 0,82 y 0,85, respectivamente, en la región espectral entre 900 y 1700 nm.
Por su parte, Tao et al. [112] obtuvo un coeficiente de correlación r de 0,88 en un
método no destructivo para la determinación de Escherichia coli la contaminación de
carne porcina, trabajando con el HSI de cerdo en muestras recogidas en el rango de 400
- 1100 nm.
En carne de pescado, coeficientes de determinación R2 de 0,90 para Hierba fresca carp
[14] y 0,99 para el salmón carne [123] se obtuvieron, como se muestra en la Tabla 4.
Otra forma de contaminación de la carne es a través de la materia fecal, principalmente
en los canales de aves de corral. En este caso, detección de contaminantes depende
fundamentalmente de la diferencia espectral entre la piel normal y piel contaminados
[83]. En este sentido, Heitschmidt et al. [40] y Park et al. [83-85] han desarrollado
métodos para detectar contaminación fecal en la carne de pollo con HSI a longitudes de
onda entre 400 y 400 1000 nm, en el que la clasificación exactitudes obtenidos fueron
superiores al 90 % en todos los casos, como se muestra en la Tabla 4.
Por otro lado, la calidad de carnes implica otros parámetros como la frescura, color,
pérdidas por goteo, contenido de agua y grasa, o pH. Con respecto a la pérdida por
goteo, el pH y el color de la carne, Qiao et al. [92] Se investigó el potencial de
imaginería hiperespectral (430-980 nm) para medir estos parámetros importantes en la
carne porcina, obtención de coeficientes de correlación de 0,77, 0,55 y 0,86,
respectivamente, mientras que en otros trabajos, Liu et al. [60] obtenidos en la misma
banda espectral un coeficiente de determinación R2 = 0,79 para el pH de la carne salada
de cerdo.
Con respecto a la frescura, diversos estudios fueron llevados a cabo en diferentes clases
de carne. Por ejemplo, Barbin et al. [8] logró una clasificación correcta del 98 % para la
discriminación entre fresco y congelado-descongelado de puerco en la reflectancia en el
rango de longitud de onda de NIR 900 a 1700 nm.
Además, la frescura es reconocida como un elemento principal de la calidad del
pescado. Las funciones de tecla directa de Tiempo y temperatura de almacenamiento
tienen una influencia significativa en el pescado fresco.
Chau et al. [10] evaluó la frescura de bacalao, basándose en los cambios de color de los
ojos, los filetes y filamentos branquiales, como una función de días sobre el hielo, por
HSI en longitud de onda Intenso color rojo a un color amarillo pálido con el tiempo. En
un estudio reciente, Dai et al. [19] Se investigó el potencial de lo visible y NIR de
imágenes hiperespectrales (400 - 1000 nm) como un método rápido y no invasivo para
diferenciar la frescura de las gambas. Los resultados demostraron una clasificación
satisfactoria tasa de 98 % y 95 % para la predicción de muestras en descongelarse y
congelados de grupos, respectivamente.
Otra aplicación en la carne de la HSI es caracterización y distribución de los diferentes
atributos químicos. Para un análisis detallado de los alimentos, los gradientes de
concentración de ciertos componentes químicos son más fáciles de medir que las
concentraciones promedio debido a la heterogeneidad de la muestra, como en el caso de
la carne y los productos cárnicos. En este sentido, el HSI constituye un gran potencial
para determinar la composición química en productos cárnicos como se ha demostrado
en estudios anteriores [27, 82].
Se sabe que las concentraciones de grasa y agua varían en diferentes partes del filete, de
modo que un sistema que proporciona la composición química exacta y la distribución
espacial que permite el seguimiento en línea en tiempo real, es una necesidad. Esto
garantizaría una adecuada clasificación y control de los procesos de manufacturas-
turing, tales como el control de la grasa y el contenido de sal en el salado y salmón
ahumado, como demostrado por estudios anteriores, en los que se obtuvieron buenos
niveles de predicción, con un coeficiente de correlación R = 0,97 y un error de
predicción de 1,95 %, el contenido de grasa [100] y r = 0,86 y un error de predicción del
0,56 %, por NaCl [101], uso de infrarrojo cercano (NIR) interactance imaging. Por su
parte, Liu et al. [61] utilizado HSI (400 - 1000 nm) para predecir el contenido de
humedad de la carne porcina durante el proceso de salazón, obteniendo un R2 = 0.92.
Filetes de pescado, el agua y la grasa contenido también han sido Mide [27], utilizando
un método no destructivo de las imágenes espectrales (760-1040 nm). Los coeficientes
de correlación obtenidos para el contenido de agua y grasa fue 0,94 y 0.91,
respectivamente.
Asimismo, es posible determinar el contenido de grasa intramuscular en la carne de
cerdo con el HSI en una gama espectral de 1193-1217 nm [41, 42]. El contenido de
grasa intramuscular afecta la calidad de la carne de cerdo, afectando el sabor y juici-
ness, e incluso para la salud, determinantes de la satisfacción del consumidor. Por lo
tanto, distintos niveles de contenido de grasa puede resultar en diferentes niveles de
aceptación.
Después del sacrificio, el pH es uno de los parámetros más importantes para evaluar la
carne [60], que tiene una influencia sobre la textura, la capacidad de retención de agua,
la resistencia a la proliferación microbiana y de color [34, 37]. Por lo tanto,
estableciendo un nivel de pH de alrededor de 5.5 es muy importante inhiben ciertas
enzimas críticas (como phosphofructokinase) y cesar meta- bolic reacciones (como la
glucólisis) [103]. La gly anaerobio- colysis autopsia es la vía metabólica que se produce
en el músculo de los animales sacrificados, que conducen a la formación de ácido
láctico y una disminución del pH.
La relación entre la composición química y textura y otros atributos sensoriales de la
carne no se limita a la presencia de grasa o de pH, pero incluye también la aparición de
otros compuestos, como el colágeno. Hidroxiprolina, aminoácidos constituyentes del
colágeno, también fue analizada utilizando HSI a longitudes de onda entre 400 y 1000
nm [128].
HSI ha sido utilizado para la detección de parásitos en filetes de pescado, que son
considerados como un problema de calidad en la industria pesquera. La forma
tradicional de detectarlas es mediante el examen manual. El HSI ha demostrado ser una
técnica eficaz para la detección automática de los parásitos y las manchas de sangre
sobre los filetes de pescado, por la diferencia entre los patrones espectrales de estos
defectos y una carne sana [28].
Con HSI, también es posible determinar la distribución espacial de estos parásitos en la
carne de pescado, lo cual facilita el pro- ceso de eliminar estas secciones defectuosas
[39].
Uno de los estudios pioneros en este sentido fue desarrollado por Wold et al. [121], para
evaluar los lomos de bacalao con las imágenes multiespectrales a longitudes de onda
entre 400 y 400 1000 nm, detectar parásitos dentro de los filetes de hasta 6 mm.
Profundo. Mayor profundidad de detección, 8 mm, posteriormente se consigue mediante
la aplicación de imágenes hiperespectrales en longitudes de onda de 350-950 Nm [39].
Esto demuestra la gran ventaja de la HSI en comparación con las imágenes
multiespectrales, ya que puede detectar parásitos en mayor profundidad y, obviamente,
más profundo que el que se consigue normalmente mediante una inspección visual, se
utiliza ampliamente en la industria.
Las carnes almacenadas pueden ser peligrosas para el consumidor. Con HSI, es posible
evaluar el deterioro de la carne en diferentes condiciones de almacenamiento. En este
sentido, Cheng et al. [15] evaluó oxidación lipídica en filetes carp (Ctenopharyngodon
idella) usando HSI para determinar el valor del ácido tiobarbitúrico (TBA) en las
longitudes de onda de 400 a 1000 nm con un R2 = 0,83. Aumento de TBA es causada
por la formación de productos secundarios resultantes de la oxidación de lípidos, tales
como n-Los alcanos, especialmente el malondialdehído [113], considerado como
sustancia cancerígena.
Productos lácteos y huevos
Las tecnologías tradicionales como la espectroscopia se utilizaron para caracterizar los
parámetros de calidad y composición de los productos lácteos [28]. A diferencia de
otros grupos de alimentos, estudios realizados con aplicación de HSI en productos
lácteos son raros; sin embargo, la Tabla 5 muestra algunos ejemplos.
En los productos lácteos, es posible medir la composición química sobre la base de la
información espectral de cada componente que puede, por ejemplo, clasificar los quesos
basadas en su contenido de materia grasa (grasa) medio y completo [36], utilizando un
sistema Hsi rango espectral de 400 a 1000 nm, por comparación con las imágenes RGB
del queso muestras estudiadas (obtenido mediante el uso de una cámara digital). Los
resultados indicaron que las imágenes adquiridas de la lleno-grasa productos reflejan
más luz en el visible (500-950 Nm) Rango de longitud de onda.
Estas características espectrales puede utilizarse para clasificar cada pixel de la HSI en
uno de dos o más grupos. Qin y Lu [93] HSI usó un sistema para medir la absorción y
dispersión propiedades turbia de alimentos durante los materiales visibles y región NIR
de 530-900 Nm. Los valores del coeficiente de absorción y dispersión reducida a 600
nm fueron altamente cor- relacionados con el contenido de grasa de las muestras de
leche, con corrèze- bianos coeficientes de 0.995 y 0,998, respectivamente.
En otro trabajo, Burger y Geladi [9] predijo la composición de los quesos comerciales,
mediante un sistema de HSI a longitudes de onda entre 960 y 1662 nm, sobre la base de
la información espectral específico de cada componente. Raíz cuadrada media error de
predicción (RMSEP) fue utilizada como un indicador general para predecir el queso
mandantes, obteniendo valores RMSEP de 1.8, 0.7 y 1.3, respectivamente, para
proteínas, grasas e hidratos de carbono contenido.
Tabla 5.
Producto Aplicación λ(nm) Precisión Referencias
La carnePredicción de proteínas 960-1662 RMSEP=1-8 [9].Predicción de grasa 960-1662 RMSEP=0.7 [9].Predicción de carbohidratos 960-1662 RMSEP=1.3 [9].
LECHEcontenido de grasa 530-900 R= 0.995 [93].detección de melaminas en leche en polvo 990-1700 < 200 ppm [32]
Carne de pollo
contenido de omega 3, ácidos grasos : alfa-linolenico 990-1700 R= 0.94 [1]
EPA 990-1700 R=0.73 [1]DHA 990-1700 R=0.87 [1]Frescura 380-1010 R^2=0.87 [134].BURBUJAS INTERNAS 380-1010 90% [134].yemas dispersadas 380-1010 96% [134].
R: coeficiente de correlación, R^2: coeficiente de determinación, RMSEP: error
cuadrático medio de la predicción, EPA: ácido eicosapentanoico, DHA: ácido
decasohexanoico
HSI también se utilizó para evaluar la presencia de agentes externos que pueden
presentar un peligro para la conservación del producto y el consumidor, por ejemplo,
residuos plásticos productos restantes después del proceso de producción. En este
sentido, Gowen et al. [36] detectado restos de plástico (3 mm de plástico) basada en el
patrón espectral de las muestras de queso en un rango de 950 - 1650 nm. El
contaminante plástico mostraron una fuerte absorción en la banda alrededor de 1170
nm.
Asimismo, la detección de la adulteración de la leche fue estudiada por Fu et al. [32],
quien logró la detección de melamina la adulteración de la leche en polvo en
concentraciones muy bajas (\200 ppm) utilizando NIR imaginería hiperespectral en
longitud de onda en el rango de 990 a 1700 nm, y la más significativa diferencia
espectral entre la melamina y la leche se observó en alrededor 1473.8 nm, debido a las
estructuras de aminas aromáticas. La melamina se descubrió recientemente que
deliberadamente se ha añadido a la leche de fórmula y los piensos para aumentar la
aparente contenido de proteínas de los productos, causando enfermedades y muertes de
un número significativo de niños [97].
En cuanto a los huevos, importantes parámetros relacionados con la calidad interna
fueron evaluados por Zhang et al. [134], quien desarrolló una prueba no destructiva
basada en la imaginería hiperespectral (380-1010 nm), para determinar la calidad
interna de los huevos, incluida la frescura, formación de burbujas o dispersos por la
yema de huevo. De frescura, lograron un coeficiente de determinación R2 = 0,87,
mientras que los huevos con la yema y dispersa burbujas interno podría ser discriminada
con precisión de identificación de 90 y 96 %, respectivamente.
Otro aspecto importante en la moderna industria alimentaria es el diseño de los
alimentos, cuyo consumo no sólo proporciona los nutrientes que necesita el cuerpo, sino
que también proporciona otros beneficios que ayudan a mantener una salud óptima,
como alimentos funcionales.
En este sentido, el HSI también puede aplicarse para caracterizar estos tipos de
alimentos, como para evaluar el contenido de ciertas moléculas que dan carácter a los
alimentos funcionales. En este sentido, el contenido de omega-3 huevos fue evaluado en
longitudes de onda de entre 900 y 1700 nm [1], que alcanzó los coeficientes de
correlación de 0,94, 0,73 y 0,87, respectivamente, para una linolenico, ácidos
eicosapentaenoico y el docosahexaenoico.
Este estudio permitirá clasificar los productos por su alto contenido de omega-3 para ser
comercializados como alimentos funcionales, a un precio de venta más alto, lograr
mayores beneficios económicos. Esto podría aplicarse también a otros alimentos con
importantes niveles de omega-3, como el aceite de oliva, linaza, algunas nueces, o
también se aplica a otras moléculas que dan ciertos alimentos un carácter funcional,
como antocianinas, fibra dietética, vitaminas, fitosteroles.
Los retos actuales y futuros
HSI aplicaciones en alimentos están mostrando una tendencia positiva, especialmente
desde 2011 (Fig. 1), y concentrándose más y más en los nuevos tipos de alimentos. En
términos de grupos de alimentos, el de preferencia siempre ha sido sobre la fruta, la
carne y las verduras. Es importante notar que desde 2010, los productos lácteos han
comenzado a aparecer con una gran proporción de la investigación publicada (Fig. 1),
quizás porque ahora es importante estudiar la aplicación de HSI en productos que en su
mayoría son consumidos por la sociedad.
Esto podría estar sucediendo en respuesta a una demanda de tecnología de las siguientes
características:
sea fidedigna y exacta
adaptable a diferentes procesos
la recuperación rápida de la información
más barato
Como una nueva tecnología, el HSI aún enfrenta desafíos para su plena explotación,
tales como dificultad en la manipulación de grandes cantidades de datos de baja
velocidad y alto costo de cálculo, aspectos que deben ser abordadas en futuras
investigaciones a fin de optimizar su aplicación en la industria alimentaria.
Los estudios actuales están encaminadas a la identificación de las longitudes de onda
óptimas para cada alimento o componentes, de manera que puedan diseñar sistemas
para obtener información en tiempo real necesaria para facilitar una mejor toma de
decisiones con respecto a las características del producto a desarrollar, que deberá
cumplir con los requisitos de calidad y seguridad establecidos. Asimismo, dada la gran
cantidad de datos procedentes de una amplia gama de bandas espectrales en los que
trabaja el HSI, seguir desarrollando nuevos modelos que permiten una rápida
discriminación sólo datos y obtener información de interés. En el futuro inmediato, se
espera que estos problemas se pueden superar, así como relacionadas con el alto costo
de la aplicación de la HSI en los diferentes procesos en la industria alimentaria, de
modo que es posible acceder a esta tecnología y maximizar sus beneficios.
Así, se prevé que el uso de esta tecnología para evaluar la calidad y la inocuidad de los
alimentos es necesario para la industria. Todo esto podría resultar en mejoras de los
productos en tiempo real, sin tener que detener los procesos que requieren altos costos
para la industria.
Conclusiones
En la moderna industria alimentaria, el requisito para un control adecuado de los
atributos como el tamaño, la forma, el color y la textura de los alimentos es mayor. Este
requisito se cumple por auto- acoplarse o mediante técnicas de inspección visual, que a
menudo puede conducir a un error humano. Además, la evaluación de los parámetros
relacionados con la composición de alimentos como el contenido de humedad, grasa,
proteína a menudo requiere análisis destructivo que exige el uso de los recursos
humanos y tecnológicos que hacen inviable en la práctica.
Estos parámetros pueden medirse simultáneamente por la HSI, que permite obtener
datos sobre un mayor número de bandas espectrales, haciendo de ellos una mejor fuente
de información para evaluar los atributos externos y la predicción de la composición y
distribución espacial de los distintos pro- stituents dentro de la comida, además de
proporcionar velocidad, fiabilidad, precisión, reduce los errores humanos en el análisis y
no destructiva.
HSI ofrece la ventaja de evaluar muestras de naturaleza heterogénea, por otras
técnicas, tales como simples espectroscopia, que estaría limitada sólo a la
caracterización de materiales homogéneos, lo que es ineficiente en una aplicación
práctica que debe controlar toda la superficie de una muestra.
Finalmente, a pesar de presentar algunos inconvenientes como el largo tiempo que se
requiere para la adquisición de datos y el pro- ceso de esta información, se prevé que el
uso de esta tecnología será indispensable en la industria, para evaluar la calidad y la
inocuidad de los alimentos, siempre que se realicen mejoras en términos de control en
tiempo real y los requisitos de control de seguridad.
Agradecimientos Raúl Siche gracias para la financiación de las siguientes instituciones:
Fondo para la innovación, la Ciencia y la tecnología- FINCyT (Contrato 407-A-2014
PNICP PIAP) y Universidad Nacional de Trujillo-UNT (PIC2-2013/UNT). Erick
Saldaña gracias al ''Ministerio de Educación del Perú' '' para la beca otorgada por el
programa ''Programa Nacional de Becas y crédito Educativo'' (PRONABEC).
Referencias
1. Ngadi Abdel-Nour N, M (2011) La detección de ácido graso omega-3 en designer
huevos utilizando imaginería hiperespectral. Int J Nutr Sci alimentos 62(4):418-422
2. Achata E Esquerre C, C O'Donnell, Gowen UN (2015) un estudio en la aplicación de
imágenes químicas hiperespectral infrarrojo cercano para supervisar el contenido de
humedad y actividad de agua en sistemas de baja humedad. Moléculas 20:2611-2621
3. Andre's S, Silva, Soares-Pereira AL, Martins C, Bruno-Soares Soy yo, y Murray
(2008) La utilización de lo visible y espectroscopia de reflectancia en el infrarrojo
cercano para predecir la carne M. Longissimus tho- racis et lumborum atributos de
calidad. Carne Sci 78:217-224
4. Ariana DP, Lu R, de Guyer (2006) del infrarrojo cercano de reflectancia de imágenes
hiperespectrales para detectar contusiones en los pepinillos. Comput Electron Agric
53:60-70
5. Ariana DP, Lu R (2008) La evaluación de la calidad de decapado pepinos utilizando
reflectancia y transmitancia de imágenes hiperespectrales: Parte II. Rendimiento de un
prototipo. Sens Instrum alimentos Qual Saf 2:152-160
6. Ariana DP, Lu R (2008) La detección de un defecto interno de decapado Pepinos
utilizando imágenes de transmitancia hiperespectral. Trans ASABE 51:705-713
7. Barbin ElMasry D, G, Sun D-W, Allen P, Noha M (2012) no destructiva- evaluación
de contaminación microbiana en la carne porcina utilizando NIR imaginería
hiperespectral. Innov alimentos Emerg Techol Sci 17:180-191
8. D Barbin, Sun D-W, Su C (2013) NIR como imágenes hiperespectrales Herramienta
de evaluación no destructiva para el reconocimiento de fresco y congelado-
descongelado porcina músculos longissimus dorsi. Innov alimentos Emerg Techol Sci
18:226-236
9. Burger Geladi J, P (2006) NIR regresión imágenes hiperespectrales Parte II:
Diagnóstico de preprocesamiento de dataset. J Chemom 20:106-119
10. Chau A, M, C Leadley Whitworth, Millar S (2009) Sensores innovadores para
rápidamente y de forma no destructiva determinar pescado fresco- ness. Seafish
Industry Authority Informe No CMS/REP/110284/1
11. V Karuppiah Chelladurai, K, Jayas DS, campos PG, Blanco NDG (2014) Detección
de Callosobruchus maculatus (F.) plaga en soja mediante rayos X blandos y técnicas de
procesamiento de imágenes hiperespectrales NIR. J almacenados Prod Res 57:43-48
12. Chen, Zhang Ning F, J, Liu X, Z, Zhang Yang S (2015). Predecir el contenido de
antocianinas de uvas de vino por NIR Imágenes hiperespectrales. Food Chem
172:788-793
13. Cheng X, Chen YR, Tao y Wang CY, Kim MS, Lefcourt AM (2004), una novela
PCA y FLD método integrado en hyper- Extracción de características de imágenes
espectrales para pepino escalofriante de inspección de daños. ASAE Trans 47(4):1313-
1320
14. Cheng J-H, Sun D-W (2015), rápido y no invasivo de detección de peces por
deterioro microbiano visible e infrarrojo cercano de hiper- las imágenes espectrales y
análisis multivariado. LWT Alimentos Sci Technol 62(2):1060-1068
15. Cheng J-H, Sun D-W, Pu H-B, Wang Q-J, Chen Y-N (2015) Adecuación de
imágenes hiperespectrales para la evaluación rápida de ácido tiobarbitúrico (TBA) valor
en la carpa de césped (Ctenopharyn- godon idella) del filete. Food Chem 171:258-265
16. Choudhary R, Mahesh S, J, Jayas Paliwal DS (2009), núm. id. Catión de trigo clases
mediante funciones wavelet de infrarrojo cercano de imágenes hiperespectrales de
muestras a granel. Biosyst Eng 102:115-127
17. Cluff K, Naganathan GK, Subbiah, Lu J R, Calkins CR, Samal una óptica (2008), la
dispersión de la carne filete para predecir la sensibilidad utilizando imaginería
hiperespectral VIS-NIR en la región. Sens Instrum alimentos Qual Saf 2:189-196
18. RP, Cogdill Hurburgh CR Jr, Rippke GR (2004) de un solo núcleo maíz análisis por
infrarrojo cercano de imágenes hiperespectrales. ASAE Trans 47(1):311-320
19. Dai Q, Cheng J-H, Sun D-W (2015) Potencial de visible/infrarrojo cercano de
imágenes hiperespectrales para la detección rápida de frescura en el descongelado y
camarones congelados. J Alimentos Eng 149:97-104
20. Del Fiore, Reverberi Ricelli M, A, F, S Serranti Pinzari Fabbri, AA, Bonifazi G,
Fanelli C (2010) La detección temprana de hongos toxigénico en maíz por análisis de
imágenes hiperespectrales. Int J Food Microbiol 144:64-71
21. SR Delwiche, MS, Kim Dong S (2011) evaluación de daños de Fusarium en los
granos de trigo por el Vis/NIR de imágenes hiperespectrales. Sens Instrum alimentos
Qual Saf 5(2):63-71
22. Dransfield E (1999) en: Pearson AM, Dutson TR (eds) atributos de calidad y su
medición en las carnes, aves y productos de pescado, vol 11. Publicación de Aspen,
Maryland, pp 289-315
23. Du CJ, Sun DW (2004) Los recientes acontecimientos en las aplicaciones de las
técnicas de procesamiento de imágenes para la evaluación de la calidad de los
alimentos. Las tendencias alimentarias Sci Technol 15:230-249
24. G ElMasry, Wang N, ElSayed A, M Ngadi hiperespectral (2007). No Destructivo de
imágenes para la determinación de algunos atributos de calidad para la fresa. J
Alimentos Eng 81:98-107
25. G ElMasry, Wang N Vigneault C, Qiao J, ElSayed A (2008) La detección temprana
de apple contusiones en diferentes colores de fondo utilizando imaginería
hiperespectral. LWT Alimentos Sci Technol 41:337-345
26. G ElMasry, Wang N Vigneault C (2009) detectar los daños ocasionados por el frío
en rojo manzana delicioso mediante imágenes hiperespectrales y redes neuronales.
Poscosecha Biol Technol 52(1):1-8
27. G ElMasry, Wold JP (2008) evaluación de la alta velocidad de contenido de grasa y
de agua distribución en filetes de pescado mediante espectroscopia de imágenes en
línea. J Agric Food Chem 56(17):7672-7677
28. Kamruzzaman ElMasry G, M, Sun D-W, Allen P (2012) princi- pios y aplicaciones
de imágenes hiperespectrales en la evaluación de la calidad de los productos
agroalimentarios: una revisión. Crit Rev Sci de alimentos 52(11):999-1023
29. Felter LM (2007) Predicción de ancianos ternura de carne con hiper- las imágenes
espectrales y la relación de las propiedades musculares. Tesis de maestría: Ciencia
Animal. Universidad de Nebraska-Lin- coln, EE.UU.
30. Fernandes AM, Oliveira P, Moura JP, Oliveira AA, Falco V, Correia Melo-Pinto
MJ, P (2011) Determinación de la concentración de antocianinas en su totalidad hollejos
mediante imágenes hiperespectrales y adaptive impulsar redes neuronales. J Alimentos
Eng 105:216-226
31. Ferna'ndez-Iban˜ ez V, Soldado A, Mart'ınez-Fernandez, una de la Roza-Delgado B
(2009) Aplicación del infrarrojo cercano- troscopy especificaciones para una rápida
detección de aflatoxina B1 en el maíz y la cebada como la evaluación de la calidad
analítica. Food Chem 113:629-634
32. Fu X, Kim M, Chao K, Qin, Lim J J, Lee H, un Garrido-Varo, Pe'rez-Mar'IN D,
Ying Y (2014) La detección de melamina en leche en polvo basado en imágenes
hiperespectrales y espectral NIR Análisis de similitud. J Alimentos Eng 124:97-104
33. Goetz AFH, Vane G, Solomon JE, Rock MN (1985) Espectroscopia de imagen para
la teleobservación de la tierra. Science 228:1147-1153
34. Gou P, Comaposada J, Arnau J (2002) y pH de la carne Carne efectos sobre el
sentido de la fibra en la difusividad de humedad jamón salado músculos secos a 5 C. La
carne Sci 61:25-31
35. Gowen AA, Taghizadeh M, O'DONNELL CP (2009) Identificación de hongos
sometidos a daño de congelación utilizando imaginería hiperespectral. J Alimentos Eng
93(1):7-12
36. Gowen AA, Burger J, O'Callaghan D, O'DONNELL CP (2009b) Posibles
aplicaciones de imágenes hiperespectrales para el control de calidad de los productos
lácteos. En: 1er Taller internacional sobre análisis de imágenes de redes informáticas en
la agricultura, en Potsdam, Alemania
37. Guerrero L, Gou P, Arnau J (1999) La influencia del pH de la carne en la mecánica
de las propiedades texturales y sensorial del jamón curado en seco. Carne Sci 52:267-
273
38. Harvey AR, Lawlor J McNaught AI, Fletcher-Holmes DW (2002) para la detección
de imágenes hiperespectrales de desprendimiento de la dis- facilidad. Proc SPIE
4816:325-335
39. Heia K Sivertsen, ah, SK, Elvevoll Stormo E, Wold JP, Nilsen H (2007) La
detección de nematodos en el bacalao (Gadus morhua) filetes por espectroscopia de
imagen. J Alimentos Sci 72(1):11-15
40. Heitschmidt GW, Parque B, Lawrence KC, Windham WR, Smith DP (2007)
mejorado sistema de imágenes hiperespectrales para la detección de coliformes en las
aves muertas. ASABE Trans 50(4):1427-1432
41. Huang H, L, Liu, Garie Ngadi Mo'py C (2014) Rápido y no Cuantificación invasiva
del contenido de grasa intramuscular intactos de cortes de cerdo. Talanta 119:385-395
42. Huang M, Wang, Zhang Q M, Zhu Q (2014) Predicción de color y el contenido de
humedad de soya vegetal durante el secado utilizando tecnología de imágenes
hiperespectrales. J Alimentos Eng 128:24-30
43. Jackman P, Sun D-W, Allen P (2010) Predicción de la carne La palatabilidad de
color, el veteado y la textura de la superficie características del longissimus dorsi. J
Alimentos Eng 96(1):151-165
44. Jones HG, Vaughan RA (2010) La detección remota de vegetación: Principios,
técnicas y aplicaciones. Oxford University Press, Nueva York
45. Jowitt R (1974), la terminología de la textura de los alimentos. J Stud de textura
5:351-358
46. Chelladurai Kaliramesh S, V, Jayas Alagusundaram DS, K, Blanco NDG, campos
PG (2013) La detección de la infestación por Callosobruchus maculatus en mung bean
mediante imágenes hiperespectrales de infrarrojo cercano. J almacenados Prod Res
52:107-111
47. ElMasry Kamruzzaman M, G, Sun D-W, Allen P (2011) Aplicación de
imágenes hiperespectrales NIR para la discriminación de cordero los músculos. J
Alimentos Eng 104:332-340
48. M Kamruzzaman Barbin ElMasry, D, G, Sun D-W, Allen P (2012) el potencial de
imágenes hiperespectrales y patrón recogni- ción para la categorización y la
autentificación de la carne roja. Innov alimentos Emerg Techol Sci 16:316-325
49. Kamruzzaman M, Sun D-W, Allen ElMasry G, P (2013) La detección rápida y
visualización de la carne de cordero picada adulteración utilizando NIR imaginería
hiperespectral y multivariante imagen- ysis anal. Talanta 103:130-136
50. Kamruzzaman M, Makino Y Oshita S (2015) La tecnología analítica no invasivo
para la detección de contaminación, adul- teration y autenticidad de las carnes, aves y
pescados: una revisión. Anal Chim Acta 853:19-29
51. Kandpal LM, Lee s, Kim M, Bae H, Cho B-K (2015) corto Wave Infrared (SWIR)
técnica de imágenes hiperespectrales para examen de aflatoxina B1 (AFB1) sobre los
granos de maíz. El control de los alimentos 51:171-176
52. Kim I, Kim MS, Chen YR, Kong SG (2004) Detección de la piel Tumores en
carcasas de pollo mediante fluorescencia de imágenes hiperespectrales. ASAE Trans
47(5):1785-1792
53. Kim I, Xu C, Kim MS (2006) piel de pollo en detección tumoral imágenes
hiperespectrales utilizando red neuronal probabilística de base radial. Adv Netw Neural
3973:770-776
54. Kim MS, Chen YR, Cho BK, Chao K, Yang CC, Lefcourt AM, Chan D (2007) la
reflectancia y fluorescencia hiperespectrales line- captura de imágenes online defectos y
contaminación fecal inspección de manzanas. Sens Instrum alimentos Qual Saf 1:151-
159
55. Kim MS, Lefcourt AM, Chen y, Tao y (2005) detección automatizada de
contaminación fecal de manzanas basado en multispec- tral de fusión de imágenes de
fluorescencia. J Alimentos Eng 71(1):85-91
56. Kong SG, Chen YR, Kim I, Kim MS (2004) análisis de fluorescencia de imágenes
hiperespectrales para piel de pollo de inspección del tumor. Appl Opt 43(4):824-833
57. Lee H, MS, Kim Jeong D Delwiche, SR, Chao K, Cho B-K (2014) La detección de
fisuras en los tomates con un hiperespectrales de Reflectancia de Infrarrojo Cercano
imaging system. Sensores 14:18837-18850
58. Liu y Chen YR, Wang CY, Chan Kim, de MS (2005). Desarrollo de un algoritmo
simple para la detección de los daños ocasionados por el frío en los pepinos de
visible/infrarrojo cercano de imágenes hiperespectrales. Appl Spectrosc 59(1):78-85
59. Liu M, L, Zhang Guo (2008) e hiperespectrales fluorescencia inducida por láser de
imágenes no destructiva para evaluar el contenido de sólidos solubles de la naranja.
Comput Comput Technol Agric 1:51-59
60. Liu, Pu D H, Sun D-W, Wang L, Zeng X-A (2014) Combinación de espectros y
datos de textura de imágenes hiperespectrales para pre- dicción de pH en la carne
salada. Food Chem 160:330-337
61. Liu D, Sun D-W, Qu J, Zeng X-A, Pu H, Ma J (2014) Viabilidad El uso de
imágenes hiperespectrales para predecir el contenido de humedad de la carne porcina
durante el proceso de salazón. Food Chem 152:197-204
62. Lu R (2003) La detección de hematomas en Apple utilizando imaginería
hiperespectral infrarrojo cercano. ASAE Trans 46(2):523-530
63. Lu R, Peng y dispersión de datos hiperespectrales (2006) para evaluar la firmeza de
fruta de durazno. Biosyst Eng 93(2):161-171
64. Mahesh S, un Jayas Manickavasagan, DS, J, Whiteb Paliwal NDG (2008) la
viabilidad de infrarrojo cercano de imágenes hiperespectrales para diferenciar las clases
de trigo canadiense. Biosyst Eng 101:50-57
65. Mahesh S, DS, Jayas Paliwal J, Blanco NDG (2011) Identifica- ción de trigo clases
en diferentes niveles de humedad mediante imágenes hiperespectrales de infrarrojo
cercano de la mayor parte de las muestras. Sens Instrum alimentos Qual Saf 5(1):1-9
66. Mahesh S, DS, Jayas Paliwal J, Blanco NDG (2015) Hyper- las imágenes
espectrales para clasificar y controlar la calidad de las materias primas agrícolas. J
almacenados Prod Res 61:17-26
67. Mahmoud B, Bachman G, Linton R (2010) la inactivación de Escherichia coli
O157: H7, Listeria monocytogenes, Salmonella enterica y Shigella flexneri en hojas de
espinaca por rayos-x. Food Microbiol 27(1):24-28
68. Manley M, Williams, P, D, P Geladi Nilsson (2009) en el infrarrojo cercano para la
evaluación de imágenes hiperespectrales de endospermo textura en todo el maíz
amarillo maíz (Zea L.) de granos. J Agric Food Chem 57:8761-8769
69. P Menesatti, Zanella, D'Andrea S, Costa C, el Paglia G, Pal- lottino F (2009)
supervisó el análisis multivariado de hiper-Imágenes NIR espectral para evaluar el
índice de almidón de manzanas. Los alimentos Bioprocess Technol 2:308-314
70. Un Morata, Loira I, Vejarano R, Ban˜ uelos MA, Sanz, Otero P L, Sua'rez-Lepe JA
(2015) El procesamiento de la uva por alta presión hidrostática: efecto sobre las
poblaciones microbianas, extracción fenólica y calidad del vino. Alimentos Bioprocess
Technol 8(2):277-286
71. Naganathan GK, Grimes LM, Subbiah J, Calkins CR, Samal, Meyer GE (2008)
visible/infrarrojo cercano de imágenes hiperespectrales para la carne de vacuno ternura
predicción. Comput Electron Agric 64:225-233
72. Naganathan GK, Grimes LM, Subbiah J, Calkins CR, Samal, Meyer GE (2008) por
el método de los mínimos cuadrados parciales análisis de infrarrojo cercano de
imágenes hiperespectrales para la carne de vacuno ternura predicción. Sens Instrum
alimentos Qual Saf 2:178-188
73. Cluff Naganathan GK, K, Samal UN CR, Calkins, Jones DD, Lorenzen CL, Subbiah
J (2015) un prototipo en línea sistema de adquisición de imágenes hiperespectrales
AOTF ternura para evaluar- ción de canales bovinas. J Alimentos Eng 154:1-9
74. Nagata M, Tallada JG, Kobayashi T (2006) Hematoma utilizando NIR de detección
de imágenes hiperespectrales para la fresa (Fragaria x ananassa Duch.). Environ Control
Biol 44(2):133-142
75. ¿Nguyen Trong NN, Tsuta M, Nicola¨ı BM Baerdemaeker JD, Saeys W (2011)
Predicción del tiempo de cocción óptimo para patatas hervidas por imaginería
hiperespectral. J Alimentos Eng 105(4):617-624
88. Peng y, Zhang J, W, Wang y Li, Wu J, Huang H, Gao X, Jiang W (2011) la
posibilidad de predicción de la descomposición microbiana de la carne mediante la
dispersión de datos hiperespectrales resueltos espacialmente perfiles. J Alimentos Eng
102:163-169
89. Peng y, Zhang, Wu J J, Hang H (2009) dispersión hiperespectrales
Perfiles para la predicción del deterioro microbiano de la carne de vacuno. Proc SPIE
7315:73150P1-73150P12
90. Qiao Ngadi J, MO, Wang N, C, Prasher Gariepy Tan (2007) calidad de la carne de
cerdo y el veteado nivel de evaluación mediante un sistema de procesamiento de
imágenes hiperespectrales. J Alimentos Eng 83(1):10-16
91. Qiao Ngadi J, MO, Wang Gunenc N, A, M, C Gariepy Monroy, Prasher S (2007)
Cerdo clasificación de calidad mediante un sistema de imágenes hyperspec- tral y red
neuronal. Int J Alimentos Eng 3(1):1-12
92. Qiao J, Wang N, M, un Gunenc Ngadi Monroy, M, C, Prasher Gariepy S (2007)
Predicción de pérdidas por goteo, el pH y el color de la carne de cerdo con una técnica
de imágenes hiperespectrales. Carne Sci 76(1):1-8
93. Qin J, Lu R (2007) La medición de la absorción y scat- tering propiedades de
alimentos líquidos turbios utilizando imaginería hiperespectral. Appl Spectrosc
61(4):388-396
94. Qin J, Lu R (2008) La medición de las propiedades ópticas de las frutas y verduras
utilizando resueltos espacialmente reflectancia difusa técnica de obtención de imágenes
hiperespectrales. Poscosecha Biol Technol
76. Nicola¨ı Beullens EB, Saeys Peirs A, W, Theron KI, 49:355-365. Lammertyna
J (2007) medición no destructiva de la calidad de frutas y vegetales por medio de
espectroscopia NIR: una revisión. Poscosecha Biol Technol 46(2):99-118
77. Nogales-Bueno J, Herna'ndez-Hierro JM, Rodr'ıguez-Pulido FJ,
Heredia FJ (2014) Determinación de la madurez tecnológica de uvas y fenoles totales de
hollejos en rojo y blanco cultivares durante la maduración por infrarrojo cercano de
imágenes hiperespectrales: un enfoque preliminar. Food Chem 152:586-591
78. J, Baca-Bocanegra Nogales-Bueno B, Rodr'ıguez-Pulido FJ, Heredia FJ,
Herna'ndez-Hierro JM (2015) Uso de infrarrojo cercano herramientas hiperespectrales
para el cribado de los polifenoles extractables En pieles de la uva roja. Food Chem
172:559-564
79. Nogales-Bueno J, Rodr'ıguez-Pulido FJ, Heredia FJ, Herna'ndez- Hierro JM (2015)
estudio comparativo sobre el uso de la antocianina Perfil de color, análisis de imágenes
hiperespectrales e infrarrojo cercano Imagen como herramientas para discriminar entre
las cuatro variedades de uva autóctona de La Rioja (España). Talanta 131:412-416
80. Noh, HK, Lu R (2007) fluorescencia inducida por láser hiperespectrales imaging
para evaluar la calidad de la fruta de Apple. Poscosecha Biol Technol 43:193-201
81. Ononye AE, Yao H, Hruska Z, Kincaid R, Brown RL, Cleveland TE (2009) La
detección automática de los granos de maíz contaminado de aflatoxina utilizando
imágenes de doble banda. Proc SPIE 7315:73150R
82. Høy Ottestad S, M, A, Stevik Wold JP (2009) Predicción de fracción de hielo y
contenido de grasa de super-refrigerada por salmón interactance sin contacto imágenes
de infrarrojo cercano. J Infrarrojo Cercano Spectrosc 17(2):77-87
83. Park B, Lawrence KC, Windham WR, Buhr RJ (2002) Hyper- las imágenes
espectrales para detectar coliformes y la ingesta de contaminantes en las aves muertas.
ASAE Trans 45(6):2017-2026
84. Park B, Lawrence KC, Windham WR, Smith DP (2006) El rendimiento del sistema
de procesamiento de imágenes hiperespectrales para la detección de contaminantes
fecales de superficie de aves de corral. J Alimentos Eng 75:340-348
85. Park B, Windham WR, KC, Lawrence Smith DP (2007) pro- taminant clasificación
de aves las imágenes hiperespectrales utilizando spectral angle mapper algoritmo.
Biosyst Eng 96(3):323-333
86. Peng, Lu y R (2008) Análisis de resueltos espacialmente hiper- Imágenes de
dispersión espectral para evaluar manzanas firmeza y el contenido de sólidos solubles.
Poscosecha Biol Technol 48:52-62
87. Peng y, Wu J (2008) perfiles de dispersión de datos hiperespectrales para pre-
dicción de la ternura de la carne de vacuno. La Sociedad Americana de Ingenieros
Agrícolas y Biólogos, Saint Joseph, Michigan
95. Qin, Lu J R, Peng Y (2009) Predicción de la calidad interna de apple utilizando
propiedades de absorción y dispersión espectral. ASABE Trans 52(2):499-507
96. Qin J, Chao, Kim K M, Lu R, Burks T (2013) e hiperespectrales Las imágenes
multiespectrales para evaluar la inocuidad y calidad de los alimentos. J Alimentos Eng
118:157-171
97. Qin J, Chao, Kim K M (2010) química Raman imaging system para Inspección de
calidad e inocuidad de los alimentos. ASABE Trans 53(6):1873-1882
98. Rajkumar P, N, G Eimasry Wang, Raghavan GSV, Gariepy Y (2012) Estudios sobre
la calidad de la fruta de banano y etapas de madurez utilizando imaginería
hiperespectral. J Alimentos Eng 108:194-200
99. Saldan˜ a E, Siche R, Luja'n M, Quevedo R (2013) Comentario: Visión por
computador aplicada a la inspección y control de calidad de las frutas y hortalizas. Braz
J Alimentos Technol 16(4):254-272
100. Høy Segtnan VH, M, F, B Narum Lundby, Wold JP (2009) Fat Análisis de
distribución de filetes de salmón usando sin contacto de infrarrojo cercano interactance
imaging: un muestreo y calibración- strat egy. J Infrarrojo Cercano Spectrosc
17(5):247-253
101. Segtnan VH Høy Sørheim, M, S, A, F Lundby Kohler, Wold JP,
Ofstad R (2009) No Contacto Análisis de distribución de grasa y sal en salazones y
ahumados de filetes de salmón usando rayos X tomografía computada e IIN interactance
imaging. J Agric Food Chem 57:1705-1710
102. Manolakis Shaw G, D (2002) Procesamiento de señal para hyperspec- tral de
explotación de imagen. IEEE Signal Proceso Mag 19(1):12-16
103. Shen QW, significa WJ, Underwood KR, Thompson SA, Zhu MJ, McCormick RJ,
Ford SP, Ellis M, Du M (2006) temprano post- mortem AMP-activada proteína kinasa
(AMPK) activación conduce a phosphofructokinase-2 y -1 (PFK-2 y PFK-1) rylation
phospho- y el desarrollo de la pálida, suave y exudativa (PSE) condiciones en el
músculo longissimus porcina. J Agric Food Chem 54(15):5583-5589
104. Singh CB, Jayas DS, Paliwal J, Blanco NDG (2009) La detección de granos de
trigo dañado por insectos utilizando imaginería hiperespectral infrarrojo cercano. J
almacenados Prod Res 45:151-158
105. Singh CB, Jayas DS, Paliwal J, Blanco NDG (2010) La detección del mosquito de
trigo dañado kernels con onda corta hiperespectral infrarrojo cercano y color digital
imaging. Biosyst Eng 105:380-387
106. Singh CB, Jayas DS, Paliwal J, Blanco NDG (2010) Identifica- ción de insectos
usando granos de trigo dañado cerca de onda corta- hiperespectral infrarrojo y color
digital imaging. Comput Electron Agric 73(2):118-125
107. Siripatrawan U, Makino y vigilancia (2015) hongos en granos de arroz marrón con
una rápida y no destructiva de imágenes hiperespectrales. Int J Food Microbiol 199:93-
100
108. Siripatrawan U, Makino Y, Kawagoe Y Oshita S (2010), espectroscopia de
infrarrojo cercano integrado con quimiometría para una rápida detección de E. coli
ATCC 25922 y E. coli k12. Sens actu- ators B Chem 148(2):366-370
109. Siripatrawan U, Makino Y, Kawagoe Y Oshita S (2011) la rapidez de la detección
de Escherichia coli contaminación en las espinacas frescas empaquetadas utilizando
imaginería hiperespectral. Talanta 85:276-281
110. Saranwong Suthiluk P, S, S, S Numthuam Kawano, Satake T (2008) la posibilidad
de utilizar espectroscopia de infrarrojo cercano para la evaluación de la contaminación
bacteriana en repollo desmenuzado. Int J Alimentos Sci Technol 43:160-165
111. Tallada J, Nagata M, Kobayashi T (2006) no destructiva de la estimación de la
firmeza de la fresa (Fragaria x ananassa Duch.) utilizando NIR imaginería
hiperespectral. Environ Control Biol. 44(4):245-255
112. Tao F, Peng y, Li Chao Y K, Dhakal S (2012) determinación simultánea de ternura
y Escherichia coli la contaminación de carne de cerdo mediante la técnica de dispersión
de datos hiperespectrales. Carne Sci 90:851-857
113. Un Thanonkaew Benjakul Visessanguan, S, W, Decker EA (2006) El efecto de los
iones metálicos en la oxidación de la grasa, color y propiedades físico-químicas de la
Jibia (Sepia pharaonis) sometidas a varios ciclos de congelación y descongelación. Food
Chem 95(4):591-599.
114. Ve'lez N Go' mez-Sanchis J, Chanona-Pe'rez J, Carrasco JJ, Milla'n-Giraldo M,
Lorente D, Cubero S, Blasco J (2014) temprano Detección de daños mecánicos en
mango utilizando NIR hiper- imágenes espectrales y aprendizaje de máquinas. Biosyst
Eng 122:91-98
115. Wang W, Heitschmidt G, Windham W, Feldner P, Ni X, Chu X (2015) la
viabilidad de la detección de aflatoxina B1 en la superficie de los granos de maíz
inoculados con Vis/NIR de imágenes hiperespectrales. J Alimentos Sci 80(1):M116-
M122
116. Wang W, Li C, Tollner EW, Gitaitis RD, lluvias GC (2012) de infrarrojos de onda
corta de imágenes hiperespectrales para detectar la piel agria (Burkholderia cepacia)-
cebollas infectado. J Alimentos Eng 109(1):38-48
117. Wang W, Peng YK, Zhang XL (2010) Estudio sobre el método de modelado de
recuento de viables totales de carne de cerdo fresca basada en el sistema de imágenes
hiperespectrales. Spectrosc Spectr Anal 30(2):411-415
118. BA Weinstock, Janni J, Hagen L, Wright S (2006) Predicción de aceite y ácido
oleico concentraciones en persona el maíz (Zea mays L.) de kernels con infrarrojo
cercano hiperespectrales reflectancia imag- ing y análisis multivariado. Appl Spectrosc
60:9-16
119. Williams P, P, T Geladi Britz, Manley M (2012) La investigación de Desarrollo de
hongos en los granos de maíz utilizando NIR imaginería hiperespectral y análisis de
datos multivariados. J Cereal Sci 55:272-278
120. Williams Geladi P, P, Fox, Manley G M (2009) Clasificación de dureza de grano
de maíz por infrarrojo cercano (NIR) de imágenes hiperespectrales y análisis de datos
multivariados. Anal Chim Acta 653:121-130
121. Wold JP, Westad F, Heia K (2001) La detección de parásitos en lomos de bacalao
mediante SIMCA clasificación de imágenes multiespectrales en la región visible y NIR.
Appl Spectrosc 55:1025-1034
122. Wu, Sun D D-W (2013) Las aplicaciones avanzadas de la tecnología de imágenes
hiperespectrales para la calidad e inocuidad de los alimentos análisis y evaluación: un
examen de la Parte I: fundamentos. Innov alimentos Emerg Techol Sci 19:1-14
123. Wu, Sun D D-W (2013) Potencial de series de tiempo de imágenes
hiperespectrales (TS-hsi) para la determinación no invasiva del deterioro microbiano de
carne de salmón. Talanta 111:39-46
124. Xie C, Wang Q, S (2014) Identificación de las diferentes variedades de aceite de
sésamo utilizando imaginería hiperespectral infrarrojo cercano y quimiometría
algoritmos. PLoS One 9(5):E98522
125. Xing J, Bravo C, Jancsok PT, Ramon De Baerdemaeker H, J (2005) detectar
contusiones en ''golden delicious'' manzanas utilizando imaginería hiperespectral con
múltiples espectro. Biosyst Eng 90(1):27-36
126. Xing J, Hung PV, Symons, Shahin M, Hatcher D (2009) utilizando Un infrarrojo
de onda corta (SWIR) sistema de procesamiento de imágenes hiperespectrales para
predecir la actividad alfa amilasa en cada uno de los granos de trigo del oeste
canadiense. Sens Instrum alimentos Qual Saf 3:211-218
127. Xiong z, Sun D-W, H, Pu Zhu Z, Luo (2015 m) Combinación de espectros y datos
de textura de imágenes hiperespectrales para diferen- tiating entre la libre-gama y los
pollos de carne. LWT Alimentos Sci Technol 60(2):649-655
128. Xiong z, Sun D-W, Xie, NAD Z, Wang L (2015) Potencial de imágenes
hiperespectrales para predicción rápida del contenido de hidroxiprolina en la carne de
pollo. Food Chem 175:417-422
129. Xiong z, Sun D-W, Xie, Pu H, NAD Z, Luo M (2015) Determinación cuantitativa
del total de pigmentos en carnes rojas mediante imágenes hiperespectrales y análisis
multivariado. Food Chem 178:339-345
130. Yang C-C, Chao K, Chen Y-R, principios de HL (2005) pollo enfermo sistémica
identificación mediante imágenes multiespectrales y análisis de la región de interés.
Comput Electron Agric 49:255-271
131. Yao H, Hruska Z, Brown RL, Cleveland te hiperespectral (2006) La fluorescencia
de color amarillo verdoso brillante (BGYF) imágenes de granos de maíz contaminado
de aflatoxina. Proc SPIE 6381:6381063810B-1-B-8
132. Yoon SC, Lawrence KC, Smith DP, Parque B, Windham WR (2008) La detección
del fragmento de hueso incrustado en filetes de pollo con mejora de imagen de
transmitancia y reflectancia de imágenes hiperespectrales. Sens Instrum alimentos Qual
Saf 2:197-207