Acest site foloseste cookies.
Prin navigarea pe acest site, va exprimati acordul asupra folosirii cookie-urilor.
Vezi mai multe detalii
close
Aboneaza-te la newsletter
close

Analiza hiperspectrală a calității cărnii-materie primă

Autor: Cristina Gavrilutmarți, 1 noiembrie, 2016

Evaluarea prospețimea cărnii și a produselor din carne, prin determinarea caracteristicilor spectrale reprezintă un domeniu relativ nou și destul de puțin utilizat în România. Tocmai de aceea, în articolul de față, vom face apel la studiul cu titlul ”Evaluation of the freshness of meat and meat products by spectral andhyperspectral characteristics”, semnat de Zlatin Zlatev, cercetăror afl Universității Trakia, din Stara Zagora.

 

Trei abordări hiperspectrale

 

Producția de carne și produse din carne de înaltă calitate este importantă pentru industrie, dar, finalmente, calitatea este întotdeauna determinată de consumatori. Odată cu creșterea comerțului și creșterea producției, menținerea înaltei calități devine și mai importantă pentru procesatori. Calitatea cărnii materie-primă este asociată capacităților de performanță care o face acceptabilă pentru consumator. Acestea includ factori externi, cum ar fi dimensiunea, forma, culoarea, consistența și suculența, textura și aroma; factori cum ar fi cel chimic, proprietățile fizice andmicrobiologice.

 

Calitatea cărnii de porc poate fi evaluată cu ajutorul unor indicatori tehnologici, cum ar fi grăsimea intramusculară, capacitatea de reținere a apei, marmoratul, sensibilitatea și caracteristici senzoriale, cum ar fi aroma și suculența, toate, putând fi determinat spectroscopic, conform standardelor de calitate puse în concordanță cu așteptarea consumatorilor.

 

De aceea, obiectul cercetării științifice moderne este analiza hiperspectrală, în scopul determinării calității cărnii și a produselor din carne, dar și a siguranței alimentare scanare. Sacanarea hiperspectrală este utilizată pentru a obține imagini cu rezoluție spațială și spectrală. Procesul necesită timp semnificativ pentru obținerea imaginilor în laborator, iar analiza acestora este relativ complexă. În principiu, sunt trei abordări, pentru a obține cuburi hiperspectrale tridimensionale. Metodele sunt „Point-scan”, „Scanarea în linie” și „Scanarea zonală”.

 

 

În metoda „Point-scan” se aleg puncte individuale pe două axe spațiale, fiind utilizat un spectrofotometru. În scopul studiului a fost utilizat spectrofotometrul tip  USB4000-VIS-NIR, produs de Ocean Optics, utilizând intervalul de lucru de 456 ÷ 1140,5 nm, o sursă de lumină LS-1, cu interval de 360 ÷ 2500 nm și metodologie de măsurare a probelor de reflexie difuză de la suprafața obiectului (QR200-NIR), cu o distanță de 1000 ÷ 1700nm. Pentru direcționarea sondei cu trei terminale, conectate la spectofotometru, asupra obiectului, a fost utlizat un suport de stand. Terminalul final este format din fibre optice, combinate într-o singură carcasă din oțel antistatic. O fibră optică a fost situată în centrul probei, iar celelalte șase, într-un cerc, în jurul punctului central.

 

inova2Determinarea lungimii de undă

 

Determinarea lungimii de undă pentru fiecare punct al imaginii hiperspectrale, pe o perioadă de stocare de 0, 1, 3, 5 și 7 zile s-a efectuat cu ajutorul unui filtru Cebîșev, cu socpul găsirii semnalului maxim de probabilitate, folosind drept criteriu semnalul de zgomot tip ”ratio”.

 

Pentru a disocia cel mai bun mod de a idendifica un semnal util, s-a utilizat formula criteriului erorii pătrate medii (Minimum criteria). Funcția de transfer a fost dată de ecuația diferențială:

 

X0 (NT) = a0 X (nT) + a1 X (nT-T) + a2X (nT-2T) + b1X0 (nT-T) + b2 X0 (NT-2T)

unde:

Х-sunt coordonate nefiltrate;

nT- sunt coordonate de măsuare

A doilea derivat al caracteristicilor spectarale a fost obținut în intervalul

λ= 450 ÷ gama 900nm.

 

Analiza ABC

 

Analiza ABC s-a realizat în următoarea secvență:

 

-Suma spectrelor normalizate a fost determinată în ordinea scanării, după care a urmat sortarea datelor.

-Proporția în care valoarea totală a fost calculată ca rație a fost suma lungimii de undă specifice cu suma tuturor undelor.

-Proporția din cantitatea totală a fost determinată de suma cumulativă a peretelui despărțitor, valoare totală fiind obținută ca sumă a celor două valori anterioare.

 

Datele au fost grupate în trei grupe A, B și C, rezultând o grupare grafică cu o proporție a următoarelor lungimi de undă: 0 ÷ 80% grupa A; 80 ÷ 95% grupa B; 95 ÷ 100% grupa C.

 

La etapa următoare, datele au fost analizate prin clasificarea XYZ, după cum urmează:

 

-Media aritmetică a fost determinată pentru întreaga perioadă de măsurare și datare, sortate în ordine crescătoare;

-Abaterea standard s-a calculat folosind funcția STDEV;

-Coeficientul de variație a fost calculat ”abratio”, între abaterea standard și cea aritmetică.

Datele au fost: 0 ÷ 20% grupa X; 20 ÷ 50% grupa Y; 50 ÷ 100% grupa Z.

 

Combinarea datelor axiale

 

Următorul pas al analizei a fost combinarea dintre grupele ABC și XYZ, analizarea separată a secțiunilor informative ale caracteristicilor spectrului, pentru a găsi criterii pentru recognition. Acest lucru a fost impus de necesitatea reducerii marii  cantități de date.

 

Pentru a reduce volumul de date spectrale, reducând impactul de măsurători aleatorii ale eșantioanelor semnalului de zgomot s-a folosit pentru a doua oară analiza ABC / XYZ. Lungimile de undă purtătoare de informații care au rezultat din modificarea caracteristicilor spectrale au trebuit să fie, de asemenea, reduse la informațiile esențiale.

 

Captarea imaginilor pentru carnea utilizată la fabricarea cârnaților

 

Imaginile hiperspectrale conțin o cantitate mare de zeci sau sute de lungimi de undă. Procesul principal pentru analiza imaginilor hiperspectrale reduce dimensionalitatea spectrală, extrăgând informațiile utile pentru analiza calitativă și cantitativă. Subeșantionul conține mai multe benzi majore, care pot fi identificate în acest proces, și apoi adaptate prin metode de prelucrare a imaginilor multispectrale pentru inspecția online, în timp real, folosind un simplu algoritm.

Procedurile de bază pentru analiza imaginilor multispectrale și hiperspectrale au fost următoarele:

 

1) Obținerea de date hiperspectrale;

2) Extragerea datelor spectrale;

3) Reducerea numărului de lungimi de undă;

4) Definirea lungimii de undă informative;

5) Obținerea de imagini multispectrale;

6) Aplicarea imaginilor recunoașterii algoritmilor.

 

Dimensiunea Dot rezultată a fost de 5x5mm. Mărimea totală a imaginii a fost de  90×50 mm. Măsurarea s-a efectuat în două regiuni spectrale, VIS și NIR. După identificarea lungimi de undă optimă, datele spectral s-au redus la 10 lungimi de undă, pentru carnea utilizată la fabricarea mezelurilor. Datele spectrale au fost reduse în analiza componentelor principale (PCA), utilizând combinații liniare ale variabilelor, fără a lua în considerare clasele de măsurare.

 

Graficele definite ale primelor două componente, au descris mai mult de95% din variația datelor pentru carne și mezeluri. Rezultatele APC, derivate din datele spectrale, au putut fi extrase sub forma unei imagini, iar datele au permis atât vizualizarea bidimensională, cât și cea tridimensională.

În foto, imaginea hiperspectrală a cărnii de porc:

inova1

Valorificarea superioară a sângelui animalelor abatorizate
Autor: Maria Demetriad  /   vineri, 3 august 2018

Abatoarele, precum și companiile de prelucrarea a cărnii generează o cantitate semnificativă de subproduse solide și lichide. La rândul lor, angrosistii și comercianții cu amănuntul produc cantități mari de subproduse. Deci, milioane de tone de deșeuri sunt produse în fiecare zi iar problema este eliminarea lor. Dar eliminarea...

Strategii de design al produselor funcționale din carne
Autor: Maria Demetriad  /   joi, 21 iunie 2018

În ultimii ani, a fost acordată o atenție deosebită funcțiilor fiziologice ale alimentelor, ca urmare a preocupărilor din ce în ce mai mari pentru sănătate, din partea consumatorilor. Cu toate că au existat până în prezent informații limitate privind funcționalitățile fiziologice ale cărnii, au fost studiați câțiva compuși...