fbpx

Desarrollo de un sistema multiespectral inteligente de bajo coste para la medida de parámetros de calidad y seguridad en la industria agroalimentaria

En el sector agroalimentario cada vez es necesario controlar más el estado de los productos, pero además de una forma sencilla, rápida y lo más barata posible. Existen tecnologías no destructivas que permiten extraer información, pero cada una tiene sus limitaciones. Asociación de la Industria Navarra (AIN) en colaboración con Centro Nacional de Tecnología y Seguridad Alimentaria (CNTA), tratan de dar una solución a este reto dentro del marco del proyecto estratégico IAFOOD, financiado por el Gobierno de Navarra.

 

Actualmente, para la inspección de la calidad y la seguridad de los alimentos, son empleados diversos métodos ópticos sin contacto. El más común es el propio ojo humano, el cual es capaz de detectar el espectro visible, y a través de esa información podemos verificar el estado de algunas características de los alimentos que observamos. Por ejemplo, podemos llegar a conocer si una fruta está verde o madura. Pero también se emplean otras técnicas como la espectroscopía o el uso de imágenes en diferentes longitudes de onda del infrarrojo cercano (NIR), entre los 750 a los 2500 nm, porque pueden proporcionar información sobre la composición fisicoquímica de la superficie que refleja la radiación.

En aplicaciones para la inspección de los alimentos, los sistemas hiperespectrales permiten analizar los alimentos de forma individual o grupal, y al no ser destructivas, reducen la cantidad de desechos y posibilitan un análisis histórico-temporal de posibles muestras. A diferencia de la espectroscopía, estos sistemas permiten disponer de información espacial, es decir se dispone de información de cada longitud de onda medida en cada uno de los pixeles capturados. La siguiente tabla muestra las principales diferencias entre la imagen clásica, la espectroscopía y la imagen hiperespectral.

TacPrincipales diferencias imagen clásica, espectroscopía e imagen hiperespectral

Dentro de la imagen hiperespectral existe otro subconjunto, conocido como imagen multiespectral. Ambas, son técnicas de análisis basadas en la adquisición de la misma imagen en diversas longitudes de onda o bandas, a partir de las cuales se generan escenas de la misma imagen teniendo en cuenta información de cada longitud de onda por pixel ((1) Levenson et al., 2006; (2) Wolfe, 1997; (3) Salzer y Siesler, 2014). Mientras que los sistemas multiespectrales adquieren entre 6 y 10 longitudes de onda ((4) Xing y De Baerdemaeker, 2005; (5) Huang et al., 2015), los sistemas hiperespectrales utilizan un mayor número de longitudes de onda, normalmente más de 100, obteniendo así una enorme cantidad de datos ((6) Nansen et al., 2008; (7) Geladi et al., 2004). Esto conlleva generalmente, que el coste de estos últimos sea bastante superior al de los sistemas multiespectrales.

Resolución espectral en sensores multiespectrales e hiperespectrales. Fuente: Merrick & Company

El reto planteado en este punto sería el siguiente: ¿Se podrían utilizar sólo unas bandas concretas para intentar estimar diferentes parámetros de los alimentos utilizando sistemas multiespectrales? ¿Podría realizarse una preselección de longitudes de onda, así como de los algoritmos de tratamiento de las imágenes basados en pruebas iniciales de cámara hiperespectral? Estas son las preguntas que se ha intentado contestar mediante el desarrollo explicado en este artículo. Si se consiguiese, se podrían obtener sistemas configurados para la medición de parámetros concretos a un coste mucho más asumible por parte de las empresas agroalimentarias.

 

DESARROLLO

Para el desarrollo del sistema multiespectral se analizaron las diferentes tipologías mecánico/sensóricas de sistemas multiespectrales. Finalmente, AIN optó por emplear un sistema con rueda de filtros ópticos por los entornos y procesos donde se iban a realizar las medidas, por su versatilidad, y su menor coste. El sistema desarrollado tiene la posibilidad de alojar 6 filtros diferentes, aunque sería posible disponer de soluciones de hasta 12 filtros aumentando su coste y las dimensiones del sistema resultante y, reduciendo su autonomía. Por otro lado, la dimensión total de la solución también dependerá de su uso, ya que se puede adecuar para trabajos en interior y exterior, en este último caso mediante una versión portable.

 

Sistema de captura de la imagen multiespectral de la muestra.

A nivel software, AIN ha trabajado en diferentes aspectos. Lógicamente, la primera fue la parte de adquisición, y después el procesado de las imágenes. En esta se incluyó la corrección del viñeteado por filtro y lente. También, se trató de reducir el consumo del sistema para aumentar su autonomía, que actualmente está sobre las 7 horas (obtenido de unas pruebas en las que se realizaron unas 850 imágenes/banda). A continuación, se trabajó en la calibración del sistema multiespectral, y finalmente en el desarrollo de una interfaz visual sencilla para el usuario. Por otro lado, CNTA ha desarrollado los algoritmos de predicción que finalmente se han embebido en el propio sistema de captura.

 

 

Para el desarrollo de los modelos predictivos, se ha partido de modelos previamente desarrollados en un sistema de imagen hiperespectral para adaptarlos al sistema multiespectral desarrollado, de hecho, la selección de las longitudes de onda durante la fase de diseño del dispositivo se hizo a partir de las longitudes de onda más correlacionadas con la variable a predecir. Dicho modelo embebido en el sistema, hay que validarlo con muestras reales y realizar las correcciones de calibración que sean necesarias.

Para ello, el sistema se pretende validar mediante una prueba de concepto que tiene como objetivo el poder determinar la vida útil de la lechuga con la información extraída del sistema (6 bandas) y tratada mediante algoritmos de inteligencia artificial. Una vez validado el cálculo de este parámetro, se podrá iniciar la extrapolación a la medición de otros parámetros objetivo, y así validar un posible procedimiento para el cálculo de otros parámetros de calidad y seguridad alimentaria, como la predicción del nivel de oxidación, la textura, aspecto general…

 

 

ENSAYOS

Para comprobar el funcionamiento correcto de la solución se ha tenido que trabajar en 2 aspectos, en la verificación de que el sistema mide de forma adecuada y precisa, y en la validación de los algoritmos de cálculo de parámetros.

En el primero, AIN se encargó de realizar diversas pruebas comparativas entre las capturas procesadas del sistema desarrollado y una cámara hiperespectral comercial, Specim FX10. Estos ensayos se realizaron tanto en interior (con iluminación controlada mediante focos halógenos) como en exterior. Se realizaron capturas de diferentes productos (lechuga, tomate, alcachofa y remolacha en diferentes formatos). Después del pertinente análisis de los datos de todas las pruebas, se pudo concluir que fundamentalmente:

  • La correlación entre las reflectividades calculadas desde las capturas multiespectrales y los procesados hiperespectrales es muy alta (error medio <2%), en interior con iluminación controlada.
  • La correlación entre capturas en interior y exterior varía. Hay que tener en cuenta que las pruebas en exterior es difícil controlar la luminosidad (la luminosidad varió durante las pruebas), además de contar con reflejos.
  • En pruebas en exterior también es importante la altura en la que se encuentre el sol, así como la orientación entre la cámara, la superficie a capturar y el sol con el objetivo de minimizar los reflejos directos de este.

En el segundo aspecto, CNTA ha tratado de verificar el modelo matemático del cálculo correcto de la vida útil de la lechuga con la información de solo 6 bandas, y mediante diversos algoritmos de inteligencia artificial. Entre los algoritmos probados se han construido modelos multivariantes basados en la reducción de la dimensionalidad inicial de los datos hasta las 6 bandas preseleccionadas intentando minimizar los errores en la predicción de la vida útil del producto muestreado. Los resultados mostraron que, si bien la toma de la imagen completa proporciona modelos con pocos días de error en la predicción, la reducción de bandas incrementa el error en aproximadamente 1.5%. Sin embargo, este modelo puede mejorarse con la toma de más imágenes desde el propio dispositivo que permitirá robustecer el modelo existente y reducir el error del mismo.

 

CONCLUSIONES

El proyecto y el estudio proseguirán durante los próximos meses; sin embargo, a la vista de los resultados obtenidos se puede concluir que los datos capturados y reflectividades procesadas por el sistema mutiespectral tienen una alta correlación con los resultados obtenidos con los sistemas hiperespectrales de gama alta.

Los modelos complejos construidos con hipercubos de imagen hiperespectral sirven, por un lado, para poder seleccionar las bandas más altamente correlacionadas con las variables que se pretenden medir y diseñar ad hoc sistemas para aplicaciones concretas, y, por otro, para transferir modelos complejos de predicción a dichos sistemas multiespectrales más sencillos.

Por otro lado, para poder calcular las diferentes reflectividades con la precisión necesaria para poder utilizar los modelos matemáticos a utilizar, se ha detectado la necesidad de controlar adecuadamente la luminosidad. Centrando la problemática en las capturas en interior se va a diseñar y fabricar un set de captura donde controlar la intensidad y bandas a estimular con la iluminación, y donde se intentarán minimizar los reflejos y sombreados que puedan afectar a los cálculos. El objetivo final es que este set sea utilizado junto con el sistema multiespectral en las instalaciones de Florette Ibérica para validar el sistema completo (set de captura, sistema multiespectral, modelos matemáticos de cálculo de vida útil de la lechuga) así como para implementar medidas correctoras en el caso de que sean necesarias.

 

 

Referencias:

  1. Levenson, R.M. and Mansfield, J.R. (2006), “Multispectral imaging in biology and medicine: slices of life”, Cytometry Part A, Vol. 69A, No. 8, pp. 748-758.
  2. Wolfe, W.L. (1997), Introduction to Imaging Spectrometers, SPIE Press, Bellingham, Washington.
  3. Salzer, R. and Siesler, H.W. (2014), Infrared and Raman Spectroscopic Imaging, 2nd ed., John Wiley & Sons, Weinheim.
  4. Xing, J. and De Baerdemaeker, J. (2005), “Bruise detection on ‘Jonagold’ apples using hyperspectral imaging”, Postharvest Biology and Technology, Vol. 37 No. 2, pp. 152-162.
  5. Huang, W., Li, J., Wang, Q. and Chen, L. (2015), “Development of a multispectral imaging system for online detection of bruises on apples”, Journal of Food Engineering, Vol. 146, pp. 62-71.
  6. Nansen, C., Kolomiets, M. and Gao, X. (2008), “Considerations regarding the use of hyperspectral imaging data in classifications of food products, exemplified by analysis of maize kernels”, Journal of Agricultural and Food Chemistry, Vol. 56 No. 9, pp. 2933-2938.
  7. Geladi, P., Burger, J. and Lestander, T. (2004), “Hyperspectral imaging: calibration problems and solutions”, Chemometrics and Intelligent Laboratory Systems, Vol. 72 No. 2, pp. 209-217.
 
 

2022 © AIN Asociación de la Industria Navarra

Esta empresa ha recibido una ayuda del Gobierno de Navarra en virtud de la convocatoria de 2021 de «Fomento de la Empresa Digital de Navarra»

Logotipo DGIPYME Logotipo AEI CLUSTER Logotipo fEDER