Aplicaciones de la visión hiperespectral en la industria cárnica

La preocupación de los consumidores y las autoridades por la calidad y seguridad de los alimentos es cada vez mayor, especialmente en el sector cárnico. En estos últimos años se han producido diferentes incidentes como la encefalopatía espongiforme bovina (conocida popularmente como enfermedad de las vacas locas), la contaminación de dioxinas en piensos o la crisis de la carne adulterada con trazas de caballo. Sin embargo, la carne es un alimento fundamental en la dieta humana que proporciona proteínas y otros nutrientes que son fundamentales para nuestro desarrollo.

La visión hiperespectral es una novedosa técnica que permite, de modo rápido y no destructivo, medir parámetros relacionados con atributos de calidad y con la composición. Determinar el contenido en agua o la cantidad de grasa, clasificar las piezas de carne según su calidad o incluso detectar contaminantes o residuos es posible con esta técnica, que combina las ventajas de la visión con las de la espectroscopia del infrarrojo cercano (NIRS) y que puede aplicarse casi a cualquier tipo de producto, reduciendo costes de control, mejorando la seguridad alimentaria y midiendo en tiempo real toda la producción.

En la banda del espectro del infrarrojo cercano, la luz es absorbida por la materia en diferentes longitudes de onda que son armónicos o combinaciones de las principales bandas de absorción asociadas a los enlaces covalentes O-H, C-H y N-H. Por tanto, es posible obtener de manera rápida y no destructiva información cuantitativa y cualitativa relacionada con algunos compuestos que presentan este tipo de enlaces (agua) o agrupaciones de ellos (grasas, proteínas o carbohidratos). Este es el principio de funcionamiento de la espectroscopia NIRS, en la que se mide un punto de una muestra.

En muestras complejas, como los productos cárnicos, es conveniente obtener información composicional de toda la muestra, no sólo de un punto, es decir, generar un mapa de composición o imagen química. La visión hiperespectral permite combinar la información espectroscópica con la información espacial. Su funcionamiento se basa en el empleo de una óptica que es capaz de descomponer la luz en sus diferentes longitudes de onda y proyectarla sobre un sensor de imagen. El procedimiento más habitual consiste en captar una única línea de la muestra en cada imagen, siendo el resultado una imagen en la que el eje de abcisas es el eje espacial, correspondiente a cada punto de la línea escaneada, y el eje de ordenadas es el eje espectral, correspondiente a la absorción de la luz en cada longitud de onda.

Al estar el producto en movimiento se obtiene un conjunto de imágenes en diferentes instantes de tiempo, llamándose al conjunto de los datos hipercubo, en el que cada columna es un espectro. Cada espectro infrarrojo es un vector con muchas componentes correspondientes a la absorbancia o reflectancia en cada longitud de onda. Por tanto, es conveniente aplicar técnicas de reducción de datos basadas en el cálculo de los Componentes Principales que sintetizan la información de valor en unas pocas variables. Si se pretende obtener un modelo de cuantificación, se aplican técnicas de predicción de la concentración como Mínimos Cuadrados Parciales (PLS).

Si se desea realizar una clasificación, se emplean técnicas como el Análisis Discriminante por Mínimos Cuadrado Parciales (PLS-DA). Estas técnicas, llamadas quimiométricas, requieren de la obtención de unos modelos de calibración preliminares, para lo que es necesario preparar un conjunto de muestras con variabilidad en la característica a evaluar, que por una parte serán caracterizados por el sistema de visión hiperespectral y, por otra parte, serán analizados por métodos analíticos de referencia. El modelo de calibración obtenido constituye el conjunto de coeficientes o pesos que habrá que aplicar a un espectro de una nueva muestra problema de la que se desee estimar su composición o clase a la que pertenezca.

Los productos cárnicos tienen un importante valor como fuente de proteína, energía y minerales en una dieta equilibrada. Se trata en muchos casos de productos de un cierto valor por los que el consumidor está dispuesto a pagar un precio según su calidad y sus cualidades organolépticas. Desde el punto de vista sensorial, algunas características que se han medido mediante visión hiperespectral con buenos resultados son, por ejemplo, la terneza en ternera habiendo conseguido estimarla con un r_cv² del 0,91 (ElMasry et al, 2012) midiendo entre 400 y 1.000 nm por reflectancia difusa, o el color en ternera con un r_cv² del 0,96 para L*, del 0,96 para a* y del 0,97 para b* (Wu et al, 2010). Sobre la medida de la composición se han realizado numerosos estudios para medir la cantidad de agua presente. En el caso del jamón cocido se han logrado modelos con un r_cv² del 0,87 trabajando en la banda entre 900 y 1.700 nm por reflectancia (Talens et al, 2013). En carne de cerdo procesada se ha determinado la grasa presente midiendo entre 1.100 y 2.500 nm logrando un modelo predictivo con un r_cv² del 0,94 (Cervera et al., 2011).

La medida de contaminación microbiológica asociada a la seguridad alimentaria es una fuente de preocupación en el sector que también ha sido abordada mediante la visión hiperespectral. La detección de enterobacterias ha sido estudiada obteniendo un r² entre el 0,86 y el 0,89 en filetes de pollo midiendo entre 900 y 1.700 nm por reflectancia (Feng et al, 2012). También se ha desarrollado un sistema para la detección de contaminación fecal en carne de ave en canal logrando una capacidad de detección entre el 89% y el 98% (Yoon et al, 2011) midiendo entre 400 y 1.000 nm por reflectancia. Otro problema abordado con esta tecnología es la detección de cuerpos extraños de diferente naturaleza y densidad, consiguiendo detectar e identificar objetos de diferente composición como plásticos, insectos, metales, cartón o huesos a partir de 2 milímetros (Díaz R. et al, 2012).

Otro de los problemas abordado con la visión hiperespectral ha sido la clasificación de la carne en función de su calidad. Aplicando un sistema con una cámara hiperespectral entre 900 y 1.700 nm se consiguió una correcta clasificación de filetes de lomo de cerdo entre RFN (rojizo, firme y no exudativa), PSE (pálida, suave y exudativa) y DFD (oscura, firme y seca) mediante clasificación de imágenes a partir de los PCA obtenidos con una selección de longitudes de onda (Barbin et al, 2012).

Tras la revisión de algunos de los trabajos de investigación publicados, queda demostrada la enorme potencialidad de la tecnología de la visión hiperespectral y el gran número de aplicaciones que se han hecho en el sector cárnico para mejorar el control de la calidad y la seguridad alimentaria. Sin lugar a dudas, el combinar la información de la huella espectral con la información espacial y poder obtener mapas químicos es una herramienta de indudable valor.

Por otra parte, se trata de una tecnología que aunque puede resultar de enorme interés para abordar problemas de inspección y control en la industria, requiere de un uso y puesta a punto por expertos, pues necesita modelos de calibración robustos que deben ser mejorados con nuevas muestras y con sus análisis de referencia de manera continuada para evitar efectos asociados a cambios estacionales, a la diferente alimentación de los animales o a la variedad genética de la especie.

Por otra parte, trabajar con la huella espectral completa confiere una gran versatilidad a esta tecnología, pero por otra parte obliga a disponer de un hardware y software de apoyo de elevadas prestaciones para poder procesar toda la información espectral en tiempo real.

El precio de los dispositivos suele ser otro de los inconvenientes de esta tecnología a la hora de invertir para su integración en el ámbito industrial. Cabe señalar que el desarrollo de la tecnología optoelectrónica y la aparición de nuevos dispositivos que integran la óptica en el sensor mediante tecnología microelectromecánica (MEMS) está provocando la aparición de sensores de menor coste, más robustos y a la vez más sencillos.

Los primeros desarrollos en tiempo real en la industria de los alimentos se han dirigido a resolver problemas en los que las tecnologías convencionales han fracasado y que suponen una fuente de problemas sobre todo relacionados con la seguridad alimentaria. Es el caso de la detección de contaminación fecal en pollo en canal, la medida de la relación magro/grasa o la detección de cuerpos extraños de todo tipo (restos orgánicos del despiece, plásticos, huesos, etc.). En este sentido, se espera en los próximos años un aumento en el desarrollo de nuevas aplicaciones y su traslación a la industria cárnica.

Bibliografía

• Barbin, D. F., ElMasry, G., Sun, D. -W., & Allen, P. (2012). Non-destructive determination of chemical composition in intact and minced pork using near-infrared hyperspectral imaging. Food Chemistry, 138(2–3), 1162–1171.
• Barbin, D. F., Elmasry, G., Sun, D. -W., & Allen, P. (2012). Near-infrared hyperspectral imaging for grading and classification of pork. Meat Science, 90(1), 259–268.
• Cervera L., Fenollosa S., Ávila C. Díaz R. (2011). Determination of the percentage of intramuscular fat in meat by hyperspectral vision in the near infrared. VI Congreso Nacional de Ciencia y Tecnología de los Alimentos. Valencia (Spain)
• Díaz R., Cervera L., Fenollosa S., Ávila C., Belenguer J. (2011). Hyperspectral system for the detection of foreign bodies in meat products. 25th Eurosensors Conference. Athens (Greece)
• ElMasry, G., Sun, D. -W., & Allen, P. (2012). Near-infrared hyperspectral imaging for predicting colour, pH and tenderness of fresh beef. Journal of Food Engineering, 110(1), 127–140.
• Feng, Y. -Z., ElMasry, G., Sun, D. -W., Walsh, D., & Morcy, N. (2012). Near-infrared hyperspectral imaging and partial least squares regression for rapid and reagentless determination of Enterobacteriaceae on chicken fillets. Food Chemistry, 138(2–3), 1829–1836.
• Talens, P., Mora, L., Morsy, N., Barbin, D. F., ElMasry, G., & Sun, D. -W. (2013). Prediction of water and protein contents and quality classification of Spanish cooked ham using NIR hyperspectral imaging. Journal of Food Engineering, 117(3), 272–280.
• Wu, J. H., Peng, Y. K., Chen, J. J., Wang, W., Gao, X. D., & Huang, H. (2010). Study of spatially resolved hyperspectral scattering images for assessing beef quality characteristics. Spectroscopy and Spectral Analysis, 30(7), 1815–1819.
• Wu D., Sun D-W. (2012). Advanced applications of hyperspectral imaging technology for food quality and safety analysis and assessment: A review — Part I: Fundamentals. Innovative Food Science and Emerging Technologies 19, 1–14
• Yoon, S. C., Park, B., Lawrence, K. C., Windham, W. R., & Heitschmidt, G. W. (2011). Line-scan hyperspectral imaging system for real-time inspection of poultry carcasses with fecal material and ingesta. Computers and Electronics in Agriculture, 79(2), 159–168.