ms biosyste e ng ineeri ng 1 5 9 (2 0 1 7) 1 0 9 mi 1 2 0

Disponible en línea en www.sciencedirect.com

ScienceDirect

revista Página de inicio: www.elsevier .com / localizar / ISSN / 15375110

Trabajo de investigación

mapeo Predicción de las propiedades fisicoquímicas de mango por

imágenes hiperespectrales

parika Rungpichayapichet una , Marcus Nagle una , * , Pasinee Yuwanbun segundo ,

Pramote Khuwijitjaru segundo , Busarakorn Mahayothee segundo , ller Joachim MU una

una Instituto de Ingeniería Agrícola, zonas tropicales y subtropicales Grupo, Universit €

en Hohenheim, Garbenstraße 9,

Stuttgart, 70599, Alemania

segundo Departamento de Tecnología de los Alimentos, Facultad de Ingeniería y Tecnología Industrial, Universidad de Silpakorn, Nakhon Pathom, 73000,

Tailandia

información del artículo

Se aplicaron imágenes hiperespectrales (HSI) técnicas que utilizan una cámara de fotograma recién desarrollado para determinar las

Historia del artículo: propiedades internas de frutos de mango, incluyendo la firmeza, sólidos solubles totales (SST) y la acidez valorable (TA). Los

Recibió el 16 de febrero de el año 2016 modelos de predicción fueron desarrollados usando los datos espectrales de la superficie relativa reflectancia de 160 frutas en el

Recibida en forma 21 de marzo de 2017 visible e infrarrojo cercano (vis / NIR) región de 450 mi 998 nm analizados por regresión PLS. Para la reducción de datos, análisis MLR

revisada mostró 16 factores significantes para la firmeza, 17 para TA, y 20 para TSS. Los resultados de MLR no afectan sustancialmente la

De aceptar 15 de abril de 2017 predicción de rendimiento en comparación con PLS. Un enfoque original con quimiométrico combinado y datos HSI análisis se aplicó

usando programación R. Signi fi cativos se encontraron correlaciones entre los datos de HSI y fi rmeza (R 2 ¼ 0,81 y RMSE ¼ 2,83 N)

seguido de TA (R 2 ¼ 0,81 y RMSE ¼ 0,24%) y TSS (R 2 ¼ 0.5 y RMSE ¼ 2,0%). Los mapas de predicción de cualidades

palabras clave:
físico-químicas se lograron mediante la aplicación de los predictionmodels a cada píxel de HSI para visualizar su distribución

Mangifera indica espacial. La variación de la firmeza, SST, y TAwithin la fruta indicado maduración de la fruta comenzó desde el hombro hacia

La calidad del fruto

punteando parte. A partir de estos resultados, HSI se puede utilizar como una técnica no destructiva para determinar la calidad de los

imágenes hiperespectrales frutos que potencialmente podrían mejorar las capacidades de clasificación en el mantenimiento industrial, para el procesamiento de

Quimiometría espectral mapeo mango.

espectroscopía NIR-vis

© 2017 IAgrE. Publicado por Elsevier Ltd. Todos los derechos reservados.

calidad de la fruta ( Delwiche, Mekwatanakarn, y la vara de 2008 ).

1. Introducción
Sivakumar, Jiang, y Yahia (2011) han informado por su parte que la preferencia de los

consumidores y las decisiones de orden están más relacionados con el sabor de la fruta. Sin
la calidad del mango juega un papel importante en el precio de mercado y la satisfacción del
embargo, en las operaciones comerciales, la calidad del fruto heterogénea se encuentra debido
consumidor. La calidad superior induce la disposición de un cliente a pagar un sobreprecio por
a la variación en el grado de madurez de los frutos cosechados, lo que hace que el
un producto. En general, las apariencias físicas, como el color y la fi rmeza se consideran los
comportamiento de maduración no uniforme y requiere diferentes
criterios principales clientes utilizan para evaluar

* Autor correspondiente. Fax: þ 49 (0) 711 459 23298. E-mail: info440e@uni-hohenheim.de

(M. Nagle).
http://dx.doi.org/10.1016/j.biosystemseng.2017.04.006
1537-5110 / © 2017 IAgrE. Publicado por Elsevier Ltd. Todos los derechos reservados.
110 b i o s y s t ems e ng i n e e r i ng 1 5 9 ( 2 0 1 7 ) 1 0 9 e 1 2 0

manejo poscosecha ( Kienzle et al., 2012 ). Este problema lleva a la reducción de las pérdidas de provinces, Thailand) were obtained at commercial export maturity, corresponding to 120 days

vida útil y poscosecha durante la manipulación y el transporte. Por lo tanto, la inspección y el after full bloom. Eighty fruits from each area were harvested during the peak season in April

control de calidad de mango en el embalaje es un proceso imprescindible en la industria del 2013. Mature fruits were preselected in the field for fruit mass about 310 g and density greater

mango para asegurar que sólo los frutos superiores se distribuyen a los mercados de alto valor. than 1000 kg m 3.

Fruits then were transported to Nakhon Pathom province within one day, where the experiments

El potencial de las técnicas no destructivas como herramientas para la selección y were carried out. Fruits free from visual defects were washed, air-dried, and stored in baskets

clasificación ha sido demostrada en numerosos estudios. espectroscopia de infrarrojo cercano covered with paper at ambient temperature (32.1 ± 0.6 C and 73.0 ± 7.9% relative humidity) for

(NIRS) es implementado ampliamente para identificar la calidad de muchas frutas, up to 8 days of ripening. Ten fruits were randomly selected each day and subjected to HSI

includingmango. Los estudios han demostrado el potencial de NIRS para determinar las analysis and quality reference measurements.

propiedades fisicoquímicas de mango tales como la firmeza, contenido de sólidos solubles

totales (TSS), acidez titulable (TA) y compuestos bioactivos ( Jha, Narsaiah et al., 2010; Nagle,

Mahayothee, Rungpichayapichet, Janjai, y ller Mu, 2010; Rungpichayapichet, Mahayothee,

2.2. Reference analyses of quality attributes

ller Khuwijitjaru, Nagle, y mu, 2015;

Rungpichayapichet, Mahayothee, Nagle, Khuwijitjaru, y Mu ller, 2016; subedi y Walsh, 2011 ; TheanjumFrul,its were cut along the sagittal plane from the proximal to distal end into two slabs on either
po
Ser, Rittiton, Pankasemsuk, y Sardsud, 2014; Valente, Leardi, Ser, Luciano, y Dolor, 2009 ; Watanawanss,ide of the endocarp. Slabs were divided into three positions, i.e. shoulder, cheek, and tip parts ( Fig.

Wasusri, Srilaong, WongsAree, y Kanlayanarat, 2014 ). Más recientemente, las imágenes 1 a). Firmness was determined only at the cheek position according to Jha, Kingsly, and Chopra

hiperespectrales (HSI) está siendo considerado como un método no destructivo eficaz para (2006) . A puncture test was performed with a needle probe (2 mm diameter) on the peeled
mesocarp at a speed of 0.5 mm s 1
determinar la calidad de los productos agrícolas. Las ventajas de HSI más de NIRS son la

adquisición simultánea de la información espacial y espectral de la muestra y la flexibilidad de

selección de área para la extracción espectral después de la adquisición de datos ( Schmilovitch

et al, 2014.; Zhang, Liu, Él, y Gong, 2013 ). En general, HSI puede proporcionar información and a compression depth of 10 mm using a texture analyser (TA-xT2i, Stable Micro Systems,

sobre la distribución espacial de los parámetros físico-químicos, la mejora de la percepción de Godalming, UK). Maximum force (N) was used to describe the firmness. For chemical analyses,

los cambios de calidad dentro de las muestras ( Elmasry, Sun, y Allen, 2013 ). La capacidad de each mesocarp section was homogenised separately (Ultra-Turrax T25 basic, IKA Labortechnik,

HSI para evaluar la calidad de las frutas fue revisado recientemente por Magwaza y Opara Germany). Five grams of the homogenate was squeezed through filter cloth and used to

(2015) . Para el mango, la HSI se ha aplicado para detectar la fruta mosca infestación ( Haff et al, determine TSS by a digital refractometer (PAL-1, Atago, Tokyo, Japan). TAwasmeasured by

2013.; Saranwong et al., 2011 ), daños mecanicos ( V elez Rivera et al., 2014 ), Distribución de la alkaline titration of 100 mL dilution prepared from 5 g of homogenate with 0.1 N NaOH until a pH

humedad en rebanadas de mango secaron ( Pu Sun, 2015 ) Y las cualidades de poscosecha of 8.1 and expressed as mass percentage (%) of citric acid ( AOAC, 1999 ). Determinations of

incluyendo el color, fi rmeza y SST ( Makino et al, 2013.; Sivakumar, 2006 ). However, little TSS and TAwere done in duplicate.

documentation currently exists describing the variability of physicochemical qualities within

mango fruits and studies applying HSI to monitor these spatial quality changes are lacking.

Issues also remain with software for HSI analysis, especially with respect to real-time application

( ElMasry & Nakauchi, 2016 ) and high computational requirements for HSI data. Therefore, this

study aims to demonstrate the feasibility of HSI as a tool to observe the spatial changes of

quality of mango during ripening by (i) testing hyperspectral frame camera technology for rapid

image acquisition, (ii) developing reduced-factor HSI prediction models in freely-available,

programmable software to quantitatively determine physicochemical qualities of mango, and (iii)

establishing prediction maps showing the distribution pattern of quality parameters within fruits

for potential grading applications.

2. Materials and methods

2.1. Materials
Fig. 1 e Fruit positions for (a) reference quality analyses sampling and (b) region of interest

A total of 160 mango fruits (cv. NamDokmai, subcv. Si Thong) from two production areas (ROI) selection for hyperspectral measurements; ROIs are not to scale.

(Phitsanulok and Phetchabun

 b i o s y s t e ms e ng i n e e r i ng 1 5 9 ( 2 0 1 7 ) 1 0 9 e 1 2 0
2.3. Hyperspectral system and image acquisition
A HSI measurement system was setup for spectral data acquisition in this study ( Fig. 2 ), which
was similar to the equipment and methods used by Jung, Vohland, and ThieleBruhn (2015) . The
system consisted of (i) a sample holder (ii) a 50 W tungsten halogen lamp (Pro Lamp, ASD Inc.
CO, USA) and (iii) a hyperspectral frame cameraUHD 285 (Cubert GmbH, Ulm, Germany), which
has been developed for the advantage of real-time data acquisition ( Hagen, Kester, Gao, &
Tkaczyk, 2012 ). The distance between the camera and the sample was fixed at 700 mm. The
hyperspectral imaging system was controlled by a PC with the Cubert GUI (Cubert GmbH, Ulm,
Germany). Prior to image acquisition, the light source was switched on for 15 min to stabilise
illumination. In addition, two light-diffusers (150 250 mm) were placed nearby the sample holder
to provide uniform light distribution. Images were acquired at a spatial dimension of 910 900
pixels, with a respective pixel size of 0.32 0.32 mm representing a pixel area of 0.10 mm
integration time required for capturing the complete hyperspectral image was 10 ms. Spectral
data included 138 bands covering the spectral range 450 e 998 nm in 4 nm increments with a
spectral resolution of 8 nm. Dark reference was measured with the shutter closed while covering
of the camera lens with black paperboard. A professional light reflector disc made from
Teflon-coated nylon fabricwas used aswhite reference. Image correctionwas done automatically
by Cubert software according to Eq. (1) .
Fig. 2 e Hyperspectral imaging system: (a) tungsten halogen lamp, (b) hyperspectral frame camera with CCD detector, (c) mirrors, (d) sample holder and (e) computer with data acquisition software.
111
% RI ¼ IS ð x; y Þj ID ð x; y Þ (1)
IR ð x; y Þ ID ð x; y Þ 100
where RI is the relative reflectance at pixel location (x, y) in percentage, IS is the sample image
value, ID is the dark frame image value and IR is the white reference image value ( LeivaValenzuela,
Lu, & Aguilera, 2014 ).
2.4. Data analysis
2.4.1. Spectral analysis
The spectral information was extracted from hyperspectral image file using HyperSpec interface ( Beleites
2. The & Sergo, 2012 ) in the R environment (version 3.1.0, R Core Team, 2014 ). Ten region of interest
(ROI) areas of 10 ✕ 10 pixels were defined in each of the fruit segments ( Fig. 1 b). The
reflectance spectrum of each ROI was averaged from the corresponding 100 pixels. The HSI
data from the three fruit sections (shoulder, cheek, and tip), representing the respective
referencemeasurements, were used to develop the calibration models. In addition, RGB and
monochromatic images at frequencies corresponding to chlorophyll (680 nm) and sucrose (913
nm) were generated from the Cubert software provided with the camera. Images were converted
to greyscale in ImageJ software ( Rasband, 2014 ) where the fruit area was automatically
identified and subsequent light intensity ( I L) of the fruit surface, as amean of pixel values ranging
from 0 (black) to 255 (white) was calculated by the software.
112 b i o s y s t ems e ng i n e e r i ng 1 5 9 ( 2 0 1 7 ) 1 0 9 e 1 2 0

2.4.2. Regression model development the best predictionmodel to all pixels in segmentedHSI images (background removed). Spatial

A total of total of 4800 reflectance spectra were obtained from 160 fruits (10 spectra from each distributions of physicochemical attributes were illustrated by colour gradients which were used

section resulting in 30 spectra per fruit). To establish calibration and validation sets, fruit samples to depict respective values in the fruit samples. Prediction maps for the three predicted

were sorted according to their physicochemical values. The two highest and two lowest values parameters required 9.5 s to generate using the programmed functions. Discriminant analysis

were assigned to the calibration set. After that, two-thirds of the samples were fixed as calibration (DA) was applied to HSI spectral data using SPSS software (ver. 16.0, SPSS, Inc., Chicago, IL)

data and one-third of the samples were defined as validation data in a 2:1 leave-one-out to classify fruits according to ripeness. Mean spectra from three positions were subjected to DA

procedure. Thus, calibration data was established from 3240 reflectance spectra (67.5% of the and the classification model was validated using crossvalidationmethod.

measured spectra) using fullcross validation and the remaining 1560 reflectance spectra (32.5%)

were set as external validation samples.

2.4.4. Statistical analyses

Different mathematical pre-processing of the spectra were performed during building of Statistical analyses were performed using SAS program (version 9.3, SAS Inst., New Jersey,

prediction models to improve the performance, including Savitzky e Golay smoothing (SG), USA). Datawas assessed for correlations between the individual quality parameters.

Savitzky e Golay second derivative (SG 00) using 15 points with second order polynomial regression Relationships were evaluated using Pearson correlation coefficient and level of significance ( p value).

( Savitzky & Golay, 1964 ), standard normal variate (SNV) transformation and multiplicative scatter General linear model program (GLM) and least significant difference (LSD) were applied to

correction (MSC) using the ‘prospectr ’ package for R ( Stevens & Ramirez-Lopez, 2013 ). Models determine significant differences between chemical compositions for each fruit position using

were formulated to relative reflectance spectra and reference values for each fruit part by ripening day as blocks. The results were assessed at the significance level

applying partial least squares (PLS) regression using the full cross-validationmethod ( Mevik&Wehrens,

2007 ). Multifactorial analysis (backward-elimination-stepwise method) was used for selecting

significant wavelengths. Candidate variables were chosen from wavelengths which were found to

be related with quality by PLS regression coefficient plots. Multiple linear regression (MLR) was p 0.05. The difference between laboratory reference

used to develop the reduced-factor models. Performance of the prediction models was evaluated methods (measured) and HSI-predicted quality parameters were analysed by conducting paired

using coefficient of determination (R 2), root mean square error (RMSE) and bias. The model fit t-tests.

was assessed based on high R 2, low RMSE and low bias. These parameters are defined as

follows, according to
3. Results

3.1. Physicochemical changes during ripening

Physicochemical changes of mango during ripening (also respective to fruit position) are shown

in Fig. 3 . Firmness was found to clearly decrease in the initial phase of ripening and

declinemoregradually inthefinalphase. Significant differences of firmness were found from the

Esbensen (2004, chap. 9) : first to fifth day of ripening, decreasing from 25.04 to 8.45 N and then further declining to

s ffiffiffi ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi

1Xn 2
RMSE ¼ yb i y ii (2)

n 6.32 N ( Fig. 3 a). Ketsa, Chidtragool, Klein, and Lurie (1998) reported that softening of mango
ii¼ 1

pulp takes place by breakdown of the structurally-bound pectin in the cell wall into water-soluble

Xn pectin by b- galactosidase and polygalacturonase. In addition, firmnessdecline

bias ¼ 1 yb i y ii (3)
n canbeaugmentedby starchdeterioration during ripening ( Yashoda, Prabha, & Tharanathan, 2006 ).

iii ¼ 1
TA sharply declined in the first phase of ripening and thereafter reduced slightly over the end
where b y ii is the predicted values calculated by the calibration equation; y ii is the measured phase ( Fig. 3 a and d). Significant reductions in TA (85%) were found over the first four days of

values obtained from the reference analysis; n is the number of samples used in the calibration ripening, from 1.65 to 0.25% ( Fig. 3 b). V elez Rivera et al. (2014)
(RMSE cal) and validation (RMSE val), respectively. The number of PLS components was defined

based on combination of high R 2 together with low RMSE cal and RMSE val representing

goodness-of-fit for the prediction models.

reported that acid degradation of mango is mainly caused by metabolism of citric acid. Figure 3 c

illustrates the increase of TSS during ripening. Significant differences were found on first three

days of ripening, when TSS rose sharply from 13.5 to

2.4.3. Hyperspectral classification of physicochemical properties

18.8%, then continued tomoderately increase to amaximumof

Predictionmaps of firmness, TA and TSS were generated using graphics functions programmed
in R language by applying the PLS prediction model to each pixel with its own corresponding
spectrum. The prediction results of each pixel have been displayed and plotted according to the
constituent of the sample based on their spectral signature to provide the distribution gradient in
the sample ( ElMasry et al., 2013 ). Prediction images of mango quality during ripening were
established by applying
19.5%on the sixthday of ripening ( Fig. 3 c). Increasing sweetness during ripening is a result of
starch hydrolysis by amylase, whereas slight decreases in the final phase may be due to
conversion by respiration or fermentation during senescence ( Jha et al., 2006; Medlicott & Thompson,
1985; Palafox-Carlos et al., 2012 ). With respect to fruit position, variations of TAand TSS in
individual fruitswereclearlyobserved ( Fig. 3 dande). Significant differences of TA at different fruit
parts were found during the
 b i o s y s t e ms e ng i n e e r i ng 1 5 9 ( 2 0 1 7 ) 1 0 9 e 1 2 0 113

Fig. 3 e Mean values of (a) firmness, (b) TA, and (c) TSS as well as differences in (d) TA and (e) TSSwithin fruit samples during ripening.

initial phase of ripening ( Fig. 3 d). The highest acidity was observed at the tip part, while the Fig. 4 . A characteristic of the Nom Dokmai cultivar is the pale yellow (in the web version) peel

shoulder part was significantly lower in concentration of organic acids. Shoulder parts had the colour at the unripe stage that changes to intense yellow during ripening, which is evident in the

highest TSS contents, but did not significantly differ from the tip parts. The results indicated that RGB images. The images at 680 and 913 nm are shown for monitoring the changes of

overall ripening process of mango cv ‘Nam Dokmai ’ progressed from the shoulder toward the tip chlorophyll and sugar content during ripening, respectively, since these wavelengths are

part. Results also showed that all three quality parameters were significantly correlated with one responsive to the corresponding compounds ( ElMasry, Wang, ElSayed, & Ngadi, 2007; McGlone

another at p < 0.001. The clearest relationship was TA:F with r ¼ 0.93, while correlations with & Kawano, 1998 ). Differences between the images at 680 and 913 nmwere not clearly seen at

TSS were weaker (r ¼ 0.66 for TSS:TA and r ¼ 0.62 for TSS:F). the same ripening day, while noticeable changes were found between ripening days. A relative

reflectance was observed in fruits at 680 nmon the first day of ripening. Mango at the unripe

stage showed higher reflectance as seen by the brighter image as compared to ripened samples.

For example, I L at 680 nm changed from 121 to 101, whereas I L at 913 nm decreased from 111

to 80 during ripening. A higher relative reflectance

3.2. Reflectance imaging

RGB images, monochromatic images at 680 and 913 nmand the average original reflectance

spectra of mango are shown in

114 b i o s y s t ems e ng i n e e r i ng 1 5 9 ( 2 0 1 7 ) 1 0 9 e 1 2 0

Fig. 4 mi RGB images, monochromatic images at 680 and 913 nm and reflectance spectra at 1, 4, 6 and 8 days of ripening.

spectrum was acquired from the cheek section, while the lowest was found on tip section. The resultados de la regresión para las cualidades de mango se resumen en Tabla 2 . Gráficos de

result corresponded with reference measurements, whereby the cheek part contained the lowest dispersión que muestran la TSS, TA y la firmeza predicho frente a los valores medidos se

TSS content. In addition, correlations between I L and physicochemical properties were examined. ilustran en Fig. 5 . Como se muestra en

Significant correlations ( p < 0.05) were found between I L at 680 nm and TSS, TA and firmness Tabla 2 , La predicción de la fruta la firmeza por HSI era posible con R 2

with correlation coefficients ( R) of 0.3, 0.53 and de 0,77 mi 0,81 y RMSE val de 2,83 mi 3,15 N, y un sesgo ligeramente positivo de 0,18 mi 0.23

modelos N. calibración para firmeza fi desarrollado a partir de los espectros de SG

pre-procesado requieren un relativamente más alto número de componentes PLS para

0.68, respectively. Unexpected non-significant correlation was found between I L at 913 nm and conseguir una precisión comparable a las técnicas de othermodelling. Se encontró mejor

TSS (p 0,05), mientras que TA y firmeza fi mostraron correlaciones débiles con yo L con R y de capacidad de predicción para la firmeza para el modelo de espectros pre-procesados con MSC

0,34 en R 2 de 0,81 y RMSE val de 2,85 N, con un sesgo de 0,20 N. tawas predijo con más precisión

0,57, respectivamente. Por lo tanto, el uso de los cambios de yo L en estos nedwavelengths de fi utilizando el modelo desarrollado a partir de los espectros de SNV que dio R 2, RMSE val, y un

resultó ser insuficiente para predecir las propiedades fisicoquímicas del mango. sesgo de 0,81, 0,24%, y 0,00%, respectivamente. En comparación con la firmeza y TA, HSI

mostró menos capacidad predictiva para los atributos de TSS. El más alto R 2

3.3. Los modelos de predicción para las propiedades fisicoquímicas

para TSS modelo de predicción se encontró que era 0,5 con RMSE val de
tabla 1 muestra las estadísticas de las propiedades fisicoquímicas de los conjuntos de 2,0% y un sesgo de 0,0% utilizando espectros de pre-procesado SNV con 13 componentes PLS
calibración y validación para el análisis PLS y ( Tabla 2 ). Los resultados que muestra pre-
 b i o s y s t e ms e ng i n e e r i ng 1 5 9 ( 2 0 1 7 ) 1 0 9 e 1 2 0 115

tabla 1 mi Estadística descriptiva de la firmeza, la asistencia técnica y SST de referencia de análisis utilizado por los conjuntos de calibración y validación en el modelado PLS.

conjunto de calibración (n ¼ 108) una conjunto de validación (n ¼ 52)

Media Distancia Dakota del Sur Media Distancia Dakota d l Sur

Firmeza (N) 12,43 4,94 mi 29.09 6.87 12.27 5.18 mi 28.16 6.59

TA (%) 0.53 0.10 mi 2.87 0.61 0.51 0.11 mi 2.51 0.56

TSS (%) 18.0 8.8 mi 25.6 3.1 18.0 11.0 mi 22.8 2.8

una norte ¼ número de muestras.

Tabla 2 mi PLS componentes y exactitud de la calibración y validación (RMSE y Bias) establece para la firmeza, TA y TSS utilizando diferentes técnicas de pre-procesamiento para los datos;
tratamientos en negrita indican un mejor rendimiento.

atributo de calidad Pre-procesamiento una PLS componentes R 2 RMSE California RMSE val Parcialidad

Firmeza (N) Ninguna 15 0.79 2.68 3.01 0.18

SG 37 0.79 2.78 3.00 0.16

SG 00 24 0,77 2.75 3.15 0.23

SNV 18 0,81 2.52 2.83 0.22

MSC 14 0,81 2.54 2.85 0.20

TA (%) Ninguna 13 0.70 0.28 0.30 0.00

SG 36 0.69 0.28 0.31 0.01

SG 00 23 0,73 0.29 0.29 0.02

SNV 13 0,81 0.27 0.24 ¡ 0.00

MSC 14 0.79 0.27 0.25 0.00

TSS (%) Ninguna 14 0.4 2.0 2.1 0.0

SG 21 0.4 2.0 2.1 0.0

SG 00 dieciséis 0.4 2.1 2.2 0.0

SNV 13 0.5 2.0 2.0 ¡ 0.0

MSC 12 0.5 2.0 2.1 0.0

una Savitzky mi Golay suavizado (SG), Savitzky mi Golay segunda derivada (SG 00), transformación estándar variable normal (SNV) y multiplicativo

corrección de dispersión (MSC).

processing spectra with SNV technique gave themost accurate prediction model for mango las secciones de punta en frutos inmaduros weremore ácido que secciones de hombro en frutas

quality attributes. MLR analysis showed 16 significant factors for firmness, 17 for TA, and 20 for más maduras. Las variaciones de contenido de SST en fruitswere individuo ven claramente

TSS, with the top weighted coefficients at 510 and 574 nm for firmness, 506 and 530 nm for TA, indistributionmaps. El color rojo intenso sobre la posición del hombro en comparación con otras

and 506, 586, and 730 nm for TSS ( Table 3 ). The results of MLRmodels were not substantially posiciones representa las regiones más altas de TSS. Sin embargo, uniformdistribution de

different in terms of prediction performance as compared to PLS. This would allow the TSSwas encuentra en las frutas totalmente maduras debido a la conversión completa de los

elimination of unnecessary channels for prediction and would decrease time-consuming almidones en azúcares ( Medlicott & Thompson, 1985 ). La firmeza fue el parámetro más predijo

computations for quicker handling during industrial application. con precisión por HSI. Mientras tanto, los resultados para TSS eran uncertainand

thecapacityofHSI topredict TAwasmostly probable un efecto secundario debido a la correlación

con la firmeza.

3.4. Spatial evaluation of physicochemical properties Resultados para análisis fi clasi DA para la firmeza se presentan en Tabla 4 . Las muestras

fueron clasificarse en tres etapas incluyendo grupos inmaduras, maduras y maduros: frutas que
Los resultados de los mapas de predicción de HSI para la firmeza, TA y se muestran en la TSS Fig. tenía un valor firmeza fi> 14,0 Nwere agrupan en fase inmadura, mientras que las frutas tienen

6 . La intensidad de las cualidades individuales se indica mediante un color azul-rojo (en la un valor de la firmeza <8,0 Nwere clasificados como demasiado madura y aquellos con valor la

versión web) escala de color que representa lowtohighvalues, respectively.Meanvalues firmeza de 8,0 mi 14.0 se definieron como fase madura. De acuerdo con esta clasificacion,
posiciones fromthree de las mediciones de referencia y predijo valores de HSI (entre paréntesis) themajor etapa de maduración de la fruta estaba fase madura (60 frutos) seguido de demasiado
están situados debajo de cada muestra. Para la firmeza, se observó ablandamiento de la fruta maduros (54 frutos) y la fase inmadura (46 frutos). Tres cuartas partes de las muestras, que
de la mapwiththeshoulderpart distribución exhibiendo intensebluecolourwhich implica que la consta de los tres estados de madurez, se define como el conjunto de entrenamiento para el

firmeza se redujo desde el hombro hasta la punta hacia parte de la fruta. Se encontraron desarrollo de la cationmodel fi cación y las muestras restantes se utilizaron para validar la e fi

resultados similares para un cultivar mango híbrido, que confirmaron que proceso de ciencia de la clasi fi cación. En general, el fiscal fue más exitoso en la clasificación de frutas
maduración se produjo a partir de tippositions stemto de la fruta ( Jha, Sethi et al., 2010 ). Sin inmaduras y demasiado maduras, con frutas maduras siendo misclassi fi cado en cualquiera de

embargo, el uniforme se suavizó la textura como se visualiza por el color azul, incluso se las otras dos clases. Efectiva clasi fi cación se realizó en frutos inmaduros a valores de hasta un
observó en las frutas más tarde durante la maduración. La variación de TA fue consistente con 89%.

los valores de referencia de laboratorio que indica que

116 biosyst ems e ng ineeri ng 1 5 9 (2 0 1 7) 1 0 9 mi 1 2 0

and Kays (1999) , the ripening process and spatial distribution of the physicochemical

constituents are dependent on fruit cultivar, production season, and fruit size. The pattern of

TSS, higher in shoulder section then progressively decreasing toward the tip section, was also

observed in mango cv. Hayden ( Peiris et al., 1999 ). However, inconsistent results were found in

mango cv. Cogshall showing mesocarp located in the tip part had significant higher TSS than the

cheek and the shoulder of the fruit ( Nordey, Joas, L echaudel, G enard, & Joas, 2014 ). In this

study, insignificant differences of TSS between shoulder and tip section could be explained by

the variation of ethylene gradients in the mesocarp. Since a shorter distance exists between

endocarp and pericarp at the shoulder, ethylene diffusion from the endocarp through the

mesocarp and to the endocarp occurs quicker at the shoulder, thus causing faster ripening, e.g.

higher TSS content ( Nordey et al., 2014 ). From the results, changes of TA and TSS at each fruit

position during ripening implied that ripening started from shoulder toward to tip part.

Los cambios provocados por la maduración de mango se pueden observar más o menos a

partir de imágenes mono-espectrales (escala de grises). Estos hallazgos estaban de acuerdo

con los otros estudios que explican que la alta firmeza fi y contenido de sólidos solubles de bajo

o muestras inmaduras proporcionado mayor reflectancia de muestras maduras ( Elmasry et al.,

2007; Leiva Valenzuela, Lu, y Aguilera, 2013; Rajkumar, Wang, elmasry, Raghavan, y Gariepy,

2012; Wei, Liu, Qiu, Shao, y Él, 2014 ). A este respecto, SNV pre-procesamiento exhibió los

mejores resultados de predicción ya que los efectos de dispersión no uniforme se reducen, es

decir, los cambios de línea de base y variaciones de pendiente que son influenciados por

diferentes propiedad física de la fruta se reducen al mínimo. Buena predicción de rendimiento se

logró por la firmeza (RMSE val ¼ 2,85 N, sesgo ¼ 0,20 N) en lugar de para TA (RMSE val ¼ 0,24%,

el sesgo ¼? 0,00%) y TSS (RMSE val ¼ 2,0%, el sesgo ¼? 0,0%). En otros estudios, la firmeza de

caqui podría estar relacionado con los datos de HSI con R 2 y RMSE de 0,83 y 4,35 N,

respectivamente ( Wei et al., 2014 ). Comparando los resultados con otros cultivares de mango,

modelos de predicción de la firmeza desarrollados en este estudio obtuvieron mayor R 2 y más

alto error (R 2 de 0,81 y RMSE de 2,83 N) de otro modelo para Tommy Atkins (R 2

de 0,77 y la SEP de 2,08 N) ( Sivakumar, 2006 ). Alta RMSE encontró para el modelo TA

afectada en gran medida la precisión como se ve por los valores negativos predichos a bajas

concentraciones ( Fig. 5 segundo). Sin embargo, los resultados de Baiano, Terracone, Peri, y

Romaniello (2012) mostró que HSI proporcionado una mayor exactitud para la predicción de TA

en uva blanca y uva roja con R 2 de

0,95 y 0,82 y RMSE de 0,06 y 0,24 g L 1, respectivamente. Mientras tanto, abilitywas observó

menor predicción para TSS. Low R 2 ( 0.5) con el error de predicción de alta (2,0%) se afirmó

Fig. 5 mi Predicción de (a) firmeza fi, (b) TA y (c) TSS utilizando espectros SNV pre-procesado como inadecuada para usar para el cribado de calidad de la fruta.

en comparación con las mediciones de referencia; cruzados y símbolos circulares representan

calibración y validación del conjunto, respectivamente. Mejor rendimiento de HSI para la firmeza y la predicción de TA en lugar de predicción TSS

puede explicarse por el hecho de que la técnica de HSI se basa en mediciones de dispersión

que son más influenciados por las características estructurales del tejido de la fruta ( Mendoza,

Lu, Ariana, Cen, y Bailey, 2011 ). Por otra parte, la gama más amplia de la firmeza y datos TA en

comparación con los SAT podría haber promovido correlaciones más fuertes (HSI LeivaValenzuela

4. Discussion et al., 2014 ). El mayor potencial de HSI para predecir la firmeza sobre SST se informó también

de Rajkumar et al. (2012)

A spatial gradient of physicochemical parameters was observed for mango fruits showing

non-uniform ripening process within individual samples. As reported by Crisosto, Slaughter,

Garner, and Boyd (2001) and Peiris, Dull, Leffler, quien encontró que HSI a 400 mi 1000 nm mostró una mejor predicción de la firmeza (R 2 ¼ 0,91)

que TSS (R 2 ¼ 0,85) de plátano.

 ms biosyste e ng ineeri ng 1 5 9 (2 0 1 7) 1 0 9 mi 1 2 0 117

Tabla 3 mi Los resultados de regresión lineal múltiple (MLR) que muestra longitudes de onda seleccionadas y coeficientes para la firmeza, TA y TSS.

Firmeza ejército de reserva TSS

Longitud de onda Coeficiente Longitud de onda Coeficiente Longitud de onda Coeficiente

490 14,93 490 1.40 490 5.26

510 21.72 506 1.77 506 13.51

514 13.25 510 1.41 522 5.34

538 18.01 514 0.86 538 4.55

558 3.90 530 1.87 542 4.28

562 17.17 534 1.32 546 2.69

574 21.95 538 0.42 558 5.45

602 8.38 542 0,72 586 12,72

618 7.48 546 0.16 602 5.16

622 7.48 582 0.59 634 3.45

646 4.00 638 0.37 666 4.50

678 8.63 670 0.29 682 3.40

710 5.35 682 0.58 686 2.10

758 15.91 698 0.54 718 3.10

946 6.31 706 0.25 730 14.95

950 5.77 726 0.66 762 5.19

754 0.94 778 7.80

794 6.40

954 0.94

994 2.09

Fig. 6 mi mapas de predicción que muestran la distribución de la firmeza, TA y TSS en doce muestras de mango durante la maduración con los valores medidos y predichos (entre paréntesis) que

indica los resultados del modelo de predicción HSI.

118 biosyst ems e ng ineeri ng 1 5 9 (2 0 1 7) 1 0 9 mi 1 2 0

time measurements and the reduction of computing requirements via wavelength selection by
Tabla 4 mi Los resultados de análisis discriminante (DA) de la firmeza con el
MLR show good potential for use in fruit grading according to physicochemical properties.
rendimiento fi cación clasificación de acuerdo con los grupos de madurez: inmaduras
Indeed, the system exhibited short integration time, requiring only 10 ms for image acquisition. In
(1), maduro (2) y demasiado madura (3).
comparison, “ brush-broom ” line-scanning HSI systems require around 2 s per fruit in the cases of
Calibración (n una ¼ 160) Validación cruzada
apple and blueberry ( LeivaValenzuela et al., 2014; Mendoza et al., 2011 ) and up to 80 s per fruit
(norte ¼ 120)
or 115 s per image in the cases of banana and grapes, respectively ( Baiano et al., 2012;
Predicho Predicho
Rajkumar et al., 2012 ). With an additional processing time of about 85 ms ( Yoon, Park,
1 2 3 Total 1 2 3 Total Lawrence, Windham, & Heitschmidt, 2011 ) Por imagen requerida para la predicción HSI

Medido n 1 41 utilizando un algoritmo programado, esto equivaldría a la capacidad de procesamiento industrial

5 0 46 26 8 0 34 de 3780 frutas, o aproximadamente 1,32 T, por hora. Lo más interesante sería la de realizar una
24 43 13 60 6 22 17 45 fuerte capacidad de clasi fi cación para las frutas maduradas menos, ya que este es el escenario
30 6 48 54 0 4 37 41
deseable identificar correctamente a las empacadoras comerciales.
% 1 89,1 10,9 0 100 76,5 23,5 0 100

2 6,7 71,7 21,7 100 13,3 48,9 37,8 100

30 11,1 88,9 100 0 9.8 90,2 100

una norte ¼ número de muestras.

Sin embargo, los modelos establecidos en este estudio, al menos, se podrían utilizar para la

detección áspera debido al error de predicción excesiva. La distribución de la firmeza dentro de

la fruta fue documentado como una ventaja de la técnica y el análisis de la variación en los
5. Conclusión
mapas hiperespectrales HSI se propone como una posibilidad para la clasificación de los

sistemas en plantas de embalaje para la determinación cuantitativa y cualitativa de la calidad.

La viabilidad de utilizar técnicas de HSI para la evaluación de la calidad del mango se ha
Aunque no se encontró un error considerable para los modelos de predicción de asistencia
establecido en este estudio. El uso de la novela de la cámara del marco en la región espectral
técnica y servicios de apoyo técnico, los cambios de estas frutas attributeswithin durante
de 450 mi 998 nm facilitado rápida adquisición de imagen (10 ms por fruto) y el rendimiento de los
ripeningwere aún es posible observar en los mapas de predicción. mapeo False ocurrió en el
modelos de predicción de la calidad no se vio comprometida después de la selección de longitud
borde de los frutos resultantes de la distribución no uniforme de la fuente de luz en la
de onda por MLR, que redujo las variables y los requisitos de cálculo para los modelos de
surfacewhich fruta curvada causó estiramiento y sombreado ( sol Omez-Sanchis et al., 2008; V elez
predicción de HSI. Las relaciones más fuertes se encontraron resultados para fi rmeza seguido
Rivera et al., 2014 ). En este estudio, error de insu iluminación deficiente se minimizó mediante la
por TA y SST, sin embargo los resultados de este último podría ser debido a las correlaciones
colocación de difusores de luz cerca de la fruta. El reto de la utilización de difusores para
secundarias con la firmeza. La distribución espacial de la firmeza, contenido de TA y TSS
optimizar la distribución de luz para HSI También se informó de un estudio sobre la mandarina
obtenido a partir de mapas de predicción basados en HSI explicó la robustez del modelo PLS y
por G Omez-Sanchis et al. (2008) . Mientras tanto, la polarización cruzada de la luz podría ser un
proporcionan información espacial de la maduración comportamiento de mango. La capacidad
factor para mejorar aún más la eficiencia fi pro de mediciones HSI ( Nguyen-Do-Trong,
de HSI para la clasificación de madurez de la fruta basado en la firmeza fue alentador, aunque
Keresztes, De Ketelaere, y Saeys, 2016 ). En general, la aplicación de métodos adicionales para
se necesitan más mejoras concebible a través de enfoques tales como el aumento de tamaño
corregir el efecto de la iluminación systemmay mejorar la fiabilidad espacial de los modelos de
de la población y los métodos de submuestreo avanzadas, y la mejora de las condiciones de
predicción.
medición. Basándose en los resultados actuales, HSI ya se puede considerar como una técnica

potencial para la clasificación no destructiva de madurez mango.

The results of DA analysis for classification of fruit according to firmness as an indicator of

ripeness were promising. Classification success rates greater than 90% are mostly desirable

since losses of up to 10% in general are economically tolerable, but this level was not yet

achieved. However, optimisation of the HSI measurements should improve the performance in

order to allowing grading of unripe fruits according to maturity. The advantage of HSI technique
Expresiones de gratitud
to visualise differences in physicochemical parameters could enrich the characterisation of fruit

ripening and develop sorting capabilities for industrial handling and processing of mango,
Este estudio se realizó en el marco de SFB 564 T4 proyecto financiado por la Deutsche
especially in comparison to single point measurements. Overall, results and technology for
Forschungsgemeinschaft (DFG), Alemania. El Swift Co., Ltd., Tailandia, así como personal de la
detailing nonuniform ripening within individual fruits are beneficial for optimising postharvest
Universidad de Silpakorn También se agradece por su apoyo. Los autores desean agradecer a
aspects such as packing strategies and design, transport management, and marketing as well as
la fundación Fiat Panis para proporcionar una beca. Además, uno de los autores (BM) le
preventing postharvest losses. The use of a hyperspectral frame “ snapshot ” camera with quick
gustaría extender agradecimiento al Centro de Seguridad de Alimentos, Universidad de
integration time for real-
Hohenheim y el DAAD (Servicio de Intercambio Académico Alemán) para la concesión de una

beca de profesor visitante. Los autores desean dedicar este trabajo en conmemoración del Sr.

Paichayon Uathaveekul.
 ms biosyste e ng ineeri ng 1 5 9 (2 0 1 7) 1 0 9 mi 1 2 0 119

referencias Kienzle, S., Sruamsiri, P., Carle, R., Sirisakulwat, S., Spreer, W., y
Neidhart, S. (2012). detección de madurez de cosecha de 'Nam Dokmai # 4 ' mango ( Mangifera
indica L.) en consideración de largas cadenas de suministro. Biología postcosecha y
Tecnología, 72,
AOAC. (1999). Acidez (valorable) de productos de frutas. (Método AOAC
64 mi 75 .
942,15) ( 16ª ed.). Gaithersburg, MD: Asociación de O fi cial de Químicos Analíticos. De
Leiva Valenzuela, GA, Lu, R., y Aguilera, JM (2013). Predicción
métodos fi ciales de Análisis .
de la firmeza y contenido de sólidos solubles de arándanos utilizando imágenes de
Baiano, A., Terracone, C., Peri, G., y Romaniello, R. (2012).
reflectancia hiperespectral. Journal of Food Engineering, 115 ( 1), 91 mi 98 .
Aplicación de imágenes hiperespectrales para la predicción de las características
sensoriales de las uvas de mesa físico-químicas y.
Leiva-Valenzuela, GA, Lu, R., y Aguilera, JM (2014).
Computación y Electrónicos en la agricultura, 87, 142 mi 151 .
Evaluación de la calidad interna de los arándanos utilizando transmitancia hiperespectral y las
Beleites, C., y Sergo, V. (2012). Hyperspec: Un paquete de manejar
imágenes de reflectancia con un espectro total o longitudes de onda seleccionadas. Ciencia de
conjuntos de datos hiperespectrales en R. R versión del paquete 0,98 mi 20120923
los Alimentos innovadora
http://hyperspec.r-forge.r-project.org/index.html .
y Tecnologías Emergentes, 24, 2 mi 13 .
Crisosto, C. H., Slaughter, D. C., Garner, D., & Boyd, J. (2001). Stone
Magwaza, L., y Opara, U. (2015). Métodos analíticos para
fruits critical bruising thresholds. Journal American Pomological Society, 55( 2), 76 e 81 .
determinación de azúcares y la dulzura de los productos hortícolas - Una revisión. Scientia
Horticulturae, 184, 179 mi 192 .
Delwiche, S. R., Mekwatanakarn, W., &Wand, C. Y. (2008). Soluble
Makino, Y., Isami, A., Suhara, T., Oshita, S., Tsukada, M.,
solids and simple sugars measurement in intact mango using near infrared spectroscopy. HortTechnology,
Ishiyama, R., et al. (2013). análisis no destructivo de las cualidades internas y externas de
18, 410 e 416 .
frutos de mango durante el almacenamiento por imágenes hiperespectrales. Acta
ElMasry, G. M., & Nakauchi, S. (2016). Image analysis operations
Horticulturae, 1011, 443 mi 450 .
applied to hyperspectral images for non-invasive sensing of food quality e A
McGlone, VA, y Kawano, S. (1998). Firmeza, de materia seca y
comprehensive review. Biosystems Engineering, 142, 53 e 82 .
evaluación de sólidos solubles de kiwi postcosecha por espectroscopia NIR. Biología
postcosecha y Tecnología, 13 ( 2), 131 mi 141 .
ElMasry, G., Sun, D., & Allen, P. (2013). Chemical-free assessment
and mapping of major constituents in beef using hyperspectral imaging. Journal of
Medlicott, AP, y Thompson, AK (1985). Análisis de azúcares y
Food Engineering, 117( 2), 235 e 246 .
ácidos orgánicos en la maduración de fruta de mango ( Mangifera indica L. var. Keitt) por
cromatografía líquida de alto rendimiento. Revista de la Ciencia de la Alimentación y la
ElMasry, G., Wang, N., ElSayed, A., & Ngadi, M. (2007).
Agricultura, de 36 años, 561 mi 566 .
Hyperspectral imaging for nondestructive determination of some quality attributes for
Mendoza, F., Lu, R., Ariana, D., Cen, H., y Bailey, B. (2011).
strawberry. Journal of Food Engineering, 81( 1), 98 e 107 .
el análisis espectral y la imagen integrada de datos de dispersión hiperespectrales para la
predicción de las manzanas la firmeza y contenido de sólidos solubles. Biología
Esbensen, K. H. (2004). Multivariate data analysis-in practice ( 5th
postcosecha y Tecnología, 62 ( 2), 149 mi 160 .
ed.). Norway: CAMO Process AS .
G omez-Sanchis, J., Molt o, E., Campls-Valls, G., G omez-Chova, L.,
Mevik, B.-H., y Wehrens, R. (2007). El paquete PLS: Principal
Aleixos, N., & Blasco, J. (2008). Automatic correction of the effects of the light source on
componente y mínimos cuadrados parciales de regresión en R. Journal of Statistical
spherical objects. An application to the analysis of hyperspectral images of citrus fruits. Journal
Software, 18 ( 2), 1 mi 24 .
of Food Engineering, 85, 191 e 200 .
Nagle, M., Mahayothee, B., Rungpichayapichet, P., Janjai, S., &
Mu¨ ller, J. (2010). Effect of irrigation on near-infrared (NIR) based prediction of mango
Haff, R. P., Saranwong, S., Thanapase, W., Janhiran, A.,
maturity. Scientia Horticulturae, 125( 4), 771 e 774 .
Kasemsumran, S., & Kawano, S. (2013). Automatic image analysis and spot
classification for detection of fruit fly infestation in hyperspectral images of mangoes. Postharvest
Nguyen-Do-Trong, N., Keresztes, J. C., De Ketelaere, B., &
Biology and Technology, 86, 23 e 28 .
Saeys, W. (2016). Cross-polarised VNIR hyperspectral reflectance imaging system for
agrifood products. Biosystems Engineering, 151, 152 e 157 .
Hagen, N., Kester, R. T., Gao, L., & Tkaczyk, T. S. (2012). Snapshot
advantage: A review of the light collection improvement for parallel high-dimensional
Nordey, T., Joas, J., L echaudel, M., G enard, M., & Joas, J. (2014).
measurement systems. Optical Engineering, 51( 11), 111702 e 111711 .
Spatial and temporal variations in mango colour, acidity, and sweetness in relation to
temperature and ethylene gradients within the fruit. Journal of Plant Physiology, 171, 1555 e 1563
Jha, S. N., Kingsly, A. R. P., & Chopra, S. (2006). Physical and
.
mechanical properties of mango during growth and storage for determination of maturity. Journal
Palafox-Carlos, H., Yahia, E., Islas-Osuna, M. A., Gutierrez-
of Food Engineering, 72( 1), 73 e 76 .
Martinez, P., Robles-S anchez, M., & Gonz alez-Aguilar, G. A. (2012). Effect of ripeness
stage of mango fruit ( Mangifera indica
Jha, S. N., Narsaiah, K., Sharma, A. D., Sing,h, M., Bansal, S., &
L. cv. Ataulfo) sobre parámetros fisiológicos y la actividad antioxidante. Scientia
Kumar, R. (2010). Quality parameters of mango and potential of non-destructive techniques
Horticulturae, 135, 7 mi 13 .
for their measurement - A review. Journal of Food Science and Technology, 47( 1), 1 e 14 .
Peiris, KHS, Dull, GG, Lef fl er, RG, y Kays, SJ (1999). Espacial
la variabilidad de los sólidos solubles o contenido de materia seca dentro de las
Jha, S. K., Sethi, S., Srivastav, M., Dubey, A. K., Sharma, R. R.,
frutas individuales, bulbos, o tubérculos: implicaciones para el desarrollo y uso de
Samuel, D. V. K., et al. (2010). Firmness characteristics of mango hybrids under
técnicas de espectrometría de NIR.
ambient storage. Journal of Food Engineering, 97( 2), 208 mi 212 .
HortScience, 34 ( 1), 114 mi 118 .
Pu, YY, y Sun, DW (2015). Vis-NIR imágenes hiperespectrales en
Jung, A., Vohland, M., y Thiele-Bruhn, S. (2015). El uso de un portátil
la visualización de la distribución de humedad de las rebanadas de mango durante el secado
la cámara de detección proximal del suelo con los datos de imágenes hiperespectrales. Remote
por microondas vacío. Food Chemistry, 188, 271 mi 278 .
Sensing, 7 ( 9), 11,434 mi 11448 .
Equipo Central R. (2014). R: Un lenguaje y entorno para la estadística
Ketsa, S., Chidtragool, S., Klein, JD, y Lurie, S. (1998). Efecto de
informática. Viena, Austria: R Fundación para la Computación de Estadística. https://www.R-project.org
tratamiento térmico sobre los cambios en ablandamiento, sustancias pécticas y actividades de
.
poligalacturonasa, pectinesterasa y segundo-
Rajkumar, P., Wang, N., elmasry, G., Raghavan, GSV, y
galactosidasa de la maduración de mango. Journal of Plant Physiology,
Gariepy, Y. (2012). Los estudios sobre la calidad de la fruta de plátano y
153, 457 mi 461 .
120 biosyst ems e ng ineeri ng 1 5 9 (2 0 1 7) 1 0 9 mi 1 2 0
estados de madurez utilizando imágenes hiperespectrales. Journal of Food Engineering, 108
( 1), 194 mi 200 .
Rasband, WS (2014). ImageJ, EE.UU. Bethesda, Maryland, EE.UU.:
Institutos Nacionales de Salud. http://imagej.nih.gov/ij/ .
Rungpichayapichet, P., Mahayothee, B., Khuwijitjaru, P.,
Nagle, M., y mu ller, J. (2015). determinación no destructiva de
segundo- contenido de caroteno en mango por espectroscopia de infrarrojo cercano en
comparación con las mediciones colorimétricas. Diario de Composición y Análisis de Alimentos,
38, 32 mi 41 .
Rungpichayapichet, P., Mahayothee, B., Nagle, M.,
Khuwijitjaru, P., y mu ller, J. (2016). NIRS modelos robustos para la predicción no
destructiva de madurez de la fruta después de la cosecha y la calidad en el mango. Biología
y Tecnología postcosecha, 111,
31 mi 40 .
Saranwong, S., Haff, RP, Thanapase, W., Janhiran, A.,
Kasemsumran, S., & Kawano, S. (2011). A feasibility study using simplified near infrared
imaging to detect fruit fly larvae in intact fruit. Journal of Near Infrared Spectroscopy, 19, 55 e 60
. y la calidad de exportación tailandés mango ( Mangifera indica L. var. Namdokmai). Investigación
Savitzky, A., & Golay, M. J. E. (1964). Smoothing and
differentiation of data by simplified least squares procedures.
Analytical Chemistry, 36( 8), 1627 e 1639 .
Schmilovitch, Z., Ignat, T., Alchanatis, V., Gatker, J., Ostrovsky, V.,
& Felf € oldi, J. (2014). Hyperspectral imaging of intact bell peppers. Biosystems
Engineering, 117, 83 e 93 .
Sivakumar, S. S. (2006). Potential applications of hyperspectral
imaging for the determination of total soluble solids, water content and firmness in mango. Master
thesis. Canada: McGill University .
Sivakumar, D., Jiang, Y., & Yahia, E. M. (2011). Maintaining mango
( Mangifera indica L.) fruit quality during the export chain. Food Research International, 44, 1254
e 1263 .
Stevens, A., & Ramirez-Lopez, L. (2013). An introduction to the
prospectr package. R package Vignette R package version 0.1.3.
ftp://200.236.31.2/CRAN/web/packages/prospectr/vignettes/ prospectr-intro.pdf
Subedi, P. P., & Walsh, K. B. (2011). Assessment of sugar and
starch in intact banana and mango fruit by SWNIR
spectroscopy. Postharvest Biology and Technology, 62( 3), 238 e 245 .
Theanjumpol, P., Self, G., Rittiton, R., Pankasemsuk, T., &
Sardsud, V. (2014). Quality control of mango fruit during postharvest by near
infrared spectroscopy. Chiang Mai University Journal of Natural Sciences, 13( 2), 141 e
157 .
Valente, M., Leardi, R., Self, G., Luciano, G., & Pain, J. P. (2009).
Multivariate calibration of mango firmness using vis/NIR spectroscopy and acoustic
impulse method. Journal of Food Engineering, 94( 1), 7 e 13 .
V elez Rivera, N., Blasco, N., Chanona-P Erez, J., Calder situ
Domı'nguez, G., de Jesu' sPerea-Flores, M., Arzate-V azquez, I., et al. (2014). sistema de
visión artificial aplicada a la clasificación de las “ Manila ” mangos durante el proceso de
maduración. Tecnología de Bioprocesos y la Alimentación, 4, 1183 mi 1194 .
Watanawan, C., Wasusri, T., Srilaong, V., Wongs-Aree, C., y
Kanlayanarat, S. (2014). Cerca de evaluación espectroscópica infrarroja de madurez de la fruta
Alimentaria Internacional Journal., 21 ( 3), 1109 mi 1114 .
Wei, X., Liu, F., Qiu, Z., Shao, Y., & He, Y. (2014). Madurez
Clasificación de astringente de caqui utilizando la técnica de formación de imágenes
hiperespectrales. Alimentos y Bioprocesos Tecnología, 7 ( 5), 1371 mi 1380 .
Yashoda, HM, Prabha, TN, y Tharanathan, RN (2006). Mango
maduración: Cambios en constituyentes de la pared celular en relación con ablandamiento textural. Revista
de la Ciencia de la Alimentación y la Agricultura, 86 ( 5), 713 mi 721 .
Yoon, Carolina del Sur, Parque, B., Lawrence, Kansas, Windham, WR, y
Heitschmidt, GW (2011). sistema de imágenes hiperespectrales línea de exploración para la
inspección en tiempo real de las canales de aves con la materia fecal y la ingesta. Computación
y Electrónicos en la agricultura, 79 ( 2), 159 mi 168 .
Zhang, X., Liu, F., He, Y., y Gong, X. (2013). Detector
contenido de macronutrientes y distribución en violación de semillas oleaginosas a base de
hojas de imágenes hiperespectrales. Biosistemas, 115,
56 mi sesenta y cinco .