Documentos de Académico
Documentos de Profesional
Documentos de Cultura
com
Revisar
Historial del artículo: La espectroscopia de infrarrojo cercano (NIR) representa una técnica analítica emergente, que está gozando de una
Recibido el 25 de julio de 2014 creciente popularidad en la industria de procesamiento de alimentos debido a sus bajos costos de funcionamiento y
Recibido en forma revisada el 28 de
porque no requiere preparación de muestras. Además, es una técnica rápida, no destructiva y respetuosa con el
abril de 2015
medio ambiente, capaz de aplicarse en línea. Por lo tanto, esta técnica está predestinada para su implementación
Aceptado el 3 de octubre de 2015 Disponible
como herramienta analítica en el procesamiento industrial. Los diferentes campos de aplicación de la espectroscopia
en línea el 8 de octubre de 2015
NIR informados en la presente revisión destacan su enorme versatilidad. Los análisis cuantitativos de componentes
químicos que utilizan esta metodología están muy extendidos. Además, una amplia gama de determinaciones
Palabras clave:
cualitativas, por ejemplo, para el control de autenticidad, la discriminación de muestras, la evaluación de
Espectroscopía de infrarrojo cercano (NIR)
en línea propiedades sensoriales, reológicas o tecnológicas, y atributos físicos han sido reportados. En este contexto se han
En línea evaluado productos alimenticios de origen animal y vegetal. Matrices muy diversas, como muestras sólidas intactas,
Escala industrial sólidos que fluyen libremente, muestras pastosas y fluidas, pueden analizarse mediante espectroscopia NIR. Las
Evaluación de la calidad condiciones sofisticadas para la aplicación a escala industrial comprenden, entre otras, mediciones en cintas
transportadoras en movimiento, en flujos continuos en tubos y monitoreo de procesos de fermentación. Para tales
fines, se han desarrollado diferentes diseños de construcción de espectrómetros NIR para imágenes
hiperespectrales, dispositivos portátiles, sondas de fibra óptica y de contacto directo, así como sondas integradas en
tubos que miden a través de ventanas y carga automatizada de celdas de muestras. En la presente revisión,
http://dx.doi.org/10.1016/j.tifs.2015.10.002 0924-2244/©
2015 Elsevier Ltd. Todos los derechos reservados.
212 JU Porep et al. / Tendencias en Ciencia y Tecnología de los Alimentos 46 (2015) 211mi230
de la espectroscopia NIR se han reivindicado como el objetivo general de por lo tanto, permitir la cuantificación solo se aplica a medios transparentes
numerosos estudios. Sin embargo, en numerosos casos, una mirada más en los que se puede excluir la dispersión. Sin embargo, en medios turbios,
cercana revela que la aplicación en línea no se ha realizado en absoluto en como en los tejidos biológicos, la interacción de la luz con la muestra resulta
los estudios correspondientes, lo que no se aclara de manera inequívoca. ser muy compleja invalidando la Ley de Beer. Además de la reflectancia de
Además de las aplicaciones de sobremesa de laboratorio, existen Fresnel en las interfaces de la muestra, la luz que ingresa a la muestra puede
aplicaciones en condiciones industriales o al menos cercanas a las dispersarse hacia atrás (reflectancia difusa) o hacia adelante (transmisión
condiciones industriales, por ejemplo, el manejo de muestras en difusa). Además, la absorbancia puede ocurrir directamente o después de
movimiento. Los informes en publicaciones científicas de aplicaciones en algunos eventos de dispersión (Friebel et al., 2009). Como beneficio, además
condiciones prácticas reales en la industria o similares o similares son de ser una huella digital de la composición química, los espectros NIR
bastante raros. Por lo tanto, revisamos publicaciones recientes de comprenden información de las propiedades físicas de la muestra
espectroscopia NIR para la producción de alimentos y las categorizamos en investigada (Siesler, 2008). Finalmente, las estadísticas multivariadas, que
aplicaciones de laboratorio, que se tomaron en cuenta en el contexto involucran técnicas no lineales como máquinas de vectores de soporte y
histórico y solo como una descripción general; escala semi-industrial, es redes neuronales, o técnicas lineales como la regresión lineal múltiple (MLR)
decir, condiciones cercanas a los procesos industriales, por ejemplo, en una y la regresión de mínimos cuadrados parciales (PLS) deben aplicarse para
cinta transportadora en movimiento o en una instalación de producción a extraer información analítica de los espectros (Herold et al., 2009) (mira la
escala piloto; y aplicaciones a escala industrial, realizadas en condiciones sección2.5).
industriales o muy cercanas a las condiciones del proceso industrial.
2.1. Instrumentos
2. Fundamentos de la espectroscopia vibracional
Casi todos los espectrómetros MIR modernos son instrumentos basados en
Óptico radiación cubre la longitud de onda rango de la transformada de Fourier (FT) con diferentes diseños de interferómetro. Por el
100nmmi1000metrom del espectro electromagnético. Se subdivide en la contrario, los principios del monocromador/detector en la espectroscopia NIR de
región ultravioleta (UV) de 100 a 380 nm, la luz visible (VIS) que va de 380 a barrido son variables. Además de diferentes tipos de espectrómetros con partes
780 nm y la radiación infrarroja (IR) de longitudes de onda superiores a 780 móviles, como instrumentos de rejilla y espectrómetros FT con Michelson o
nm. Dentro de la región IR, la región del infrarrojo cercano (NIR) cubre interferómetros de polarización, instrumentos de escaneo rápido sin partes
longitudes de onda desde 780 nm hasta 2,5metrom, el infrarrojo medio móviles como matriz de diodos, filtros sintonizables acústico-ópticos (AOTF) y
(MIR) cubre la región de 2,5 a 25metrom, e infrarrojo lejano (FIR) la región diodos emisores de luz (LED) los sistemas están disponibles (Lin, Rasco, Cavinato y
contigua hasta 1000metrometro. Debido a diferentes procesos físicos, se Al-Holy, 2009; Siesler, 2008). Un espectrómetro NIR típico consta de una fuente de
observan espectros de emisión y absorción característicos que brindan radiación, un dispositivo de selección de longitud de onda (por ejemplo, un
información valiosa sobre sustancias individuales y la composición de monocromador), un portamuestras, un detector fotoeléctrico para medir la
mezclas complejas. Las transiciones electrónicas que son altamente intensidad de la luz detectada y convertirla en señales eléctricas, y un sistema
energéticas causan absorbancia en el rango UV o VIS (Herold, Kawano, informático para datos espectrales. adquisición y procesamiento (Lin et al., 2009).
Sumpf, Tillmann y Walsh, 2009). Como ejemplo, los enlaces peptídicos y los Hay diferentes geometrías ópticas disponibles para la espectroscopia NIR. Los
enlaces dobles conjugados absorben energía en la región UV. Las moléculas modos de presentación de muestras predominantes que se distinguen son
que exhiben una gran cantidad (al menos 5 o 6) de dobles enlaces "transmisión", "reflexión", "transflexión" e "interacción" (Herold et al., 2009;
conjugados, como carotenoides, clorofilas y antocianinas, causan absorción Tsuchikawa, 2007). Según la geometría óptica de reflexión y transmisión utilizada,
en la región VIS y, por lo tanto, pueden usarse para evaluar el color (Dufour, la atenuación de la luz por parte de la muestra, en relación con la referencia, se
2009). Las transiciones vibratorias, que se caracterizan por valores de denomina reflectancia (R) y transmitancia (T), respectivamente. La mayoría de los
energía más bajos en comparación con las transiciones electrónicas, se estudios utilizan valores log 1/T o log 1/R para realizar análisis quimiométricos (
reflejan en la región NIR y MIR. Las transiciones rotacionales de baja energía Herold et al., 2009).
afectan el rango MIR y FIR (Herold et al., 2009). Las bandas de absorción más
predominantes en los espectros NIR de muestras biológicas se originan a
partir de sobretonos y combinaciones de vibraciones fundamentales de Cmi 2.2. Pretratamiento de datos
h, nortemiHOmiManosmiEnlace H en moléculas orgánicas observado en el
rango MIR (Blanco y Villarroya, 2002; Sandorfy, Buchet y Lachenal, 2007). El objetivo principal del pretratamiento de los espectros es la transformación
Desafortunadamente, el agua absorbe mucho la radiación NIR. Dado que es de los datos de tal manera que se pueda aplicar la Ley de Beer, que establece la
el componente químico principal de las frutas y verduras, el espectro NIR de correlación lineal de la absorbancia y la concentración del analito (Rinnan,
las muestras derivadas de plantas está dominado por el agua (Cozzolino, Nørgaard, et al., 2009). Sin embargo, los espectros NIR se caracterizan con
Cynkar, Shah y Smith, 2011b). La espectroscopia MIR produce picos de frecuencia por variaciones espectrales desfavorables y cambios en la línea de base
absorción nítidos para enlaces químicos individuales bajo ciertas que se originan, por ejemplo, en la dispersión de la luz en muestras líquidas
condiciones químicas que permiten la identificación de compuestos opacas o sólidas, variaciones en la temperatura, la densidad y el tamaño de las
orgánicos. Sin embargo, debido a la alta absorbancia de la radiación MIR por partículas de las muestras y el ruido espectral del espectrómetro. Por lo tanto, los
parte del material biológico, la profundidad de penetración es baja, por lo métodos de pretratamiento como la reducción de ruido, la corrección de la línea
que solo permite mediciones superficiales en rangos de micrómetros. Por el de base, la mejora de la resolución, así como el centrado y la normalización se
contrario, la capacidad de absorción de sobretonos y combinaciones en la aplican comúnmente. Para reducción de ruido, media móvil y SavitzkymiEl método
espectroscopia NIR es mucho más débil que los fundamentos de la Golay es el más común para alisar; alternativamente, se aplica la transformada
espectroscopia MIR, generalmente por un factor de 10mi100, lo que permite wavelet. La corrección de línea de base se puede realizar mediante métodos
mayores profundidades de penetración. Esto es crucial para aplicaciones derivados, corrección de dispersión multiplicativa (MSC), corrección de señal
que miden material biológico no homogéneo (Herold et al., 2009; Sandorfy ortogonal (OSC) y variación normal estándar (SNV). Las bandas superpuestas y
et al., 2007). Desafortunadamente, las bandas NIR suelen ser anchas y muy ocultas en los espectros NIR se pueden resolver mediante la derivación de
superpuestas, lo que da como resultado una fuerte multicolinealidad. Por lo métodos de mejora de la resolución, los espectros de diferencia, el centrado
tanto, la asignación de bandas NIR es frecuentemente difícil (Ozaki, Morita y medio y la autodeconvolución de Fourier. El centrado medio se puede considerar
Du, 2007) haciendo que los espectros NIR sean menos valiosos para fines de como un espectro de diferencia entre espectros individuales y un espectro
identificación de compuestos. Además, la Ley de Beer, que relaciona la promediado, ajustando el conjunto de datos mediante la reposición del centroide
concentración de una sustancia con la absorción de luz, y de los datos para
JU Porep et al. / Tendencias en Ciencia y Tecnología de los Alimentos 46 (2015) 211mi230 213
el origen del sistema de coordenadas. La normalización ajusta el conjunto de Sin embargo, las técnicas de regresión estándar basadas en la estimación de
datos mediante la ecualización de la magnitud de cada muestra (Ozaki et al., LS suelen ser inadecuadas para la calibración, ya que producen coeficientes
2007; Rinnan, Berg y Engelsen, 2009). de regresión y predicciones muy inestables y poco fiables debido a la
multicolinealidad. El problema de multicolinealidad puede resolverse
2.3. Quimiometría para calibración multivariante y análisis de datos derivando pocas combinaciones lineales ortogonales (no correlacionadas)
(componentes o factores) de variables espectrales en lugar de usar datos
La quimiometría denota la aplicación de métodos estadísticos y originales para establecer ecuaciones de regresión. Las variables se
matemáticos para extraer información de datos químicos y físicos. Dos de comprimen descartando las partes irrelevantes e inestables, es decir, la
las metodologías quimiométricas más importantes y ampliamente utilizadas redundancia y el ruido, mientras que se retiene la mayor parte de la
son la calibración multivariante y la clasificación multivariante. La calibración información significativa. En consecuencia, se obtienen ecuaciones de
multivariante tiene como objetivo encontrar relaciones cuantitativas entre regresión y predicciones más estables y fiables. La regresión de
dos conjuntos de datos de medición. Estos pueden ser espectros registrados componentes principales (PCR) y la regresión de mínimos cuadrados
por espectroscopía NIR rápida y los resultados determinados por técnicas parciales (PLS) son las técnicas de compresión de datos aplicadas con mayor
convencionales, lo que requiere análisis de laboratorio tediosos y costosos. frecuencia que construyenuna nuevas -variables
Berna rdez, 2009; Martens
(Blanco Romía& &Naes,
Alcalá1989;
El modelo de calibración obtenido se puede aplicar para predecir con Naes et al., 2002). PCR comprende el análisis de componentes principales
precisión los parámetros deseados en muestras desconocidas utilizando el (PCA) de las variables espectrales para la compresión de datos y la posterior
método rápido, reemplazando así el método convencional (Heise y Winzen, regresión de mínimos cuadrados entre los componentes principales
2002; Naes, Isaksson, Fearn y Davies, 2002). Además, los análisis de seleccionados (PC) y los valores de referencia correspondientes (Blanco
conglomerados y los análisis discriminantes se aplican como clasificaciones Romíauna - rdez, 2009; Marcos, 2008). La regresión PLS (PLSR)
& Alcalá
Berna
multivariadas para determinaciones cualitativas. Los análisis de El algoritmo que utiliza la información tanto de las variables
conglomerados pueden agrupar datos sin ninguna estructura de clases espectroscópicas como de las respectivas variables de parámetros de las
predefinida. Los análisis discriminantes clasifican las muestras desconocidas muestras analizadas es la principal diferencia entre PLSR y PCR. Los datos se
en grupos (Ballabio & Todeschini, 2009; Naes et al., 2002). comprimen relacionando directamente las variaciones espectrales y de
parámetros en lugar de utilizar las PC seleccionadas y más dominantes. Las
2.4. Selección de muestras de calibración combinaciones lineales resultantes de las variables utilizadas para la
calibración se denominan variables, factores o componentes latentes. Estos
La calidad de la ecuación de calibración puede depender en gran medida contienen toda la información espectral y están más directamente
del número de muestras de calibración utilizadas para los análisis relacionados con la variabilidad espectral que la PC. El equilibrio de la
cuantitativos y cualitativos. El valor predictivo de la ecuación obtenida información espectral y de parámetros reduce el impacto de la variación
generalmente aumenta con el número de muestras utilizadas para la espectral grande pero irrelevante en el modelo de calibración. Por lo tanto,
calibración. Además, la selección de muestras demuestra ser un paso crucial el objetivo es asegurar que las primeras variables latentes contengan tanta
del procedimiento de calibración. Para obtener un modelo de calibración información de valor predictivo como sea - Berna - rdez,
posible 2009;
(Blanco Günzler
Romía &
y Alcalá
que prediga satisfactoriamente los parámetros objetivo deseados en Gremlich, 2003; Martens & Naes, 1989).
muestras desconocidas por medio de espectroscopia NIR, las muestras de Se debe seleccionar el número óptimo de factores, variables latentes o
calibración y las muestras que se van a predecir deben ser parte de la misma componentes para minimizar el error del modelo de predicción. Un número
población. Las muestras de calibración deben ser representativas de la insuficiente de factores no cubre toda la información relevante, lo que lleva
población que se va a predecir con una variación lo más grande posible, a modelos de calibración subóptimos y mal ajustados. El uso de demasiados
pero limitada a la región de interés. Debe cubrirse todo el rango natural de factores va acompañado de redundancias y ruido de la variabilidad espectral
variabilidad espectral y del valor de referencia. Es más, las muestras deben dentro de la ecuación de calibración. Por lo tanto, el modelo se sobreajusta y
distribuirse uniformemente dentro del rango. Para los productos básicos depende en gran medida de los datos con resultados de predicción
agrícolas, el conjunto de muestras debe ser lo suficientemente variable con deficientes para nuevas muestras. Por lo tanto, son favorables números más
respecto a la variedad, el área de producción, el año de producción y la pequeños de factores junto con aproximadamente el mismo error de
etapa de madurez para cumplir con los requisitos antes mencionados ( predicción. El número óptimo de factores se determina comúnmente
Kawano, 2002; Naes et al., 2002; Williams, 2008). Varios algoritmos mediante pruebas de predicción, utilizando un conjunto de pruebas o
quimiométricos están disponibles para la selección eficiente de muestras de validación cruzada (Blanco Romía & Alcalá - rdez, 2009; Naes et al.,
una Berna
calibración que cumplan con estos criterios. Entre ellos, el KennardmiEl 2002) (ver también la Sección2.7).
- Berna
algoritmo de piedra es el más utilizado (Blanco Romía
- rueda,y Alcalá
2009). Las técnicas de calibración lineal antes mencionadas frecuentemente
funcionan bien. Sin embargo, en algunos casos, se requieren métodos no
2.5. Técnicas de calibración lineales para obtener modelos de calibración satisfactorios. Los métodos
importantes para resolver problemas de no linealidad extrínseca se basan
En particular, la espectroscopia NIR se caracteriza por la falta de longitudes de en el pretratamiento matemático mediante la aplicación de técnicas de
onda selectivas directamente correlacionadas con distintas propiedades de la transformación. Otra forma común es la adición de variables adicionales,
muestra. Una amplia gama de diferentes atributos químicos y físicos de muestras obtenidas de las variables espectrales originales. Posteriormente, se aplican
complejas tienen un impacto en los espectros NIR que dan como resultado bandas técnicas de calibración lineal. Para superar las no linealidades intrínsecas de
superpuestas. Por lo tanto, la calibración univariante basada en regresiones de los datos, se requiere la aplicación de métodos de regresión no lineal, como
mínimos cuadrados (LSR) es inapropiada, ya que se requiere una relación directa los métodos de regresión local (p. ej., regresión ponderada localmente
de la propiedad a predecir y la señal medida. Para superar este problema, se (LWR)) o redes neuronales (Blanco Romía &alcal-
utilizan múltiples o todas las variables predictoras espectrales (por ejemplo, una Berna- rdez,
2009; Cozzolino et al., 2011b; Naes et al.,
longitudes de onda) para establecer calibraciones multivariantes. La regresión - rez-Marín, Garrido-Varo, & Guerrero, 2007).
2002; Educación física
lineal múltiple (MLR) estándar, basada en el criterio de mínimos cuadrados (LS), Ya durante la calibración, es crucial para una evaluación realista del
representa la forma más sencilla de realizar una calibración multivariada inversa. rendimiento de la predicción que todo el conjunto de muestras se divida en un
Las mediciones espectrales comúnmente sufren de altas relaciones lineales entre conjunto de calibración para construir la calibración y un conjunto de validación
variables, el llamado problema de multicolinealidad. Pueden ser aplicables separado que no se incluye en la calibración. De lo contrario, el rendimiento de la
métodos basados en MLR con pocas variables cuidadosamente seleccionadas. predicción será demasiado optimista. La forma más realista es la predicción de un
conjunto de prueba independiente de una cosecha,
214 JU Porep et al. / Tendencias en Ciencia y Tecnología de los Alimentos 46 (2015) 211mi230
campo, etc. no incluidos en el conjunto de calibración. residuos de una serie denortevalormuestras en el conjunto de validación,
donde el residuo es igual al predichoy(b
i)menos referencia (yi)valorespor
2.6. Validación muestras fuera del conjunto de calibración (Ec.(2)). La extracción de muestras para
la validación a expensas del conjunto de calibración plantea una gran desventaja
Tras el cálculo de las ecuaciones de calibración, es necesario evaluar de este enfoque. Por lo tanto, estas muestras no pueden contribuir a obtener
su rendimiento de predicción para muestras desconocidas. Esto es de coeficientes de regresión mejorados que permitan una mejor predicción. Además,
particular importancia para la selección entre métodos de calibración es de particular importancia cubrir el rango relevante de muestras de prueba lo
alternativos y para la decisión de cuántos factores se utilizarán en la mejor posible, ya que las ecuaciones de calibración exhibirán propiedades
calibración. El error cuadrático medio (RMSE) es un criterio importante, variables para diferentes conjuntos de prueba. Por lo tanto, la validación que
que se indica en las mismas unidades que las medidas originales. Los cumple con este requisito previo puede generar una estimación mucho más
valores RMSE deben ser lo más bajos posible para obtener ecuaciones confiable del error de predicción que las validaciones internas (Blanco Romía y
de calibración aceptables (Naes et al., 2002). Alcalá - Berna- rdez, 2009; Naes et al.,
2002; Workman, Jr., 2008). Si las muestras para el conjunto de prueba son parte del
2.6.1. RMSEC conjunto de muestras completo que también se usa para la calibración, no son
El error cuadrático medio de calibración (RMSEC) es una estimación independientes en un sentido estricto. Por lo tanto, la validación independiente real
empírica del error de predicción de los valores de referencia dentro del requiere un conjunto de pruebas verdaderamente independiente, por ejemplo, que se
conjunto de calibración. La ecuación de calibración se prueba directamente origine en una temporada o campo diferente, para ser predicho (Herold et al., 2009).
en los datos de calibración, siendo así una validación interna. Por lo tanto, es sffiPnorte vAlabamadb
uffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffff
esencialmente una estimación del error del modelo más que del error de 2
i¼1
y i- yiÞ
predicción. El error puede estar muy subestimado y, por lo tanto, la RMSEP¼ (3)
nortevAlabama
capacidad de predicción estimada puede ser demasiado optimista. El
término designa la raíz cuadrada del cuadrado medio de los residuos. En
esta ecuación, el residuo de cada muestra es igual al valor de referencia (yi)
para todas las muestras dentro del conjunto de calibración restado del valor 2.6.4. Parcialidad
predicho por NIR (b yi) dividido por el número de muestras El sesgo representa el error sistemático siendo la diferencia
(norte)o los grados de libertad (n / A -1, dondeArepresenta el número promedio entre el predicho (b yi) y valores de referencia (yi) del
de factores utilizados en el modelo) (Ec.(1)) (Blanco Romía & número respectivo denortemuestras (ec.(3)) (Herold et al., 2009;
Alcalá- Berna- rdez, 2009; Naes et al., 2002; Workman, Jr., 2008). Martens & Naes, 1989; Workman, Jr., 2008).
sffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
PAGSnorte db
yi- yiÞ
2 Xnortedbyi- yiÞ
RMSEC¼ i¼1
(1) Parcialidad¼ (4)
n / A -1 i¼1
norte
2.6.2. RMSECV
2.6.5. Errores estándar corregidos por sesgo
El error cuadrático medio de la validación cruzada (RMSECV) se basa
El error estándar de predicción (SEP) representa otro indicador de
únicamente en los datos de calibración. Para la validación cruzada completa de
rendimiento común que se utiliza a menudo, por ejemplo, en la
dejar uno fuera, las muestras se eliminan sucesivamente del conjunto de
espectroscopia NIR. Se define como la desviación estándar de los residuos
calibración. Alternativamente, se pueden seleccionar segmentos del conjunto de
pronosticados, que puede interpretarse como la diferencia promedio entre
muestras para su eliminación. Posteriormente, la ecuación de calibración se
los valores pronosticadosyi)(by los valores de referencia (yi) describiendo el
desarrolla utilizando las muestras restantes. El rendimiento de la calibración se
varianza atribuible al error aleatorio inexplicable en el conjunto de
prueba prediciendo la muestra o muestras eliminadas y comparando los valores
predicción (Eq.(5)) (Naes et al., 2002; Workman, Jr., 2008).
predichos con los valores de referencia. La muestra seleccionada o el segmento
del conjunto de muestras se vuelve a introducir en el conjunto de calibración y se spnorte vAlabamadb
uffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffff
elimina la siguiente muestra o segmento. El procedimiento continúa hasta que i¼1 yi- yi-Bi comoÞ2
SEP¼ (5)
todas las muestras se hayan eliminado una vez. RMSECV se calcula a partir de la nortevAlabama-1
la bondad de ajuste de un modelo. Se pueden alcanzar valores que van se utiliza para seleccionar el número óptimo de factores en función de RMSECV (
de 0 a 1,0, donde 0 indica que no hay correlación y 1,0 revela una Blanco Romía y Alcalá - Berna- rdez, 2009; Naes et al., 2002). Abandonar-
relación lineal perfecta entre los valores predichos y de referencia, validación cruzada única y validación cruzada dividiendo los datos en
respectivamente. Por tanto, esta evaluación estadística permite segmentos (típicamente 5mi10) se puede utilizar para evaluar el número
determinar el grado de variación de los datos que la calibración modela óptimo de factores para todas las muestras/segmentos menos uno, y para
adecuadamente. Valores de R2multiplicado por 100% indica el evaluar los modelos en la muestra/segmento omitido. Sin embargo, este
porcentaje de variación dentro de los datos modelados por la ecuación procedimiento tiende a seleccionar modelos con varianzas más altas, lo que
de calibración. R2se desean valores lo más cercanos posible a 1,0 para conduce a un rendimiento de predicción sobreajustado y demasiado
las calibraciones. La notación general para R2se da en la Ec.(5)con optimista (Filzmoser, Liebmann y Varmuza, 2009; Krstajic, Buturovic, Leahy y
valores de referenciayi, valores predichosb
yi, y el valor medio de la Thomas, 2014). Para superar esto, se puede aplicar la selección y evaluación
Valores de referenciay (Herold et al., 2009; Workman, Jr., 2008). de modelos predictivos mediante validación cruzada repetida y validación
cruzada anidada (Krstajic et al., 2014). La doble validación cruzada repetida
PAGSnorte
i¼1dbyi- yÞ2 representa una estrategia para optimizar la complejidad de los modelos de
R2¼PAGSnorte (7)
i¼1dyi- yÞ2 regresión y para una estimación realista de los errores de predicción para
muestras desconocidas. Esta estrategia se utiliza para divisiones repetidas
Trazado de valores de referenciayicontra los valores predichosbyipuede ser como de los datos en conjuntos de prueba y conjuntos de calibración, así como
muy valioso para evaluar el rendimiento del modelo de calibración. Las para la estimación del número óptimo de componentes y está calificada
buenas calibraciones darán como resultado una línea recta cercana a la línea para conjuntos de datos pequeños (Filzmoser et al., 2009).
bisectriz entre los ejes x e y. Además, el gráfico obtenido se puede utilizar
para la identificación de regiones que exhiben diferentes niveles de 2.8. Detección de valores atípicos
precisión de predicción (Naes et al., 2002).
Los valores atípicos son muestras que no encajan en el modelo. Un valor
atípico se caracteriza por datos espectrales anómalos o un residual alto entre el
2.6.7. RPD
valor predicho y el valor de referencia. La eliminación de valores atípicos
La relación de predicción a desviación (RPD) es otra estadística útil
aparentemente puede mejorar el rendimiento del modelo; sin embargo, es
comúnmente utilizada para la interpretación de calibraciones y se
posible que se elimine la varianza útil del modelo, lo que conduce a predicciones
define como la relación de la desviación estándar (SD) de los valores de
más deficientes de nuevos conjuntos de muestras. Por lo tanto, los valores atípicos
referencia a RMSEP o RMSECV (Eq.(6)). Los valores más altos indican
solo deben eliminarse por buenas razones, cuando su origen y las causas de su
una mejor capacidad de predicción estandarizada a la SD (Cozzolino et
comportamiento irrazonable están claros. Para ser precisos, a efectos prácticos en
al., 2011b; Herold et al., 2009; Nicolai et al., 2007).
el análisis comercial de rutina, no puede haber valores atípicos ya que se debe
Dakota del Sur analizar cada muestra. Por lo tanto, la eliminación de valores atípicos puede
RPD¼ (8) conducir a la pérdida de una valiosa fuente de información para la predicción de
RMSEP o RMSECV
muestras inusuales o en condiciones de medición inesperadas (Herold et al., 2009;
Williams, 2007).
Gráficos de la T de Hotelling2y Q (suma de los cuadrados de los residuos), y las
2.7. Selección del número de factores estadísticas de apalancamiento se pueden usar para evaluar la calibración de la
presencia de valores atípicos. La estadística Q se aplica para evaluar la
La selección del número óptimo de factores, variables latentes o conformidad de cada muestra con el modelo. Se determina la diferencia entre los
componentes que se utilizarán en el modelo de calibración es otro tema datos originales y los datos reconstruidos sobre la base del modelo calibrado. Por
crucial con respecto a todas las técnicas de compresión de datos. Muy pocos lo tanto, los valores altos de Q indican que el modelo no cubre bien las muestras. T
factores no comprenden toda la información relevante de los datos de Hotelling2La estadística, basada en la suma de las puntuaciones cuadráticas
espectrales para establecer un modelo confiable. Por lo tanto, este efecto de normalizadas, determina la variación en cada muestra dentro del modelo. El
ajuste insuficiente produce modelos de calibración subóptimos. Por otro apalancamiento representa la distancia de la muestra desde el centro del modelo.
lado, el uso de demasiados factores va acompañado de redundancias y Ambos valores grandes de la T de Hotelling2y el apalancamiento indican una
ruido de la variabilidad espectral dentro de la ecuación de calibración. Por lo muestra que tiene una gran influencia en el modelo. T de Hotelling2y los
tanto, el modelo se sobreajusta y dependerá mucho de los datos, y los apalancamientos siempre están correlacionados a pesar de tener diferentes
resultados de predicción serán deficientes. El efecto de sobreajuste es de escalas (Ballabio y Consonni, 2013). Los modelos de calibración extrapolados
menor relevancia con un mayor número de muestras. Estimaciones de pueden estar indicados por un valor alto en la T2gráfico pero no en el gráfico Q.
parámetros y, por lo tanto, las predicciones se vuelven más precisas a Un valor alto en Q y no en T2puede ser causado por una variabilidad en la señal
medida que se involucran más muestras (Blanco - rdez,
Romía
una Berna 2009; gunzler
& Alcalá registrada que no está considerada en el modelo (Kradjel y Lee, 2008).
&Gremlich, 2003; Naes et al., 2002).
Las pruebas de predicción se usan comúnmente para determinar el
número óptimo de factores para la calibración. Graficar el RMSEP 3. Resumen de la aplicación de la espectroscopia NIR en la
versus el número de factores puede ser muy valioso para determinar el industria alimentaria
número de componentes a utilizar. Principalmente, el valor RMSEP más
pequeño es deseable si se observa un óptimo claro. Menos factores La luz de la región NIR fue descubierta por Herschel en el año 1800 (
pueden evitar el sobreajuste y dar como resultado calibraciones más Herschel, 1800; McClure, 2003). El sector agroalimentario fue el primero
estables para predecir muestras desconocidas. Por lo tanto, son en adoptar la espectroscopia NIR como técnica analítica. Hasta las
favorables números más pequeños de factores que van junto con primeras aplicaciones de la espectroscopia NIR reportadas en la década
aproximadamente el mismo error de predicción. En ausencia de un de 1950, no se creía que tuviera ningún valor analítico.Blanco y
RMSEP mínimo claro, se puede elegir el número óptimo de Villarroya, 2002). La espectroscopia NIR se aplicó por primera vez de
componentes seleccionando el número de factores que dan como forma extensiva a granos y semillas en las décadas de 1960 y 1970 (
resultado que un RMSEP no sea significativamente más bajo que para Cooper, 1983). Esta aplicación fue desarrollada sustancialmente por KH
los factores subsiguientes del modelo. Norris en los Laboratorios Beltsville del Departamento de Agricultura
de los Estados Unidos (Davies y Grant, 1987) a partir de 1962
216 JU Porep et al. / Tendencias en Ciencia y Tecnología de los Alimentos 46 (2015) 211mi230
con la determinación del contenido de humedad de varios tipos de componentes proteína y grasa en productos de huevo líquidos y
semillas (incluyendo granos, semillas oleaginosas y frijoles deshidratados.
comestibles). Aplicando este método se determinó agua en extractos Una descripción detallada de la medición de la calidad de frutas y
metanólicos (Hart, Norris, &Golumbie, 1962). Por lo tanto, este método verduras por medio de la espectroscopia NIR fue proporcionada porNicolai
se basó en mediciones indirectas. Además, la espectroscopia NIR et al. (2007). También se han utilizado aplicaciones de imágenes
destinada a la evaluación de la calidad de frutas y hortalizas fue una de hiperespectrales y multiespectrales que arrojaron resultados prometedores
las primeras aplicaciones (Davies y Grant, 1987). Otras aplicaciones con respecto a la determinación de los atributos de textura y la madurez de
tempranas en el sector agrícola han sido revisadas en otro lugar ( la fruta. La aplicación de la espectroscopia IR tanto en la región NIR como en
McClure, 2003). Las aplicaciones potenciales en el análisis de alimentos la MIR se ha tenido en cuenta para frutas y hortalizas porSchulz y Baranska
han llamado mucho la atención debido a la disponibilidad y (2009). Es más,Huang, Rasco y Cavinato (2009)enfocado al análisis de jugos
aplicabilidad de varios métodos de calibración junto con el desarrollo de frutas también en ambos rangos espectrales.
de la informática moderna desde la década de 1980 (Cen y él, 2007). Recientemente se revisó la aplicación de la espectroscopia NIR para
Davies y Grant (1987)investigó la aplicación de la espectroscopia NIR el análisis de la calidad de los frutos cítricos (Magwaza et al., 2012). La
para el análisis de diversos constituyentes alimentarios (p. ej., grasas, espectroscopia NIR se consideraba la técnica más avanzada entre los
azúcares, proteínas y humedad) en diversas matrices (p. ej., frutas y métodos de evaluación de calidad no destructivos con respecto a la
verduras, carne y leche), cubriendo informes que se publicaron instrumentación, la aplicación, los accesorios y el software
principalmente en la primera mitad de la década de 1980 En 1990,Williams y quimiométrico disponible.
Stevenson (1990)revisó un amplio espectro de aplicaciones del análisis de Cozzolino (2009)destacó la aplicabilidad de la espectroscopia NIR
reflectancia NIR en la industria alimentaria, incluidas las primeras para el análisis cualitativo y cuantitativo de productos vegetales
aplicaciones a materias primas y productos alimentarios específicos. En el naturales. Entre estos, se revisaron los productos alimenticios, que no
mismo período, varias aplicaciones en el sector alimentario y agrícola han sido considerados sistemáticamente en revisiones anteriores. Una
también fueron revisadas porMartín (1992). Más recientemente,Cen y él descripción general de la práctica actual en espectroscopia NIR para
(2007) ofreció una descripción general de la aplicación versátil de la cereales y productos de cereales fue proporcionada porJespersen y
espectroscopia de reflectancia NIR para evaluar la calidad de los alimentos. Munck (2009). Además, el análisis del vino y la cerveza fue el foco de las
La revisión exhaustiva deWoodcock, O'Donnell y Downey (2008)cubre investigaciones espectroscópicas infrarrojas (Cozzolino & Dambergs,
numerosos informes de la aplicación de la espectroscopia NIR al área de 2009). Diversos autores han demostrado el éxito de la discriminación
calidad de alimentos y bebidas desde 1997 hasta 2008. Los autores de vinos según su origen geográfico y variedades mediante
concluyeron que todas las aplicaciones revisadas de la espectroscopia NIR, a espectroscopia NIR/VIS (Bauer et al., 2008; Cozzolino & Dambergs,
menudo en combinación con análisis quimiométricos, pueden desempeñar 2010; Cozzolino, Cynkar, Shah y Smith, 2011a).
un papel valioso en la industria alimentaria. .
Además de las revisiones generales antes mencionadas de la aplicación de la 4. Aplicación en línea de la espectroscopia NIR en la industria
espectroscopia NIR en el sector alimentario, recientemente se han publicado alimentaria
revisiones de aplicaciones más especializadas que se resumen brevemente a
continuación. Para las mediciones en línea, el requisito previo esencial representa la
La aplicación de la espectroscopia de reflectancia NIR para predecir la idoneidad de la construcción del espectrómetro para la integración del
carne y la calidad de la carne fue revisada porPrieto, Roehe, Lavín, Batten y proceso. El dispositivo debe ser lo suficientemente compacto para ese
Andre-s (2009)cubriendo publicaciones entre 1997 y 2008. En propósito y el control remoto a través de Ethernet o sondas de fibra óptica
En resumen, NIR se consideró útil para la determinación de componentes puede resultar ventajoso. Dependiendo de las condiciones de la aplicación,
químicos y para categorizar la carne en clases de calidad. Sin embargo, el el dispositivo debe ser a prueba de explosiones, a prueba de agua y fácil de
potencial para estimar atributos tecnológicos y sensoriales fue limitado, limpiar. Además, debe soportar entornos de proceso rigurosos, como
presumiblemente debido a la heterogeneidad de las muestras de carne y su temperaturas altas o bajas, vibraciones, polvo y humedad. Por lo tanto, la
preparación, la baja precisión de los métodos de referencia y la subjetividad instrumentación debe ser robusta con pocas partes móviles y un alto grado
de los miembros del panel de prueba. de estabilidad térmica. Los materiales que tengan contacto directo deben
La aplicación de la espectroscopia NIR al análisis de alimentos ser inocuos para los alimentos e inertes en las condiciones químicas
musculares (carne y pescado) en el período de 2005mi2010 ha sido potencialmente desafiantes (p. ej., altas concentraciones de cloruro). Se
ampliamente revisado porWeeranantanaphan, Downey, Allen y Sun (2011). requieren análisis rápidos en tiempo real en combinación con un rápido
Se concluyó que estos estudios pueden contribuir al desarrollo de procesos procesamiento de datos, análisis, y almacenamiento Está en la naturaleza de
modernos que satisfagan las necesidades y tendencias de la industria y los las mediciones en línea que la preparación de la muestra es imposible. Por lo
consumidores modernos. Sin embargo, en la industria alimentaria se tanto, las mediciones deben realizarse con muestras intactas en la forma en
observó cierta reticencia con respecto a la adopción y aplicación de la que ocurren en el proceso. A pesar del entorno hostil para los
tecnología NIR a pesar de sus ventajas. Esto puede atribuirse a la espectrómetros, la recopilación de espectros representativos y confiables en
dependencia de los métodos analíticos de referencia que pueden causar condiciones industriales sigue siendo un desafío debido a las fluctuaciones
dificultades, en particular con los métodos analíticos empíricos comúnmente de temperatura, las muestras en movimiento, la presentación de las
utilizados por la industria de procesamiento de alimentos. La aplicación de la muestras y la falta de homogeneidad de las muestras intactas. Para una
espectroscopia infrarroja (incluida la espectroscopia NIR) también se revisó usabilidad práctica, los espectrómetros deben ser rápidos y fáciles de
en otro lugar para la carne y los productos cárnicos (Gangidi y Proctor, 2009 mantener con una interrupción mínima del proceso de producción.
), y para pescado y productos relacionados (Udin y Okazaki, 2009). Finalmente, es altamente deseable la facilidad de uso sin necesidad de
conocimientos especiales durante la operación de rutina. Una gama de
Fagan, Castillo, O'Callaghan, Payne y O'Donnell (2009) revisó la espectrómetros diseñados para la implementación de procesos en línea está
aplicación de la espectroscopia infrarroja a la leche y los productos disponible comercialmente.5, donde los sistemas comerciales se utilizan en
lácteos. la mayoría de las aplicaciones.
Karoui et al. (2009)abarcó la aplicación de la espectroscopia infrarroja a los De acuerdo con la realización de la implementación del proceso, se
huevos y ovoproductos. En comparación con otros productos alimenticios, solo se pueden distinguir las mediciones fuera de línea, en línea, en línea y en línea,
han informado unas pocas aplicaciones; principalmente la determinación de la siendo sus definiciones más comúnmente utilizadas las siguientes (Callis,
frescura del huevo y la cuantificación de los principales Illman y Kowalski, 1987; Dickens, 2010; Koch, 1999):
JU Porep et al. / Tendencias en Ciencia y Tecnología de los Alimentos 46 (2015) 211mi230 217
- fuera de línea: análisis de muestras muestreadas discontinuamente en ser aplicable para mediciones en línea de humedad, grasa y proteína en dos
un laboratorio remoto o centralizado tipos de queso en planta piloto y escala de producción completa (Hoyer,
- en línea: uso de un instrumento dedicado instalado muy cerca de la 1997).
línea de proceso con la posibilidad de acondicionamiento de la Las aplicaciones recientes de la espectroscopia NIR para el control en línea y
muestra en línea de la calidad de alimentos y bebidas han sido revisadas extensamente por
- en línea: investigación no directamente en el flujo de producción/línea de (Huang et al., 2008). Estas aplicaciones se dividieron en diferentes categorías de
proceso, sino con un circuito de recirculación (by-pass) o un sistema de productos. Para el análisis de la carne (vacuna y cerdo), se tomaron
muestreo automatizado integrado en el flujo de proceso para presentar y principalmente en consideración los constituyentes predominantes, como grasa,
acondicionar las muestras al instrumento de análisis agua y proteína. Las frutas y verduras se han analizado principalmente en relación
- en línea: investigación de muestras con una interfaz directa del con sus componentes principales, como el azúcar y la acidez, y defectos como el
instrumento al flujo de producción/línea de proceso (en el lugar). pardeamiento interno. La cuantificación de humedad, proteínas, materia seca,
almidón, así como los análisis estructurales de gluten y proteínas, son de especial
Además de estas definiciones, en la práctica, los términos en línea y en línea importancia para los cereales y productos de cereales. En la industria láctea, las
aparentemente se usan indistintamente o ambos términos se usan como término mediciones NIR en línea se pueden aplicar para la determinación de los
general, respectivamente. En el presente trabajo, en línea se utiliza como término principales componentes de la leche, como grasas, proteínas y lactosa, y para el
general. Para las publicaciones citadas se utiliza el término del artículo original. control de procesos en la elaboración de queso y el seguimiento de yogur y filmjo.
€lk fermentaciones.
Además, los parámetros de calidad, así como la adulteración de los
4.1. Información general, primeras aplicaciones y reseñas aceites, también se han monitoreado espectroscópicamente. La
determinación de la humedad en carboneros secos salados es un
La aplicación de la espectroscopia NIR para el control de procesos ya se ejemplo de aplicación en línea de la espectroscopia NIR en la pesca. La
tuvo en cuenta en 1983. Se discutieron los principios generales y se industria de las bebidas también ha sido reportada como un usuario
introdujo un instrumento de 7 filtros diseñado específicamente para la potencial del monitoreo en línea a través de la espectroscopia NIR,
aplicación de control de procesos en línea en tiempo real (Cooper, 1983). como en la fermentación del vino, la evaluación del procesamiento
Antes de 1980, el control de procesos basado en la espectroscopia NIR no se continuo de jugos con respecto a los sólidos solubles y la detección de
ha informado con frecuencia (Obrero, Jr., 1993). Posteriormente, además de la adulteración del jugo de manzana. Otras aplicaciones incluyen
otros constituyentes, los contenidos de etanol se midieron con exactitud y mediciones de conductividad y viscosidad en línea en sorbetes
precisión en la cerveza (Halsey, 1985). Se sugirió que la aplicación de congelados, el control del color y la composición durante la extrusión
laboratorio se extendiera al control de procesos en línea en cervecerías para de harina de maíz y el control de la cinética de la fermentación de la
monitorear la fermentación y el control de la dilución después de la masa y el endurecimiento del pan. Según los autores,
elaboración de cerveza de alta gravedad, respectivamente.Davies y Grant
(1987)declaró que “se están desarrollando métodos en línea para usar el
análisis NIR y se espera que esta sea una de las aplicaciones más Bock y Connelly (2008)estudió usos innovadores de la espectroscopia NIR en el
importantes para el uso futuro de NIR en la industria alimentaria”. Se procesamiento de alimentos. Entre otras, se informaron aplicaciones en línea de la
informó que los instrumentos estaban disponibles en varias empresas; sin espectroscopia NIR, a saber, aplicaciones de clasificación de carne para la
embargo, acompañando la falta de información publicada. evaluación delongísimola terneza del filete de res o la clasificación de las muestras
Las primeras aplicaciones de la espectroscopia NIR al proceso de alimentos en de res en tiernas, intermedias y duras. Las aplicaciones lácteas cubiertas en este
línea/en línea han sido demostradas porScotter (1990). Parámetros como artículo de revisión comprenden mediciones NIR en línea para monitorear
densidad original, contenido de alcohol, contenido de proteína, grasa, humedad y procesos continuos de fraguado de cuajada, para predecir el tiempo de corte de la
carbohidratos fueron evaluados en el curso de la caracterización fisicoquímica de cuajada y un sensor en línea para monitorear la producción de yogur. En
cerveza, vino y licor de molienda húmeda de maíz, leche en polvo en polvo, harina, tecnología de cereales, se informaron investigaciones a través de sensores en
semilla de girasol premolida, pescado producto y mantequilla. línea para determinar la composición óptima de la masa y el tiempo de mezclado
o para monitorear el mezclado y el desarrollo de la masa con una sonda de
En 1991,Grevesmuehl, Kradjel y Kellner (1991)presentó un analizador NIR interacción de fibra óptica. Se concluyó que la espectroscopia NIR mostró grandes
comercial optimizado para el control de circuito cerrado en la producción ventajas en aplicaciones de monitoreo de procesos. Sin embargo, estas
industrial. Las aplicaciones en la industria alimentaria comprenden el análisis de conclusiones se vieron limitadas debido a la necesidad de más estudios en línea a
muestras tanto líquidas como sólidas. Estas aplicaciones se pueden encontrar, por gran escala en la industria alimentaria para verificar la confiabilidad y la precisión
ejemplo, en la industria de procesamiento de azúcar para la determinación de los en condiciones de proceso típicas.
valores Brix en jugo crudo, delgado y espeso, así como en la elaboración de En la revisión de Lee (2007).
cerveza, lo que permite controlar una estación de mezcla en línea para agregar
agua continuamente a la cerveza de alta densidad. Los análisis de muestras
sólidas comprenden la medición de la humedad y la proteína en la harina; grasa, Además de muchas otras aplicaciones de la espectroscopia NIR para predecir
humedad y proteína en el procesamiento de leche en polvo; el análisis de grasa en la carne y la calidad de la carne,Prieto et al. (2009)también tuvo en cuenta las
queso crema así como grasa y proteína en carne. aplicaciones en línea en el procesamiento industrial. Las primeras aplicaciones
Una revisión de la espectroscopia NIR de proceso, incluidas las aplicaciones en fueron la estimación en línea del contenido de grasa, humedad y proteína en
línea en la industria alimentaria, en un período de 1980mi1994 fue publicado por pequeñas muestras de carne molida en una cinta transportadora. También se han
Workman, Jr. (1993). Las aplicaciones en línea revisadas en este trabajo informado otras aplicaciones para determinar la composición química de
comprendían el control continuo de los procesos de fermentación para la muestras de carne de res y cerdo en movimiento en una cinta transportadora o en
producción de ácido láctico, la clasificación en línea de canales de aves de corral la salida de una picadora de carne. Además, se revisó la aplicación de una sonda
en tres clases con respecto a las enfermedades, el control de procesos en una de fibra óptica para evaluar atributos químicos, tecnológicos y sensoriales en
fábrica de azúcar de remolacha y en una molino de harina.Bellon, Vigneau y Se canales intactas. En conclusión, la técnica de espectroscopia NIR demostró ser
- villa (1994)espectroscopía NIR en línea establecida en el capaz de predecir simultáneamente varios atributos de calidad de la carne en línea
industria alimentaria para ser de alta calidad; sin embargo, se informó que las en las condiciones del procesamiento industrial.
aplicaciones en línea eran nuevas.
Como ejemplo, se ha demostrado que los espectrómetros NIR Berzaghi y Riovanto (2010)también informó aplicaciones en línea
218 JU Porep et al. / Tendencias en Ciencia y Tecnología de los Alimentos 46 (2015) 211mi230
de espectroscopía NIR durante el procesamiento de carne en una picadora y un el cabezal de muestreo puede montarse sobre cintas transportadoras de azúcar, lo que
mezclador industrial. Además, se presentó la aplicación en la leche y la industria permite un control continuo. Se descubrió que este sistema era capaz de determinar los
láctea, a saber, la evaluación en línea de la calidad de la leche durante el ordeño, el parámetros de azúcar convencionales, como la polarización, la humedad, la ceniza, el
control en línea de la coagulación de la leche inducida por el cuajo y la sinéresis de color y los azúcares reductores, pero también el contenido de polifenoles, el contenido
la cuajada. Ejemplos adicionales en la industria láctea fueron dados por de minerales y la capacidad antioxidante.
Giangiacomo y Cattaneo (2007)describe la determinación de la grasa en la leche y
el queso o la humedad en la mantequilla y el queso, el seguimiento de la 5. Aplicaciones específicas en línea
producción continua de mantequilla, el control del secado por aspersión de la
leche y la evaluación de la desnaturalización de la proteína tras el tratamiento Una descripción general de la aplicación en línea reciente de la
térmico del suero. espectroscopia NIR en diferentes áreas de la industria alimentaria se
En su revisión de la medición no destructiva de la calidad de frutas y presenta enTablas 1 y 2. Se diferenciaron entre aplicaciones a escala de
hortalizas mediante espectroscopia NIRNicolai et al. (2007) señaló que la laboratorio, para las cuales solo se discutió o consideró una aplicación en
mayoría de las aplicaciones se han demostrado en un entorno de línea, aplicaciones a escala piloto semi-industrial con mediciones en línea y
laboratorio y en condiciones estáticas. Solo se han citado algunas aplicaciones realizadas en condiciones industriales o condiciones cercanas a
publicaciones de excepciones notables de implementación en línea para estas. La evaluación espectroscópica en el rango visible (VIS) del espectro
medir frutas intactas (por ejemplo, manzanas, frutas cítricas y frutas con electromagnético a menudo se incluía además de la región NIR, lo que
hueso). Los sensores NIR disponibles comercialmente de diferentes indica que el rango VIS frecuentemente contiene información relevante para
fabricantes aplicables en líneas de clasificación ahora están disponibles de la calibración. La tecnología de imágenes hiperespectrales y
varios proveedores. Sin embargo, la falta de disponibilidad de evidencia multiespectrales es una herramienta emergente y prometedora para el
científica de la precisión de estos sistemas se considera un inconveniente análisis y control de procesos (ElMasry & Sun, 2010; Gowen, O'Donnell,
importante. Cullen, Downey y Frías, 2007). La aplicabilidad de esta técnica para
El alcance particular del uso de la espectroscopia NIR en la industria del monitorear y analizar productos alimenticios en cintas transportadoras en
aceite de oliva fue cubierto porArmenta, Moros, Garrigues y Guardia (2010). movimiento o en procesos continuos parece particularmente prometedora (
En este contexto, se consideró el seguimiento en línea del valor de acidez, Weeranantanaphan et al., 2011). Esto también está documentado por las
sabor amargo y composición de ácidos grasos, niveles totales de numerosas publicaciones recientes que consideran las aplicaciones en línea
carotenoides y clorofilas tras el procesamiento de aceites de oliva vírgenes de la tecnología de imágenes NIR.
en almazaras. Además, diferentes autores informaron la determinación en
línea de la humedad y el contenido de grasa. Se concluyó que la mayoría de 5.1. Aplicaciones de laboratorio
los estudios solo se han realizado a escala de laboratorio y solo unos pocos
se aplicaron en condiciones reales de proceso en almazaras. En Una evidencia de la relevancia de las aplicaciones en línea de la
consecuencia, para obtener un conocimiento más profundo de la espectroscopia NIR se puede encontrar en las revisiones antes
aplicabilidad de la espectroscopia NIR en condiciones de proceso, se mencionadas y en los artículos originales citados en ellas. Además,
necesita urgentemente una estrecha colaboración entre las instalaciones de ahora también existe un deseo cada vez mayor de aplicar la
investigación y los procesadores industriales. espectroscopia NIR en línea en el análisis de productos alimenticios.
Aït Kaddour y Cuq (2011b)revisó estudios sobre espectroscopia NIR para Incluso si se llevan a cabo como estudios preliminares o de viabilidad
monitorear el procesamiento de productos de trigo. Según los autores, la en condiciones de laboratorio, el control de procesos en línea y la
espectroscopia NIR puede proporcionar información valiosa sobre los cambios en predicción de la calidad mediante espectroscopia NIR a menudo se han
las propiedades químicas y fisicoquímicas de los alimentos durante el tenido en cuenta y expresado como objetivo general. En general, los
procesamiento y se ha realizado principalmente como una herramienta de autores llegaron a la conclusión de que la espectroscopia NIR presenta
monitoreo en línea para la mezcla de masa de pan. El seguimiento de la un método prometedor y factible para su aplicación en línea. La
fermentación de la masa, los procesos de aglomeración de la harina, los procesos mayoría de los estudios se realizaron con los productos básicos de
de extrusión y laminación de la pasta, el tratamiento térmico y el almacenamiento frutas y verduras, carne y productos cárnicos, así como leche y
del producto son otras aplicaciones especificadas en este artículo de revisión. Se productos lácteos. Predicción de componentes químicos (p. ej.,
concluyó que la espectroscopia NIR es adecuada para el control en línea del humedad, contenido total de sólidos solubles (TSS), proteína,Collell,
procesamiento de trigo. Además,Aït Kaddour y Cuq (2011a)se centró en el uso de Gou, Picouet, Arnau y Comaposada, 2010; Flores, Sa
la espectroscopia NIR dinámica para monitorear la mezcla de masa de pan,
principalmente como un método en línea. La espectroscopia NIR pareció ser capaz - nchez, pe- rez-Marín, Guerrero, &
de proporcionar información relevante para calcular las constantes de velocidad Garrido-Varo, 2009; Morales-Sillero et al., 2011; Porep, Erdmann, Ko
de reacción del proceso, lo que permitió monitorear los cambios químicos y físicos €rzendo€rfer, Kammerer y Carle, 2014; Prevolnik, Candek-Potokar, &
en la estructura de la masa durante la mezcla. Skorjanc, 2010).
El seguimiento y control mediante espectroscopia NIR en procesos
de fermentación comprende, entre otros, la determinación cuantitativa 5.2. Escala semi-industrial
de glucosa, ácido láctico y biomasa en tiempo real en procesos de
fermentación de ácido láctico, la determinación de constituyentes La implementación en línea de la espectroscopia NIR en condiciones
principales en caldos de fermentación de unL-el proceso de cercanas a los procesos industriales, por ejemplo, en una cinta
fermentación del ácido glutámico y la cuantificación de la glucosa transportadora en movimiento o en una instalación de producción a escala
formada tras la sacarificación enzimática del almidón (Yano, 2007). piloto, evaluada recientemente se resume entabla 1. Se estudió un amplio
Las implementaciones prácticas de tecnologías basadas en NIR en línea espectro de productos básicos en el área de alimentos vegetales y animales.
en fábricas de azúcar de caña para mejorar el rendimiento han sido tenidas A continuación se revisarán algunos ejemplos con más detalle.
en cuenta porO'Shea, Staunton y Slupecki (2011). Las aplicaciones Un estudio que considera la predicción de la calidad de la carne de cerdo
comerciales se utilizan para establecer estrategias innovadoras con fines de fresca usando espectroscopía de reflectancia NIR/VIS en línea (350mi1100 nm) fue
calidad, remuneración y control de procesos. Se desarrollaron diferentes realizado porLiao, Fan y Cheng (2010). Para este propósito, rebanadas intactas de
configuraciones para el análisis de caña, azúcar y bagazo que permiten dorsal largolos músculos se escanearon en condiciones simuladas en línea. Los
determinar parámetros como contenido de fibra, cenizas, materia seca, espectros se derivaron de la superficie cortada en una cinta transportadora
polarización y valores Brix. Para este propósito, el utilizando un sistema prototipo. El rango espectral fue
tabla 1
Aplicaciones semi-industriales en línea de la espectroscopia NIR en el sector alimentario.
Muestra Muestra de presentación Modo de adquisición Regresión Rango espectral Espectral Atributos [unidad] Calibración Árbitro.
Carne/productos cárnicos
cerdo fresco, Rebanadas intactas, cinta Reflectancia por favor 350mi1100nm MCþDWTþ Grasa intramuscular [%] (2,45 R2 California¼0,852; Liao et al. (2010)
dorsal largo transportadora (450mi910nm) DerivadoþMSC mi3.57) RMSEC¼0,074;
R2valor¼0,767;
RMSEP¼0.087
Proteína [%] (19,07mi23.32) R2 California¼0,821;
RMSEC¼0,469;
R2valor¼0,757;
RMSEP¼0.405
Agua [%] (64,65mi74.12) R2 California¼0,832;
RMSEC¼0,762;
R2valor¼0,794;
RMSEP¼0.776
valor pH [ ] (5,03mi6.14) R2 California¼0,865;
Pedro Sanz,
Guerrero-Ginel,
y Garrido Varo
(2012)
Mariscos
bacalao (gadus Cinta transportadora intacta Imágenes de interacción Ninguno (PCA) 400mi1000 nm (487, SNV, SG diferenciando entre 96mi100% Sivertsen et al. (2011)
morhua) filletes 557, 606, 646 nm) fresco
y congeladomidescongelado
Imágenes de interacción por favor 400mi1000 nm (487, Ninguna Frescura [días en hielo] (0mi R¼0,93;
606, 646, 980 nm) 460 13) RMSECV¼1.64
Filetes de pescado Cinta transportadora intacta Imágenes de interacción por favor mi1040nm n/A Agua [%] (56,45mi85.41) RCalifornia¼0,94; ElMasry y
(760mi1040nm) RMSEC¼2,45; Mundo (2008)
RMSECV¼2.73
Grasa [%] (0.12mi22.92) RCalifornia¼0,91;
RMSEC¼2,70;
RMSECV¼2.99
Súper frío Cinta transportadora intacta Imágenes de interacción por favor 760mi1040nm PROMEDIO, SNV Fracción de hielo [%] (0mi30) R2CV¼0,98; Ottestad, Hoy, Stevik,
filetes de salmón RMSECV¼2.06 y mundo (2009)
Grasa [%] (7.9mi31.2) R2CV¼0,94;
RMSECV¼2.30
Filetes de salmón Cinta transportadora intacta Imágenes de interacción por favor 760mi1040nm PROMEDIO, SNV Grasa [%] (3,81mi29.64) R2CV¼0,958; Segtnan, Hoy, Lundby,
RMSECV¼2.00 Narum y Wold (2009)
(Continúa en la siguiente página)
219
Tabla 1 (continuado)
220
Muestra Muestra de presentación Modo de adquisición Regresión Rango espectral Espectral Atributos [unidad] Calibración Árbitro.
Leche/productos lácteos
Leche coagulante En cuba de queso Reflectancia PCAþNLR 1000mi2500nm n/A proceso de coagulación, R2> 0,99 Lyndgaard et al. (2012)
(1000mi1850nm) automático
determinación del tiempo de
Cuajada a través de un vaso Reflectancia por favor (þJK) 189mi1100nm n/A corte Humedad [g/100 g] (75,5 RCalifornia¼0.86mi Mateo et al. (2010)
ventana mi91.3) 0,93; SEP¼0.97mi1.7
instalado en el
pared de la tina de queso
221
222 JU Porep et al. / Tendencias en Ciencia y Tecnología de los Alimentos 46 (2015) 211mi230
PLS, mínimos cuadrados parciales; AG, algoritmo genético; MLR, regresión multilineal; SPA, algoritmo de proyección sucesiva; MC-UVE, Eliminación de variables no informativas de Monte-Carlo; SMLR, MLR por pasos; LS-SVM, máquina de vectores
coeficiente de
transformada de wavelet discreta para eliminar el ruido de los espectros. Para el
pretratamiento de los datos se utilizaron la corrección de la dispersión
multiplicativa y la primera derivada. Los atributos de calidad se investigaron con
MSC, corrección de dispersión multiplicativa; Derivado, derivado; SNV, normal estándar variable; BOC, corrección de compensación de la línea de base; DT, de tendencia; SG, Savitzkymiderivado de Golay; MC, centrado en la media; EMSC, MSC extendido; DWT,
California,
coeficiente de determinación de la validación cruzada; SEC, error estándar de calibración; SEP, error estándar de predicción; RMSEC, raíz cuadrada media
de soporte de mínimos cuadrados; DA, análisis discriminante; SVM, máquinas de vectores de soporte; JK, navaja; PCA, análisis de componentes principales; COS 2D, espectroscopia de correlación bidimensional generalizada; NLR, regresión no lineal.
un rendimiento variable. Según los autores, los modelos de calibración para el
valor de la fuerza de corte eran deficientes; en contraste, los modelos para la
predicción del contenido de grasa, proteína y humedad intramusculares se
pueden usar para estimaciones aproximadas, y la predicción del valor del pH
Árbitro.
error de calibración; RMSEP, error cuadrático medio de predicción; RMSECV, error cuadrático medio de la validación cruzada. Los errores están en la misma unidad definida por el atributo, R y R2son adimensionales.
R, coeficiente de correlación; RCalifornia, coeficiente de correlación de calibración; Rvalor, coeficiente de correlación de validación; RCV, coeficiente de correlación de validación cruzada; R2, coeficiente de determinación; R2 debería ser una alternativa confiable y rápida a las mediciones de sonda de pH en
condiciones de procesamiento en línea.
Liao, Fan y Cheng (2012)destinado a mejorar la predicción del valor de
pH en la carne de cerdo fresca con aparentemente los mismos datos
utilizados porLiao et al. (2010). Se eliminó el ruido de los espectros de la
RMSEP¼0.037
RMSEP¼0.033
Rvalor¼0,833;
Rvalor¼0,872;
Calibración
de la frescura como días en hielo tuvo una precisión de 1,6 días. Los resultados
mostraron que los cambios durante el almacenamiento en frío y el proceso de
Espectral
LS-SVM
en % (p/p).
miSupuestamente
modelos cinéticos diferentes para todo el proceso de coagulación y para las fases
CAbreviaturas:
aAbreviaturas:
bAbreviaturas:
individuales de la coagulación. con una R2> 0,99 ambos modelos funcionaron muy
bien, lo que hace que los resultados sean potencialmente útiles para la
Muestra
Tabla 2
Aplicaciones industriales en línea de la espectroscopia NIR en el sector alimentario.
Muestra Muestra Adquisición Regresión Rango espectral Pre-espectral Atributos [unidad] Rendimiento de calibraciónC Árbitro.
Carne/productos cárnicos
no homogéneo Intacto, transportador Interactancia por favor 760mi1040nm EMSC Grasa [%] (1.5mi63.7) RCalifornia¼0,985; O'Farrell et al.
Cerdo cinturón en caja de plástico imágenes RMSECV¼1,90; (2010)
recortes RMSEP¼3,4/2,82
Carne de res, Intacto, manual Reflectancia por favor 350mi1800nm Ninguna Valor L* [ ] (31.49 R2 California¼0,86; SEGUNDO¼0,88; Prieto et al.
M. longísimo alrededor de la superficie mi53.93) R2CV¼0,83; SECV¼0,96 (2009)
tórax Ninguna a* valor [ ] (16.71 R2 California¼0,86; SEGUNDO¼0,71;
mi28.89) R2CV¼0,71; SECV¼0,95
Ninguna b* valor [ ] (3.40mi15.40) R2 California¼0,91; SEGUNDO¼0,52;
R2CV¼0,84; SECV¼0,69
Ninguna Pérdida por cocción [%] (16.26 R2 California¼0,35; SEGUNDO¼2.13;
mi29.84) R2CV¼0,23; SECV¼2.35
MSC, Deriv. cizalla Volodkevitsch R2 California¼0,37; SEGUNDO¼11.12;
fuerza [N] (16,95mi98.33) R2CV¼0,21; SECV¼12.70
MSC, Deriv. Fuerza cortante de corte (3 días R2 California¼0,54; SEGUNDO¼46,49;
post mortem) [N] (89.28 R2 CV¼0,31; SECV¼55.76
mi385.75)
Ninguna Corte de fuerza de corte (14 días R2 California¼0,31; SEGUNDO¼26,97;
post mortem) [N] (61.43 R2 CV¼0,23; SECV¼28.49
mi273.28)
MSC, Deriv. Ternura [ ] (3.00 mi R2 California¼0,28; SEGUNDO¼0,56;
6.70) R2 CV¼0,16; SECV¼0,60
MSC, Deriv. Jugosidad [ ] (3.80mi5.90) R2 California¼0,21; SEGUNDO¼0,39;
R2 CV¼0,13; SECV¼0.41
Derivado Sabor [ ] (2.57mi5.70) R2 California¼0,59; SEGUNDO¼0,34;
R2 CV¼0,40; SECV¼0.42
Derivado Sabor anormal [ ] R2 California¼0,22; SEGUNDO¼0,35;
(2.00mi6.70) R2 CV¼0,13; SECV¼0.37
Ninguna Gusto general [ ] R2 California¼0,25; SEGUNDO¼0,37;
R2 CV¼0,20; SECV¼0.38
Carne de res, Aberdeen Intacto, manual Reflectancia por favor 350mi1800nm Deriv., MSC Ácidos grasos individuales R2 California¼0.19mi0,70; SEGUNDO¼0.3Prieto et al.
Angus alrededor de la superficie (1100mi1800nm) [mg/100 g] (0,9mi9.4 a mi298; (2011)
(M. longísimo 346mi2152) SECV¼0.4mi381
tórax) Deriv., MSC Grupos de ácidos grasos R2 California¼0.16mi0,73; SEGUNDO¼6.6
[mg/100 g] (34mi67 a 415 mi824;
mi2638) SECV¼8.1mi1029
Ternera (Limusina) Ácidos grasos individuales R2 California¼0.12mi0,76; SEGUNDO¼0.4
(M. longísimo [mg/100 g] (0,7mi9.3 a mi185;
tórax) 194mi1978) SECV¼0.5mi192
Grupos de ácidos grasos R2 California¼0.12mi0,75; SEGUNDO¼0.4
[mg/100 g] (27mi65 a 238 mi458;
mi2376) SECV¼9.0mi477 Separación
Carne de res (longísimo Reflectancia de exploración manual intacta por favor 400mi2500nm n / Ad Fuerza de corte de corte exitosa de lo duro de lo óxido et al.
lumborum) (400mi1500nm) [kg] (9.87mi39.87) tierno (2008)
Recortes de carne soltero intacto Interactancia por favor 750mi1050nm SNV Grasa [%] (2.1mi82.7) RCalifornia¼0,98; RMSECV¼3,0;Wold et al. R
recortes, imágenes valor¼0,84; RMSEP¼8.7 (2011)
cinta transportadora
canales de res Intacto, manual a Reflectancia por favor 350mi2500nm EMSC, OSC Clasificación del pH de las > 90% correcto Reyes y
M. longísimo (450mi1850nm) canales como normal Rosenvold
dorsal (<5.8) y alto (5.8) pH [ ] (2014)
canales de res Intacto, manual a Reflectancia por favor 350mi1800nm SNVþDT, (5.34mi5,63/5,43 mi5.68) R2CV¼0,52/0,06; marzo
M.gracilis (400mi1800nm) MSC SECV¼0,04/0,04 (2013)
Valor L* [ ] (30,80 mi R2CV¼0,41/0,53;
41.31/30.17mi44.38) a* valor SECV¼1,67/1,93
[ ] (7.04mi16.72/ R2 CV¼0,58/0,31;
9.48mi17.90) SECV¼1,33/1,54
b* valor [ ] (10.44 mi R2CV¼0,57/0,17;
18.89/10.28mi17,94) SECV¼0,96/1,25
Pérdida por cocción [%] R2CV¼0,31/0,01;
(23,16 mi33,48/32,61mi SECV¼1,79/1,47
41.30) WarnermiFuerza R2CV¼0,13/0,08;
cortante Bratzler [N] (19.96 SECV¼6.51/6.98
mi48,50/ 26,17mi61.20)
jamón curado Intacto Interacción PLS 760mi1040nm SNV Agua [%] (40,84mi60.89) R2 California¼0,956; Gou et al.
rebanadas imágenes (820mi1040nm) RMSEC¼1,03; (2013)
RMSEP¼1.34
Grasa [%] (3,66mi19.70) R2 California¼0,921;
RMSEC¼1,36;
RMSEP¼1.36
(Continúa en la siguiente página)
224 JU Porep et al. / Tendencias en Ciencia y Tecnología de los Alimentos 46 (2015) 211mi230
Tabla 2 (continuado)
Muestra Muestra Adquisición Regresión Rango espectral Pre-espectral Atributos [unidad] Rendimiento de calibraciónC Árbitro.
Tabla 2 (continuado)
Muestra Muestra Adquisición Regresión Rango espectral Pre-espectral Atributos [unidad] Rendimiento de calibraciónC Árbitro.
para ser utilizado en una plataforma de procesamiento de cangrejos. Los espectrómetros se integraron con éxito en las líneas de recepción de dos
Se ha investigado una aplicación en línea de la espectroscopia NIR en la bodegas durante tres cosechas. En total, se recolectaron los espectros de 1160
industria láctea para la evaluación de la calidad en un sistema de ordeño muestras de uvas entregadas comercialmente. Las calibraciones específicas de
automático, es decir, para un robot de ordeño (Kawasaki et al., 2008). Espectros en color, cosecha y origen en su mayoría dieron como resultado un mejor
un rango de 600miSe recogieron 1050 nm en leche no homogeneizada en modo rendimiento del modelo en comparación con un modelo global. Los modelos
de interacción. El espectroscopio NIR se instaló en un bypass con leche fluyendo específicos de variedades parecían ser particularmente prometedores. Se
continuamente a través de una cámara que contenía el sensor. Se utilizó la recopilaron modelos adecuados para predicciones semicuantitativas gruesas de
regresión PLS para obtener un modelo de calibración sin más pretratamiento de parámetros relacionados con el azúcar y el ácido en combinación con indicadores
espectros. Los tres componentes principales de la leche, grasa, lactosa y proteína, de pudrición de la uva. En particular, es notable el rendimiento relativamente
así como el recuento de células somáticas (SCC) y el nitrógeno ureico en la leche bueno de los parámetros relacionados con el ácido en comparación con los datos
(MUN), se seleccionaron como disponibles en la literatura. Sin embargo, la previsibilidad del ácido tartárico fue
parámetros de calibración para la evaluación de la calidad. Debido a la alta generalmente pobre. La predicción de los parámetros de la pudrición de la uva
R2 valorvalores y los valores SEP relativamente bajos, se concluyó que generalmente se vio afectada por los bajos contenidos comunes de estos
se lograron niveles suficientes de precisión y exactitud. El rendimiento compuestos que varían dentro de un rango pequeño, posiblemente revelando las
de la predicción de SCC se consideró potencialmente útil para clasificar limitaciones de la espectroscopia NIR/VIS para este propósito. Sin embargo,
la leche en grupos cualitativos para el diagnóstico de mastitis pueden detectarse muestras gravemente afectadas debido a contenidos más
subclínica. La predicción de MUN fue más pobre que para otros altos, especialmente si se tienen en cuenta múltiples parámetros. Por lo tanto, la
parámetros de calidad de la leche investigados, pero aún podría usarse evaluación holística de la calidad de las uvas es válida a pesar de una predicción
para monitorear el estado nutricional de vacas individuales. Según los posiblemente inexacta de los atributos individuales. Por lo tanto, incluso las
autores, esta técnica se puede aplicar para el monitoreo en línea en determinaciones semicuantitativas de los parámetros pueden usarse para la
tiempo real durante el ordeño utilizando un robot de ordeño con evaluación multifactorial del material de uva entregado.
suficiente precisión y exactitud, aunque aún se requieren Además, la espectroscopia NIR/VIS se ha aplicado como una herramienta
investigaciones más detalladas. rápida para la determinación en línea de ergosterol en las mismas
Además, se evaluaron los contenidos de grasa, proteína y lactosa en la leche condiciones industriales (Porep, Mrugala, Pour Nikfardjam y Carle, 2015). El
cruda mediante mediciones espectroscópicas NIR en línea en un rango espectral rendimiento alcanzado fue al menos adecuado para mediciones
de 851mi1649 nm. El dispositivo se instaló en un tubo de leche de un lugar de semicuantitativas de ergosterol en purés de uva al momento de la entrega
ordeño en tres granjas, respectivamente. Los autores enfatizaron la necesidad de en bodegas, lo que permitió la detección objetiva de entregas de uva
incluir tanta vaca, alimentación y variación estacional en la calibración como sea conspicuas.
posible para obtener una predicción confiable de muestras desconocidas. Las En consecuencia, los espectrómetros NIR/VIS implementados en línea
estadísticas de validación de los contenidos de grasa, proteína y lactosa dependían demostraron ser una herramienta prometedora para la evaluación rápida y
del modelo. La validación con conjuntos de muestras derivados de granjas objetiva de la calidad de la uva en las bodegas justo después de la recepción de la
externas en combinación con conjuntos de calibración ampliados con muestras de uva, lo que permite una fijación de precios justa e incentivadora basada en la
la granja de donde se obtuvieron las muestras de validación se consideró óptima calidad. El rechazo de las uvas estropeadas también puede contribuir a mejorar la
en cuanto a la variabilidad de la muestra del conjunto de calibración y la seguridad alimentaria. Además, se puede avanzar en la gestión de la calidad y se
independencia del conjunto de validación (Melfsen, Hartung y Haeussermann, pueden desarrollar criterios de aceptación adicionales. Para mejorar su
2013). confiabilidad, los modelos de calibración deben optimizarse y validarse aún más
La composición de la leche en polvo ha sido predicha por una serie de utilizando conjuntos de datos independientes adicionales de cosechas posteriores.
diferentes sistemas de espectroscopia NIR en línea y en línea. Sin embargo,
las evaluaciones carecen de información importante, como el método de 6. Conclusiones
regresión aplicado y las estadísticas de validación. Sin embargo, se informó
la aplicación en línea y en línea en condiciones industriales. Se han La aplicación de la espectroscopia NIR en el sector alimentario tiene una larga
informado desafíos relevantes en la práctica, como el control de la historia. Los análisis rápidos sin necesidad de preparación de muestras presentan
temperatura de funcionamiento del instrumento, la formación de polvo y la una de las principales ventajas de esta técnica. Por lo tanto, esta técnica conlleva
garantía de un flujo de polvo constante. En un estudio, las mediciones se el requisito previo para mediciones en línea en tiempo real. Sin embargo, las
realizaron en un rango de 1000mi2500 nm con sondas de fibra óptica. En mediciones en línea en condiciones industriales siguen siendo un desafío debido a
conclusión, se confirmó el análisis exitoso de los contenidos de grasa, las principales influencias, como las fluctuaciones de temperatura o las muestras
proteína y humedad por FT-NIR (Holroyd, Prescott y McClean, 2013). en movimiento. Además, la presentación de la muestra puede convertirse en un
problema crucial para las muestras intactas debido a la falta de homogeneidad.
La espectroscopia NIR se puede aplicar en etapas muy tempranas del proceso Numerosos estudios afirman que las mediciones en línea son su objetivo final,
de producción de alimentos, como se ejemplifica para la determinación de la pero nunca las realizan, lo que a menudo no se aclara de manera inequívoca. Por
concentración de proteína de grano durante la cosecha de trigo (Largo, Engel y lo tanto, la clasificación en aplicaciones semiindustriales e industriales puede
Siemens, 2008). Los primeros experimentos se realizaron en configuración de ayudar a encontrar aplicaciones prácticas relevantes de la espectroscopia NIR.
laboratorio y en un banco de pruebas de cosechadoras. Finalmente, el
espectrómetro NIR se instaló en el sinfín de salida de una cosechadora para medir En general, las aplicaciones industriales en línea rara vez se han descrito
el contenido de proteína de trigo en una corriente de grano en movimiento. Los en publicaciones científicas, aunque existe la necesidad de más estudios en
espectros se recogieron en un rango de longitud de onda de 600mi1100 nm en línea a gran escala en la industria alimentaria para verificar la confiabilidad y
modo de reflectancia difusa y se aplicó regresión PLS. La correlación de la precisión de la espectroscopia NIR en condiciones de proceso. Sin embargo,
predicción en línea en el campo en la cosechadora y las concentraciones de muchos de los estudios publicados parecen demostrar la idoneidad de la
proteína de referencia fue alta, lo que demuestra que la espectroscopia NIR en espectroscopia NIR como una herramienta valiosa para el control de
línea proporciona resultados confiables de concentración de proteína de grano en procesos en línea y la gestión de calidad o al menos subrayan su potencial
condiciones de campo. para aplicaciones industriales.
Recientemente se ha evaluado la viabilidad de la evaluación en línea para
el análisis en tiempo real de mostos de uva mediante espectroscopia NIR/VIS Referencias
a escala de producción en el momento de su recepción en las bodegas (
Porep, Mattes, Pour Nikfardjam, Kammerer,&Carla, 2015). Aït Kaddour, A. y Cuq, B. (2011a). Espectroscopía NIR dinámica para monitorear pan
228 JU Porep et al. / Tendencias en Ciencia y Tecnología de los Alimentos 46 (2015) 211mi230
mezcla de masa: una breve revisión.Revista estadounidense de tecnología alimentaria, 6,173 Gangidi, RR y Proctor, A. (2009). Carne y productos cárnicos. En D.-W. Sol (Ed.),
mi185. Aït Kaddour, A. y Cuq, B. (2011b). Espectroscopía NIR dinámica para monitorear trigo Espectroscopia infrarroja para el análisis y control de la calidad de los alimentos (págs. 179mi
Procesamiento de productos: una breve reseña.Revista estadounidense de tecnología alimentaria, 6, 214). Ámsterdam, Londres: Elsevier/Academic Press.
186mi196. Giangiacomo, R. y Cattaneo, TMP (2007). Productos lácteos. En Y. Ozaki,
Aït Kaddour, A., Morel, M.-H. y Cuq, B. (2008). Descripción de la mezcla de masa usando WF McClure y AA Christy (Eds.),Espectroscopia de infrarrojo cercano en ciencia y tecnología
espectroscopia de infrarrojo cercano.Revista de Ciencias de los Cereales, 48,698mi708. de los alimentos (págs. 323mi340). Hoboken: John Wiley e hijos. Gou, P., Santos-Garce
Armenta, S., Moros, J., Garrigues, S., & Guardia, M. De La (2010). El uso de cerca- - s, E., Høy, M., Wold, JP, Liland, KH, & Fulladosa, E. (2013).
Espectrometría infrarroja en la industria del aceite de oliva.Reseñas críticas en ciencia de los alimentos Viabilidad de la imagen hiperespectral de interacción NIR para la medición en línea de la composición
y nutrición, 50,567mi582. cruda en lonchas de jamón curado en seco envasadas al vacío.Ciencia de la carne, 95, 250mi255.
Ballabio, D. y Consonni, V. (2013). Herramientas de clasificación en química. Parte 1: lineal
modelos PLS-DA.métodos analíticos, 5,3790mi3798. Gowen, AA, O'Donnell, CP, Cullen, PJ, Downey, G. y Frías, JM (2007).
Ballabio, D. y Todeschini, R. (2009). Clasificación multivariante para cualitativa Imágenes hiperespectralesmiuna herramienta analítica de proceso emergente para el control de la
análisis. En D.-W. Sol (Ed.),Espectroscopia infrarroja para el análisis y control de la calidad y la seguridad de los alimentos.Tendencias en ciencia y tecnología de los alimentos, 18,590mi
calidad de los alimentos (págs. 83mi104). Ámsterdam, Londres: Elsevier/Academic 598. Grevesmuehl, B., Kradjel, C. y Kellner, H. (1991). Diseño industrial optimizado
Press. Bauer, R., Nieuwoudt, H., Bauer, FF, Kossman, J., Koch, KR y Esbensen, KH analizadores de proceso para control de lazo cerrado.El Diario de Química Automática, 13,
(2008). Espectroscopía FTIR para análisis de uva y vino.Química analítica, 80, 1371mi 139mi142.
1379. Günzler, H. y Gremlich, H.-U. (2003).IR-Spektroskopie: Eine Einführung (4ª ed.).
Bellon, V., Vigneau, JL y Se - vila, F. (1994). Tecnología infrarroja y cercana al infrarrojo para Weinheim: Wiley-VCH.
la industria alimentaria y usos agrícolas: aplicaciones en línea.control de alimentos, 5, 21mi Halsey, SA (1985). El uso de la transmisión y la transflectancia cerca del infrarrojo.
27. espectroscopia para el análisis de la cerveza.Revista del Instituto de elaboración de cerveza, 91, 306mi
Berzaghi, P. y Riovanto, R. (2010). Espectroscopia de infrarrojo cercano en ciencia animal 312.
producción: principios y aplicaciones.Revista italiana de ciencia animal, 8, 39mi62. Hart, JR, Norris, KH y Golumbie, C. (1962). Determinación de la humedad
contenido de semillas por espectrofotometría de infrarrojo cercano de sus extractos de
Blanco Romía, M., & Alcalá - Berna- rdez, M. (2009). Calibración multivariada para metanol.Química de cereales, 39,94mi99.
análisis cuantitativo. En D.-W. Sol (Ed.),Espectroscopia infrarroja para el análisis y control de Heise, HM y Winzen, R. (2002). Quimiometría en espectroscopia de infrarrojo cercano. En
la calidad de los alimentos (págs. 51mi82). Ámsterdam, Londres: Elsevier/Academic Press. HW Siesler, Y. Ozaki, S. Kawata y HM Heise (Eds.),Espectroscopia de infrarrojo
Blanco, M. y Villarroya, I. (2002). Espectroscopia NIR: una analítica de respuesta rápida cercano: principios, instrumentos, aplicaciones (págs. 125mi162). Weinheim: Wiley-
herramienta.TrAC Tendencias en química analítica, 21,240mi250. VCH. Herold, B., Kawano, S., Sumpf, B., Tillmann, P. y Walsh, KB (2009). VIS/NIR
Bock, J. y Connelly, R. (2008). Usos innovadores de la espectroscopia del infrarrojo cercano en los alimentos espectroscopia. En M. Zude (Ed.),Monitoreo óptico de cultivos agrícolas frescos y
Procesando.Revista de ciencia de los alimentos, 73,R91miR98. procesados (págs. 141mi249). Boca Ratón: CRC.
Brunt, K., Smits, B. y Holthuis, H. (2010). Diseño, construcción y prueba de un Herschel, W. (1800). Investigación de los poderes de los colores prismáticos para calentar
sistema de análisis en línea NIR automatizado para patatas. Parte II. Desarrollo y e iluminar objetos; con comentarios, que prueban la diferente refrangibilidad del
pruebas del sistema semi-industrial automatizado con NIR en línea para la calor radiante. A lo que se añade, una indagación sobre el método de observar
caracterización de patatas.Investigación de la papa, 53,41mi60. ventajosamente el sol, con telescopios de grandes aperturas y elevados poderes de
Callis, JB, Illman, DL y Kowalski, BR (1987). Química analítica de procesos. aumento.Transacciones filosóficas de la Royal Society de Londres, 90,255mi283.
Química Analítica, 59,624Ami637A. Holroyd, S., Prescott, B. y McClean, A. (2013). El uso de cerca en línea y en línea
Cen, H. y Él, Y. (2007). Teoría y aplicación de espectro de reflectancia en el infrarrojo cercano. espectroscopía infrarroja para la medición de leche en polvo.Revista de espectroscopia de
troscopia en la determinación de la calidad de los alimentos.Tendencias en ciencia y tecnología de los alimentos, infrarrojo cercano, 21,441mi443.
18,72mi83. Hoyer, H. (1997). Análisis online NIR en la industria alimentaria.Control de Procesos y
Collell, C., Gou, P., Picouet, P., Arnau, J., & Comaposada, J. (2010). Factibilidad de cerca- calidad, 9,143mi152.
espectroscopia infrarroja para predecirwy contenido de humedad y NaCl de salchichas de Huang, Y., Rasco, BA y Cavinato, AG (2009). Jugos de fruta. En D.-W. Sol (Ed.),
cerdo fermentadas.Ciencia de la carne, 85,325mi330. Espectroscopia infrarroja para el análisis y control de la calidad de los alimentos (págs. 355mi
Cooper, PJ (1983). Análisis NIR para el control de procesos.Cereal Foods World, 28, 375). Ámsterdam, Londres: Elsevier/Academic Press.
241mi245. Huang, H., Yu, H., Xu, H. y Ying, Y. (2008). Espectroscopia de infrarrojo cercano para on/in-line
Cozzolino, D. (2009). Espectroscopía de infrarrojo cercano en el análisis de productos naturales.plantas seguimiento de la calidad en alimentos y bebidas: una revisión.Diario de Ingeniería de
Médico, 75,746mi756. Alimentos, 87,303mi313.
Cozzolino, D., Cynkar, W., Shah, N. y Smith, P. (2011a). Soluciones técnicas para Jespersen, BM y Munck, L. (2009). Cereales y productos de cereales. En D.-W. Sol (Ed.),
análisis de jugo de uva, mosto y vino: el papel de la espectroscopia infrarroja y la Espectroscopia infrarroja para el análisis y control de la calidad de los alimentos (págs. 275mi
quimiometría.Química Analítica y Bioanalítica, 401,1475mi1484. Cozzolino, D., 319). Ámsterdam, Londres: Elsevier/Academic Press.
Cynkar, WU, Shah, N. y Smith, P. (2011b). Análisis de datos multivariados Jie, D., Xie, L., Rao, X. y Ying, Y. (2014). Uso de luz difusa visible e infrarroja cercana
aplicado a la espectroscopia: aplicación potencial a la calidad del jugo y la fruta.Investigación técnica de transmitancia para predecir el contenido de sólidos solubles de sandía en
Internacional de Alimentos, 44,1888mi1896. un sistema de detección en línea.Biología y tecnología poscosecha, 90,1mi6. Karoui,
Cozzolino, D. y Dambergs, RG (2009). Vino y cerveza. En D.-W. Sol (Ed.),Infrarrojo R., Ketelaere, B. de, Kemps, B., Bamelis, F., Mertens, K. y Baerdemaeker, J. de
espectroscopia para el análisis y control de la calidad de los alimentos (págs. 377mi397). Ámsterdam, (2009). Huevos y ovoproductos. En D.-W. Sol (Ed.),Espectroscopia infrarroja para el análisis y
Londres: Elsevier/Academic Press. control de la calidad de los alimentos (págs. 399mi414). Ámsterdam, Londres: Elsevier/
Cozzolino, D. y Dambergs, RG (2010). Análisis instrumental de uva, mosto y Academic Press.
vino. En AG Reynolds (Ed.),Gestión de la calidad del vino (págs. 134mi161). Oxford, Boca Kawano, S. (2002). Muestreo y presentación de muestras. En HW Siesler, Y. Ozaki,
Ratón: Woodhead/CRC. S. Kawata y HM Heise (Eds.),Espectroscopia de infrarrojo cercano: principios,
Davies, AMC y Grant, A. (1987). Análisis infrarrojo cercano de los alimentos.Internacional instrumentos, aplicaciones (págs. 115mi162). Weinheim: Wiley-VCH.
Revista de ciencia y tecnología de los alimentos, 22,191mi207. Kawasaki, M., Kawamura, S., Tsukahara, M., Morita, S., Komiya, M. y Natsuga, M.
Dickens, JE (2010). Resumen de análisis de procesos y PAT. En KA Bakeev (Ed.), (2008). Sistema de detección espectroscópica de infrarrojo cercano para la evaluación en línea de la
Tecnología analítica de procesos: herramientas espectroscópicas y estrategias de calidad de la leche en un robot de ordeño.Informática y electrónica en la agricultura, 63, 22mi27.
implementación para las industrias química y farmacéutica (págs. 1mi15). Chichester: John
Wiley &Hijos. Koch, K.-H. (1999).Química analítica de procesos: Control, optimización, calidad, economía
Dufour, E.- . (2009). Principios de la espectroscopia infrarroja. En D.-W. Sol (Ed.),Infrarrojo omiBerlín, Nueva York: Springer.
espectroscopia para el análisis y control de la calidad de los alimentos (págs. 3mi27). Ámsterdam, Kradjel, C. y Lee, KA (2008). Análisis NIR de polímeros. En DA Burns, &
Londres: Elsevier/Academic Press. EW Ciurczak (Eds.),manual de análisis de infrarrojo cercano (págs. 529mi568). Boca
ElMasry, G. y Sun, D.-W. (2010). Principios de la tecnología de imágenes hiperespectrales. En Ratón: CRC.
D.-W. Sol (Ed.),Imágenes hiperespectrales para el análisis y control de la calidad de los alimentos ( Krstajic, D., Buturovic, LJ, Leahy, DE y Thomas, S. (2014). Errores de validación cruzada
págs. 3mi43). Londres, Burlington, San Diego: Prensa académica/Elsevier. al seleccionar y evaluar modelos de regresión y clasificación.Revista de
ElMasry, G. y Wold, JP (2008). Evaluación de alta velocidad del contenido de grasa y agua Quimioinformática, 6,10.
distribución en filetes de pescado mediante espectroscopia de imágenes en línea.Revista de Lee, KA (2007). Análisis en línea en ingeniería de alimentos. En Y. Ozaki, WF McClure y
Química Agrícola y Alimentaria, 56,7672mi7677. AAChristy (Eds.),Espectroscopia de infrarrojo cercano en ciencia y tecnología de los alimentos (págs.
Fagan, CC, Castillo, M., O'Callaghan, DJ, Payne, FA y O'Donnell, CP (2009). 361mi378). Hoboken: John Wiley e hijos.
Sensor de espectroscopía de infrarrojo cercano visible para predecir la composición de la cuajada y el Liao, Y.-T., Fan, Y.-X. y Cheng, F. (2010). Predicción en línea de la calidad del cerdo fresco
suero durante el procesamiento del queso.Detección e Instrumentación para la Calidad y Seguridad utilizando espectroscopía de reflectancia visible/infrarrojo cercano.Ciencia de la carne, 86,901mi907.
Alimentaria, 3,62mi69. Liao, Y., Fan, Y. y Cheng, F. (2012). Predicción en línea de valores de pH en carne de cerdo fresca
Filzmoser, P., Liebmann, B. y Varmuza, K. (2009). Doble validación cruzada repetida. utilizando espectroscopia visible/infrarroja cercana con métodos de selección de variables y
Diario de Quimiometría, 23,160mi171. eliminación de ruido de ondículas.Diario de Ingeniería de Alimentos, 109,668mi675.
Flores, K., Sa- nchez, M.-T., Pe- rez-Marín, D., Guerrero, J.-E., & Garrido-Varo, A. (2009). Li, R., Kawamura, S., Fujita, H. y Fujikawa, S. (2013). Espectroscopia de infrarrojo cercano para
Viabilidad en instrumentos NIRS para predecir la calidad interna en tomate intacto. Diario de determinar el contenido de los componentes del grano en los elevadores de granos.Ingeniería en
Ingeniería de Alimentos, 91,311mi318. Agricultura, Medio Ambiente y Alimentación, 6,20mi26.
Friebel, M., Kroh, LW, Lurie, S., Meinke, M., Rohn, S. y Torricelli, A. (2009). Qué Lin, M., Rasco, BA, Cavinato, AG y Al-Holy, M. (2009). Espectro infrarrojo (IR)
medir y cómo medir. En M. Zude (Ed.),Monitoreo óptico de cultivos agrícolas frescos y troscopiadespectroscopia de infrarrojo cercano y espectroscopia de infrarrojo medio. En D.- W. Sun
procesados (págs. 1mi43). Boca Ratón: CRC. (Ed.),Espectroscopia infrarroja para el análisis y control de la calidad de los alimentos (páginas.
JU Porep et al. / Tendencias en Ciencia y Tecnología de los Alimentos 46 (2015) 211mi230 229
Workman, JJ, Jr. (2008). Conceptos básicos de calibración de espectroscopia NIR. En DA Burns, & Hoboken: John Wiley e hijos.
EW Ciurczak (Eds.),manual de análisis de infrarrojo cercano (págs. 123mi150). Boca Yu, HY, Niu, XY, Lin, HJ, Ying, YB, Li, BB y Pan, XX (2009). Un estudio de viabilidad
Ratón: CRC. sobre la determinación en línea de la composición del vino de arroz por VismiEspectroscopía NIR y
Xu, H., Qi, B., Sun, T., Fu, X. y Ying, Y. (2012). Selección variable en visible y cercano máquinas vectoriales de soporte de mínimos cuadrados.Química de los alimentos, 113,291mi296.
espectros infrarrojos: aplicación a la determinación en línea del contenido de azúcar en peras. Diario Zamora-Rojas, E., Pe - rez-Marín, D., Pedro-Sanz, E. de, Guerrero-Ginel, JE, & Gar-
de Ingeniería de Alimentos, 109,142mi147. rido-Varo, A. (2012). Clasificación in situ de canales de cerdo ibérico utilizando un
Yano, T. (2007). Ingeniería de fermentación. En Y. Ozaki, WF McClure y AA Christy espectrómetro de infrarrojo cercano (NIR) basado en un sistema microelectromecánico
(Editor),Espectroscopia de infrarrojo cercano en ciencia y tecnología de los alimentos (págs. 343mi359). (MEMS). Ciencia de la carne, 90,636mi642.