Traducido del inglés al español - www.onlinedoctranslator.

com

Helio 9 (2023) e17976

Listas de contenidos disponibles enCiencia Directa

Helión
revista Página de inicio:www.cell.com/heliyon

Análisis de la calidad de la carne vacuna según cambios de color mediante visión por
computadora y técnicas de aprendizaje automático de caja blanca

Claudia N.Sáncheza, María Teresa Orvañanos Guerreroa, Julieta

Domínguez-Soberanesb,*, Yenizey M. Álvarez CisnerosC
aUniversidad Panamericana. Facultad de Ingeniería. Aguascalientes, 20296, México
bUniversidad Panamericana. Escuela de Dirección de Negocios Alimentarios. Aguascalientes, 20296, México
CDepartamento de Biotecnología, Universidad Autónoma Metropolitana, Unidad Iztapalapa. Ciudad de México, 09310, México

INFORMACIÓN DEL ARTÍCULO ABSTRACTO

Palabras clave: La calidad de los productos vacunos depende de la presencia de un color rojo cereza, ya que cualquier desviación hacia
color carne tonos parduscos indica una pérdida de calidad. Los estudios existentes suelen analizar los canales de color individuales
Calidad de la carne
por separado, estableciendo rangos aceptables. Por el contrario, nuestro enfoque propuesto implica realizar un análisis
Sistema de visión por computadora
multivariado de los cambios de color de la carne utilizando técnicas de aprendizaje automático de caja blanca. Nuestra
Aprendizaje automático de caja blanca
propuesta abarca tres fases. (1) Empleamos un sistema de visión por computadora (CVS) para capturar el color de los
trozos de carne, implementando un paso de preprocesamiento de corrección de color dentro de una cabina
especialmente diseñada. (2) Examinamos las diferencias entre tres espacios de color (RGB, HSV y CIELab*) (3)
Evaluamos el rendimiento de tres clasificadores de caja blanca (árbol de decisión, regresión logística y distribuciones
normales multivariadas) para predecir el color en ambos Carne de res fresca y no fresca. Estos modelos demostraron
una alta precisión y permitieron una comprensión integral del proceso de predicción. Nuestros resultados afirman que
realizar un análisis multivariado produce resultados superiores de predicción del color de la carne en comparación con
la práctica convencional de analizar cada canal de forma independiente.

1. Introducción

El valor de la carne viene dado por su calidad sensorial. La industria cuenta con herramientas confiables, como la evaluación por métodos sensoriales
e instrumentales, que permiten predecir, caracterizar y controlar la calidad de la carne. Por tanto, el primer desafío es identificar la calidad utilizada por
los consumidores para evaluar la carne. Estas señales de calidad suelen ser el color de la carne, el corte, la grasa, el veteado, la cantidad de goteo y la
textura.1]. El color de la carne es el atributo sensorial más importante de los productores y consumidores para determinar la calidad de los alimentos
porque la apariencia es casi el único parámetro que los consumidores pueden utilizar para juzgar su calidad.2]. El color de la carne puede depender de
diferentes factores: pH, características de la superficie muscular, sistemas de alimentación, condiciones y período de almacenamiento.3]. El color
depende de la mioglobina (Mb), una hemoproteína sarcoplásmica considerada una de las principales proteínas de la carne. Posee una estructura
monomérica conformada por prohirina y hierro. La profirina es un grupo muy coloreado [4]. Los estados redox de esta proteína en la carne fresca son
tres: desoximioglobina (DMb), oximioglobina (MbO2) y metmioglobina (MMb).5,6]. (1) Cuando la molécula no transporta oxígeno, presenta un color azul
violeta y se conoce como desoximioglobina (DMb) [7,8]. (2) Cuando la mioglobina se oxigena, se convierte en oximioglobina (MbO2) y la carne adquiere
un color cereza brillante. Los consumidores consideran que es el estado preferido de la carne que asocia esta característica sensorial visual con su

* Autor correspondiente. Josemaría Escrivá de Balaguer 101, Villas Bonaterra, código postal 20296, Aguascalientes, Aguascalientes, México. Dirección de
correo electrónico:jdominguez@up.edu.mx (J. Domínguez-Soberanes).

https://doi.org/10.1016/j.heliyon.2023.e17976
Recibido el 7 de noviembre de 2022; Recibido en forma revisada el 26 de junio de 2023; Aceptado el 4 de julio de 2023
Disponible en línea el 15 de julio de 2023
2405-8440/© 2023 El(los) autor(es). Publicado por Elsevier Ltd. Este es un artículo de acceso abierto bajo licencia CC BY-NC-ND.
(http:/ /creativecommons.org/licenses/by-nc-nd/4.0/).
CN Sánchez et al. Helio 9 (2023) e17976

calidad. (3) Finalmente, cuando la oximioglobina ha sido sometida a una exposición prolongada al aire, y en consecuencia, se ha producido una oxidación
excesiva, el pigmento se transforma en metmioglobina (MMb), y por tanto presenta un color parduzco [5–9]. Los consumidores pueden observar
visualmente todos estos cambios químicos en la mioglobina. Cuando compran carne, la juzgan según su visión, evaluando la calidad según sus
referencias a la calidad de la carne. Los consumidores prefieren la coloración roja brillante de la carne, asociada principalmente a la oximioglobina. En
base a este análisis sensorial visual, los consumidores tomarán su decisión de compra.9,10].
El color de la carne se ha medido instrumentalmente basándose en principios de espectroscopia y colorimetría. Algunos instrumentos utilizados son
el cromómetro Minolta, el colorímetro Hunter Lab y los colorímetros Dr. Lange. Sin embargo, todos los colorímetros tienen el inconveniente de que la
superficie analizada debe ser pequeña y uniforme, no considerando toda la pieza de carne que se debe analizar. Además, si se realizan muchas réplicas,
se podría obtener una desviación significativa debido a esta distorsión.6,9,10]. En los últimos años han surgido nuevas tecnologías para la evaluación del
color en productos alimentarios, en particular: los sistemas de visión por ordenador o análisis de imágenes por ordenador, que han demostrado ser una
solución objetiva, eficiente, rápida, no destructiva, rentable y capaz de obtener imágenes digitales que puedan explicar la variación de color en toda la
superficie digitalizada del producto cárnico. Los datos se pueden transformar en numerosos sistemas de medición [8-12,13]. Algunos autores han
utilizado sistemas de visión por computadora (CVS) para analizar el color en la carne de cerdo [3,11,14-16], en carne de res [12,13,17,18], en pollo [9,19],
y, en pescado [20]. Estos estudios reflejan que la tecnología CVS puede ser una poderosa herramienta para predecir la calidad de la carne en un
laboratorio, lo que sería de gran interés para la industria alimentaria. Además, Tomasević et al. estableció que el color CVS era más exacto y preciso para
los rasgos de color en comparación con un colorímetro tradicional [6].
Existen varios métodos para la representación del color en imágenes digitales. El espacio de color que más se ha utilizado en ciencia de los alimentos
es CIELab* [3,6,10,18,21], que es un estándar internacional adoptado por la Commission Internationale de l'Eclairagees, donde L* se refiere al
componente de luminosidad (de negro a blanco), a* es un parámetro de enrojecimiento (de verde si es negativo a rojo si es positivo) y b * es un
parámetro de amarillez (de azul si es negativo a amarillo si es positivo). Sin embargo, documentos recientes [22,23] han utilizado otros espacios de color,
como RGB (rojo, verde y azul) y HSV (tono, saturación, valor de brillo). Este documento analiza y compara estos tres espacios de color CIELab*, RGB y
HSV.
La mayor parte del análisis del color de la carne de vacuno se ha realizado mediante análisis univariados de canales de color.24–27]. Y algunos documentos
definen gamas de colores para la aceptabilidad de los productos cárnicos. Holman et al. estableció que el color de la carne se consideraba aceptable cuando un*≥
14,5 [28]. Realini et al. definió un filete de res fresco cuando los valores de color son L*>39,5, un*>16.8 yb*>6.3 [25]. Zhang et al. definió la gama de carne
fresca de vacuno en los rangos de L*>31,4, un*>16.4 yb*>6,5 [26]. Wang y cols. estableció que los rollos de carne de res congelados aceptables tienen
un*>16,4 [27]. Todos establecieron que un trozo de carne de vacuno de calidad aceptable debe tener un valor a* superior a 14,5 o 16,8. Sin embargo,
todos ellos analizaron los canales de color por separado. Consideramos que el análisis de color debe ser multivariado en lugar de univariado. Lo que
significa que debemos considerar los valores de dos o más canales de color. Algunos documentos han propuesto el aprendizaje automático.

Figura 1.Muestras de carne de vacuno. a) yd) Faldón interior. b) ye) Nudillo. c) yf) Solomillo. a), b) yc) Imágenes correspondientes al primer día. d), e), y f) Imágenes
correspondientes al quinto día. Los círculos representan el color mediano de cada muestra de carne. (Para la interpretación de las referencias al color en la leyenda
de esta figura, se remite al lector a la versión web de este artículo).

2
CN Sánchez et al. Helio 9 (2023) e17976

algoritmos para la predicción de la calidad de la carne [22,23,29]. En todos los casos, los resultados de la predicción son muy precisos. Además, el análisis de cómo se
hace la predicción es muy complejo.
Esta investigación tiene como objetivo analizar de manera integral la calidad de la carne vacuna considerando los cambios de color mediante un
enfoque multivariado. El objetivo es utilizar algoritmos de aprendizaje automático de caja blanca para establecer pautas claras para determinar la
aceptabilidad de los colores de la carne. El estudio evalúa varios cortes de carne de res, a saber, falda interior, codillo y solomillo. Se emplea un sistema
de visión por computadora (CVS) para capturar con precisión el color de la carne, con un análisis comparativo realizado en tres espacios de color:
CIELab*, RGB y HSV. El objetivo principal es desarrollar un modelo de aprendizaje automático que identifique automáticamente el umbral de color que
distingue las muestras de carne fresca y no fresca. Los modelos se entrenan utilizando muestras de color de carne tomadas el primer y quinto día
después de la compra. Proporcionar al modelo estas muestras de color de referencia lo hace competente para diferenciar y clasificar la calidad según el
color entre muestras frescas y no frescas. Este enfoque permite un análisis multivariado sólido del color, empleando tres clasificadores de caja blanca:
árbol de decisión, regresión logística y distribuciones normales multivariadas. Estos clasificadores no sólo producen altas tasas de precisión, sino que
también facilitan una comprensión integral del proceso de predicción, lo que permite a los investigadores obtener información sobre cómo los modelos
hacen sus predicciones.

2. Materiales y métodos

Esta sección describe la cantidad y el tipo de muestras de carne utilizadas para esta investigación. Describimos el CVS para obtener el color mediante
procesamiento de imágenes. Finalmente, esta sección presenta las técnicas aplicadas para analizar el color de la carne.

2.1. muestras de carne

La carne fue comprada en un mercado local en Aguascalientes, México. La temperatura a la que llegó fue de 2 a 4C.◦. Cuando llegaron, cortaron los
pedazos. Para este análisis se utilizaron treinta trozos de carne de res, cada uno de 5 cm por 5 cm por 1 cm. Cada corte se puso en una bandeja negra
que contenía una toalla. Para lo cual, diez piezas de los siguientes cortes: a) falda interior, b) codillo, yc) solomillo. Una vez cortada la carne, se mantuvo
refrigerada a 2◦para 4◦C y recubierto de plástico, intentando simular las condiciones naturales de consumo. De estas muestras, obtuvimos muestras de
color el primer y quinto día después de la compra (verFigura 1(a – f)) utilizando un CVS. Se sacó la carne del frigorífico y se realizó la captura de imágenes
inmediatamente. Todas las imágenes fueron tomadas alrededor de las 2 de la tarde para tener un horario constante y medir los cambios en días.

En total, tuvimos 60 imágenes, 30 del primer día (carne fresca) y 30 del quinto día (carne no fresca). Además de la carne (ver Figura 1(a–f)), las
imágenes incluyen el código de muestra (arriba a la derecha) y la matriz de verificación de color para la corrección del color (explicada enSubsección 2.2).

2.2. Obtención del color de la carne mediante un CVS

Para capturar las imágenes de muestras de carne de vacuno, diseñamos una cabaña. La carne se colocó en bandejas y se introdujo en la cabina. Además,
incorporamos una matriz de cuadros de colores (verFig. 1 (a – f) y 3 (a)) para corregir el color de las imágenes. Finalmente segmentamos la imagen y obtenemos el
color medio de la carne magra.

Figura 2.Tecnologías de sistemas de visión por computadora. una cabina. b) Matriz de cuadros de colores. (Para la interpretación de las referencias al color en la leyenda de esta
figura, se remite al lector a la versión web de este artículo).

3
CN Sánchez et al. Helio 9 (2023) e17976

2.2.1. Cabina
La cabina fue diseñada y construida con el objetivo de adquirir imágenes en las mismas condiciones de iluminación. El tamaño de la cabina se decidió en función
de las medidas de los contenedores de carne. Tiene una parte en la parte superior que mantiene la cámara en el mismo lugar. Todas las piezas de la cabina son
lavables e impermeables para permitir una correcta higiene. Es acrílico negro de 3 mm de espesor.Figura 2(a) muestra la cabaña que se utilizó en esta investigación.
Su finalidad es aislar la luz exterior y controlar la iluminación. Siguiendo la propuesta de Tomasevic et al. [2], le proporcionamos la siguiente información sobre
nuestro dispositivo de captura de imágenes:

• Cámara: Es una Sony DSC W830, compensando el brillo de exposición a +1.0 en todos los casos y utilizando la función de autoenfoque para tomar las
fotografías.
• Iluminación: La cabina dispone de dos tubos de luz LED que mantienen constante la luz interior de la cabina en 640 lm. El color de temperatura es de luces LED
blancas de luz diurna de 6500 K para garantizar que sus condiciones de iluminación sean similares a las del día.
• Ángulo de Observación: Más de 10. Nos permite capturar el trozo de carne completo. Tiene un mecanismo que mantiene constante la posición de la cámara y las
muestras de carne.

2.2.2. Corrección de color de imágenes.

Las matrices de verificación de color se pueden utilizar para calibrar colores en imágenes corrigiendo diferencias de color mediante el uso de diferentes
dispositivos o cambios de iluminación. En esta investigación, utilizamos la matriz de cuadros de colores que se muestra enFigura 2(b). Las columnas 1, 3 y 4
representan los colores de una matriz de verificación de colores estándar [30]. La matriz de verificación de color original tiene una columna útil para calibrar colores
en la naturaleza, como la piel humana, la vegetación o el cielo. En este caso, decidimos reemplazar esa columna con la segunda columna deFigura 2(b), que contiene
muestras de color de carne de vacuno. Los colores de la matriz de verificación de colores en formato hexadecimal son #FFFFFF, #D2715D, #D67E2C, #FF0000,
# C8C8C8, #BB5F4F, #505BA6, #00FF00, #A0A0A0, #A3463B, #C15A63, #0000FF, #7A7A7A, #954238, #5E3C6C, #E7C71F,
#555555, #8B3D3C, #9DBC40, #BB5695, #000000, #793B2B, #E0A32E, #0885A1.
El primer paso para corregir el color es obtener los 24 valores de color correspondientes a la matriz de verificación de color en las imágenes. En esta
investigación, decidimos utilizar la mediana de colores (espacio RGB) de los píxeles de los círculos. En este sentido, obtuvimos una matrizMETRORGB∈
R24X3que contiene 24 filas y 3 columnas, donde cada fila representa un color en la matriz de verificación de colores y las columnas representan
los canales R, G y B.
En general, para realizar la corrección de color, necesitamos una matriz que llamamosMETRO′ RGB∈R24X3que representa los colores que corresponden a
los calibrados. Además de la matriz que representa los colores en la matriz de control de color de las imágenesMETRORGB. Con ambas matrices podemos
modelar una función.Ϝque puede transformar y calibrar los colores de la imagen (ver Ecuación(1)).

=Ϝ(METRORGB)
RGB
METRO′ (1)

En esta investigación utilizamos la biblioteca Color [31] para implementar la corrección de color. Se probaron dos técnicas, Cheung [32] y
Vandermonde [33].

Fig. 3.Segmentación de imagen. a) Imagen original. b) Clasificador binario. c) Componentes conectados. d) Agujeros de relleno binarios.

4
CN Sánchez et al. Helio 9 (2023) e17976

2.2.3. Segmentación de imágenes y extracción de color.

La segmentación de imágenes divide una imagen en regiones con características similares [34]. En este caso, el objetivo es conservar únicamente la región
cárnica. El proceso de segmentación de imágenes se describe a continuación (verFig. 3(anuncio)). Primero, implementamos un clasificador binario usando una
máquina de vectores de soporte (SVM) [35]. Por un lado teníamos los píxeles que pertenecían a la carne; por otro lado, los píxeles que pertenecían a la matriz de
cuadros de colores y las toallas de papel absorbente. Los resultados se muestran enFig. 3(b). Este modelo permite identificar los píxeles con colores como la carne.
Luego, calculamos los componentes conectados, donde en todos los casos, la carne correspondió al más grande (Fig. 3(C)). Finalmente, utilizamos agujeros de relleno
binarios para obtener toda el área de la carne (Fig. 3(d)).

Figura 4.Valores de color de carne en los tres espacios de color: RGB, HSV y CIELab*. a) Análisis de canales R y G. b) Análisis de canales R y B. c) Análisis de los canales
G y B. d) Análisis de canales H y S. e) Análisis de canales H y V. f) Análisis de canales S y V. g) Análisis de los canales L* y a*. h) Análisis de los canales L* y b*. i) Análisis
de los canales a* y b*. Los puntos verdes y azules representan los colores de la carne de res en el primer (d1) y quinto (d5) día después de la compra,
respectivamente. Se utilizaron triángulos, cuadrados y círculos para representar las muestras interiores de falda (is), nudillo (k) y solomillo (s). (Para la interpretación
de las referencias al color en la leyenda de esta figura, se remite al lector a la versión web de este artículo).

5
CN Sánchez et al. Helio 9 (2023) e17976

Una vez que la imagen contiene solo los píxeles correspondientes a la carne, calculamos la mediana de los colores de los píxeles que
corresponden a carne magra sin grasa ni tejido conectivo, cuyo valor de saturación es superior a 50 (S>50).

2.3. Análisis de color

Una vez que tenemos las imágenes calibradas, utilizamos la biblioteca OpenCV [36] para obtener los valores de los diferentes espacios de color. Analizamos los
valores del color de la carne calculando los valores medios de cada canal, además de utilizar diagramas de dispersión y análisis de componentes principales.
Gráfico de dispersión:Esta es una representación visual de muestras en un espacio bidimensional. Permite analizar la dependencia entre
características (verFigura 4(ai)).
Análisis de componentes principales (PCA):Es una proyección ortogonal de los datos en un espacio de dimensiones inferiores de modo que se
maximiza la varianza de los datos proyectados.37]. Ayuda a visualizar los datos multidimensionales y analizar sus patrones. Cuando se usa para visualizar
los datos en un espacio bidimensional, agregar el porcentaje de varianza explicada es común para identificar cuánta información está representada en el
gráfico (verfigura 5(anuncio)).

Figura 5.Análisis de componentes principales. Cada uno de los mapas representa las muestras de carne utilizando diferentes espacios de color a) Tres espacios de color: RGB, HSV y
CIELab*. b) RGB. c) VHS. d) CIELab*. Los puntos verdes y azules representan los colores de la carne de res el primer (d1) y el quinto (d5) día después de la compra, respectivamente.
Se utilizaron triángulos, cuadrados y círculos para representar las muestras interiores de falda (is), nudillo (k) y solomillo (s). (Para la interpretación de las referencias al color en la
leyenda de esta figura, se remite al lector a la versión web de este artículo).

6
CN Sánchez et al. Helio 9 (2023) e17976

2.4. Clasificadores de aprendizaje automático de caja blanca

Una vez obtenidos los colores, podemos calcular un modelo para predecir si un trozo de carne presenta buena calidad según la comparación de
colores entre carne de vacuno fresca y no fresca. En Machine Learning, los modelos que predicen categorías en función de las funciones disponibles se
conocen como clasificadores. En este caso, queremos crear un clasificador binario ajustado al color de la carne magra el primer y quinto día según la
fecha de compra (verFigura 1(a–f)). Los datos de entrada del modelo son el color medio de la carne magra. Propusimos tres modelos de aprendizaje
automático de caja blanca: árboles de decisión, regresión logística y distribución normal multivariada. Los algoritmos de caja blanca son comprensibles y
se pueden representar como ecuaciones o gráficos simples.

2.4.1. Árboles de decisión

Los árboles de clasificación y regresión son métodos de aprendizaje automático para construir modelos de predicción a partir de datos.38]. Los
modelos se obtienen dividiendo recursivamente el espacio de datos y ajustando un modelo de predicción simple dentro de cada partición (verFigura 6
(C.A)). La idea principal es que las muestras con valores similares tienden a concentrarse en la misma región. En esta investigación, el árbol de decisión
minimiza la métrica de impureza de Gini que se define como Ecuación(2), dóndeXva para todas las categorías de la variable aleatoriaX, yPAGXrepresenta
la probabilidad de la categoríaX.

Figura 6.Modelos de aprendizaje automático de caja blanca para la predicción de la calidad de la carne de vacuno en función del color. a) Clasificador de Regresión Logística. b)
Clasificador de Distribución Normal Multivariante. c) Clasificador de árbol de decisión. d) Divisiones espaciales del clasificador del Árbol de Decisión. Los puntos verdes y azules
representan los colores de la carne el primer y quinto día después de la compra, respectivamente. Se utilizaron triángulos, cuadrados y círculos para representar las muestras
interiores de falda, codillo y solomillo. (Para la interpretación de las referencias al color en la leyenda de esta figura, se remite al lector a la versión web de este artículo).

7
CN Sánchez et al. Helio 9 (2023) e17976

∑
h(X) = PAGX∗ (1- PAGX) (2)
X

2.4.2. Regresión logística

La regresión logística es un modelo lineal para resolver un problema de clasificación binaria [37,39]. Divide los datos usando un plano (verFigura 6
(a)). El modelo se define como Ecuación(3). La entrada se define como el vector.X= [X1,X2,…,Xd],Xi∈r.Cada variable se multiplica por un
coeficiente.bi∈R β.En este modelo, cuando se evalúa una nueva muestra, la clase se asigna según el signo obtenido de la Ecuación
(3).
∑
LR(X) =b0+ biXi (3)
i

2.4.3. Distribución normal multivariada

Se utiliza una distribución normal multivariada, basada en la función gaussiana, para describir la distribución de datos numéricos que contienen
características dependientes. Su función de densidad está definida por la ecuación(4)[40], donde la entrada se define como el vectorX= [X1,X2,…, Xd],Xi∈R,µ
representa la media de los datos, Σ la matriz de covarianza, |Σ| el determinante de Σ, ypages el rango de Σ.

mi2((X−µ)tΣ−1(X−µ))
1

F(X) = (4)
(2π)pag/2|Σ|1/2

Podemos crear un modelo de clasificación basado en una distribución normal multivariada ajustando un gaussiano para cada clase. El gaussiano se
define por su vector medio y la matriz de covarianza. En esta investigación, ajustamos una gaussiana para la clase de carne fresca y otra para la clase de
carne no fresca. En este sentido, para predecir la etiqueta a una nueva muestra, se asigna la clase correspondiente al modelo con mayor probabilidad.

3. Experimentos y resultados

Esta sección presenta un análisis detallado del color de la carne de res basado en tres espacios de color: RGB, HSV y CIELab*. Analizamos 30
muestras de ternera: 10 de falda interior, 10 de codillo y 10 de solomillo (ver ejemplo de cada tipo de carne enFigura 1(a–f)). En total tuvimos 60 muestras
de color, 30 de ellas obtuvieron el color justo después de la compra y las 30 muestras restantes se tomaron después del quinto día de compra de la
carne.
Primero, presentamos los resultados de diferentes métodos para la corrección de color de imágenes CVS. Luego, analizamos la mediana de los colores de la carne magra
comparando diferentes espacios de color. Finalmente, presentamos los resultados del desempeño de tres clasificadores de caja blanca para resolver la predicción de la calidad de la
carne de res en función del color.
Utilizamos los siguientes colores para simplificar la lectura y presentación de los resultados. Los puntos verdes y azules representan los colores de la
carne el primer y quinto día después de la compra, respectivamente. Además, utilizamos las siguientes abreviaturas: falda interior (is), codillo (k),
solomillo (s), día 1 (d1) y día 5 (d5).
Se implementaron técnicas de procesamiento de imágenes y aprendizaje automático en el lenguaje de programación Python utilizando las
bibliotecas Scikit-learn, Scipy y OpenCV.

3.1. Corrección de color CVS

Sección2.2explica la metodología de corrección de color que utiliza una matriz de verificación de color. Capturamos una imagen de la matriz de
verificación de color (verFigura 2(b)) dentro de la cabina. Luego, utilizamos el error absoluto medio entre los colores de esa imagen y las imágenes
utilizadas en los experimentos.tabla 1Presenta los errores en colores antes y después de la calibración. La corrección de color reduce significativamente
el error entre los colores de las imágenes y la técnica de Vandermonde obtuvo los mejores resultados. Sabiendo que el rango de colores de píxeles está
entre 0 y 255, los errores son bastante pequeños. Además, mediante la prueba ANOVA encontramos que la diferencia entre los errores antes y después
de la corrección (usando Vandermonde) es estadísticamente significativa en todos los casos, con un valor de p de 9,33e.−66, 3.34e−40, y 3.29e−62para falda
interior, codillo y solomillo, respectivamente. El resto de resultados presentados en esta sección toman como entrada las imágenes después de la
corrección de color aplicando la técnica de Vandermonde.

tabla 1
Error absoluto medio de los colores antes (imágenes originales) y después de la calibración del color (Cheung y Vandermonde). Los
valores se calculan en función del espacio de color RGB en un rango entre 0 y 255.

falda interior Nudillo Solomillo

Imágenes originales 8.72 11.49 11.79

Cheung 6.49 5.02 7,93
Vandermonde 4.37 2.90 5.05

8
CN Sánchez et al. Helio 9 (2023) e17976

3.2. Análisis del color de la carne.

Como explicamos en el apartado anterior, calculamos la mediana del color de la carne magra, sin grasa ni tejido conectivo, obtenida por el
CVS para analizar el color de muestras de carne fresca y no fresca. Los valores de colores en los espacios de color: RGB, HSV y CIELab*, se
presentan enTabla 2yFigura 4(ai). Es importante señalar que los canales R y V tienen los mismos valores en este experimento. Es porqueV=
máximo (R,G,B), y en estas imágenes, el valor mayor es R. DeFigura 4(a-i) yTabla 2, podemos observar que el par de canales que mejor
diferencian entre los colores de carne fresca y no fresca son L* y a*, y, R y G. Esto está de acuerdo con Quevedo et al. que afirmó que los
canales que mejor diferencian la carne fresca y no fresca son R, L* y a* [24]. Algunos documentos definen rangos de valores de colores para
considerar una pieza de carne aceptable. Por ejemplo, Holman et al. estableció que el color de la carne se consideraba aceptable cuando un*≥
14,5 [28]. Realini et al. definió un filete de res fresco cuando los valores de color son L*>39,5, un*>16.8 yb*>6.3 [25]. Zhang et al. definió la
gama de carne fresca de vacuno en los rangos de L*>31,4, un*>16.4 yb*>6,5 [26]. Wang y cols. estableció que los rollos de carne de res
congelados aceptables tienen un*>16,4 [27]. Todos establecen que un trozo de carne fresca debe tener un valor a* superior a 14,5 o 16,8. Sin
embargo, como se ve enFigura 4(a–i), es imposible trazar una línea horizontal o vertical que divida los atributos de calidad según su color
entre muestras frescas y no frescas. Esto significa que la predicción de la calidad de la carne debe realizarse mediante técnicas multivariadas
en lugar de utilizar los valores del canal por separado.
figura 5(a – d) presenta un análisis de color pero utiliza un análisis de componentes principales. La varianza explicada en los mapas es 99,1%, 99,5%,
99,5% y 96,3%, respectivamente. En todas estas figuras podemos observar que se separan los colores de carne vacuna fresca y no fresca. En consecuencia, es posible ajustar un
modelo para la predicción de la calidad de la carne de res basado en el color.
Figura 1(a – f) muestra el color medio obtenido de cada imagen. Se puede observar que las diferencias entre los grupos frescos y no
frescos son más notables en codillo y solomillo que en falda interior. También enfigura 5(a – d), las muestras de la falda interior están cerca
del límite de las muestras frescas y no frescas.

3.3. Predicción de parámetros de color en carne fresca.

El principal objetivo de esta investigación es identificar los parámetros de color de la carne fresca. Una vez identificado el color medio de la carne
magra, debemos determinar si corresponde a un trozo de carne fresca o no fresca. Comparamos el rendimiento de tres clasificadores de caja blanca:
árbol de decisión, regresión logística y el uso de distribuciones normales multivariadas. Además, analizamos la combinación de todos los espacios de
color y cada espacio por separado. Utilizamos la precisión como métrica de rendimiento que representa el porcentaje de predicciones correctas. Su valor
va de cero a uno, siendo uno un rendimiento perfecto. Para validar los resultados se utilizó validación cruzada con cinco pliegues.

Tabla 3muestra los resultados de la clasificación. Se puede observar que el clasificador con mejores resultados es la Regresión Logística, seguido por
Distribuciones Normales Multivariadas. La Regresión Logística fue la única con predicción perfecta en dos casos: usando los espacios de tres colores y
usando solo CIELab*. En términos de espacios de color, el que tuvo mejores resultados fue CIELab*, y sus resultados generalmente son mejores incluso
cuando se utilizan los tres espacios. Sin embargo, el mejor espacio de color es RGB cuando el clasificador se basa en Distribuciones Normales
Multivariadas.
Nuestro objetivo es analizar los modelos de clasificación y comprender sus ecuaciones o gráficas. A continuación presentamos el modelo con mejores
prestaciones de cada tipo de clasificador.
Clasificador de regresión logística: Como dijimos en la Sección 2.7, la Regresión Logística utiliza un plano que divide las muestras de diferentes
categorías. En este experimento, es el modelo con mejor rendimiento. Ecuación(5)presenta el plano que divide los colores de piezas de vacuno frescas y
no frescas utilizando el espacio de color CIELab*. Un resultado positivo indica carne no fresca. De lo contrario, un resultado negativo indica carne fresca.
Figura 6(a) muestra el plano y las muestras de color.

LR(l∗,a∗,b∗) =67.845-0.877l∗−1.533a∗−0.353b∗ (5)

Distribución normal multivariada: Es el modelo con segundos mejores resultados. Como dijimos anteriormente, ajustó una distribución normal
multivariada a cada clase. Por un lado, la distribución de los colores de la carne fresca, en términos de RGB, está definida por la media

Tabla 2
Valores medios de color de la carne de vacuno en los espacios de color: RGB, HSV y CIELab*.

1er día 5to día

R GRAMO B R GRAMO B

falda interior 127,9 72,5 72,9 112,5 65,3 66.2

Nudillo 142.1 77,2 73.3 116.3 74,5 74,6
Solomillo 151.0 88.0 85,3 117,6 80.3 76.0
h S V h S V
falda interior 49,5 115.0 127,9 48,9 109.4 112,5
Nudillo 51.3 125,5 142.1 49,8 93,9 116.3
Solomillo 51.1 110,9 151.0 52,9 89,4 117,6
L* a* b* L* a* b*
falda interior 32,7 23.6 10.5 33.2 19.8 7.9
Nudillo 40.3 26.3 14.1 36.0 17.1 6.9
Solomillo 44.2 25.2 12.8 37,6 14.5 8.5

9
CN Sánchez et al. Helio 9 (2023) e17976

Tabla 3
Resultados de la predicción de la frescura de la carne de res utilizando los tres modelos de aprendizaje automático y diferentes espacios de color. Los resultados se presentan con precisión. Se utilizó
validación cruzada con cinco pliegues. Las últimas cinco columnas presentan los resultados de cada pliegue y la media de la columna muestra el resultado medio. Los números en negrita realzan los
mejores resultados de cada modelo.

Significar 1 2 3 4 5

Árbol de decisión
Todo el canal 0,87 0,75 1.00 0,83 0,92 0,83
RGB 0,78 0,75 0,83 0,83 0,83 0,67
VHS 0,85 0,92 0,83 0,83 0,83 0,83
CIELab* 0,90 0,83 0,92 0,92 0,92 0,92
Regresión logística
Todos los canales 1.00 1.00 1.00 1.00 1.00 1.00
RGB 0,97 1.00 1.00 0,83 1.00 1.00
VHS 0,98 1.00 1.00 1.00 1.00 0,92
CIELab* 1.00 1.00 1.00 1.00 1.00 1.00
Distribución normal multivariada Todos
los canales 0,93 0,92 0,83 1.00 0,92 1.00
RGB 0,98 1.00 0,92 1.00 1.00 1.00
VHS 0,92 0,92 0,75 1.00 1.00 0,92
CIELab* 0,97 0,92 0,92 1.00 1.00 1.00

vectorµd1y la matriz de covarianza Σd1presentado en la ecuación(6). Por otro lado, la distribución de los colores de la carne de vacuno no fresca, en
términos de RGB, está definida por el vector medioµd5y la matriz de covarianza Σd5presentado en la ecuación(7). Además,Figura 6(b) presenta la
representación gráfica de estos modelos. Se puede observar que la diferencia de medias es el valor R.
⎡ ⎤ ⎡ ⎤
140.33 203.29 171.82 144.84
µd1= ⎣ 79.23⎦ ⎣ .82 204.31 187.39⎦
Σ d1= 171 (6)
77.17 144.84 187.39 178.61
⎡ ⎤ ⎡ ⎤
115.47 93.92 100.83 94.28
µd5= ⎣ 73.37⎦ ⎣ .83 148.57 134.80
Σ d5= 100 ⎦ (7)
72.27 94.28 134.80 129.93

Clasificador de árbol de decisión:En este experimento, el clasificador con resultados más bajos es el árbol de decisión, lo que puede explicarse porque la idea
principal de los árboles de decisión es dividir el espacio entre los valores de las características.Figura 6(c – d) muestra el árbol de decisión ajustado para resolver la
predicción de la calidad de la carne utilizando el espacio de color CIELab*. La primera división se basa en el canal a*. El modelo clasifica todas las muestras con un*≤
19,5 como no fresco. Para muestras con un*>19.5, se presenta otra pregunta, las muestras con L*≤31.0 están etiquetados como no frescos y los que tienen L*>31,0
están etiquetados como frescos. En otras palabras, las muestras frescas tienen un*>19,5 y L*>31,0 valores. Curiosamente, las muestras presentadas en el rectángulo
que aparece en la esquina superior izquierda están dentro del faldón. Significa que el primer nodo del árbol (a*≤19.5) podría ser suficiente si sólo clasificáramos
muestras de codillo y solomillo.
En este experimento, la Regresión Logística es el modelo con mejor rendimiento. Sin embargo, las que son más sencillas de entender son la
Distribución Normal Multivariada y el Árbol de Decisión. Estos modelos confirman que los canales que mejor diferencian entre los colores de carne fresca
y no fresca son R,L*, ya*. Podemos decir que el color de la carne fresca y no fresca tiene un valor R de alrededor de 140,33 y 115,47, con una desviación
estándar de 14,26 y 9,69, respectivamente. Si usamos el canala*, se consideran no frescas las piezas con valores inferiores a 19,5. Sin embargo, en este
análisis determinamos que para una predicción correcta se necesita un clasificador multivariado; el uso de un solo canal no es suficiente.

4. Discusión

El color es el principal atributo que valora el consumidor al comprar carne fresca, y es uno de los factores que determina el valor del
producto al momento de su comercialización. Además, es un parámetro utilizado para medir la calidad de la carne. El consumidor relaciona el
color de la carne con la calidad sensorial y microbiana. Por lo que es importante evaluar el color de la carne para determinar los parámetros
que presenta la carne fresca o no fresca.
Como [24], nuestros resultados muestran que los canales que mejor diferencian la carne fresca de la no fresca son R, L* y a*. Algunos documentos
definen rangos o valores de colores para considerar una pieza de carne aceptable. Por ejemplo, Holman et al. estableció que el color de la carne se
consideraba aceptable cuando un*≥14,5 [28]. Realini et al. definió un filete de res fresco cuando los valores de color son L*>39,5, un*>16.8 yb*>6.3 [25].
Zhang et al. definió la gama de carne fresca de vacuno en los rangos de L*>31,4, un*>16.4 yb*>6,5 [26]. Wang y cols. estableció que los rollos de carne
de res congelados aceptables tienen un*>16,4 [27]. Todos establecen que un trozo de carne fresca debe tener un valor a* superior a 14,5 o 16,8. La
mayoría de documentos analizan los canales de color por separado y nuestra propuesta realiza un análisis multivariado. De nuestros resultados,
concluimos que no es posible dividir las muestras frescas y no frescas usando un solo canal (verFigura 4(a–i)), Es necesario utilizar dos o más canales.
Nuestro árbol de decisiones (verFigura 6(c – d)) muestra que los trozos de carne fresca tienen valores de color de a*>19,5 y L*>31.0. En nuestro caso, el
mejor clasificador fue la Regresión Logística, que utiliza un plano que divide las muestras frescas y no frescas (verFigura 6(a)) basado en el espacio de
color CIELab*.

10
CN Sánchez et al. Helio 9 (2023) e17976

Algunos documentos han propuesto algoritmos de aprendizaje automático basados en visión por computadora y técnicas de aprendizaje automático para la
predicción de la calidad de la carne. Por ejemplo, Taheri-Garavand et al. propuso un enfoque inteligente no destructivo para la frescura de la carne de pollo basado
en un algoritmo genético y una red neuronal artificial.22]. Medeiros et al. Propusieron modelos AutoML para clasificar los niveles de frescura del atún y el salmón [23
]. Arsalane et al. Se utilizaron máquinas de análisis de componentes principales y vectores de soporte para una rápida predicción e identificación de la frescura de la
carne de res.29]. Todos ellos tienen resultados de alta precisión. Además, el análisis de cómo se hace la predicción es muy complejo. Por el contrario, nuestra
propuesta también tiene altos resultados y nos permite analizar y comprender los modelos de predicción.

5. Conclusión

El color en la carne vacuna es el parámetro más crítico a la hora de adquirir este producto alimenticio porque el consumidor lo relaciona con la calidad de la
carne. Hemos discutido en esta investigación que la visión computacional y las técnicas de aprendizaje automático de caja blanca pueden llevarnos a medir
adecuadamente la calidad de la carne a través del análisis del color. Nuestra propuesta se dividió en tres etapas: (1) obtención del color de muestras de carne vacuna
a través de CVS; (2) usar CIELab* o RGB como espacio de color; y (3) utilizar clasificadores de caja blanca para estimar la calidad de la carne de res según el color. Este
método podría utilizarse como parámetro de calidad en tiendas y fábricas de alimentos.
Nuestros resultados muestran que los canales que diferencian mejor las piezas de carne fresca y no fresca son R, L* y a*. Sin embargo, canales
separados no pueden diferenciar adecuadamente entre muestras. Es necesaria una metodología multivariada. Utilizamos técnicas de aprendizaje
automático de caja blanca (Regresión Logística, Árboles de Decisión y Distribuciones Normales Multivariadas) que no sólo nos permiten obtener una alta
precisión en las predicciones sino también comprender y analizar cómo se realizan las predicciones. A partir del modelo de árbol de decisión, podemos
establecer que los trozos de carne fresca tienen valores de color de a*>19,5 y L*>31.0. Sin embargo, la mejor predicción se realizó utilizando CIELab* y
Regresión Logística, que utiliza un plano para separar las muestras de carne fresca y no fresca en el espacio de color 3D (L*, a* y b*).
La limitación de nuestro estudio es que hasta ahora hemos considerado sólo el valor medio del color de la carne magra. En futuros trabajos podría ser
interesante analizar también la proporción y el color de la grasa. Además, podremos analizar más cortes para ampliar el conocimiento de más partes de vacuno.

Declaración de contribución del autor

Claudia Nallely Sanchez: Concibió y diseñó los experimentos; Realizó los experimentos; Analizó e interpretó los datos; Reactivos,
materiales, herramientas de análisis o datos aportados; Escribió el periódico. María Teresa Orvañanos-Guerrero: Realizó los experimentos;
Escribió el periódico. Julieta Domínguez-Soberanes: Concibió y diseñó los experimentos; Realizó los experimentos; Reactivos, materiales,
herramientas de análisis o datos aportados; Escribió el periódico. Yenizey M. Álvarez-Cisneros: Aportó reactivos, materiales, herramientas de
análisis o datos; Escribió el periódico.

Declaración de disponibilidad de datos

Los datos asociados con este estudio han sido depositados enhttps://data.mendeley.combajoel enlacehttps://data.mendeley.com/
datasets/wvhkpppddp/1.

Declaración de intereses contrapuestos

Los autores declaran que no tienen intereses financieros en competencia ni relaciones personales conocidas que pudieran haber influido
en el trabajo presentado en este artículo.

Expresiones de gratitud

Los autores quieren agradecer a Maximiliano Lara, Esteban García, Juan Pablo Cisneros, Luis Enrique Orozco, Ernesto Rosales-Tavera y Esthela
Fernández por ayudarnos con la leyenda, el etiquetado y el procesamiento de las imágenes. Esta investigación fue financiada por la Universidad
Panamericana a través del Fondo Fomento a la Investigación 2020, bajo el Código de Proyecto UP-CI-2020-AGS-07-ING.

Referencias

[1]S. Rajic, S. Simunovic, V. Djordjevic, M. Raseta, I. Tomasevic, I. Djekic, Multiverso de calidad de la carne de vacuno y cerdo en una sola partitura, Alimentos 11 (8) (2022) 1154.
[2]I. Tomasevic, I. Djekic, M. Font-i-Furnols, N. Terjung, JM Lorenzo, Avances recientes en la investigación del color de la carne, Curr. Opinión. Ciencia de los alimentos. 41 (2021) 81–87.
[3]BA Altmann, J. Gertheiss, I. Tomasevic, C. Engelkes, T. Glaesener, J. Meyer, D. Mörlein, Percepción humana de las diferencias de color mediante mediciones del sistema de visión por computadora
de lomo de cerdo crudo, Meat Sci. 188 (2022), 108766.
[4]Asociación AMS, et al., Pautas de medición del color de la carne de AMSA: AMSA, Asociación Estadounidense de Ciencias de la Carne, 2012.
[5]BH Salueña, CS Gamasa, JMD Rubial, CA Odriozola, Rutas de color CIELAB durante la vida útil de la carne, Meat Sci. 157 (2019), 107889.
[6]I. Tomasević, V. Tomović, B. Milovanović, J. Lorenzo, V.DJoDJEvic, N. Karabasil, I.DJekić, Comparación de un sistema de visión por computadora versus un colorímetro tradicional para la evaluación
del color de productos cárnicos con diversas propiedades físicas, Meat Sci. 148 (2019) 5-12.
[7]SP Suman, P. Joseph, Química de la mioglobina y color de la carne, Annu. Rev. Ciencia de los alimentos. Tecnología. 4 (1) (2013) 79–99.
[8]R. Ramanathan, MC Hunt, T. Price, GG Mafi, Estrategias para limitar el desperdicio de carne: centrarse en la decoloración de la carne, Adv. Nutrición alimentaria. Res. 95 (2021) 183–205
(Prensa académica).
[9]I. Tomasevic, V. Tomovic, P. Ikonic, JML Rodriguez, FJ Barba, I. Djekic, D. Zivkovic, Evaluación del color de la carne de ave mediante un sistema de visión por computadora y un
colorímetro: ¿hay alguna diferencia? Hno. Alimentos J. 121 (5) (2019) 1078–1087.
[10]IB Tomasevic, Sistema de visión por computadora para mediciones de color de carne y productos cárnicos: una revisión, Theo. Practica. Proceso de la carne. 3 (4) (2018) 4-15.

11
CN Sánchez et al. Helio 9 (2023) e17976

[11]M. Chmiel, MSłowiński, K. Dasiewicz, T. Florowski, Uso del sistema de visión por computadora (CVS) para la detección de carne de cerdo PSE obtenida de m. semimembranoso, LWT – Ciencia de
los alimentos. Tecnología. 65 (2016) 532–536.
[12]M. Modzelewska-Kapituła, S. Jun, La aplicación de sistemas de visión por computadora en la ciencia y la industria de la carne: una revisión, Meat Science, 2022, 108904.
[13]K. Chen, X. Sun, C. Qin, X. Tang, Clasificación de color de grasa de res mediante visión por computadora y máquina de vectores de soporte, Comput. Electrón. Agrícola. 70 (1) (2010) 27–32.
[14]RE Larraín, DM Schaefer, JD Reed, Uso de imágenes digitales para estimar las coordenadas de color CIE de la carne vacuna, Food Res. En t. 41 (4) (2008) 380–385.
[15]M. Chmiel, MSłowiński, K. Dasiewicz, Claridad del color medida mediante análisis de imágenes por computadora como factor para evaluar la calidad de la carne de cerdo, Meat
Sci. 88 (3) (2011) 566–570.
[dieciséis]M. Chmiel, MSłowiński, El uso de un sistema de visión por computadora para detectar defectos en la carne de cerdo, LWT (Lebensm.-Wiss. & Technol.) 73 (2016) 473–480.
[17]M. Chmiel, MSłowiński, K. Dasiewicz, T. Florowski, Aplicación de un sistema de visión por computadora para clasificar la carne de res como normal u oscura, firme y seca, J. Anim. Ciencia. 90
(11) (2012) 4126–4130.
[18]MF Rahman, A. Iqbal, MA Hashem, AA Adedeji, Evaluación de la calidad de la carne vacuna mediante tecnología de visión por computadora, Food Sci. Y yo. Recurso. 40 (6) (2020) 896.
[19]A. Girolami, F. Napolitano, D. Faraone, A. Braghieri, Medición del color de la carne mediante un sistema de visión por computadora, Meat Sci. 93 (1) (2013) 111–118.
[20]A. Issac, MK Dutta, B. Sarkar, Método basado en visión por computadora para verificar la calidad y frescura del pescado a partir de branquias segmentadas, Comput. Electrón. Agrícola. 139 (2017)
10-21.
[21]B. Milovanovic, I.DJekić, B. Solowiej, S. Novaković, V.DJoDJević, I. Tomašević, Sistema de visión por computadora: una mejor herramienta para evaluar el color de la carne de cerdo y de res que un
colorímetro estándar, Scien. J. “Tecnología de la carne” 61 (2) (2020) 153–160.
[22]A. Taheri-Garavand, S. Fatahi, F. Shahbazi, M. de la Guardia, Un enfoque inteligente no destructivo para la evaluación en tiempo real de la frescura de la carne de pollo basado en una técnica de
visión por computadora, J. Food Process. Ing. 42 (4) (2019), e13039.
[23]EC Medeiros, LM Almeida, JGDAT Filho, Visión por computadora y aprendizaje automático para la clasificación de la carne de atún y salmón, Informática 8 (No. 4) (2021) 70 (MDPI).*Referencia
clave: Propusieron utilizar visión por computadora y aprendizaje automático como método no destructivo para la detección externa de la calidad de productos cárnicos de atún y salmón
obteniendo buenos resultados de predicción.
[24]R. Quevedo, E. Valencia, G. Cuevas, B. Ronceros, F. Pedreschi, JM Bastías, Cambios de color en la superficie de carne fresca cortada: una aplicación cinética fractal, Food Res. En t.
54 (2) (2013) 1430–1436.
[25]CE Realini, M. Staincliffe, K. Taukiri, C. Craigie, MM Farouk, ¿Está cambiando la preferencia de color por la carne de vacuno para los consumidores de Nueva Zelanda?, en: Documento presentado
en el 64.º Congreso Internacional de Ciencia y Tecnología de la Carne, 2018 (Melbourne, AUS ).*Referencia clave: Determinaron que el setenta y dos por ciento de los consumidores preferían
filetes de colores correspondientes a valores de color de 39,5 a 40,9 L*, 16,8 a 21,6 a* y 6,3 a 9,1 b*. Sin embargo, no realizan un análisis multivariado. Analizan el color de la carne de vacuno
de corte oscuro basándose en consumidores asiáticos. Utilizan regresión lineal para determinar los umbrales de aceptación.l∗≥31.4,a∗≥ dieciséis.4,b∗≥6.5. Sin embargo, estos modelos se
ajustan a cada canal por separado en lugar de un análisis multivariado como nuestra propuesta.
[26]Y. Zhang, BW Holman, Y. Mao, X. Chen, X. Luo, DL Hopkins, Y. Zhang, Determinación de un umbral de pH para carne de vacuno de corte oscuro basado en una evaluación visual realizada por
consumidores asiáticos, Meat Sci. 172 (2021), 108347.*Referencia clave: Analizan el color de la carne de vacuno de corte oscuro en base a consumidores asiáticos. Utilizan regresión lineal
para determinar los umbrales de aceptación.l∗≥31.4,a∗≥dieciséis.4,b∗≥6.5. Sin embargo, estos modelos se ajustan a cada canal por separado en lugar de un análisis multivariado como nuestra
propuesta.
[27]F. Wang, BW Holman, Y. Zhang, X. Luo, Y. Mao, DL Hopkins, Investigación de los requisitos de color de los rollos de carne congelados por parte de los consumidores chinos para estofado, Meat
Sci. 162 (2020), 108038.*Referencia clave:Descubrieron que para satisfacer las necesidades de los consumidores en cuanto al color de los rollitos de carne congelados, el valor a* es el
indicador más adecuado con un umbral de aceptación dea∗≥dieciséis.4.Calculan este valor realizando una regresión lineal en la que los modelos se ajustaron a cada canal por separado en
lugar de un análisis multivariado como nuestra propuesta.
[28]BW Holman, RJ van de Ven, Y. Mao, CE Coombs, DL Hopkins, Uso de medidas instrumentales (CIE y reflectancia) para predecir la aceptación del color de la carne por parte de los consumidores,
Meat Sci. 127 (2017) 57–62.
[29]A. Arsalane, N. El Barbri, A. Tabyaoui, A. Klilou, K. Rhofir, A. Halimi, Un sistema integrado basado en una plataforma dsp y algoritmos PCA-SVM para una rápida predicción e identificación de la
frescura de la carne de res, Comput. Electrón. Agrícola. 152 (2018) 385–392.*Referencia clave: Proponen una metodología rápida de predicción de la frescura de la carne vacuna. Utilizan
espacio de color de tono, saturación e intensidad y PCA y SVM para la predicción. Obtuvieron una tasa de éxito del 100%, como la nuestra. Sin embargo, nuestra propuesta nos permite
analizar y comprender los modelos de predicción.
[30]GD Finlayson, M. Mohammadzadeh Darrodi, M. Mackiewicz, La técnica de mínimos cuadrados alternos para la corrección de color de intensidad no uniforme, Color Res.
Aplica. 40 (3) (2015) 232–242.
[31] T. Mansencal, M. Mauderer, M. Parsons, N. Shaw, K. Wheatley, S. Cooper, JD Vandenberg, L. Canavan, K. Crowson, O. Lev, K. Leinweber, S. Sharma, T.
J. Sobotka, D. Moritz, M. Pppp, C. Rane, P. Eswaramoorthy, J. Mertic, B. Pearlstine, M. Leonhardt, O. Niemitalo, M. Szymanski, M. Schambach, S. Huang,
M. Wei, N. Joywardhan, O. Wagih, P. Redman, J. Goldstone, S. Hill, J. Smith, F. Savoir, G. Saxena, S. Chopra, I. Sibiryakov, T. Gates, G. Pal, N. Tessore,
A. Pierre, Color 0.4.1, 2022,https://doi.org/10.5281/zenodo.6288658.
[32]V. Cheung, S. Westland, D. Connah, C. Ripamonti, Un estudio comparativo de la caracterización de cámaras en color mediante redes neuronales y transformaciones polinómicas,
Color. Tecnología. 120 (1) (2004) 19-25.
[33]S. Westland, C. Ripamonti, V. Cheung, Ciencia computacional del color utilizando MATLAB, John Wiley & Sons, 2012.
[34]CN Sánchez, M. Rivera, R. Velázquez, Método robusto de segmentación de imágenes multibanda basado en pistas de usuario, 2017, en: IEEE 37th Central America and Panama
Convention, IEEE, 2017, págs. 1–6(CONCAPAN XXXVII).
[35]I. Steinwart, A. Christmann, Máquinas de vectores de soporte, Springer Science & Business Media, 2008.
[36]G. Bradski, La biblioteca openCV, J. Softw del Dr. Dobb. Programa Prof. Herramientas. 25 (11) (2000) 120–123.
[37]CM Bishop, NM Nasrabadi, Reconocimiento de patrones y aprendizaje automático (Vol. 4, No. 4, p. 738), Springer, Nueva York, 2006.
[38]WY Loh, Árboles de clasificación y regresión, Wiley Interdis. Rev.: Datos mín. Conocimiento. Descubrimiento. 1 (1) (2011) 14-23.
[39]HF Yu, FL Huang, CJ Lin, Métodos de descenso de coordenadas duales para regresión logística y modelos de máxima entropía, Mach. Aprender. 85 (1) (2011) 41–75.
[40]T. Hastie, R. Tibshirani, JH Friedman, JH Friedman, Los elementos del aprendizaje estadístico: minería de datos, inferencia y predicción, vol. 2, Springer, Nueva York, 2009, págs.
1–758.

12