You are on page 1of 84

Universidad de Chile

Facultad de Ciencias Qumicas y Farmacuticas


Departamento de Ciencia de los Alimentos y Tecnologa Qumica
Ingeniera en Alimentos

PATROCINANTE DIRECTORES DE MEMORIA


Andrea Bunger T. Andrea Bunger T.
Departamento de Ciencia de los Departamento de Ciencia de los
Alimentos y Tecnologa Qumica Alimentos y Tecnologa Qumica
Universidad de Chile. Universidad de Chile.

Franco Pedreschi P.
Departamento de Ciencia de los
Alimentos y Tecnologa Qumica
Facultad Tecnolgica
Universidad de Santiago de Chile.

CLASIFICACIN DE CALIDAD SENSORIAL DE PAPAS FRITAS TIPO CHIPS


MEDIANTE VISIN COMPUTACIONAL

Memoria para optar al ttulo de Ingeniero en Alimentos

CONSTANZA ALEJANDRA MORALES RAVANO


Santiago- Chile
2008
Dedico este gran paso en mi vida a mi familia,
especialmente a mis padres Gina y Oscar,
a mi hermana Camila y a mi novio Alejandro.
Les agradezco su apoyo incondicional y la confianza
depositada en mi para forjar da a da mi futuro.

ii
AGRADECIMIENTOS

A todos quienes me apoyaron en este largo camino, que no hubiese sido


posible sin el esfuerzo y sacrificio inmenso de mis Padres que confiaron en m y me
apoyaron desde el primer momento cuando les dije que me ira a estudiar a Santiago,
lejos de ellos, entregndome las herramientas necesarias para ser una mejor persona
cada da. A mi hermana Camila por su paciencia, cario y buena disposicin para
ayudarme en todo lo que necesito, detalles que me llenan de alegra y orgullo.

A Alejandro, por todo su amor, apoyo y paciencia que me ha brindado en cada


paso de este camino y de mi vida.

No puedo dejar de agradecer a mi Profesora Patrocinante y Directora de Tesis


la Sra. Andrea Bunger por su dedicacin, ayuda y confianza depositada para la
realizacin de este proyecto. Al Profesor Domingo Mery por su buena disposicin y
ayuda.

A los jueces que conformaron el panel sensorial: Natalia Reyes, Constanza


Barahona, Natalia Henrquez, Alejandra Lozano, Mara Jos Novoa, Luis Pablo Abarca,
Matas Rodrguez, Jos Luis Espinoza, Luis Calisto, Julio Barra y Andrs Pinto, por su
ayuda, tiempo y perseverancia, ya que sin ustedes no hubiese sido posible la
realizacin de este trabajo.

Quiero agradecer especialmente a mi to y Profesor Pedro Moyano, que s que


desde arriba me brind toda la ayuda y apoyo en cada etapa de este proyecto.

Finalmente gracias al Proyecto FONDECYT N 1070031 titulado Determination


of potato and apple processing kinetics and their final quality using computer vision y a
los investigadores a cargo: Franco Pedreschi, Andrea Bunger y Domingo Mery, por
darme la oportunidad de participar del proyecto y realizar mi memoria de ttulo.

iii
NDICE

1. INTRODUCCIN............................................................................................ 1
1.1 Antecedentes Bibliogrficos............................................................................ 2
1.1.1 Materias primas......................................................................................... 2
1.1.1.1 Aspectos generales de la materia prima........................................ 2
1.1.1.2 Composicin qumica de la papa................................................... 2
1.1.1.3 Almacenamiento y su influencia en los cambios de color durante
la elaboracin de papas chips........................................................ 3
1.1.2 Evaluacin sensorial............................................................................... 4
1.1.2.1 Calidad sensorial de papas fritas tipo chips................................... 4
1.1.3 Visin computacional.............................................................................. 6
1.1.3.1 Descripcin de un sistema por visin computacional.................... 6
1.2 Objetivos......................................................................................................... 9
1.2.1 Objetivo General..................................................................................... 9
1.2.2 Objetivos Especficos.............................................................................. 9
1.2.3 Hiptesis................................................................................................. 9

2. MATERIALES Y MTODOS.......................................................................... 10
2.1 Materiales........................................................................................................ 10
2.1.1 Evaluacin sensorial................................................................................ 10
2.1.1.1 Etapa de seleccin y entrenamiento.............................................. 10
2.1.1.1.1 Ordenamiento de color...................................................... 10
2.1.1.1.2 Umbral de identificacin de gusto salado......................... 10
2.1.1.1.3 Entrenamientos con muestras y evaluacin final.............. 11
2.1.2 Visin computacional.............................................................................. 11
2.1.2.1 Materiales....................................................................................... 11
2.1.2.2 Equipos.......................................................................................... 12
2.1.2.3 Sistema de iluminacin.................................................................. 12
2.1.2.4 Software......................................................................................... 12
2.2 Mtodos.......................................................................................................... 12
2.2.1 Eleccin de los candidatos participantes en la formacin del panel....... 12

iv
2.2.1.1 Reunin inicial................................................................................ 13

2.2.2 Seleccin de los panelistas..................................................................... 13

2.2.2.1 Ordenamiento de color................................................................... 14


2.2.2.2 Umbral de identificacin de gusto salado...................................... 15
2.2.3 Entrenamiento del panel......................................................................... 17
2.2.3.1 Diseo y uso de Tabla de Valoracin de Calidad con Escala
Karlsruhe Especfica para Papas Fritas Tipo Chips....................... 17
2.2.4 Obtencin de muestras para evaluacin................................................. 19
2.2.4.1 Seleccin y preparacin de las muestras...................................... 19
2.2.4.2 Adquisicin de imgenes............................................................... 20
2.2.4.3 Seleccin final de jueces: Uso de Escala Karlsruhe los atributos
de Apariencia/forma y Color........................................................... 22
2.2.5 Evaluacin Sensorial de muestras de papas fritas con panel
entrenado................................................................................................ 23
2.2.6 Medicin de color a travs de imgenes digitales.................................. 23
2.2.6.1 Anlisis de imgenes digitales....................................................... 23
2.2.6.2 Datos de entrenamiento y prueba.................................................. 24
2.2.6.2.1 Para cada juez.................................................................. 24
2.2.6.2.2 Para el total de jueces....................................................... 24
2.2.6.3 Validacin cruzada......................................................................... 24
2.2.6.3.1 Para cada juez.................................................................. 25
2.2.6.3.2 Para el total de jueces....................................................... 26
2.2.6.4 Clasificacin de chips de papas fritas............................................ 27
2.3 Diagrama de bloques...................................................................................... 30

3. RESULTADOS Y DISCUSIONES.................................................................. 31
3.1 Seleccin de los panelistas............................................................................. 31
3.1.1 Ordenamiento de color............................................................................ 31
3.1.2 Umbral de identificacin de gusto salado............................................... 32
3.2 Entrenamiento del panel................................................................................. 33

v
3.2.1 Evaluacin de calidad............................................................................. 33
3.2.1.1 Diseo Tabla de Valoracin de Calidad con Escala Especfica
para Papas Fritas tipo chips.......................................................... 33
3.2.1.2 Seleccin final de jueces: Uso de escala Karlsruhe slo para
Apariencia/Forma y Color.............................................................. 36
3.3 Clasificacin de papas fritas tipo chips del mercado, mediante la
aplicacin de visin computacional................................................................. 36

4. CONCLUSIONES........................................................................................... 49

5. BIBLIOGRAFA.............................................................................................. 51

vi
NDICE DE TABLAS

Tabla 1.1: Composicin qumica promedio de la papa........................................ 3


Tabla 2.1: Diluciones y claves para el ordenamiento por color........................... 14
Tabla 2.2: Diluciones y claves usadas para la identificacin de umbral de
gusto salado....................................................................................... 16
Tabla 2.3: Grados y Sub-grados de calidad........................................................ 19
Tabla 2.4: Nmeros de clases definidos y su correspondencia a grados de
calidad en Tabla Karlsruhe................................................................. 28
Tabla 3.4: Resultados de aceptacin o rechazo por cada juez para el
ordenamiento de color........................................................................ 31
Tabla 3.5: Resultados de aceptacin o rechazo por cada juez en la
identificacin de umbral de gusto salado............................................ 32
Tabla 3.7: Test de valoracin de calidad con escala Karlsruhe para papas
fritas tipo chips.................................................................................... 35
Tabla 3.8: Tabla ANOVA para jueces.................................................................. 36
Tabla 3.9: Eleccin del mejor clasificador respecto al porcentaje de aciertos
(%A) y al menor nmero de caractersticas (P) para cada juez por
separado............................................................................................. 43
Tabla 3.10: Promedio de los porcentajes de aciertos obtenidos para cada
atributo................................................................................................ 44
Tabla 3.11: Relacin entre atributos medibles visualmente y sus posibles
consecuencias en el producto final..................................................... 45
Tabla 3.12: Promedio de los porcentajes de aciertos por cada juez en los cinco
atributos.............................................................................................. 46
Tabla 3.13: Eleccin del mejor clasificador respecto al porcentaje de aciertos
(%A) y al menor nmero de caractersticas (P) para un juez virtual
X, tomando todos los datos de cada juez........................................... 47
Tabla 3.14: Eleccin del mejor clasificador respecto al porcentaje de aciertos
(%A) y al menor nmero de caractersticas (P) para los atributos de
Color y Apariencia/Forma de las mismas muestras evaluadas por
todos los jueces.................................................................................. 48

vii
NDICE DE FIGURAS

Figura 1.4: (K): Imagen de una papa fritas tipo chips; (R): Imagen segmentada
de la misma papa frita tipo chips........................................................ 7
Figura 2.1: Cubo y sistema de iluminacin........................................................... 20
Figura 2.5: Esquema de validacin cruzada para cada juez................................ 25
Figura 2.6: Esquema de validacin cruzada para el total de jueces..................... 26
Figura 2.7: Criterio de evaluacin usado para la eleccin del mejor clasificador
para el juez 1 en el atributo de color.................................................. 29
Figura 3.1: Papas fritas tipo chips clasificadas por los jueces como Grado 1...... 37
Figura 3.2: Papas fritas tipo chips clasificadas por los jueces como Grado 2...... 37
Figura 3.3: Papas fritas tipo chips clasificadas por los jueces como Grado 3...... 38
Figura 3.4: Veinte mejores caractersticas encontradas para la clasificacin con
el discriminante de Fisher................................................................... 39
Figura 3.5: Mejor caracterstica encontrada v/s funcin de densidad de
probabilidad........................................................................................ 40
Figura 3.6: Mejor caracterstica encontrada v/s segunda mejor para la
clasificacin......................................................................................... 41
Figura 3.7: Tres mejores caractersticas encontradas para la clasificacin......... 42

viii
NDICE DE ANEXOS

ANEXO 1: FIGURAS
Figura 1.1: Planta de la papa en donde se distinguen las dos partes principales que
la componen.
Figura 1.2: Morfologa del tubrculo de la papa (Solanum tuberosum).Corte
transversal.
Figura 1.3: Esquema de un proceso de anlisis de imgenes: adquisicin de la
imagen, pre-procesamiento, segmentacin, medicin (o extraccin de
caractersticas), interpretacin o clasificacin.
Figura 2.2: Cmara digital powerShot G3.
Figura 2.3: Montaje para la adquisicin de imgenes.
Figura 2.4: Cabina de evaluacin para muestras de Papas Fritas Tipo Chips con
Escala Karlsruhe.

ANEXO 2: FICHAS USADAS


Ficha N1: Ficha de ordenamiento para ranking de color.
Ficha N2: Ficha de umbral de identificacin de gusto salado.
Ficha N3: Ficha para descripcin de productos.
Ficha N4: Ficha para Test de calidad Karlsruhe para papas fritas tipo chips.

ANEXO 3: TABLAS
Tabla 3.1: Resultados de aceptacin o rechazo para la dilucin verde por jueces y
por color.
Tabla 3.2: Resultados de aceptacin o rechazo para la dilucin amarilla por jueces
y por color.
Tabla 3.3: Resultados de aceptacin o rechazo para la dilucin naranja por jueces
y por color.
Tabla 3.6: Agrupacin de datos para la elaboracin de la Tabla con Escala
Karlsruhe Especfica para Papas fritas tipo chips.

ix
RESUMEN

El objetivo de esta investigacin consisti en implementar un sistema de


clasificacin automtica de calidad sensorial de chips de papas fritas basado en
tcnicas de visin computacional, para que el programa implementado permita
reconocer automticamente a qu grado de calidad pertenecen los chips y poder
predecir caractersticas sensoriales mediante el reconocimiento de patrones.

Para la obtencin de los resultados sensoriales se realiz el entrenamiento de


un panel de 11 jueces para papas fritas tipo chips, los cuales no presentaron
diferencias significativas (p > 0,05) en los atributos visuales de color y apariencia/forma
al evaluar las mismas 80 muestras. En forma paralela se cre una Tabla de valoracin
de calidad de seis puntos especfica para papas fritas, en donde se abarcaron tres
grados de calidad: (Grado 1) Caractersticas tpicas, (Grado 2) Deterioro Tolerable y
(Grado 3) Deterioro indeseable.

La toma de imgenes se realiz por un solo lado a 850 papas fritas de las
marcas Marco Polo caseras, Qui papa y Lays corte clsico, y los mismos chips fueron
evaluados sensorialmente por el panel entrenado para la clasificacin computacional.
Se ensayaron cinco clasificadores diferentes para obtener el que arrojara un menor
error en la clasificacin automtica, y que a la vez midiera el menor nmero de
caractersticas posibles.

Los resultados se expresaron en porcentajes de aciertos, que indica, la


prediccin correcta de las caractersticas sensoriales. Para el promedio de jueces se
obtuvieron los siguientes porcentajes de aciertos: para color un 85%, para
apariencia/forma un 80%, en olor 73%, sabor un 75% y para textura un 76%. Estos
resultados indican un buen ajuste especialmente para los parmetros visuales (color y
apariencia/forma) con porcentajes sobre un 80%, y algo inferiores pero an sobre 70%
para olor, sabor y textura, lo que indica que color y apariencia se relacionan con olor,
sabor y textura de las papas fritas.

x
Al realizar el anlisis con todos los datos individuales de cada juez simulando
un juez virtual X, los porcentajes de aciertos fueron los siguientes: para color un 62%,
para apariencia/forma un 60%, olor 62%, sabor 63% y textura un 61%. Esto muestra
que al agrupar los jueces como un todo hay una mayor dispersin de los datos y por
consiguiente un menor ajuste.

Es posible la implementacin de un sistema de visin computacional para


aplicarlo a nivel industrial como control de calidad en una lnea de procesos, sobre todo
para atributos visuales de color y apariencia/forma, ya que en estos atributos se obtuvo
el menor error de clasificacin.

xi
SUMMARY

The objective of this work was to implement a system of automatic classification


for potato chip sensory quality based on computer vision techniques in order to
recognize automatically through the implemented program the quality of the chips to
predict sensory characteristics through pattern recognition.

To obtain the sensory results a panel of 11 assessors was trained for potato
chips, without significant differences (p > 0.05) in the visual attributes of the color and
appearance/form assessing the same 80 samples. Simultaneously a six-points-quality
assessment Table for potato chips was created, where three quality grades were
covered: (Grade 1) typical characteristics, (Grade 2) still tolerable damage and (Grade
3) non-tolerable damage.

The images were obtained on one side of 850 samples of the potato chips
brands Marco Polo, Qui papa and Lay's potato classic, and the same chips were
assessed by the sensory panel for the computer classification. Five different classifiers
were tested to chose that one with the smallest error, and at the same time measuring
the fewest possible features.

The results were expressed as a percentage of maximum performance, which


indicates the correct prediction of the sensory characteristics. For the average number
of the assessors the following percentages of performance were obtained: 85% for
color, 80%for appearance / form, 73% for smell, 75% for taste and 76% for texture.
These results indicate an especially good fit for the visual attributes (color and
appearance / form) with percentages over 80%, and a somewhat lower fit but still over
70% for smell, taste and texture, indicating that color and appearance are directly linked
to smell, taste and texture of the potato chips.

xii
Conducting the analysis taking all the individual data of each assessor
simulating a virtual assessor X, the percentages of performance were: 62% for color,
60% for appearance / form, 62% for smell, 63% for and 61% for texture. This shows
that by grouping the judges as a whole there is a greater dispersion of data and
therefore a lower fit.

It is possible to implement a computer vision system at an industrial level for


quality control in a line process, especially for visual attributes of color and appearance,
because these attributes achieved the best performance.

xiii
1. INTRODUCCIN

La papa forma parte importante del sistema alimentario mundial, ya que es el


producto no cerealero nmero uno y su produccin alcanz la cifra de 325 millones de
toneladas el 2007. El consumo de papa se extiende vigorosamente en el mundo en
desarrollo, donde la facilidad de cultivo y el gran contenido de energa de la papa la
han convertido en valioso producto comercial para millones de agricultores. La planta
de papa es consumida en el mundo por millones de personas, siendo China el mayor
productor de este tubrculo con 72 millones de toneladas en el ao 2007, lo que suma
ms del 20% de la cosecha mundial (FAOSTAT, 2007)

El consumo de la papa como alimento procesado ha ido adquiriendo cada vez


ms importancia; en este sentido destacan fundamentalmente las papas prefritas
congeladas y las papas fritas en forma de hojuelas o chips de papa (Kraup, 2006). La
atraccin del consumidor a la papa frita tipo chips se debe en gran parte a cambios
importantes en su microestructura inducida por la fritura y sus efectos sobre la fsica y
las propiedades sensoriales (Pedreschi y Aguilera 2002).

Dentro de las propiedades sensoriales de los alimentos, se encuentra entre


otros, el aspecto y el color de la superficie, los cuales son los primeros parmetros
evaluados visualmente por el consumidor y tienen relacin directa en la aceptacin o
rechazo del producto, incluso antes de que entre en la boca. La observacin de color
por lo tanto, permite la deteccin de determinadas anomalas o defectos que los
productos alimenticios pueden presentar (Du y Sun, 2004; Pedreschi, Aguilera y
Brown, 2000). Debido a esto, se estn utilizando nuevas herramientas para predecir la
calidad de los alimentos, es as como surge la visin computacional, la cual se
proyecta como un mtodo alternativo a la evaluacin sensorial, pues es una tecnologa
en la cual se adquiere y analiza una imagen para obtener informacin y para control
de procesos.

1
1.1 Antecedentes Bibliogrficos.

1.1.1 Materias Primas.

1.1.1.1 Aspectos generales de la materia prima.

La papa o patata (Solanum tuberosum) es una planta de la familia de las


solanceas, corresponde a una especie dicotilednea anual, sin embargo, debido a su
capacidad de reproduccin por tubrculos, puede comportarse potencialmente como
una especie perenne (Kraup, 2006).

Esta planta est compuesta por dos partes, la primera crece sobre el suelo y en
ella destacan tallo, hojas, flores y frutos. Y la segunda que crece subterrneamente y
corresponde a la papa-madre (tubrculo-semilla), estolones, tubrculos y races (Anexo
1, Figura 1.1).

Al realizar un corte transversal del tubrculo (Anexo 1, Figura 1.2), se observa:


la piel (epidermis y peridermis), corteza, anillo vascular y la mdula (externa e interna).
Representando esta ltima entre un 14 a 20% del total de tubrculo (Lisinska y
Leszczynski, 1989)

1.1.1.2 Composicin qumica de la papa.

La papa es un alimento verstil y tiene un gran contenido de carbohidratos, es


popular en todo el mundo y se prepara y sirve en una gran variedad de formas. Recin
cosechada, contiene un 80% de agua y un 20% de materia seca. Entre el 60% y el
80% de esta materia seca es almidn. Respecto a su peso en seco, el contenido de
protena de la papa es anlogo al de los cereales, y es muy alto en comparacin con
otras races y tubrculos. Adems, la papa tiene poca grasa (Contreras, 2001).

2
La composicin qumica de la papa depende principalmente de las
caractersticas genticas, sin embargo, tubrculos de la misma planta pueden diferir
notablemente en la composicin qumica. Adems, la composicin se ve afectada por
varios factores como variedad, zonas de crecimiento, formas de cultivo,
almacenamiento, madurez de cosecha etc (Anderson, 1994). En la Tabla 1.1 se
presentan la composicin qumica de papa.

Tabla 1.1: Composicin qumica promedio de la papa.

Sustancias Rango (%) Promedio (%)


Materia Seca 13,1 36,8 23,7
Almidn 8,0 29,4 20,0
Azucares Reductores 0 5,0 0,3
Azucares Totales 0,05 8,0 0,5
Fibra Cruda 0,17 3,48 0,71
Sustancias Pcticas 0,2 - 1,5 -
Nitrgeno Total 0,11 0,74 0,32
Protena Cruda 0,69 4,63 2,0
Lpidos 0,02 0,2 0,12
Cenizas 0,44 1,87 1,1
cidos Orgnicos 0,4 1,0 0,6
Agua 63,2 86,9 77,5

Fuente: Anderson, 1994

1.1.1.3 Almacenamiento y su influencia en los cambios de color durante la


elaboracin de papas chips.

La papa utilizada para la industrializacin es aquella que se encuentra en su


etapa de madurez, y que contiene una alta gravedad especfica y alto contenido de
slidos. El valor de la gravedad especfica est directamente relacionado con el

3
rendimiento y la calidad en cuanto a textura interna de los productos procesados, como
las hojuelas.

El problema ms frecuente a nivel industrial es el mantener un color constante y


caracterstico de las hojuelas de papa. El control del color es difcil de realizar, pues
ste depende de la composicin qumica de la papa (azcares reductores), y sta a su
vez, depende de muchos factores ambientales y del almacenamiento. Los azcares
reductores determinan la calidad de la papa frita, otorgndole un color ms oscuro y
sabor amargo a la papa a causa del pardeamiento no enzimtico que este tipo de
azcares produce. Entonces, la industria requiere de variedades con bajos contenidos
en azcares reductores: inferiores al 0,15% del peso fresco es ideal para la produccin
de hojuelas y ms alto de 0,33% es inaceptable (Dilmer, 2007).

Por lo anteriormente mencionado, las condiciones de almacenamiento juegan


un rol fundamental en el contenido de almidn y azcares, debido a que la respiracin
del tubrculo contina despus de la cosecha para mantener algunos procesos
metablicos. A temperaturas altas el contenido de azcar disminuye (7 10 C) y
aumenta la sntesis del almidn, lo contrario ocurre con temperaturas menores a (2
4 C) ya que el contenido de azcares reductores aumenta (Anderson, 1994). Es
aconsejable entonces, que papas destinadas a fritura sean almacenadas entre 7,5 a
10 C y las destinadas a pur deshidratado y consumo fresco entre 6 y 7 C (Contreras,
2001).

1.1.2 Evaluacin Sensorial.

1.1.2.1 Calidad sensorial de papas fritas.

La papa, previamente a su procesamiento, es sometida a una serie de


exigencias, la cuales tienen por finalidad conseguir la ms alta calidad de chips y
obtener la mayor rentabilidad en el proceso de transformacin, es por esto, que en la

4
industria de papas tipo chips se necesita que la materia prima cumpla las siguientes
condiciones:

Tubrculos redondos o ligeramente ovalados: La forma redondeada y el tamao


exigido proporciona rebanadas uniformes para el envase, ya que formas
alargadas provocarn rompimiento de estas hojuelas y desecho en el
embasado.
Tamao mediano (40-80 mm de dimetro): Las muy pequeas son poco
atractivas para el consumidor.
Ojos superficiales: La ausencia de deformaciones y la superficialidad de ojos
facilita el pelado minimizando prdidas en este proceso.
No verdeadas.
Alto contenido de materia seca, sobre 21%: La alta materia seca exigida que
tiene directa relacin con el alto peso especfico, hace aumentar el rendimiento
industrial, disminuyendo la absorcin de aceite y haciendo que el chips sea
crujiente y resistente a la rotura.
Peso especfico superior a 1,080: Ya que esta directamente relacionado con el
buen rendimiento y la calidad en cuanto a textura interna de los productos.
Azcares reductores menores a 0,15%: Los azcares reductores, como se dijo
anteriormente, se originan por efecto de temperaturas bajas (menos de 7-8 C),
lo cual trae como consecuencia que la papa frita adquiera un color marrn
oscuro y con sabor desagradable (Contreras, 2001).

Si el proceso de fritura de las papas se realiza correctamente, se producen toda


una serie de cambios deseados en el alimento, los cuales se ven reflejados en su
calidad sensorial. Entre ellos:

Textura crujiente por la coagulacin de las protenas, la gelificacin del almidn


y la deshidratacin parcial que sufre el producto.
Aspecto agradable, color dorado, uniforme y brillante, producido
fundamentalmente por la reaccin de Maillard.

5
Sabor y aroma caractersticos por la incidencia del propio aceite y por nuevas
sustancias producidas durante el proceso.
Variacin del contenido de grasa del producto, en general el producto pierde
humedad y gana grasa, excepto los alimentos ricos en grasa que pierden parte
de ella durante su fritura.
Se obtiene una mayor estabilidad del producto, es decir una mayor
conservacin, por la destruccin de microorganismos contaminantes del
alimento y la inactivacin de las enzimas presentes en el mismo (lvarez,
2005).

1.1.3 Visin computacional.

1.1.3.1 Descripcin de un sistema por visin computacional.

La visin por computadora es una rama de la inteligencia artificial que tiene por
objetivo modelar matemticamente los procesos de percepcin visual en los seres
vivos y generar programas que permitan simular estas capacidades visuales por
computadora.

En los aos recientes la visin por computador ha llamado mucho la atencin


de las industrias agrcolas y de alimentos y se ha desarrollado rpidamente para tomar
un lugar de privilegio en la inspeccin de calidad, clasificacin y evaluacin en un
amplio rango de productos, como son los productos de panadera, carnes y pescados,
frutos, alimentos listos para consumo, granos, entre otros. El amplio espectro de
aplicaciones cubierto por la visin por computadora, se debe a que permite extraer y
analizar informacin espectral, espacial y temporal de los distintos objetos (Brosnan y
Sun, 2004).

6
Como puede verse en al Figura 1.3 (Anexo 1), los pasos que involucra el
anlisis de imgenes son los siguientes (Gonzlez y Wintz, 1991):

1. Adquisicin de la imagen: Se obtiene la imagen adecuada del objeto en estudio y


sta es capturada y almacenada en el computador.
2. Pre-procesamiento: Se realiza con el fin de mejorar la calidad de la imagen
obtenida, para esto, se emplean ciertos filtros digitales que eliminan el ruido en la
imagen o bien aumentan el contraste.
3. Segmentacin de la imagen: La imagen del alimento es aislada del fondo de la
escena producindose as una separacin de la imagen digital en regiones no
sobrepuestas (Castleman, 1996). Esta imagen segmentada es una imagen binaria
que consiste solo de pxeles blancos y negros, en donde 0 es negro y 1 es
blanco los cuales significan fondo y objeto respectivamente tal como se muestra en
la Figura 1.4 para una pera.

Figura 1.4: (K): Imagen de una papa fritas tipo chips; (R): Imagen segmentada de la
misma papa frita tipo chips.

4. Medicin o Extraccin de caractersticas: La extraccin de caractersticas se


centra principalmente en la medicin de las propiedades geomtricas (rea,
permetro, factores de forma, descriptores de Fourier, momentos invariantes, etc.) y
de coloracin de las regiones (nivel de gris, componentes de color, gradiente,
segunda derivada, caractersticas de textura, etc) (Mery, 2002).
5. Interpretacin o clasificacin: Se interpretan las caractersticas extradas usando
un cierto conocimiento sobre el objeto analizado. Generalmente, la interpretacin
clasifica cada regin dividida en segmentos a una de las clases predefinidas, que

7
representan todos los tipos posibles de regiones esperadas en la imagen. Un
clasificador se disea despus de un entrenamiento supervisado, y los
clasificadores simples pueden ser puestos en ejecucin comparando caractersticas
medidas con valores de umbral. No obstante, es tambin posible utilizar tcnicas
ms sofisticadas de la clasificacin tales como los que realicen los anlisis
estadsticos y geomtricos del espacio del vector de las caractersticas o los que
utilicen las redes neuronales o la lgica difusa (Castleman, 1996; Mery y cols,
2003). En toda aplicacin donde usen clasificadores existen dos fases: la fase de
aprendizaje o entrenamiento y la fase de prueba.
Fase de aprendizaje: Se usa un conjunto de datos o patrones de entrenamiento
para determinar los pesos que definen el modelo neuronal. Normalmente, los
pesos ptimos se obtienen optimizando (minimizando o maximizando) alguna
funcin de energa, como por ejemplo, el error cuadrtico medio entre el valor
deseado y el valor de salida actual.
Fase de prueba: En ella se procesan los patrones de prueba que constituyen la
entrada habitual, analizndose de esta manera las prestaciones definitivas.

8
1.2 Objetivos.

1.2.1 Objetivo General.

El objetivo de este estudio es disear un clasificador de calidad sensorial de


papas fritas tipo chips del mercado, que permita reconocer automticamente a
qu grado de calidad pertenecen y poder predecir caractersticas sensoriales
mediante la aplicacin de visin computacional para lneas de procesos.

1.2.2 Objetivos Especficos.

Seleccionar y entrenar un panel sensorial para la evaluacin de las papas fritas


tipo chips.
Disear una Tabla de Valoracin de Calidad Especifica para Papas Fritas
Tipo Chips con escala Karlsruhe y ensear su uso al panel sensorial.
Realizar la evaluacin sensorial de muestras de papas fritas tipo chips del
mercado mediante el uso del test de valoracin de calidad.
Emplear un sistema de visin computacional que permita analizar las imgenes
de chips de papas fritas, y extraer sus caractersticas de color y geomtricas,
entre otras.
Con los valores obtenidos de la evaluacin sensorial y los correspondientes con
el sistema de visin computacional determinar el clasificador que mejor pueda
predecir los valores sensoriales evaluados (color, apariencia/forma, olor, sabor
textura) a partir de los correspondientes valores medidos computacionalmente, y
as validar el uso de visin computacional como herramienta para la
determinacin de calidad en una lnea de procesos.

1.2.3 Hiptesis.

Es posible la determinacin de grados de calidad sensorial de papas fritas tipo


chips mediante la aplicacin de visin computacional en una lnea de procesos.

9
2. MATERIALES Y MTODOS

2.1 Materiales.

2.1.1 Evaluacin sensorial.

2.1.1.1 Etapa de seleccin y entrenamiento.

2.1.1.1.1 Ordenamiento de color.

Fichas individuales de respuesta con instrucciones adecuadas para una


correcta evaluacin.
Lpiz grafito con goma de borrar
1 jugo Yupi sabor papaya.
1 jugo Yupi sabor naranja.
1 jugo Livean sabor meln tuna.
Gradillas
50 tubos de ensayo
Agua destilada

2.1.1.1.2 Umbral de identificacin de gusto salado.

Bandejas blancas
10 botellas de vidrio
Vasos plsticos desechables
Soluciones de diferentes concentraciones de NaCl
Escupidero
Vasos plsticos con agua como medio de neutralizacin

10
2.1.1.1.3 Entrenamiento con Muestras y Evaluacin Final.

Bandejas blancas
850 Bolsas hermticas de polietileno marca Europlas de 15x16 cm, Madrid,
Espaa.
Vasos plsticos con agua como medio de neutralizacin.
Fichas individuales de respuesta para escala Karlsruhe
Escala Karlsruhe
Lpiz grafito con goma de borrar
Chips de Papas fritas de tres marcas comerciales

- Etapa de entrenamiento:
o Lays corte clsico: 3 bolsas de 250 gr. Elaboradas por Evercrisp S.A.
o Marco Polo caseras: 3 bolsas de 350 gr. Elaboradas por ICB S.A.
o Qui papa: 6 bolsas de 200 gr. Elaboradas por Sergio Vera Silva, IX
Regin.

- Evaluacin final:
o Lays corte clsico: 10 bolsas de 250 gr. Fabricadas por Evercrisp S.A
o Marco Polo caseras: 10 bolsas de 350 gr. Fabricadas por ICB S.A
o Qui papa: 15 bolsas de 200 gr. Elaboradas por Sergio Vera Silva, IX
Regin.
* Para ambas etapas las muestras evaluadas tenan fechas de elaboracin con menos de 2
semanas de diferencia.

2.1.2 Visin computacional.

2.1.2.1 Materiales.

Chips de Papas fritas de tres marcas comerciales, los mismos usados en la


etapa de evaluacin final.

11
2.1.2.2 Equipos.

Cmara fotogrfica digital Canon (Japn), Power Shot G3, 4Megapixel.


Computador Pentium IV, 511 MB RAM, 37 GB de disco duro.

2.1.2.3 Sistema de iluminacin.

4 Tubos fluorescentes Philips, Natural Daylight 18 W (longitud de 60 cm.)

Soportes y conexin elctrica a la red de 220V


Caja cbica negra
Goma eva negra

2.1.2.4 Software.

Matlab 7.0 Ink, Julio 2004


Toolbox Balu, Abril 2008
Zoombrowser ex 5.7. copyright Canon Inc.
Microsoft Office 2003

2.2 Mtodos.

2.2.1 Eleccin de los candidatos participantes en la formacin del panel.

Los candidatos elegidos fueron estudiantes de Ingeniera en Alimentos de la


Universidad de Chile que cumplan con el requisito de tener aprobado el ramo de
evaluacin sensorial y tuvieran disponibilidad de horario tanto en la etapa de
entrenamiento como en las posteriores evaluaciones.

12
2.2.1.1 Reunin inicial.

Los pre- candidatos fueron citados a una reunin inicial de carcter informativo
en donde se les explic la importancia de su participacin activa y comprometida en
cada una de las etapas (seleccin, entrenamiento y evaluacin final). Luego de esto se
les explicaron los objetivos del proyecto para que as tomaran conciencia de lo
fundamental que son stos en la realizacin de este estudio.

Luego, cada uno decidi en forma voluntaria formar parte del panel, para lo cual
se les solicit que asumieran un compromiso de asistencia y puntualidad en cada una
de las etapas del proyecto.

2.2.2 Seleccin de los panelistas.

Se inici la etapa de seleccin con 15 candidatos, tomando en cuenta que luego


de la etapa de seleccin y entrenamiento se requera un mnimo de 8 jueces
entrenados.

Las pruebas aplicadas fueron:


Ordenamiento de color.
Umbral de identificacin de gusto salado
A continuacin se presenta la metodologa para cada prueba.

13
2.2.2.1 Ordenamiento de color.

Se le present a cada participante en una serie de 10 tubos del mismo color


pero en distintas concentraciones y se les pidi que los ordenaran de manera
creciente segn su intensidad de color.

Las tres soluciones se prepararon disolviendo el jugo en 1 litro de agua y sta


se us como solucin madre para luego preparar las diluciones que se indican en la
Tabla 2.1.

Tabla 2.1: Diluciones y claves para el ordenamiento por color.

Clave dilucin Clave dilucin Clave dilucin Jugo solucin


Agua (ml)
Amarilla Naranja Verde madre (ml)
A X M 45 55
X P R 50 50
W C S 55 45
P D T 60 40
M Q K 65 35
H E C 70 30
Z R L 75 25
C F A 80 20
Y U F 90 10
E S Z 100 -

Luego se rotularon 10 tubos de ensayo para cada color, con cada una de las
claves indicadas en la Tabla 3.1, y se llenaron los respectivos tubos con 10 ml
aproximadamente, cuidando que los tubos quedaran todos con la solucin hasta la
misma altura. Cada una de las gradillas contena un set completo de las diluciones y la
ubicacin de los tubos en las gradillas se determin por sorteo (Jellinek, 1985).

14
Posterior a esto, los jueces ordenaron los tubos de ensayo del color ms dbil
al ms intenso y traspasaron sus respuestas a la ficha de evaluacin entregada. (Ficha
N1, Anexo 2).

Para la aceptacin o rechazo de los jueces se hizo la sumatoria de cada juez


por las tres diluciones evaluadas y luego se calcul el porcentaje de aciertos con un
mximo de 30 aciertos equivalentes al 100% de aciertos equivalente a 30 aciertos.
Fueron aceptados y pasaron a la siguiente etapa de seleccin aquellos participantes
que obtuvieron un porcentaje mayor al 80% de aciertos en las tres diluciones.

2.2.2.2 Umbral de identificacin de gusto salado.

Se prepar una solucin madre de Cloruro de Sodio (NaCl), a partir de la cual


se realizaron diluciones, de acuerdo al siguiente protocolo.

1. La solucin madre se prepar pesando 25 gramos de NaCl en balanza con


precisin 0,1 g, luego se disolvi en un vaso de precipitado y se llev a un matraz
aforado de 250 ml.
2. Se guardaron unos 3 litros de la misma agua con la que se prepararon las
soluciones como medio de neutralizacin.
3. Luego se procedi a hacer las respectivas diluciones que se muestran en la tabla
N3. Se llevaron las alcuotas indicadas a 1000 ml y se guardaron en botellas de
vidrio codificadas con las letras indicadas en la ltima columna de la misma tabla.
4. Se usaron por persona 10 vasos plsticos desechables marcados del 1 al 10.

En la Tabla 2.2 se encuentran las concentraciones usadas para la preparacin.

15
Tabla 2.2: Diluciones y claves usadas para la identificacin de umbral de gusto salado.

Diluciones(ml) Concentracin
Compuesto Solucin madre Clave
(llevar a 1000 ml) (g/100ml)
0 0,00 S1
2 0,02 S2
4 0,04 S3
6 0,06 S4
NaCl 8 0,08 S5
25 g en 250 ml
(pro anlisis) 10 0,10 S6
13 0,13 S7
15 0,15 S8
18 0,18 S9
20 0,20 S10

Se pidi a los participantes que degustaran cuidadosamente la serie de 10


muestras entregadas en orden creciente de concentracin que poda corresponder a
cualquiera de los cuatro gustos bsicos (dulce, cido, salado o amargo),
posteriormente se traspasaron sus respuestas a la ficha de evaluacin entregada
(Ficha N2, Anexo 2). La tarea del juez consisti en describir las sensaciones
percibidas, en la siguiente escala:

0: Igual a agua.
?: Distinto al agua, pero no lo identifica. Corresponde al umbral de estmulo.
)( : Se reconoce de qu gusto se trata. Corresponde al umbral de identificacin.
1-5 : Corresponde a una escala de intensidad creciente posterior al umbral
de identificacin.

Como umbral de identificacin se consider la concentracin a la cual el juez


reconoci correctamente el gusto salado y no volvi a equivocarse en las
concentraciones posteriores. Para aprobar este test, el juez debi presentar un umbral
de identificacin igual o inferior a 0,08 g/100ml.

16
2.2.3 Entrenamiento del panel.

Los participantes que aprobaron la etapa de seleccin, es decir, que en el


ordenamiento de color obtuvieron ms de un 80% de aciertos, y un umbral de
identificacin de gusto salado mximo de 0,08 g/100ml; y que adems cumplieron con
la asistencia y puntualidad requerida, pasaron a la etapa de entrenamiento, lo cual
significa que estaban capacitados en la evaluacin de calidad de papas fritas tipo
chips.

2.2.3.1 Diseo y uso de Tabla de Valoracin de Calidad con Escala Karlsruhe


Especifica para Papas Fritas Tipo Chips.

Para poder implementar el test de valoracin de calidad con escala Karlsruhe


se les pidi a los jueces realizar una descripcin de los parmetros sensoriales de las
papas fritas de acuerdo a las caractersticas de calidad sensorial descritas en la Tabla
General del Test de Valoracin de Calidad de Karlsruhe: color, apariencia/forma, olor,
sabor textura.

Para esto se realizaron cuatro sesiones en donde se presentaban las tres


muestras de papas fritas una a una en un plato grande al centro de la mesa redonda
codificado con las letras W (Marco Polo caseras), X (Qui papa) e Y (Lays Corte
Clsico), y en cada puesto haba un plato individual. Cada muestra corresponda a uno
de los tres grados de grados de calidad. Se les pidi que inicialmente describieran en
forma conjunta el color y la apariencia y luego tomaran cada uno una muestra del plato
grande y se dispusieran a describir olor, sabor y textura, siguiendo las instrucciones
de la ficha de descripcin entregada (Ficha N 3, Anexo 2).

Al finalizar la descripcin individual se realiz una discusin abierta dirigida, en


donde cada juez expuso la descripcin hecha a cada una de las tres diferentes
muestras del mercado.

17
Luego, se agruparon los resultados obtenidos para cada parmetro y se
procedi a la elaboracin de la Tabla de Valoracin de Calidad con Escala Karlsruhe
Especifica para Papas Fritas Tipo Chips.
Los datos se agruparon de acuerdo al siguiente criterio:

1. Frecuencia con la que se repiti cada caracterstica.


2. Si la caracterstica era positiva o negativa para el producto.
3. A qu grado de calidad corresponda cada una de ellas.

Una vez listo el diseo se pidi al panel que evaluara con la tabla especfica
elaborada, en donde se dispusieron una a una las tres muestras diferentes al centro de
la mesa redonda con su respectiva codificacin y al igual que en la sesin descriptiva
debieron evaluar primero color y apariencia/forma y luego, cada panelista tom una
muestra del plato central y evalu en forma individual olor, sabor y textura pero esta
vez con la escala Karlsruhe (Tabla 3.7) y la ficha de respuesta especfica para este
Test (Ficha N 4, Anexo 2). Se les pidi adicionalmente que anotaran todas las
observaciones pertinentes para mejorar la tabla y luego se discutieron las respuestas
en forma grupal. Esta etapa se realiz dos veces, hasta la obtencin final de la Tabla
especfica para papas fritas.

La tabla de valoracin consta de seis puntos, y stos se agrupan en tres grados


de calidad, los cuales a su vez se subdividen en dos subgrupos, tal como se muestra
en la Tabla 2.3.

18
Tabla 2.3: Grados y Sub-grados de calidad

Grados Calificacin verbal Calificacin


numrica

Muy Buena 6
GRADO 1 CARACTERSTICAS TPICAS
Buena 5

Regular 4
GRADO 2 DETERIORO TOLERABLE
Suficiente 3

Mala 2
GRADO 3 DETERIORO INDESEABLE
Muy Mala 1

2.2.4 Obtencin de muestras para evaluacin.

2.2.4.1 Seleccin y preparacin de las muestras.

Mediante una seleccin preliminar se eliminaron aquellas unidades quebradas


y/o molidas y se dejaron aquellas en buen estado, teniendo en cuenta que para este
estudio se requeran chips de papas de los tres grados de calidad definidos
anteriormente segn la Escala Karlsruhe.

Las bolsas originales con muestras fueron abiertas en el laboratorio de toma de


fotografas de la Universidad de Santiago de Chile (USACH), ah se realiz la seleccin
de los chips para la posterior toma de fotografas de cada uno de ellos, los cuales,
luego de la captura de imgenes se guardaron en bolsas de polietileno con fondo
negro y con cierre hermtico de medidas 15x16 cm, nuevas y libres de olores extraos,
debidamente codificadas con un numero nico e irrepetible. Luego las muestras fueron

19
transportadas inmediatamente al laboratorio de Evaluacin Sensorial de la Universidad
de Chile para su posterior anlisis con los jueces entrenados.

2.2.4.2 Adquisicin de imgenes.

La obtencin de la imagen digital del chip de papa frita se realiz mediante un


montaje de un sistema de visin computacional similar al desarrollado por Papadakis y
cols (2000), el cual consiste en una caja de color negro, que cuenta con un sistema de
iluminacin de cuatro tubos fluorescente Philips, Natural Daylight 18 W (longitud de 60
cm.), con una temperatura de color de 6500K, correspondiente a la luz da, y un ndice
de color (Ra) cercano al 95%. Los cuatro tubos se ubicaron horizontalmente, formando
un cuadrado por sobre la cmara para que al iluminar se crease un ncleo de luz
homogneo en el lugar donde se ubicaron los chips de papa frita (Figura 2.1). El cubo
de toma de imgenes tiene sus paredes interiores negras y la superficie donde se
ubica la muestra es de goma eva negra, todo esto a fin de evitar alteraciones
producidas por brillo sobre la cmara y muestras (Len y cols, 2005).

Figura 2.1: Cubo y sistema de iluminacin.

20
La caja posee un soporte para la cmara digital de color Canon Powershot G3
de 4 Mega pxeles (Figura 2.2, Anexo 1), ubicada verticalmente a 22,5 cm. de distancia
del chip de papa frita con un ngulo alrededor de 45 entre el eje de la cmara y las
fuentes de iluminacin.

Se tom una imagen digital a cada una de las 850 muestras por un solo lado,
ste se identific para que al momento de la evaluacin sensorial los jueces vieran
exactamente el lado por el cual se tom la foto. Las imgenes fueron capturadas a su
mxima resolucin (2.272 x 1.704 pxeles), y conectadas al puerto USB de un
computador Pentium IV, 1.200 MHz, en donde fueron guardadas para su posterior
procesamiento. De las 850 imgenes, 80 fueron utilizadas slo para el anlisis de color
y apariencia/forma, siendo esas 80 muestras evaluadas por cada uno de los 11 jueces;
y las restantes 770 fotografas se usaron para el anlisis sensorial individual,
evaluando cada juez un total de 70 muestras distintas.

El montaje y calibracin del sistema de visin computacional (Figura 2.3, Anexo


1) fue implementado como parte del proyecto Fondecyt 1070031 y se encuentran
disponibles en el Laboratorio de Anlisis de Imgenes de Alimentos de la Universidad
de Santiago de Chile.

El manejo remoto de la cmara se realizo mediante el software


ZOOMBROWSER EX (ZoomBrowser EX, versin 5.7, Canon inc.), el cual permite
importar organizar e imprimir imgenes. Este Software posee un programa de disparo
remoto REMOTE CAPTURE (Remote Capture versin 2.6.0.15, Canon Cmara
Library versin 5.0.0.13), donde se realizaron los ajustes de la cmara para la
obtencin de fotografas de la mxima resolucin posible. A continuacin se presentan
los ajustes realizados:

21
1. Ajustes de disparo
Flash: Apagado
Velocidad ISO: 100
Balance de blancos: Fluorescente H
Efecto de fotografa: Efecto foto
Modo de disparo: Manual
Valor de abertura (Av): 8.0
Velocidad de obturacin (Tv):1/15
Modo de medicin: Puntual

2. Ajuste de ngulo
Tamao /Calidad: RAW
Distancia focal: 14,4 mm.
Macro: Encender

2.2.4.3 Seleccin final de jueces: Uso de Escala Karlsruhe para los atributos
de Apariencia/Forma y Color.

Se hizo uso de la Escala slo para Apariencia/Forma y Color en 80 muestras,


las cuales fueron evaluadas por todos los jueces. Estas 80 muestras fueron evaluadas
en ocho sesiones, en donde cada juez evalu 10 muestras por sesin. Las muestras
fueron presentadas en bolsas individuales hermticas con fondo negro para que
tuvieran el mismo contraste del color de fondo con el que fueron capturadas las
imgenes digitales, adems las bolsas estaban codificadas cada una con el mismo
nmero que tienen las fotos tomadas digitalmente

Esta etapa se realiz para corroborar la homogeneidad del panel, ya que no


debe haber diferencias estadsticamente significativas entre los jueces al realizar
ANOVA de una va (jueces), luego se da paso a la siguiente etapa de este proyecto. En
esta etapa se debieron eliminar los jueces que presentaron diferencias

22
estadsticamente significativas (niveles de significacin menores a 0,05), ya que
significa desviacin de la media de las calificaciones asignadas.

2.2.5 Evaluacin Sensorial de muestras de papas fritas con panel entrenado.

A cada juez fueron asignados un total de 70 chips de papas, en cada sesin el


juez evalu 10 chips para evitar errores por adaptacin, en donde ocurre una
disminucin de la sensibilidad del individuo frente al estmulo dado a causa de una
exposicin continua a ese estmulo (Meilgaard, 1999). El mtodo usado fue el
siguiente:

Se dispone de 10 muestras para cada juez, de distinta marca comercial, las que
son dispuestas en bolsas individuales con fondo negro, codificadas cada una
con el mismo nmero que tienen las fotos tomadas digitalmente.
Se colocaron las muestras en la cabina, junto al vaso con el medio de
neutralizacin (agua), la ficha de respuesta (Ficha N 4, Anexo 2,), la escala
Karlsruhe Especifica para Papitas Tipo Chips y lpiz grafito (Figura 2.4, Anexo 1).
Se procede a evaluacin por parte del juez, en cabinas separadas y preparadas
para ello.
El juez, primero debe evaluar las muestras con respecto a parmetros externos
(color y apariencia/forma), a continuacin procede con los parmetros de olor,
sabor y textura.

2.2.6 Medicin del color a travs de imgenes digitales.

2.2.6.1 Anlisis de imgenes digitales.

El anlisis de las fotografas se realiz con el software MATLAB (The Language


of Technical Computing), herramienta que posee poderosas funciones que facilitan el
trabajo y la visualizacin de los resultados mediante grficas e imgenes. En este

23
caso se realiz la extraccin de caractersticas geomtricas, de color y texturales. Se
extrajeron una total de 2.423 caractersticas por cada fotografa.

2.2.6.2 Datos de entrenamiento y prueba.

2.2.6.2.1 Para cada juez.

De las 70 muestras evaluadas por cada juez, se us el 80%, es decir, 56


muestras para ser utilizadas en el entrenamiento y 14 para ser utilizadas de prueba.
Se define como entrenamiento al proceso donde se construye el modelo de regresin
que se realiza con 56 muestras, y se define como prueba al proceso donde se
ingresan las 14 muestras restantes como prueba. Con el fin de obtener un modelo ms
robusto con resultados ms certeros se utilizo la tcnica de validacin cruzada,
explicada en el punto 2.2.6.3.

2.2.6.2.2 Para el total de jueces.

Similar al punto anterior, se usaron todas las muestras evaluadas por los jueces
y se analizaron como si fuese un solo juez. Entonces, de las 770 muestras de los 3
grados de calidad establecidos, se us nuevamente el 80% (616 muestras) para ser
utilizadas en el entrenamiento y el 20% restante (154 muestras) para ser utilizadas de
prueba.

2.2.6.3 Validacin cruzada.

Este mtodo consiste en dividir el conjunto total de datos recopilados en


subconjuntos de igual cantidad, para luego ir variando el conjunto de entrenamiento,
validacin y prueba, sin repetir el conjunto de prueba utilizado, con el objetivo de
probar el total de datos.

24
Es necesario utilizar la metodologa de validacin cruzada, para la presentacin
de los resultados obtenidos, puesto que de esta forma se cubre la totalidad de
combinaciones para entrenamiento, validacin y prueba (Figura 2.5 y 2.6). As, se logra
que los resultados no sean sensibles a los conjuntos definidos, sino que sean
absolutos con respecto al total de los datos.

2.2.6.3.1 Para cada juez.

Para la realizacin de la validacin cruzada se dividieron las 70 muestras para


cada tipo de papa en 5 subconjuntos ordenadas de la 1-14, 15-28, 29-42, 43-56, 57-70.

Luego se realizaron 5 procesos (Figura 2.5) donde en el primero se entren con


56 muestras (15-70), y se utiliz para la prueba un grupo de 14 muestras (1-14), as
sucesivamente hasta que cada subconjunto fuera utilizado como prueba.

VALIDACIN CRUZADA

Proceso 1 Proceso 2 Proceso 3 Proceso 4 Proceso 5


1-14 1-14 1-14 1-14 1-14
15-28 15-28 15-28 15-28 15-28
29-42 29-42 29-42 29-42 29-42
43-56 43-56 43-56 43-56 43-56
57-70 57-70 57-70 57-70 57-70

Datos de entrenamiento
Datos de prueba

Figura 2.5: Esquema de validacin cruzada para cada juez.

25
2.2.6.3.2 Para el total de jueces.

Para la realizacin de la validacin cruzada se dividieron las 770 muestras para


cada tipo de papa en cinco subconjuntos ordenadas de la 1-154, 155-308, 309-462,
463-616, 617-770.

Al igual que el punto anterior, se realizaron cinco proceso (Figura 2.6) donde en
el primero se entreno con 616 muestras (155-770), y por consiguiente se utilizo para la
prueba las 154 muestras restantes (1-154), as sucesivamente hasta que cada
subconjunto fuera utilizado como prueba.

VALIDACIN CRUZADA

Proceso 1 Proceso 2 Proceso 3 Proceso 4 Proceso 5


1-154 1-154 1-154 1-154 1-154
155-308 155-308 155-308 155-308 155-308
309-462 309-462 309-462 309-462 309-462
463-616 463-616 463-616 463-616 463-616
617-770 617-770 617-770 617-770 617-770

Datos de entrenamiento
Datos de prueba

Figura 2.6: Esquema de validacin cruzada para el total de jueces

26
2.2.6.4 Clasificacin de chips de papas fritas.

Para la etapa final de validacin y clasificacin de los resultados se emple el


Toolbox Balu de Matlab 7.0 diseado por Mery (2008). El programa consiste en la
creacin de un clasificador que permita determinar los diferentes grados de calidad de
las imgenes digitales para simular los resultados obtenidos sensorialmente por los
jueces con en el Test de valoracin de calidad con escala Karlsruhe para papas fritas
tipo chips (Tabla 3.7).
Se usaron para este trabajo cinco tipos de clasificadores supervisados,
determinados por Mery (2008), estos son:
1. pnn: Probabilistic neural network (probabilstico de redes neuronales)
2. lda: Linear discriminants analysis (anlisis discriminante lineal)
3. knn: K nearest neighbor (k vecinos ms cercanos)
4. dmi: Distancia mnima
5. mah: Distancia de Mahalanobis

Los clasificadores supervisados basan su aprendizaje en un conjunto de datos


denominado conjunto de entrenamiento, mediante el cual, se proporciona al
clasificador una serie de casos o situaciones con las que puede encontrarse al
requerirse una prediccin o clasificacin de un nuevo objeto (Vzquez et al,2005). Un
clasificador asocia cada patrn de entrada a una de las tres clases predefinidas, para
esto, se divide el espacio de entrada en regiones de decisin y todo lo que caiga dentro
de cada regin corresponder a una clase diferente. Para construir el clasificador se
disean un conjunto de funcionen discriminantes, una por cada clase existente, que
estimen la pertenencia del patrn de entrada a cada clase (Cebestany y Bermejo,
2003). Las clases definidas se muestran en la Tabla 2.4:

27
Tabla 2.4: Nmeros de clases definidos y su correspondencia a grados de calidad en
la Tabla Karlsruhe.

Clases Grados de Calidad Puntajes asignados


1 1 5-6
2 2 3-4
3 3 1-2
* Los Grados de calidad y los puntajes asignados son los mismos que se encuentran en la
escala Karlsruhe.

Ser elegido el clasificador que mejor simule o que mejor se comporte como un
juez real, y para esto se utilizan los siguientes criterios:
Se debe escoger, en lo posible, el clasificador con el mayor porcentaje de
aciertos entre los datos entregados por la evaluacin sensorial de los jueces y la
prediccin del programa.
Y que la vez, sea aquel que menos caractersticas (P) necesite analizar de las
2.423 extradas inicialmente.

En la figura 2.7 se muestra como ejemplo el criterio de evaluacin usado para


eleccin del mejor clasificador para el juez 1 en el atributo de color. En el ejemplo
se elige el clasificador lda que tiene un valor de 0,8571, lo cual equivale
aproximado a un 86% de aciertos con un P=8, lo que significa que para conseguir
ese porcentaje de aciertos es necesario slo analizar las primeras 8 caractersticas
escogidas por el programa de un total de 2.423 medidas inicialmente, lo cual
reduce significativamente el tiempo de anlisis.

28
Figura 2.7: Criterio de evaluacin usado para eleccin del mejor clasificador para juez 1
en el atributo de color

29
2.3 Diagrama de bloques.

EVALUACIN SENSORIAL

Seleccin de los jueces


Ordenamiento de color.
Umbral de identificacin
de gusto salado.

Entrenamiento de los jueces

Diseo de Tabla de Valoracin VISIN


de Calidad Especfica para COMPUTACIONAL
papas fritas tipo chips

Seleccin de muestras

Seleccin final de jueces con


80 muestras mediante ANOVA Adquisicin de imgenes

Evaluacin Sensorial Anlisis de imgenes


de 770 muestras

Validacin cruzada

Clasificacin de chips de
papas fritas

30
3. RESULTADOS Y DISCUSIONES

3.1 Seleccin de los panelistas.

3.1.1 Ordenamiento de color.

En la tabla 3.4 se muestran los aciertos por juez para el ordenamiento de color
de tres series, y su aceptacin o rechazo, de acuerdo a los criterios definidos en el
punto 2.2.2.1. En las tablas 3.1, 3.2 y 3.3 (Anexo 3) se encuentran los resultados
detallados.

Tabla 3.4: Resultados de aceptacin o rechazo por cada juez para el ordenamiento de
color.

Aciertos por color (10 diluciones)


Total de
JUEZ % Aciertos
aciertos

VERDE AMARILLO NARANJO


1 10 10 10 30 100
2 10 10 10 30 100
3 4 10 6 20 66,7
4 8 8 10 26 86,7
5 10 10 10 30 100
6 8 10 10 28 93,3
7 5 8 8 21 70
8 10 10 7 27 90
9 8 10 10 28 93,3
10 8 6 8 22 73,3
11 8 10 8 26 86,7
12 4 10 10 24 80
13 6 8 10 24 80
14 7 8 8 23 76,7
15 5 5 8 18 60
16 6 3 7 16 53,3
17 10 10 10 30 100

Panelistas que no pasaron a la siguiente etapa, por tener menos de 80%


De aciertos para los 3 colores.

31
De un total de 17 participantes invitados en formar parte del panel sensorial,
slo 11 pasaron a la siguiente etapa ya que obtuvieron porcentajes de aciertos
mayores al 80%. Por lo tanto, la numeracin de los jueces para las siguientes etapas
se har nuevamente debido a la eliminacin de 6 participantes que no pasaron la etapa
de seleccin.

3.1.2 Umbral de identificacin de gusto salado.

En la tabla 3.5 se presentan los resultados obtenidos en la segunda etapa de


seleccin del panel sensorial, que corresponden a la identificacin de umbral de gusto
salado.

Tabla 3.5 Resultados de aceptacin o rechazo por cada juez en la identificacin de


umbral de gusto salado.

Umbral de identificacin de gusto


Juez
salado (g NaCl/100ml)
1 0,02
2 0,04
3 0,02
4 0,03
5 0,04
6 0,03
7 0,04
8 0,04
9 0,03
10 0,03
11 0,02
* Las concentraciones que fueron preparadas van desde 0,00 a 0,20 g NaCl/100ml

32
El criterio usado para esta etapa de seleccin fue que los jueces obtuvieran un
valor mximo de umbral de identificacin de 0,08 g NaCl/100ml. En base a lo anterior,
todos los jueces aprobaron esta etapa.

Ambas pruebas realizadas, permitieron escoger a los candidatos con mayor


capacidad de concentracin, sensibilidad frente a diferentes estmulos y
reproductibilidad de los juicios emitidos (Wittig de Penna, 1981). Permiti tambin
detectar a las personas que padezcan alguna anomala de orden fisiolgico como
podra ser el daltonismo, la cual en nuestro caso debera ser descartada
inmediatamente por tratarse de un estudio que incluye la evaluacin de color.

3.2 Entrenamiento del panel.

3.2.1 Evaluacin de calidad.

3.2.1.1 Diseo Tabla de Valoracin de Calidad con Escala Especfica para


Papas Fritas tipo chips.

Luego de la descripcin de color, apariencia/forma, olor, sabor y textura


realizados en cuatro sesiones de acuerdo a la metodologa planteada en el punto
2.2.3.1 se agruparon los datos obtenidos (Tabla 3.6, Anexo 3).

Los comentarios fueron recopilados por los 11 jueces que pasaron la etapa de
entrenamiento, y la agrupacin de los datos obtenidos se realiz segn la tabla de
valoracin de calidad general de nueve puntos. Se calific de forma positiva (+)
aquellas comentarios que reflejaran caractersticas tpicas deseables en el producto
(Grado 1), por ejemplo, color uniforme y amarillo tpico. Por el contrario se agruparon
de forma negativa (-) aquellas descripciones que reflejaran un deterioro tolerable como
presencia de manchas, o indeseable como zonas verdosas (Grado 2 y 3
respectivamente).

33
Extracto Tabla 3.6: Agrupacin de datos para la elaboracin de la Tabla con Escala
Karlsruhe Especfica para Papas fritas tipo chips.

Atributo Descriptor Frecuencia Direccin de la Grado de


caracterstica calidad
Amarillo tpico 6 + 1
Color
7 + 1
homogneo/uniforme
Color poco o nada
4 - 2-3
homogneo/uniforme
COLOR
Algo plido 4 - 2
Muy oscura 5 - 3
Bordes oscuros 6 - 2-3
Presencia de manchas 3 - 2
Zonas verdosas 2 - 3
* La frecuencia se refiere al nmero de veces que se repiti ese descriptor.

Luego de la agrupacin de datos fue posible elaborar la Tabla de valoracin de


calidad de 6 puntos especfica para papas fritas tipo chips, la cual fue evaluada en dos
sesiones para realizar los ajustes correspondientes y obtener finalmente la Tabla de
Valoracin de Calidad con Escala Karlsruhe Especifica para Papas Fritas Tipo Chips
que se muestra a continuacin.

34
Tabla 3.7: TEST DE VALORACIN DE CALIDAD CON ESCALA DE KARLSRUHE PARA PAPAS FRITAS TIPO CHIPS

Calidad Grado 1 Calidad Grado 2 Calidad Grado 3


Atributo
Caractersticas Tpicas Deterioro Tolerable Deterioro Indeseable
Muy Buena Buena Regular Suficiente Mala Muy Mala
6 5 4 3 2 1
Natural, amarillo tpico, Natural, amarillo tpico, Amarillo pero poco Color poco El color tpico ha Superficie totalmente
color uniforme. algo plido u oscuro, homogneo. Bordes caracterstico y desaparecido. Bordes quemada, color
color an uniforme en levemente oscuros. heterogneo. Bordes quemados y totalmente alterado.
Color la unidad. Hay presencia de muy oscuros. verdosos. Color muy
manchas. Presencia de muchas oscuro. Totalmente
manchas. manchadas

Tamao muy Bordes parejos, Algo alterada, bordes Bordes irregulares. Presencia de mucha Completamente
uniforme, bordes bien superficie casi lisa. irregulares, superficie Presencia de cscara. cscara Superficie alterada. Quemadas, y
definidos y regulares, Puede haber con algunas burbujas. Superficie con muy quemada. de forma irregular.
Apariencia/ Forma superficie lisa, nada presencia muy leve de Algo aceitosa. burbujas. Aceitosa. Avanzada alteracin.
aceitosa. burbujas. Levemente Muy aceitosa.
aceitosa con bordes
algo irregulares.
Caracterstico a papas Caracterstico a papas Dao todava Claramente daado. Alterado, a aceite Extrao,
fritas, intensidad justa. fritas, an equilibrado, aceptable. Poco olor a Olor a aceite o fritura. ranciado y/o quemado. desagradable,
Ausencia de olor a aunque ms o menos papas fritas. Muy Francamente
Olor
quemado o tostado. intenso. intenso o muy dbil. deteriorado. Rancio

Caracterstico a papas Caracterstico a papas Muy saladas o poco Claramente daado, Alterado, Extrao,
fritas, salado fritas, ms o menos saladas. Disminucin sabor poco desagradable. Rancio. desagradable,
adecuado, ausencia intenso, salado an de sabor a papas caracteristico, dbil en Sabor a quemado, completamente rancio.
Sabor de sabor a quemado o adecuado. Algo ms fritas. Sabor aceitoso. intensidad. Muy muy aceitoso. cido. Francamente
tostado. Aceitosidad aceitoso pero an saladas o poco deteriorado. Muy
leve y caracteristica. adecuado. saladas. Aceitoso. cido.

Muy buena, crujencia, Normal, levemente Muy blanda o muy Muy blanda o muy Muy alterada, Completamente
dureza adecuada, blanda o dura. dura, aceitosa. Algo dura, poca crujencia, intensamente dura o alterada, unidad
poco aceitosa, suave Levemente aceitosa, spera y rugosa al aceitosa. Rugosa y blanda. Nada completamente
Textura al paladar. crujiencia adecuada. paladar. spera al paladar. crujiente. rugosa, spera al
Levemete rugosa al Extremadamente paladar. Totalmente
paladar. aceitosa. Muy rugosa deteriorada.
al paladar.

35
3.2.1.2 Seleccin final de jueces: Uso de escala Karlsruhe slo para
Apariencia/Forma y Color.

En la tabla 3.8 se presentan los resultados del anlisis de varianza de una va


(jueces) realizado con 80 muestras evaluadas por todos los jueces.

Tabla 3.8: Tabla ANOVA para jueces

Nivel de
Atributos Diferencia Significativa
significacin
COLOR 0,9206 NO
APARIENCIA/FORMA 0,9832 NO

La obtencin de niveles de significacin mayores a 0,05, quiere decir que no


hay diferencias estadsticamente significativas entre jueces para los atributos de color y
apariencia/forma, se confirma entonces que contamos con un panel homogneo y bien
entrenado, por lo tanto no es necesario eliminar a ninguno de los jueces.

3.3 Clasificacin de papas fritas tipo chips del mercado, mediante la


aplicacin de visin computacional.

La clasificacin se realiz con las imgenes capturadas y evaluadas


posteriormente por los jueces. En las Figuras 3.1, 3.2 y 3.3 se muestran ejemplos de
papas clasificadas en los tres grados de calidad definidos en la escala de valoracin de
calidad para papas fritas tipo chips.

Las Figura 3.1, 3.2 y 3.3 muestra papas tipo chips clasificadas en Grados de
Calidad 1, 2 y 3 respectivamente, segn los jueces.

36
Figura 3.1: Papas fritas tipo chips clasificadas por los jueces como Grado 1.

Como se observa en la Figura 3.1, todas las muestran tienen un color


homogneo, presentan bordes bien definidos, tamao uniforme y superficie lisa. No
presentan manchas ni color quemado o tostado.

Figura 3.2: Papas fritas tipo chips clasificadas por los jueces como Grado 2.

37
En la figura 3.2 se encuentran papas fritas tipo chips clasificadas en grado de
calidad 2, ya que presentan pequeos deterioros an tolerables en el producto,
encontramos papas fritas de color amarillo pero poco homogneo, con presencia de
algunas manchas y burbujas en la superficie, aspecto levemente aceitoso.

Figura 3.3: Papas fritas tipo chips clasificadas por los jueces como Grado 3.

La Figura 3.3 muestra las papas fritas clasificadas de grado 3 y que reflejan un
deterioro indeseable en el producto, se observan muestras de un color muy oscuro,
totalmente quemado, de forma y bordes irregulares, superficie aceitosa y con presencia
de manchas.

Para el anlisis de imgenes y posterior clasificacin de las papas fritas, el


programa gener 20 grficos por cada juez, 4 por cada atributo sensorial evaluado
obtenindose un total de 220 grficos en total. En las figuras 3.4, 3.5, 3.6 y 3.7 se
presentan a modo de ejemplo 4 grficos de 4 jueces tomados al azar.

La Figura 3.4 muestra las 20 mejores caractersticas de las 2.423 extradas


inicialmente para cada juez por atributo y que son las que se utilizaron para la posterior

38
clasificacin, pudiendo ocuparse desde slo 1 hasta las 20. La bsqueda de estas 20
caractersticas se realiza mediante el discriminante de Fisher, el cual mide la
separabilidad de las clases, siendo la primera caracterstica encontrada la que mas se
separa de las otras 19.

Figura 3.4: Veinte mejores caractersticas encontradas para la clasificacin con el


discriminante de Fisher.

Se observa en la Figura 3.4 que la mejor caracterstica corresponde a la


primera barra que tiene el nmero 40 (con flecha). As sucesivamente se van
encontrando las 19 caractersticas restantes para luego elegir segn los porcentajes de
aciertos entregados, cules son las ms relevantes al momento de elegir el
clasificador.

La Figura 3.5 relaciona la mejor caracterstica encontrada y la funcin de


densidad de probabilidad, lo que se espera encontrar para obtener un porcentaje de

39
100% de aciertos es que no se produzca traslape entre las clases, pero esto en la
realidad es casi imposible, puesto que aunque el panel est entrenado siempre hay
pequeas diferencias.

Figura 3.5: Mejor caracterstica encontrada v/s funcin de densidad de probabilidad.

Se nota claramente que para las muestras de grado 3 (curva celeste) no hay
traslape, lo cual significa que en este caso en particular los jueces lograron distinguir
muy bien los defectos de las muestras, pero para las grados 2 (curva roja) y 1 (curva
azul) no existe tanta diferenciacin.

En la Figura 3.6 se representan las dos mejores caractersticas encontradas, y


lo que se espera encontrar son tres nubes de puntos completamente separadas,
correspondientes a los 3 grados de calidad.

40
Figura 3.6: Mejor caracterstica encontrada v/s segunda mejor para la clasificacin.

El resultado en este caso es muy bueno, ya que se nota claramente que hay
slo dos puntos rojos interfiriendo en las otras clases, uno en la clase 3 y otro en la
clase 1 y son precisamente esos puntos los que disminuyen el porcentajes de aciertos,
ya que pueden ser clasificados, como grado 2 (curva roja) y 3 (curva celeste) para el
primer punto; o como 1 y 2 para el segundo.

La Figura 3.7 muestra un espacio tridimensional de las tres mejores


caractersticas encontradas por el Balu para hacer la clasificacin de las papas fritas, y
al igual que en la Figura anterior, se espera encontrar tres nubes de puntos lo ms
separadas posibles para asegurarnos un buen porcentaje de aciertos en la posterior
clasificacin.

41
Figura 3.7: Tres mejores caractersticas encontradas para la clasificacin.

En este caso, la clase 2 intercepta slo en un punto con la clase 1, lo que


significa que al hacer la clasificacin automtica el programa la podra clasificar como
de grado 1 o 2

En las Tablas 3.9, 3.10, 3.11, 3.12, 3.13 y 3.14 se muestra un resumen de todos
lo datos analizados, en donde para cada juez se busc el mejor clasificador para cada
atributo. El porcentaje de aciertos (%A) significa en qu porcentaje el clasificador
encontrado predijo exactamente lo dicho por el juez. La letra P equivale al nmero de
caractersticas necesarias de analizar para obtener los porcentajes de aciertos
predichos. Y finalmente se eligi el clasificador que mejor incorpor stas dos
variables.

42
Tabla 3.9: Eleccin del mejor clasificador respecto al porcentaje de aciertos (%A) y al
menor nmero de caractersticas (P) para cada juez por separado.

Apariencia/
Atributo Color Olor Sabor Textura
forma

P P P P P
Juez %A %A %A %A %A
Clasif. Clasif. Clasif. Clasif. Clasif.
8 8 4 8 4
1 86 83 73 74 74
lda pnn pnn dmi lda
1 4 8 8 8
2 80 77 76 76 67
mah pnn knn pnn dmi
8 4 2 2 8
3 89 86 86 89 94
lda mah knn pnn lda
8 1 8 2 8
4 83 79 76 70 74
lda knn lda pnn pnn
10 4 8 8 1
5 86 80 63 74 83
lda pnn dmi pnn mah
8 8 1 2 10
6 86 79 67 66 70
lda lda pnn pnn lda
4 10 1 4 4
7 89 79 84 74 71
lda dmi pnn lda lda
10 4 8 8 4
8 77 79 76 73 76
lda lda lda lda lda
2 4 1 10 4
9 81 74 69 81 80
mah lda lda lda lda
8 2 8 10 4
10 93 80 69 76 71
lda pnn lda lda pnn
4 4 1 4 2
11 87 81 61 67 71
lda mah pnn dmi pnn

% A: Porcentaje de aciertos.
P: Menor nmero de Caractersticas necesarias a analizar.
Clasif: Mejor clasificador encontrado de acuerdo a la metodologa descrita en el punto 2.2.6.4.
(pnn: Probabilistic neural network, lda: Linear discriminants analysis, knn: K nearest neighbor,
dmi: Distancia mnima, mah: Distancia de Mahalanobis).

43
Para color, se repite en 9 jueces el mismo clasificador (lda), por lo cual es
recomendable su uso para clasificar las papas fritas tipo chips en el atributo de color,
sin embargo, al no conseguir una buena frecuencia de repetitividad de algn
clasificador en los otros atributos, no es posible hacer una prediccin respecto a qu
clasificador ser ms adecuado en ellos.

A continuacin en la Tabla 3.10, se muestran los promedios para todos los


jueces obtenidos por cada atributo.

Tabla 3.10: Promedio de los porcentajes de aciertos obtenidos para cada atributo.

Apariencia/
ATRIBUTO Color Olor Sabor Textura
forma

Promedio de
85 80 73 75 76
aciertos (%)

Para el atributo de color y apariencia/forma, se encuentran los mejores


porcentajes de aciertos de 85% y 80% respectivamente. Esto debido a que la
clasificacin se hace a partir de imgenes digitales y estos dos atributos son los que
mejor se pueden predecir, ya que tienen directa relacin con la parte visual percibida
por el juez. Sin embargo, con un mayor entrenamiento se podran conseguir valores
ms altos, que seran los ideales por tratarse de parmetros externos. Atributos como
olor, sabor y textura obtuvieron menores porcentajes, pero an buenos si se considera
que stos atributos no tienen directa relacin con las imgenes captadas. La manera
en que se espera tengan relacin con los parmetros visuales de color y
apariencia/forma se muestra en la Tabla 3.11.

44
Tabla 3.11: Relacin entre atributos medibles visualmente y sus posibles
consecuencias en el producto final.

Consecuencias

Visualmente Olor Sabor Textura

Quemado Quemado
Color Muy oscuro -
o tostado o tostado
Apariencia/forma A aceite o Rancio, a Aceitosidad
Muy aceitosa
fritura aceite en la boca

La disminucin en los porcentajes de aciertos obtenidos para olor, sabor y


textura, se debe a que una papa frita de color oscuro (muy quemada), probablemente
presenta olor y sabor quemado o tostado. Sin embargo en papas fritas de color tpico y
homogneo no necesariamente se encuentra olor, sabor y textura caractersticos, es
posible que tengan olor/sabor aceitoso o rancio y textura muy dura o muy blanda, sin
necesidad que esto se vea reflejado en los parmetros visuales.

45
Tabla 3.12: Promedio de los porcentajes de aciertos por cada juez en los cinco
atributos

Promedio de
Juez
aciertos (%)
1 78
2 75
3 89
4 76
5 77
6 74
7 79
8 76
9 77
10 78
11 73

Al analizar los promedios de atributos por cada juez, se observa que el juez 3
obtuvo el mejor promedio de los porcentajes de aciertos para los cinco atributos,
obteniendo el porcentaje ms alto en textura con un 94% de aciertos, por lo tanto es el
juez ms homogneo en cuanto a sus resultados, es decir, no tuvo grandes diferencias
cuando evalu las distintas muestras entregadas.

46
Luego de la eleccin del mejor juez individual, se dise un juez llamado X, que
recopila los datos de los 11 jueces y los unifica para la creacin de un nuevo juez que
considera todos los juicios emitidos. En la Tabla 3.13 se muestran los resultados
obtenidos.

Tabla 3.13: Eleccin del mejor clasificador respecto al porcentaje de aciertos (%A) y al
menor nmero de caractersticas (P) para un solo juez virtual X, tomando todos los
datos de cada juez.

Apariencia/
Atributo Color Olor Sabor Textura
Forma

P P P P P
Juez %A %A %A %A %A
Clasif. Clasif. Clasif. Clasif. Clasif.
4 1 8 8 1
X 62 60 62 63 61
pnn lda pnn pnn pnn

% A: Porcentaje de aciertos.
P: Menor nmero de Caractersticas necesarias a analizar.
Clasif: Mejor clasificador encontrado de acuerdo a la metodologa descrita en el punto 2.2.6.4
(pnn: Probabilistic neural network, lda: Linear discriminants analysis, knn: K nearest neighbor,
dmi: Distancia mnima, mah: Distancia de Mahalanobis).

Los porcentajes de aciertos son bajos de alrededor del 60%, en relacin a los
promedios de los jueces individuales (Tabla 3.10) en donde se obtuvieron porcentajes
superiores al 70% en todos los casos. Esto se puede deber a que al analizar los jueces
individualmente se est midiendo cun homogneo fue cada uno de ellos en sus
respuestas y en base a ello se realiz la posterior clasificacin. Por el contrario, al
disear un juez virtual con todos los datos, la etapa de entrenamiento y prueba toma un
universo mucho ms grande de respuestas emitidas por diferentes jueces, por lo tanto
hay mayor dispersin de los datos, obtenindose una mayor desviacin estndar y por
consiguiente un menor ajuste.

47
En la tabla siguiente se muestran los resultados obtenidos para las 80 muestras
evaluadas por todos los jueces slo en color y apariencia /forma.

Tabla 3.14: Eleccin del mejor clasificador respecto al porcentaje de aciertos (%A) y al
menor nmero de caractersticas (P) para los atributos de color y apariencia/forma de
las mismas muestras evaluadas por todos los jueces.

Apariencia/
Atributo Color
forma

P P
Juez %A %A
Clasif. Clasif.
8 1
X 84 86
lda knn

% A: Porcentaje de aciertos.
P: Menor nmero de Caractersticas necesarias a analizar.
Clasif: Mejor clasificador encontrado de acuerdo a la metodologa descrita en el punto 2.2.6.4
(pnn: Probabilistic neural network, lda: Linear discriminants analysis, knn: K nearest neighbor,
dmi: Distancia mnima, mah: Distancia de Mahalanobis).

Como se esperaba, los porcentajes de aciertos son bastante buenos, debido a


que se confirma en este punto que el panel est entrenado en atributos visuales de
color y apariencia/forma, debido a que presentaron niveles de significacin cercanos a
uno en el anlisis estadstico, no as para atributos de olor, sabor y textura, en dnde
no es posible realizar pruebas estadsticas ya que estos atributos fueron medidos en
muestras individuales y nicas para cada juez.

Al comparar estos promedios de color y apariencia/forma con los promedios de


los jueces individuales (Tabla 3.10) los resultados son muy similares. Esto indica que
para parmetros sensoriales determinados visualmente, se logr un buen desempeo
de cada uno de los jueces, comparable con el resultado obtenido cuando todos los
jueces evaluaron las mismas 80 muestras.

48
4. CONCLUSIONES

Se entren un panel de 11 jueces, para esto fue necesaria la eliminacin de seis


jueces en la etapa de ordenamiento de color. Se comprob el entrenamiento del
panel con 80 muestras evaluadas por todos los jueces en parmetros visuales y se
obtuvo un nivel de significacin de 0,9206 para color y de 0,9832 para
apariencia/forma, ambos valores mayores a 0,05, por lo tanto no existen diferencias
significativas entre jueces para estos atributos.

Se obtuvo una Tabla de valoracin de Calidad especfica para papas fritas tipo chips,
basndose en la Tabla General, la cual se logr en cuatro sesiones de
entrenamiento.

El sistema de visin computacional usado entreg las 20 mejores caractersticas de


un total de 2.423 extradas por cada una de las 850 imgenes capturadas, las que
se relacionaron con los datos sensoriales obtenidos.

Para el anlisis de promedios de aciertos por atributo por cada juez para el mejor
clasificador encontrado los porcentajes fueron de 85% para color y de 80% para
apariencia/forma. Para los atributos olor, sabor y textura, los porcentajes de aciertos
fueron algo inferiores pero an sobre 70%, esto debido a que tienen menor relacin
con los atributos visuales.

Para el anlisis de todos los valores por atributos simulando un solo juez X, los
resultados en porcentajes de aciertos fueron para color un 62%, apariencia/forma un
60%, olor 62%, sabor 63% y para textura un 61%. Estos porcentajes de aciertos
fueron bastante menores a los obtenidos por los jueces individuales debido a que
hay una mayor dispersin de los datos y un menor ajuste.

49
Es posible la implementacin de un sistema por visin computacional que permita
reconocer automticamente el grado de calidad de cada chip de papa frita en la lnea
de procesos, para poder predecir atributos sensoriales mediante el anlisis de
imgenes. Es recomendable hacer uso de este sistema especialmente para atributos
externos como color y apariencia/forma seleccionando los jueces de acuerdo a su
rendimiento, para obtener un mejor ajuste de los datos sensoriales y los obtenidos a
travs de visin computacional.

50
5. BIBLIOGRAFA

lvarez, M. (2005). La fritura de los Alimentos. Instituto de Farmacia y Alimentos


(IFAL) de la Universidad de La Habana, Ciudad de La Habana, Cuba. [en lnea]

<http://www.monografias.com/trabajos31/fritura-alimentos/fritura-alimentos.shtml>
[consulta: agosto 2008]

Anderson, A. (1994). Modelling of potato blanching. Ph. D. Thesis, Lund University.


Sweden.

Brosnan, T y Sun, D. (2004). Improving quality inspection of food products by


computer vision - a review. Journal of Food Engineering 61: 3-16.

Castleman, K. (1996). Digital Image Processing. Englewood Cliffs, New Jersey:


Prentice-Hall.

Cebestan, J., Bermejo, S. (2003). Sistemas conexionistas para el tratamiento de la


informacin. Edicion UPC de la Universidad politcnica de Catalua. Captulo 3
Aplicaciones del aprendizaje estadstico. Pag 51-52. [en lnea]
http://www.edicionsupc.es/ftppublic/pdfmostra/EE05302M.pdf [consulta: octubre 2008]

Contreras, A. (1999). Antecedentes sobre el origen de la papa, Revista de la Papa,


vol. 1, N 3. pp. 2-3.

Contreras, A. (2001). La papa. Facultad de Ciencias Agrarias, Universidad Austral


de Chile. Curador Germoplasma Chileno de papas [en lnea]
<http://www.agrarias.cl/instituto/prod_sanidad_vegetal/webpapa/pag14.html> [consulta:
julio 2008]

Dilmer, J. (2007). Calidad de la papa para usos industriales. [en lnea]

51
<http://www.redepapa.org/calidadpapa.pdf> [consulta: septiembre 2008]

Du, C. y Sun, D. (2004). Recent developments in the applications of image


processing techniques for food quality evaluation. Trends in Food Science &
Technology 15: 230-249.

FOOD AND AGRICULTURE ORGANIZATION OF THE UNITED NATIONS. Ao


International de la papa 2008 [en lnea]
<http://www.potato2008.org/es/mundo/index.html> [consulta: agosto 2008]

Gonzalez, R., Wintz, O. (1991). Digital Image Processing. 3th edition.


Massachusetts: Addison-Wesley Publishing Co.

Jellinek, G. (1985). Sensory Evaluation of Food Theory and practice. Internacional


publishers in science and technology. Chichester England.

Kraup, C. (2006).Tubrculos. [en lnea]


<http://www.puc.cl/sw_educ/cultivos/papa/tubercul.htm> [consulta: agosto 2008]

Len, K., Mery, D y Pedreschi, F.( 2005). Color Measurement in L*a*b* units from
RGB digital images. Journal of Food Engineering.

Lisinska, G y Leszcynski, W. (1989). Potato Science and Technology. Elsevier


Applied Science, Publishers Ltda. Inglaterra.

Meilgaard, M., Civille, G:V: y Carr, B. (1999). Sensory Evalution techniques. 2nd
edition. CRC press, inc., Estados Unidos.

52
Mery, D. (2003). Crossing line profile: a new approach to detecting defects in
aluminum castings. In: Bigun J, Gustavsson T, editors. Proc. Scandinavian
Conf.Image Anal. 2003 (SCIA 2003). Lect Notes Comput Sci 2749:72532.

Mery, D. (2008). Jefe del Departamento de Ciencias de la Computacin, Facultad


de Ingeniera, Pontificia Universidad Catlica de Chile. Comunicacin personal.

Pedreschi, F., Aguilera, JM y Brown, CA. (2000). Characterization of food surfaces


using scale-sensitive fractal analysis. Journal of Food Process Engineering 23: 127-
143.

Pedreschi, F y Aguilera JM. (2002). Some changes in potato chips during frying
observed by confocal laser scanning microscopy (CLSM). Food Sci Technol Int7
2:1-5.

Vzquez, F., Pla, F., Snchez, J.S (2005). Una propuesta basada en la estimacin
de las probabilidades para la edicin utilizando el clasificador k-NN. Departamento
de Computacin Universidad Oriente, Santiago de Cuba, Cuba. Departamento de
Lenguajes y Sistemas Informticos Universitat Jaume I, Castelln, Espaa.

Wittig de Penna, E. (1981). Evaluacin sensorial. Una metodologa actual para


tecnologa de alimentos. Ed. USACH, Santiago, Chile.

53
ANEXOS
ANEXO 1
Figura 1.1: Planta de la papa en donde se distinguen las dos partes principales que
la componen.
Figura 1.2: Morfologa del tubrculo de la papa (Solanum tuberosum).Corte
transversal (Lisinska y Leszczynski, 1989).

Figura 1.3: Esquema de un proceso de anlisis de imgenes: adquisicin de la


imagen, pre-procesamiento, segmentacin, medicin (o extraccin de
caractersticas), interpretacin o clasificacin (Mery, 2002).
Figura 2.2: Cmara digital powerShot G3.

Figura 2.3: Montaje para la adquisicin de imgenes.


Figura 2.4: Cabina de evaluacin para muestras de Papas Fritas Tipo Chips con
Escala Karlsruhe.
ANEXO 2
FICHA DE RESPUESTA N 1

RANKING DE COLOR

Nombre: _________________________ Fecha: _________________

Set: (Verde, Amarillo o Naranjo) Test: Ordenamiento

Por favor ordenne los tubos que contienen las soluciones coloreadas de
acuerdo al aumento de intensidad de color.
Anote en la lnea inferior la letra de cada tubo en el orden que haya
establecido.

(ms dbil) (ms intenso)


FICHA DE RESPUESTA N 2

UMBRAL DE IDENTIFICACIN

Nombre: ______________________________ Fecha: ____________

Set : __________

Deguste cuidadosamente la serie de 10 muestras entregadas;


corresponden a concentraciones crecientes de uno de los gustos bsicos
(dulce, cido, salado o amargo).
No est permitido volver atrs en la degustacin. Enjugue con agua
entre muestras. No trague las muestras. Describa el gusto y factores que
Ud. perciba de cada muestra (por ejemplo: astringente, spero, seco, etc.) e
informe acerca de la intensidad segn la escala siguiente:

0 = Igual a agua.
? = Diferente del agua, pero el gusto no es identificable.
)( = Se reconoce de qu gusto se trata. Corresponde al umbral de
identificacin.
1 = Dbil
2 = Medio
3 = Intenso, marcado
4 = Muy intenso, muy marcado
5 = Extremadamente intenso, extremadamente marcado
Intensidad
Solucin Descripcin del gusto y factores (en escala 0 a
N percibidos 5, o smbolos )(
o?)
1

10
FICHA DE RESPUESTA N 3

DESCRIPCIN DE PRODUCTOS

Nombre: ______________________________ Fecha: ____________

Set : __________

Por favor describa lo ms detalladamente que pueda cada una de las


caractersticas del alimento. NO COLOQUE PALABRAS como agradable,
desagradable, bueno o malo.

ATRIBUTO MUESTRA DESCRIPCION

Color
X

Apariencia/
Forma X

Y
ATRIBUTO MUESTRA DESCRIPCION

Olor
X

Sabor
X

Textura
X

Y
FICHA DE RESPUESTA N 4

FICHA DE RESPUESTA
TEST DE KARLSRUHE PARA PAPAS FRITAS TIPO CHIPS

Nombre: ______________________________ Fecha: ____________

Set : __________

MUESTRA ATRIBUTO PUNTAJE OBSERVACIONES


COLOR
APARIENCIA/
FORMA
OLOR
SABOR
TEXTURA
COLOR
APARIENCIA/
FORMA
OLOR
SABOR
TEXTURA
COLOR
APARIENCIA/
FORMA
OLOR
SABOR
TEXTURA
COLOR
APARIENCIA/
FORMA
OLOR
SABOR
TEXTURA
COLOR
APARIENCIA/
FORMA
OLOR
SABOR
TEXTURA
ANEXO 3
Tabla 3.1: Resultados de aceptacin o rechazo para la dilucin verde por jueces y
por color.

% AGUA EN SOLUCIN 55 50 45 40 35 30 25 20 10 0
CLAVES DE LA
SOLUCIN M R S T K C L A F Z
JUEZ Total
1 + + + + + + + + + + 10
2 + + + + + + + + + + 10
3 R M T S + + + + Z F 4
4 + + + K T + + + + + 8
5 + + + + + + + + + + 10
6 + + T S + + + + + + 8
7 + + T S + L A C + + 5
8 + + + + + + + + + + 10
9 + + T S + + + + + + 8
10 + + + + + + A L + + 8
11 + + + + C K + + + + 8
12 R M + + + L C + Z F 4
13 + + T S + + A L + + 6
14 + + + + L K C + + + 7
15 + + + K T + + F Z A 5
16 + + + L T K C + + + 6
17 + + + + + + + + + + 10
TOTAL 15 15 12 8 12 12 11 13 14 14

Diluciones errneas en el ordenamiento de color.


Tabla 3.2: Resultados de aceptacin o rechazo para la dilucin amarilla por jueces y
por color.

% AGUA EN SOLUCIN 55 50 45 40 35 30 25 20 10 0
CLAVES DE LA
SOLUCIN A X W P M H Z C Y E
JUEZ Total
1 + + + + + + + + + + 10
2 + + + + + + + + + + 10
3 + + + + + + + + + + 10
4 + + P W + + + + + + 8
5 + + + + + + + + + + 10
6 + + + + + + + + + + 10
7 + + P W + + + + + + 8
8 + + + + + + + + + + 10
9 + + + + + + + + + + 10
10 + W X + + Z H + + + 6
11 + + + + + + + + + + 10
12 + + + + + + + + + + 10
13 + + + + + + C Z + + 8
14 + + + + + + C Z + + 8
15 + W X + + Z C M + + 5
16 + W X M P C H Z + + 3
17 + + + + + + + + + + 10
TOTAL 17 14 12 14 16 14 12 13 17 17

Diluciones errneas en el ordenamiento de color.


Tabla 3.3: Resultados de aceptacin o rechazo para la dilucin naranja por jueces y
por color.

% AGUA EN SOLUCIN 55 50 45 40 35 30 25 20 10 0
CLAVES DE LA
SOLUCIN X P C D Q E R F U S
JUEZ Total
1 + + + + + + + + + + 10
2 + + + + + + + + + + 10
3 + C P + + + + + S U 6
4 + + + + + + + + + + 10
5 + + + + + + + + + + 10
6 + + + + + + + + + + 10
7 P X + + + + + + + + 8
8 + + + + E R Q + + + 7
9 + + + + + + + + + + 10
10 + + D C + + + + + + 8
11 + + + + E Q + + + + 8
12 + + + + + + + + + + 10
13 + + + + + + + + + + 10
14 + + + + E Q + + + + 8
15 + + + + E Q + + + + 8
16 + + + + + R F E + + 7
17 + + + + + + + + + + 10
TOTAL 16 15 15 16 13 12 15 16 16 16

Diluciones errneas en el ordenamiento de color.


Tabla 3.6: Agrupacin de datos para la elaboracin de la Tabla con Escala
Karlsruhe Especfica para Papas fritas tipo chips.

Grado
Direccin de la de
Atributo Descriptor Frecuencia
caracterstica calidad

Amarillo tpico 6 + 1
Color homogneo/uniforme 7 + 1
Color poco o nada
4 - 2-3
homogneo/uniforme
COLOR Algo plido 4 - 2
Muy oscura 5 - 3
Bordes oscuros 6 - 2-3
Presencia de manchas 3 - 2
Zonas verdosas 2 - 3
Tamao uniforme 5 + 1
Bordes definidos 6 + 1
Bordes irregulares 5 - 2-3
Superficie lisa 7 + 1
APARIENCIA
Presencia de burbujas 5 - 2-3
/FORMA
Nada aceitosa 5 + 1
Muy aceitosa 7 - 3
Presencia de cscara 2 - 2-3
Quemadas 3 - 3
Forma irregular 4 - 2-3
Caracterstico a papas fritas 6 + 1
Olor a quemado o tostado 3 - 3
Ausencia de olor a quemado 5 + 1
Buena intensidad 4 + 1
OLOR Muy intenso 4 - 2-3
Poco intenso 3 - 2-3
Poco olor a papas fritas 3 - 2
Olor a aceite/fritura 2 - 3
Olor a quemado 2 - 3
Olor a rancio 1 - 3
Muy saladas 5 - 2
Poco saladas 6 - 2
Salado adecuado 8 + 1
Sabor a quemado/tostado 5 - 3
SABOR Ausencia de sabor a
5 + 1
quemado/tostado
Aceitosidad caracterstica 6 + 1
Caracterstico a papas fritas 4 + 1
Sabor aceitoso 2 - 2-3
Buena crujencia 3 + 1
Dureza adecuada 4 + 1
Muy duras 4 - 2-3
TEXTURA Muy blandas 5 - 2-3
Suaves al paladar 4 + 1
Rugosas al paladar 3 - 2-3
Muy aceitosas 4 - 3
Nada crujientes 4 - 2-3

You might also like