escuela tÉcnica superior de ingenieros …oa.upm.es/1469/1/maria_teresa_requelme_torres_a.pdf ·...

UNIVERSIDAD POLITÉCNICA DE MADRID

ESCUELA TÉCNICA SUPERIOR DE INGENIEROS AGRÓNOMOS

TRANSMISIÓN OPTICA E IMAGEN EN VISIBLE E

INFRARROJO EN FRUTAS.

ENSAYO DE EQUIPOS COMERCIALES.

TESIS DOCTORAL

Mª Teresa Riquelme Torres Ingeniero Agrónomo

Madrid 2008

Departamento de Ingeniería Rural

Escuela Técnica Superior de Ingenieros Agrónomos

TRANSMISIÓN OPTICA E IMAGEN EN VISIBLE E

INFRARROJO EN FRUTAS.

ENSAYO DE EQUIPOS COMERCIALES.

Doctorando: Mª Teresa Riquelme Torres (Ingeniero Agrónomo)

Director: Constantino Valero Ubierna (Dr. Ing. Agrónomo)

Madrid 2008

Don CONSTANTINO VALERO UBIERNA, Profesor Titular del Departamento de

Ingeniería Rural de la Escuela Técnica Superior de Ingenieros Agrónomos de la

Universidad Politécnica de Madrid.

CERTIFICO:

Que el presente trabajo “Transmisión óptica e imagen en visible e

infrarrojo en frutas. Ensayo de equipos comerciales” que presenta la

Ingeniera Agrónomo Mª Teresa Riquelme Torres, para optar al grado

de Doctor Ingeniero Agrónomo por la Universidad Politécnica de

Madrid, ha sido realizado bajo su dirección y autoriza con esta fecha

su presentación.

Y para que conste, extiende el presente certificado en Madrid, a de de 2008.

Fdo.: Constantino Valero Ubierna

Director de la tesis

Tesis Doctoral Mª Teresa Riquelme

Resumen

Las operaciones de selección de frutas y hortalizas están estrechamente ligadas con la comercialización, pudiendo realizarse de forma manual o por medios automatizados. La creciente exigencia de los consumidores de productos de calidad, junto a factores económicos ha inducido a las empresas a introducir innovaciones tecnológicas en sus instalaciones, en particular procedimientos no destructivos de evaluación y entre éstos los que utilizan las propiedades ópticas.

En esta tesis, con el empleo de estas técnicas emergentes se aborda la caracterización de productos hortofrutícolas, con ensayos en laboratorio y en las propias empresas de comercialización de frutas. Se han utilizado equipos ópticos (VIS-NIR) comerciales que evalúan la calidad externa e interna de las frutas, estudiando su fiabilidad y capacidad para clasificar adecuadamente los productos hortofrutícolas. Estas acciones se han agrupado en tres líneas de trabajo con equipos de medida (equipos de imagen, equipos espectrofotométricos en línea y equipos portátiles) y productos diferentes (aceitunas, melones, naranjas y mandarinas).

Las imágenes y los espectros adquiridos con los equipos, junto con las técnicas quimiométricas existentes, han permitido un adecuado manejo de los datos.

El proceso de caracterización de los principales parámetros de cada equipo constituye el aspecto más novedoso de esta tesis, pudiendo destacar los siguientes resultados:

- La combinación de técnicas ópticas y de procesos discriminantes, ha permitido la clasificación de las aceitunas por defectos, en ocho clases distintas.

- La adaptación de los equipos a cada producto hortofrutícola, exige una cuidadosa configuración para “modular” el efecto de los factores que influyen en su eficiencia.

- La repetibilidad en la estimación del contenido en sólidos solubles, permite asegurar que la utilización de los equipos on-line para cítricos y melones es fiable para sólidos solubles.

- La reproducibilidad de la determinación en la línea de cítricos no está afectada por la temperatura y la posición de los frutos en el soporte del transportador; sin embargo, en el equipo portátil ensayado la temperatura influye significativamente en el resultado obtenido.

- En los frutos que muestran heterogeneidad en su composición interna, como los melones, su posición en el elemento detector afecta a la reproducibilidad.

- Trabajando con frutos de piel gruesa se ha demostrado que los sistemas ópticos que utilizan el modo de transmitancia son más efectivos que los que emplean el modo de interactancia.

Los sistemas empleados en la medida de las propiedades ópticas, proporcionan una rica información de las características de cada unidad, con gran utilidad para la valoración de los productos hortofrutícolas. Sin embargo, para poder realizar una correcta discriminación es necesario un complejo tratamiento de los datos (análisis discrimínate, ANOVAS, mínimos cuadrados parciales y análisis de componentes principales) , que presenta metodologías específicas en cada caso; así como, una periódica configuración de calibración de los equipos, para un adecuado mantenimiento y utilización.


Abstract

The operations of selection and commercialization of fruits and vegetables are strongly related, no matter how they are processed, manually or automatically. Due to the increasing demand of quality products by the consumers and the global market constrains, the industry have had to install technological innovations, in particular non-destructive techniques for the internal evaluation, frequently based on optical properties.

In this work the characterization of fruit and vegetable products was achieved using emergent techniques, with tests in laboratory and in the packing companies. Optical (VIS-NIR) commercial equipment has been used to evaluate external and internal quality of fruits, studying the reliability of these devices, and their capacity for sorting the product into different categories. The experiments have been grouped in three lines of work (image analysis, on-line spectroscopic devices and portable devices) and applied on different species (olives, melons, mandarins and oranges).

The images and spectra acquired with the equipment, together with the wide number of the existing chemometric techniques, have allowed an appropriate managing of data.

The main result of this thesis is the characterization of the most important parameters related to each device, emphasizing the next conclusions:

- The mix of optical techniques and discriminant processes have made possible for sorting olives in eight categories attending to commercial defects.

- The equipment must be configured carefully for each product studied, in order to tune the effect of factors that influence in the measurement capacity.

- The repeatability for the estimation of soluble solid assures that both on-line equipment (for citrus and melons) are reliable.

- The fruit temperature and fruit position did not affect the final estimate for the reproducibility measurement.

- In the heterogeneous fruits in its internal composition like melons, the fruit position respect to the element detector affect in the measurements of reproducibility.

- An experiment with thick-skin fruits has proved that transmittance mode is more reliable than interactance mode.

The systems based on the measurement of the optical properties supply rich information; with great interest to analyze the quality of fruit and vegetable products. Nevertheless, a complex treatment of data (discriminant analysis, ANOVAS, partial least square and principal component analysis) specific in each case is necessary in order to carry out a correct discrimination. Besides, the equipment must be calibrated with a periodical configuration, for a suitable maintenance and use.

Mª Teresa Riquelme Tesis Doctoral

FE DE ERRATAS

Pág Línea Dice Debe decir

Resumen 44 discrimínate discriminante

Resumen 45 principales) , Principales),

V 18 Figura 5.1. Figura 5.2.

9 8 se fueron fueron

28 2 enviarlas enviar las

28 4 Sevillana sevillana

31 31 no‐destructivo no destructivo

36 9 have some research institutes and manufactures been looking

some research institutes and manufactures have been looking

40 16 include destructive and non‐destructive

include non‐destructive

40 20 online on‐line

41 13 sunlight). sunlight.

44 16 of interest. of interest).

58 10 20‐25 ºC, The 20‐25ºC. The

75 3 in‐line on‐line

92 10 advise advice

92 22 Tokyo,Japan,). Tokyo, Japan).

93 21 in same point. at the same point.

99 6 species specie

104 4 especial special

105 19 empresas, mediante empresas mediante

119 13 muestan muestran

122 7 on‐line en línea

122 11 ; sin embargo en las líneas ; sin embargo, en las líneas


AGRADECIMIENTOS

Normalmente cuando uno termina un trabajo, suele acordarse más de aquellas personas

que te han ayudado en los últimos momentos; sin embargo, durante varios años he tenido la suerte

de conocer a muchas personas que me han ayudado física y moralmente; y de una manera u otra

han dejado su huella, por ello, quisiera que las próximas líneas sirvan de reconocimiento, estas son

sin duda las palabras más difíciles, o quizás tímidas de expresar. Afortunadamente la lista es

larga, pero siento mucho no poderos nombrar a todos uno por uno; a todos, mi agradecimiento,

especialmente:

• A Dña. Margarita Ruiz-Altisent, por brindarme la posibilidad de pertenecer a su grupo de

investigación donde aprendí todo lo referente al mundo de las propiedades físicas y tuve la

oportunidad de desarrollar la presente tesis doctoral.

• A D. Constantino Valero, profesor Titular de la E.T.S. de Ingenieros Agrónomos de la UPM,

por haber dirigido esta tesis.

• Agradeciendo especialmente a Pilar Barreiro por su asesoramiento y gran ayuda en diversas

fases de la realización de esta Tesis. Por el apoyo que me ha prestado desde un primer

momento, por compartir sus conocimientos y saber aconsejarme en muchos aspectos

• A todos los que han pasado por el LPF-TAG que me han ayudado cuando lo he necesitado,

tanto a los miembros actuales: Jaime, Eva C., Lourdes, Belén, Guille, Natalia, Luis, Pablo, Ana

H., Eva B., Ángel, Dani, Mauricio; como a los antiguos miembros: Rosa, Víctor, José, Gonzalo,

Borja, Elena, María, Adolfo, Ian, Dani F., que hemos compartido no sólo despachos y

laboratorios sino diversas actividades y buenos momentos. Al personal técnico del

departamento en especial a José, Juan Manuel, Carlos, Antonio y Juanjo por su apoyo técnico

y funcional, como a Pepa la secretaria. A todos aquellos que han realizado estancias o ensayos

de colaboración en nuestro departamento y también a los compis de electro, que aún

perteneciendo al mismo departamento, sólo nos veíamos en el café del mediodía; A todos los

amigos que allí he ganado, especialmente a Diana y Ana R., de donde surgió una grandísima

amistad.

• A la Comunidad de Madrid por la beca pre-doctoral concedida, sin la cual no hubiera podido

lanzarme a esta gran aventura.


• A la Comisión de Investigación de la C.A.M. y al Ministerio de Educación y Ciencia (M.E.C.) por

la financiación de los dos proyectos en los cuales se enmarca esta tesis: OPTICAM y

OPTISCAN.

• A las empresas que han colaborado cediendo sus instalaciones y equipos.

• Dejando a un lado el ámbito profesional, quiero agradecer a todos esos nuevos amig@s que he

tenido la oportunidad de conocer durante estos cuatro años en Madrid ahora desperdigados

por distintos puntos de la geografía. Especialmente a Susana y Amanda: ¡chicas! no sabré

como agradeceros todo vuestro apoyo una semana sí y otra también.

• A todos mis amig@s de Murcia y Orihuela, por el ánimo y los momentos tan agradables que

hemos pasado, que probablemente son los que mejor han sabido aguantar y soportar toda

esta historia, incluso en la lejanía.

• A Marian y Carmen, compis de carrera y por compartir la afición por las catas; a Casi y Pepa

y correspondientes niñas. Por todos los buenos ratos pasados que me han hecho desconectar

de la tesis.

• Pero sin duda a quién mas debo un agradecimiento especial es a toda mi familia por su

esfuerzo, cariño y ayuda prestados en todo momento, y por saber comprender y respetar mí

trabajo. Pero si hay una persona a la que debo más que a nadie su dedicación y paciencia es a

mi padre … y a mi madre, amiga incondicional, a quien admiro por su superación personal,

gracias a los dos, me habéis dado todo el apoyo que necesitaba. Y con muchísimo cariño a mis

abuelos, que desde el rinconcito del salón de su casa me han dado una lección de la vida.

Gracias a todos … que de una manera u otra habéis estado junto a mí durante este largo

trayecto, animándome en los malos momentos y confiando en que terminaría la tesis algún día.


Lista de nomenclaturas

VII

LISTA DE NOMENCLATURAS

Acrónimos Descripción (castellano) Description (english)

ANOVA Análisis de varianza Analysis of variance

CAL* Calibración Calibration

CCD Dispositivo de cargas interconectadas Charge-coupled-device

cov(xi) Matriz de covarianza Covariance matrix

DA Análisis discriminante Discriminant analysis

df Grados de libertad Degrees of freedom

F Estadístico de Fisher Statistical of Fisher

G* Grupos obtenidos con el PCA Groups obtained with PCA

LSD Mínimas diferencias significativas Least significant difference

LV Variables latentes Latent variables

MI Índice de madurez Maturity index

MS Cuadrado medio Mean squares

MSC Corrección multiplicativa de la dispersión Multiplicative Scatter Correction

NIR Infrarrojo cercano Near infrared

p Nivel de significancia Significance level

PCA Análisis de componentes principales Principal Component Analysis

PLS Mínimos Cuadrados Parciales Partial Least Square

R Coeficiente de correlación Correlation coefficient

r,g,b Coordenadas normalizadas RGB normalizated RGB coordinates

R2 Coeficiente de determinación Determination coefficient

RGB Coordenadas de color Rojo Verde Azul Colour coordinates Red Green Blue

RPD Relación SD/SEP Ratio SD/SEP

RPDc Relación SD/SEP con el sesgo corregido Ratio SD/SEP with Bias-corrected


Lista de nomenclaturas

VIII

Acrónimos Descripción (castellano) Description (english)

SD, SDj Desviación estándar Standard deviation

SD Media de la desviación estandard Standard deviation mean

Desviación estándar media Standard deviation mean

SD Error de repetibilidad de la medida Repeatability Error of the measurement

SEC Error estándar de calibración Standard error of calibration

SECV Error estándar de la calibración cruzada Estándar error of cross-validation

SEP Error estándar de predicción Standard error of prediction

SEPc Error estándar de predicción con el sesgo corregido Bias-corrected standard error of prediction

SEPV Error estándar de la validación cruzada Estándar error of cross-validation

SS Suma de cuadrados Sum of squares

SSC Contenido de sólidos solubles Soluble solids content

TA Acidez valorable Titratable acidity

VAL* Validación Validation

VIS Visible Visible

λ Longitud de onda Wavelengths

*Acrónimos particulares de esta tesis.


Índice

I

ÍNDICE GENERAL

Página

Lista de nomenclaturas…………………………………………………………………... VII

1. Introducción…………………………………………………………………………… 1

1.1 Organización del documento………………………………………………...… 1

2. Antecedentes………………………………………………………...…………………. 5

2.1 Situación del Mercado…………………………………………………………. 5

2.1.1 Importancia del sector hortofrutícola………………………………… 5

2.1.2 El consumo de frutas y hortalizas……………………………………. 8

2.1.3 El comercio internacional y la importancia de la calidad……………. 9

2.2 Situación tecnológica…………………………………………………….…….. 11

2.2.1 Los sistemas de selección aplicables a frutas y hortalizas…………… 11

2.2.2 Demanda de tecnología de evaluación de la calidad………………… 12

2.2.3 Técnicas ópticas……………………………………………………… 14

Equipos comerciales……………………………………………. 18

2.3 Actividad del grupo de investigación………………………………………….. 21

2.3.1 Proyecto de investigación……………………………………………. 21

3. Objetivos……………………………………………………………………………….. 23

4. Plan de trabajo……………………………………………………………………….... 25

4.1 Tareas iniciales………………………………………………………………… 26

4.2 Ejecución de los trabajos experimentales……………………………………… 27

4.3 Análisis de resultados………………………………………………………….. 30

5. Trabajos realizados……………………………………………………………………. 35

5.1 Clasificación de aceitunas mediante el análisis de imagen, de acuerdo a los daños externos………………………………………………………….……… 36


Índice

II

5.2 Estudio de un equipo comercial de NIR para la medida de calidad interna en melón.………………………………………………………….………………. 55

5.3 Ensayo de un equipo de infrarrojo en línea de clasificación de cítricos (mandarinas y naranjas) para el análisis de la calidad interna.………………… 71

5.4 Ensayo de un equipo comercial portátil de NIR para la estimación de sólidos solubles y acidez en cítricos.…………………………………………………... 88

6. Resultados y discusión………………………………………………………………... 105

6.1 Resultados más relevantes…………………………………………..………… 106

6.1.1 Adquisición de datos………………………………………………… 106

6.1.2 Manejo de datos……………………………………………………… 108

6.2 Discusión de resultados………………………………………………………... 114

6.2.1 Pre-tratamiento……………………………………………………….. 115

6.2.2 Creación del modelo y estudio de la exactitud………………………. 115

6.2.3 Visión conjunta de resultados………………………………………… 119

7. Conclusiones…………………………………………………………………………… 121

7.1 Conclusiones específicas………………………………………………………. 121

7.2 Conclusiones generales………………………………………………………… 122

8. Propuestas de futuras actividades……………………………………………………... 125

9. Bibliografía…………………………………………………………………..………… 127

10. Anejo: Normativas sobre frutas y hortalizas frescas….…………………………….…. 139


Índice

III

ÍNDICE DE TABLAS

Tabla 2.1. Clasificación de técnicas analíticas utilizadas en la medida del espectro electromagnético………………………………………………………………………. 16

Tabla 2.2. Características técnicas de los equipos ópticos en línea existentes en el mercado, para el análisis de la calidad interna mediante visión artificial.…………… 18

Tabla 2.3. Características técnicas de los equipos ópticos en línea existentes en el mercado, para el análisis de la calidad interna mediante espectroscopia VIS-NIR.…. 19

Tabla 2.4. Características técnicas de los equipos ópticos portátiles existentes en el mercado, para el análisis de la calidad interna mediante espectroscopia VIS-NIR.…... 20

Tabla 5.1. Damage types identified in olives by product experts at processing companies. The set was divided for the calibration and validation test…………….… 40

Tabla 5.2. Results of ANOVA for “Manzanilla Sevillana” olives classified into damage type studied. Mean (Standard Deviation)………………………………….…. 46

Tabla 5.3. Correlations between colour features for the DA2………………………… 50

Tabla 5.4. Chi-Square Tests with Successive Roots Extracted for the DA2…………. 51

Tabla 5.5. Correlations between segmentation features for the DA3…………………. 52

Tabla 5.6. Chi-Square Tests with Successive Roots Extracted for the DA3…………. 53

Tabla 5.7. Characteristics of sample sets of Galia melon used for the reliability study of a NIR commercial equipment. Values measured with the on-line equipment (sensor) and the laboratory references………………………………………………… 61

Tabla 5.8. Correlations (R) between four positions measured, for soluble solids (SSC) and firmness……………………………………………………………………. 62

Tabla 5.9. Results of the ANOVA testing for significance between the four measurement positions………………………………………………………………… 63

Tabla 5.10. Results of the ANOVA testing for significance (p<0.05) between the two phases studied…………………………………………………………………...…….. 63

Tabla 5.11. Performance indexes of the NIR equipment for soluble solids (SSC) and firmness for the heterogeneous set……………………………………………….……. 67

Tabla 5.12. Classification results for soluble solid content (n=108). Observed classifications in rows and estimated classification in columns…………………..….. 67


Índice

IV

Tabla 5.13. Technical data provided by the manufacturer……………………………. 74

Tabla 5.14. Characteristics of sample sets of mandarins and oranges used for the calibration and validation study. Values measured by the on-line equipment (20ºC and 10ºC) and by the laboratory techniques (references)…………………………….. 78

Tabla 5.15. Calibration and validation results for soluble solids (SSC) and titratable acidity (TA): Coefficient correlation (R), and standard errors of calibration and prediction………………………………………………………………………………. 79

Tabla 5.16. Classification in two commercial categories of mandarins and oranges according to the maturity index (MI). Percentages refer to rates of correctly-classified fruits…………………………………………………………………………………… 82

Tabla 5.17. Results of the ANOVA testing for significance (p<0.05) between the three positions studied…………………………………………………………….…… 84

Tabla 5.18. Results of the ANOVA testing for significance (p<0.05) between the two calibration sets studied………………………………………………………...………. 85

Tabla 5.19. Results of the ANOVA testing for significance (p<0.05) between the two temperatures studied………………………………………………………………...…. 86

Tabla 5.20. Characteristics of sample sets of mandarins and oranges used for the calibration and validation study. Values measured by the laboratory techniques (references)…………………………………………………………………………….. 95

Tabla 5.21. Correlations between different features of citrus studied……………….... 95

Tabla 5.22. Calibration and validation results for soluble solids (SSC) and titratable acidity (TA): Coefficient correlation (R), and root mean squared errors of calibration and prediction………………………………………………………………………….. 96

Tabla 5.23. Summary of Cross-Validation and external validation results for mandarins and oranges calibration model developed using PLS analysis for soluble solids content (SSC), titratable acidity (TA), maturity index (MI) and juiciness…….. 97

Tabla 5.24. Results of the significance test (F and p) in ANOVA between the first seven PC scores and the different treatments (species, temperature, period and orchards) for all fruits together…………………………………………………….….. 99

Tabla 5.25. Bias calculated between both temperatures studies in the three methodologies…………………………………………………………………………. 103

Tabla 6.1. Resumen de los ensayos con los equipos instalados en línea. Metodología seguida para el estudio de la fiabilidad de los equipos ópticos instalados en línea…… 112


Índice

V

ÍNDICE DE FIGURAS

Figura 2.1. Distribución porcentual de la producción de frutas (a) y hortalizas (b) en 2003. Fuente: MAPA (2006)...………………………………………………………... 7

Figura 2.2. Evolución de la participación de frutas y hortalizas en la producción agrícola nacional (1990–2007). Fuente: MAPA (2006)………………………………. 7

Figura 2.3. Importancia del sector hortofrutícola: % de producción europea y media 2003-2005. Fuente: European Commission (2007)…………………………………... 8

Figura 2.4. Consumo de frutas y hortalizas en países de la Unión Europea y media 2003-2005. Fuente: Mann y Renier (2007)…………………………………………… 8

Figura 2.5. Comercio interno de la UE y comercio exterior. Fuente: García (2007)………………………………………………………………………………….. 10

Figura 4.1. Cronograma de ejecución de las tareas para la realización de la tesis…….…………….………………………………………………………………… 26

Figura 4.2. Resumen de los trabajos de investigación realizados en esta tesis doctoral. 30

Figura 4.3. Proceso seguido para el estudio de los equipos ensayados…………..…… 32

Figura 5.1. Damage types identified in olives by expert technicians at processing companies: (a) undamaged olives, (b) ‘serpeta’, (c) ‘granizo’, (d) ‘rehús’, (e) ‘molestado1’, (f) wrinkled, (g) purple olive and (h) ‘molestado2’…………………… 38

Figura 5.1. Covariance matrix cov(xi) for the red channel. Areas where covariance is higher (red) were used to extract two gray levels (x, y) in each graph as discriminatory variables……………………………………………………………….. 45

Figura 5.3. Example of histograms obtained for all gray levels (256) in the red channel, for the different categories of olives with calibration sets. Each curve corresponds to an olive. The shape of distributions was used to establish groups……. 47

Figura 5.4. Classification into different categories of olives for three DAs performed. The percentages refer to fruit classification success rates: Calibration (CAL) and Validation (VAL)……………………………………………………………………… 49

Figura 5.5. Plot of canonical discriminant function for the DA2. Calibration (solid symbol) and Validation values (empty symbol) for global defect. □ Wrinkled, ○ Purple and Δ Rehús……………………………………………………………………. 50

Figura 5.6. Plot of canonical discriminant function for the DA3: Root1 and Root2. Calibration (solid symbol) and Validation values (empty symbol) for local defect. Undamaged, □ ‘Molestado1’, ◊ ‘Molestado2’, ○ ‘Serpeta’ and Δ ‘Granizo’………… 53


Índice

VI

Figura 5.7. Schematic picture of the tested commercial NIR equipment for melons…. 58

Figura 5.8. Variability of the soluble solids measured by on-line equipment and reference parameters, for homogeneous set (n=10)…………………………………… 65

Figura 5.9. Correlations for soluble solids (SSC) for the homogeneous (n=10) set between observed values (reference) and estimated by the on-line sensor. Dots indicate single measurements on fruits………………………………………………... 65

Figura 5.10. Correlations for soluble solids (SSC) for the heterogeneous set between observed values (reference) and predicted by the on-line sensor…………………..…. 66

Figura 5.11. Correlation for firmness for the heterogeneous set between observed values (reference) and predicted by the on-line sensor……………………………..…. 68

Figura 5.12. Schematic picture of the tested commercial NIR equipment for citrus fruit…………………………………………………………………………………….. 73

Figura 5.13. On-line fruit positions: (P1) with the calyx-stem axis in the vertical position; (P2) with the calyx-stem axis parallel to the conveyor belt movement; (P3) with the calyx-stem axis perpendicular to the conveyor belt movement……………... 77

Figura 5.14. Correlations for soluble solids and acidity between measured values (references) and values estimated by the model with the on-line equipment for a validation set. Mandarins (left) and oranges (right) for both temperatures measured: □ fruit at 20ºC and ○ fruit at 10ºC……………………………………………………... 81

Figura 5.15. Variability of the parameters measured by on-line equipment (20ºC and 10ºC) and reference parameters, in mandarins and oranges for soluble solids and acidity, measured for all the fruit from both harvests…………………………………. 83

Figura 5.16. NIR portable equipment and summary of applied methodology………… 92

Figura 5.17. Graph representation. (a) Raw spectra of absorbance for all citrus fruits (241 mandarins, 190 oranges) analyzed after MSC pretreatment. (b) Surface plot (gray map) of the autocorrelation matrix between wavelengths in abscissas and scores of PC in ordinates. White areas represent higher correlation………………… 99

Figura 5.18. Plots separating both species mandarins (left) and oranges (right). (a) and (b) raw spectra of absorbance for individual samples after MSC pretreatment. PC scores plots of three-dimensional are derived from (c) PC4, PC5 and PC2, and (d) PC1, PC5 and PC3; Plotted points represent individual samples (solid symbol: 20ºC; empty symbol: 10ºC) ………………………………………………………………….. 100

Figura 5.19. Plots of correlation coefficient (R) on left and external calibration errors on right (SECV and SEPV) for sample without PCA selection and with PCA selection………………………………………………………………………………... 102


1. Introducción

1

Capítulo 1

INTRODUCCIÓN

La presente tesis doctoral trata sobre la determinación de la calidad externa e

interna de frutas y hortalizas frescas a través de métodos no destructivos basados en

propiedades ópticas.

Se pretende dar una información más precisa sobre la viabilidad teórica y el

funcionamiento de equipos comerciales para la inspección de la calidad en línea,

mediante el desarrollo de procedimientos contrastados con sistemas de ensayo de

referencia.

Dicha investigación surge como respuesta a varios puntos:

• Importancia socioeconómica del mercado de frutas y hortalizas.

• Demanda de calidad por parte del consumidor final.

• Demanda de tecnologías certificadas para medidas de calidad por parte del

sector industrial.

• Investigación científica y desarrollo tecnológico aportados por diversos

equipos de investigación.

1.1. ORGANIZACIÓN DEL DOCUMENTO

La presente tesis está organizada en nueve capítulos y un anejo, siguiendo el

formato tradicional de una tesis doctoral. Sin embargo, de acuerdo con los

experimentos realizados se ha decidido reorganizar estos capítulos de forma interna

para facilitar la lectura y comprensión de los ensayos realizados.


1. Introducción

2

Por otra parte, debido a la importancia en el sector hortofrutícola de las

“propiedades ópticas para análisis de la calidad en frutas” objetivo principal de esta

tesis, la redacción de este documento se ha realizado parte en castellano

(introducción, objetivos, resultados generales y conclusiones finales) y parte en

inglés (del estado del arte de la tecnología de medida, objetivos específicos,

materiales y métodos, discusión y resultados) con objeto de dar mayor difusión

internacional a la misma.

Finalmente los capítulos principales se han ordenado de la siguiente manera

para facilitar en lo posible la comprensión del trabajo:

o En este capítulo introductorio (Capítulo 1), se muestran los motivos la estructura

del documento con el fin de facilitar la lectura.

o El Capítulo 2 denominado “antecedentes” redactado en castellano, se divide en

tres partes tratando de dar una visión de la problemática y la situación del sector:

Una primera parte muestra la situación del mercado hortofrutícola, donde se

detecta la existencia de un consumidor cada vez más exigente en la calidad de

los productos.

La segunda parte expone las innovaciones tecnológicas orientadas al sector

de frutas y hortalizas, centrándonos en el tema principal de esta tesis: las

propiedades ópticas. Sin embargo, en esta sección solo se muestran unas

pinceladas generales que agrupan las técnicas ópticas utilizadas en la tesis, que

son ampliados en los epígrafes 4.1.1, 4.2.1, 4.3.1 y 4.4.1, donde se hace más

hincapié en las técnicas empleadas en la presente tesis, con una amplia revisión

bibliográfica para cada caso, bastante actualizada y relevante.

En la última parte se presentan los proyectos de investigación en los que se

encuadra la presente tesis doctoral, que surgen de la incesante actividad

investigadora del grupo de investigación en el cual se realiza.

o El Capítulo 3 plasma en castellano, los objetivos a alcanzar con el desarrollo de

este trabajo de investigación.


1. Introducción

3

o A continuación en el Capítulo 4 se muestra el plan de trabajo seguido para

alcanzar estos propósitos; se describe de manera resumida la evolución de los

experimentos y del análisis de datos a lo largo del tiempo. Sin embargo, para

lograr los objetivos marcados en el capítulo anterior se utiliza un equipamiento

muy variado, y aunque aparentemente tienen una estructura distinta, todos ellos,

muestran un mismo esquema de trabajo.

o Por este motivo y sin alejarnos del formato tradicional de tesis, se adoptó el

planteamiento de agruparlos en cuatro trabajos monográficos íntegramente

redactado en ingles (Capítulo 5), cuyo tema principal son “las propiedades

ópticas”. Cada trabajo incluye una introducción donde se muestra el estado del

arte y se muestran los objetivos específicos de cada experimento, una sección de

materiales y métodos, resultados y discusión, así como las conclusiones finales.

En la introducción particular de cada uno de estos cuatro trabajos se incluye una

revisión minuciosa de la literatura existente y los problemas metodológicos

sobre las técnicas ópticas utilizadas, orientadas a cada caso en particular y

enfocada principalmente a los productos estudiados. Finalmente el Capítulo 5

queda constituido de la siguiente forma:

1. Clasificación de aceitunas mediante el análisis de imagen de acuerdo a

los daños externos. Se ha desarrollado un modelo capaz de clasificar los

frutos en ocho categorías, combinando parámetros de color del fruto y

características morfológicas tanto del fruto como de los defectos

extraídos de las aceitunas.

2. Estudio de un equipo comercial de NIR para la medida de la calidad

interna en melón. Un trabajo realizado con melones: en el que se utilizan

solo tres longitudes de onda y mide sólidos solubles y firmeza. Un

ensayo más sencillo, pero que permitió estudiar la posición del fruto y la

variación de las medidas a lo largo del día, así como la repetibilidad o

exactitud del modelo.

3. Ensayo de un equipo de infrarrojo en línea para la clasificación de

cítricos (mandarinas y naranjas) según su calidad interna. Trabajo

dedicado a cítricos, con un amplio rango espectral, mide sólidos solubles

y acidez. Se estudió la influencia de la posición y la temperatura, así


1. Introducción

4

como la repetibilidad y el modelo de calibración, con el estudio de la

exactitud del modelo. Las determinaciones se realizaron en dos fechas de

recolección distintas.

4. Ensayo de equipo comercial portátil de NIR para la estimación de sólidos

solubles y acidez en cítricos. Presenta los resultados obtenidos con el

equipo portátil aplicado sobre una muestra de cítricos, también analizada

con uno de los equipos en línea, cuyas diferencias son discutidas, en la

sección correspondiente de resultados y discusión (apartado 4.4.3). Se

muestran datos de repetibilidad y reproducibilidad, así como estudios de

la exactitud del modelo proporcionado por el propio equipo y estudios de

calibración externa, utilizando técnicas quimiométricas (PLS y PCA),

examinando las posibilidades de mejorar los resultados.

o Posterior al apartado que incluye los trabajos realizados, se han agregado dos

importantes capítulos que resumen el contenido más destacado, permitiendo

obtener una valoración conjunta de los experimentos llevados a cabo:

1. Discusión general que unifica los resultados parciales presentados

en los diferentes trabajos experimentales (Capítulo 6).

2. Conclusiones generales más relevantes (Capítulo 7).

o A raíz de los estudios realizados y de los resultados y conclusiones obtenidos, se

ha incluido un epígrafe (Capítulo 8) que muestra una serie de propuestas de

futuras actividades planteadas para progresar en las líneas de investigación

abordadas en esta memoria de tesis.

o La bibliografía a la que se ha hecho referencia a lo largo de todo el documento,

se ha agrupado en un único apartado: Capítulo 9.


2. Antecedentes

5

Capítulo 2

ANTECEDENTES

En este apartado se van a abordar una serie de aspectos que pueden ayudar a

entender la situación del sector agroalimentario, así como el planteamiento del

problema que ha conducido a esta Tesis Doctoral.

2.1. SITUACIÓN ACTUAL DEL MERCADO

2.1.1. Importancia del sector hortofrutícola

Las frutas y hortalizas representan dentro del conjunto agroalimentario el

sector de mayor importancia, tanto a nivel mundial como de la Unión Europea y

particularmente en España (31%). Comprende un complejo de actividades

económicas en las que el valor de los productos, el comercio internacional, la mano

de obra, el dinamismo económico y la innovación tecnológica, le caracterizan como

el sector de mayor relevancia de la producción agraria.

Su importancia se refuerza por la relación con otras actividades económicas:

- Infraestructuras: transformación agraria, construcciones agrícolas y

agroindustriales, invernaderos, embalses y distribución de regadío,

caminos, etc.

- Instalaciones y maquinaria: agrícolas y agroindustrial, suministro de

energía, sistemas de riego, equipamiento frigorífico, etc.

- Servicios: transportes, mantenimiento de instalaciones y maquinaria,

comercialización, gestión financiera, fiscal, laboral y jurídica, etc.

- Suministros: fertilizantes, fitosanitarios, semillas y plantas, envases y

embalajes, energía, etc.


2. Antecedentes

6

Este conjunto de actividades ligadas al sector hortofrutícola, en el que se

imbrican tanto la producción y comercialización, como las actividades auxiliares

indicadas, generan gran cantidad de puestos de trabajo, en muchos casos

especializados, con una intensa actividad económica cuyos beneficios proceden

fundamentalmente de la propia comercialización, con una dependencia muy reducida

de ingresos derivados de subvenciones (OCM, MAPA, Comunidades), con menor

intervención que en otros sectores agrícolas, siendo las propias reglas del mercado

las que determinan su desarrollo. Se caracteriza por su orientación al mercado y con

escaso apoyo de la Política Agrícola Común (PAC), induciendo una fuerte

profesionalización y competitividad de muchos sectores hortofrutícolas (García et al.,

2007).

La diversidad del conjunto de frutas y hortalizas comercializadas

internacionalmente establece una gran riqueza, que nos ofrece productos a lo largo de

todo el año, con amplio origen botánico, de características muy diversas (cultivo,

estructura, morfología, color, valor nutritivo, coste, manipulación, conservación,

consumo, etc.) y en muchos casos ligadas a la cultura de los grupos étnicos.

La producción mundial de frutas y hortalizas experimenta un claro

incremento durante las últimas décadas, con mayor intensidad en los países de la

Unión Europea. En el período 2003-2005, la producción mundial de frutas y

hortalizas representaba 1314 millones de toneladas, (frutas 440 millones y hortalizas

874 millones de toneladas) y en la UE-27 se alcanzó una producción de frutas de

36,3 millones y en hortalizas 72 millones de toneladas.

Al hacer referencia a la producción en España (Figura 2.1), destaca más

intensamente que en otros países, su amplitud, favorecida por la gran variabilidad

agroclimática, que ejerce una influencia directa en la determinación de los cultivos

(especies y variedades) y sobre el calendario de las cosechas. Estas características

hacen a determinadas zonas más productivas y competitivas en los mercados

internacionales, aunque también deben tenerse en cuenta algunos factores limitantes

para el desarrollo de las explotaciones agrícolas, entre las que destaca

fundamentalmente el agua.


2. Antecedentes

7

Figura 2.1. Distribución porcentual de la producción de frutas (a) y hortalizas (b) en 2003.

Fuente: MAPA (2006).

En España, la producción de frutas y hortalizas (Figura 2.2) ha crecido

constantemente durante los últimos diez años (1990-2007) con una importante

participación en la producción agrícola total, por encima del 50% del valor (Deloitte,

2004). Este incremento ha sido inducido por la incorporación a la Comunidad

Europea en el año 1986 y por el desarrollo de mejoras agronómicas en estos cultivos,

que han permitido incrementar los rendimientos y los beneficios de los agricultores

(MAPA, 2006). Esta evolución ha situado a España como el país de mayor

producción de la Unión Europea (Figura 2.3).

1990

1991

1992

1993

1994

1995

1996

1997

1998

1999

2000

2001

2002

2003

2004

2005

2006

(A)

2007

(E)

Año

0

5000

10000

15000

20000

25000

30000

Valo

r de

la p

rodu

cció

n 10

6 €

0

20

40

60

80

100

Parti

cipa

ción

en

prod

ucci

ón v

eget

al (%

) Producción vegetal Hortalizas (H) Frutas (F) % F+H

Figura 2.2. Evolución de la participación de frutas y hortalizas en la

producción agrícola nacional (1990–2007). Fuente: MAPA (2006).

Naranja; 20

Mandarina; 16

Limón; 8

Manzana; 6Pera; 5Albaricoque;

1Melocotón y nectarina; 10

Frutos secos; 2Uva mesa; 3

Aceituna mesa; 3

Melón; 9

Sandía; 6

Fresa; 3Otras; 8

(a) Frutas Col; 2 Lechuga; 7

Calabacín; 2

Pepino; 3

Berenjena; 1

Tomate; 33

Pimiento; 7Alcachofa; 1Coliflor; 3Ajo; 1

Cebolla; 7

Zanahoria; 3Judías verdes;

2

Champiñon y otras setas; 1

Patatas; 18

Otras; 9

(b) Hortalizas

TesisMª Te

2.1.2

inten

exist

se si

estab

publi

alcan

Euro

s Doctoral eresa Riquel

Figura

europe

2. El cons

El creci

nsa que la p

te un superá

itúa en cot

blecen una

icados por M

nzan la dos

opea propon

Figura 2.4

media 20

Gra

mos

/día

/per

sona

lme

2.3. Impor

ea y media 2

sumo de f

miento del

producción

ávit, que deb

tas inferior

ingesta de

Mann y Ren

is diaria mí

ne medidas e

4. Consumo

003-2005. Fu

0

5

10

15

20

25

30

35

Prod

ucción

(%)

0

100

200

300

400

500

600

Gra

mos

/ dí

a / p

erso

na

rtancia del s

2003-2005. F

frutas y h

l consumo

n (European

be corregirs

res a las r

400 gramos

nier (2007)

ínima recom

específicas

de frutas y h

uente: Mann

8

sector horto

Fuente: Europ

ortalizas

mundial e

n Commisio

se con el inc

ecomendac

s por perso

se muestra

mendada (F

destinadas a

hortalizas en

y Renier (20

ofrutícola: %

pean Comm

experimenta

on, 2006),

cremento de

iones de la

ona y día (O

que en la U

Figura 2.4),

a fomentar

n países de l

007).

2.

de produc

ission (2007

a una evol

por lo qu

el consumo.

a FAO y

OMS, 2003)

UE-27 sólo G

por lo que

su consumo

a Unión Eur

Antecedent

ción

).

lución men

ue anualmen

. Actualmen

la OMS q

); en estudi

Grecia e Ita

e la Comisi

o.

opea y

tes

nos

nte

nte

que

ios

alia

ón


2. Antecedentes

9

El Reglamento del Consejo, relativo a la Reforma del Sector de Frutas y

Hortalizas, aprobado en enero del 2007 (COM, 2007), considera esencial “la

orientación del mercado y la competitividad” así como “fomentar el consumo de

frutas y hortalizas”; estima que para realizar un abastecimiento con productos de

calidad homogénea y satisfactoria son necesarias normas de comercialización

referidas a: definición, calidad, clasificación, peso, calibre, envase, embalaje,

almacenamiento, transporte, presentación, comercialización y etiquetado. Sin

embargo, las normas vigentes (Anejo) se fueron elaboradas con criterios de

simplificación para conceder flexibilidad al mercado, por lo que al analizar las

variables que afectan a la competitividad, entre otras se debe tener en cuenta los

estándares y la calidad, en los que se contempla la diferenciación del producto. Las

certificaciones voluntarias y las normas técnicas (García et al., 2007) son

imprescindibles.

En la actualidad, la competencia comercial se establece en las

especificaciones de la gran distribución, que están reguladas y supervisadas en los

sistemas y protocolos de calidad, que representan una garantía, no sólo para tener

éxito en el mercado, sino para permanecer en él. Los sistemas privados de

certificación (EurepGap, QS, Nature’s Choice, BRC, IFS, Certificación de Gestión,

UNE 155000, etc.) se basan en la adopción del Sistema de Análisis y Control de

Puntos Críticos (APPCC), la implantación de un sistema de “Gestión de la Calidad”

eficaz y el establecimiento de requisitos específicos para instalaciones, productos,

procesos y personal. Es imprescindible poder aplicar estas normas en condiciones de

eficacia y competitividad; para ello es necesario el desarrollo de sistemas de trabajo

en línea que hagan posible garantizar la “diferenciación” de los productos; así lo

entiende la Comisión Europea, pues en la reforma de la OCM de frutas y hortalizas

considera que puede ser necesario adoptar métodos actualizados de análisis que

permitan determinar las características en relación con la calidad y autenticidad de

los productos (COM, 2007).

2.1.3. El comercio internacional y la importancia de la calidad

En la UE-27 y en otros muchos países desarrollados, durante las últimas

décadas se ha alcanzado un marcado progreso económico, que ha provocado cambios

TesisMª Te

signi

realiz

segur

esta

como

en l

calen

(Shew

persp

de v

adem

para

inves

medi

los t

respu

una m

de ca

para


ificativos en

za de la a

ridad de los

tendencia s

o a nivel glo

las que lo

ndarios de c

F

F

Sin nece

wfelt, 1999

pectiva del p

vista de sati

más la incap

mejorar la c

La evalu

stigación fi

idas proporc

tratamientos

uesta a los c

mejor respu

alidad que i

predecir el

lme

n el estilo

alimentación

s productos

se ha increm

obal, con un

os producto

consumo y e

Figura 2.5. C

Fuente: Garc

esidad de r

9), debemo

propio prod

isfacción d

pacidad par

calidad de l

uación de l

isiológica c

ciona inform

s y evoluci

cambios de

uesta a las d

interesan al

comportam

0100020003000400050006000700080009000

Hofr

de vida, c

n; los prin

s alimentici

mentado el c

n important

os denomin

enriquecido

omercio inte

ía (2007).

replantear l

os aceptar

ducto (conju

del consumi

ra determin

las frutas y h

la calidad o

como tecno

mación adec

ión del pro

preferencia

demandas d

l consumido

miento del pr

rtalizas rescas

Fru

10

con fuerte i

ncipales esf

os y la ofer

comercio in

te increment

nados de

la oferta en

erno de la UE

a clásica c

que su eva

unto de cara

idor. Amba

nar las difer

hortalizas c

orientada al

ológica, pue

cuada para

oducto; sin

as y expecta

del mercado

or; pero est

roducto en e

utas frescas

incidencia e

fuerzos se

rta de produ

nternacional

to de las ex

contraestac

n todos los m

E y comercio

cuestión sob

aluación se

acterísticas p

as propuesta

rencias entr

comercializa

l producto

es la exact

los estudios

embargo,

ativas de los

o es necesa

to requiere

el mercado.

Comercio

Importació

Exportació

2.

en la valor

han orient

uctos difere

l, tanto intr

xportaciones

ción han a

mercados.

o exterior.

bre ¿Qué e

e puede re

propias) o d

as tienen li

re ellas cre

adas.

es necesari

titud y pre

s científicos

es insuficie

s consumid

ario conocer

comprender

.

intro‐EU

ón extra‐EU

ón extra‐EU

Antecedent

ración que

tado hacia

enciados. C

acomunitar

s (Figura 2.5

ampliado l

es la calida

alizar con

desde el pun

imitaciones

a dificultad

ia tanto en

cisión de l

s, resultado

ente para d

ores. Para d

r los atribut

r su conduc

tes

se

la

on

io,

5),

los

ad?

la

nto

s y

des

la

las

de

dar

dar

tos

cta


2. Antecedentes

11

La adhesión a un tipo de valoración, con despreocupación del otro, puede

tener graves consecuencias; es necesario realizar una adecuada valoración de las

diferencias entre ambas, para desarrollar los mejores sistemas de manipulación y

distribución que sean sensibles a las demandas del consumidor. El consumidor es

quien decide finalmente el éxito o fracaso comercial de cualquier alimento, pero en

un mercado cada vez más competitivo los distribuidores, en alguna medida,

determinan su demanda; suministran de forma constante productos, comunicando

eficazmente su mensaje a los consumidores influyentes, que deciden la compra

(Shewfelt, 2006). El estricto cumplimiento de las especificaciones de calidad es

fundamental para mantener la confianza del consumidor y el éxito comercial, pero no

todos los productos recolectados cumplen las estipulaciones de calidad, siendo

imprescindible realizar una adecuada selección que permita una comercialización

ágil, dinámica y transparente, con satisfacción para el consumidor.

2.2. SITUACIÓN TECNOLÓGICA

2.2.1. Los sistemas de selección aplicables a frutas y hortalizas

Como se ha expuesto anteriormente, la importancia de la producción y

comercialización de productos hortofrutícolas, junto con la existencia de un

consumidor cada vez más exigente, tanto a nivel nacional como internacional, es un

hecho muy reciente que obliga a dedicar más esfuerzos a los procesos de inspección,

acondicionamiento y distribución.

Debido a la heterogeneidad y variabilidad de la producción agrícola siempre

existe una fracción del producto que no cumple las exigencias de calidad y debe ser

eliminada eficientemente, sin dañar el producto considerado apto o simplemente es

necesario realizar la separación en distintas categorías de calidad (Bullen et al.,

1993). Éstas características de los productos hortofrutícolas implican que las

operaciones de selección estén estrechamente ligadas a su comercialización y que se

pueden llevar a cabo por la acción humana directa o por aplicación de medios

mecánicos.

La inspección visual del producto y la separación manual de las unidades

designadas posee una alta capacidad para identificar y discriminar defectos, así como


2. Antecedentes

12

flexibilidad para establecer límites en las características de las unidades a rechazar,

pero presenta grandes restricciones: eficiencia, productividad, cansancio, falta de

experiencia, coste de mano de obra, etc.

Son muchos los desarrollos que han permitido automatizar la selección de

frutas y hortalizas, pues cualquier diferencia en las propiedades físicas puede ser

utilizada para realizar la separación en diferentes niveles de calidad. La operación de

selección más fácil de automatizar es el calibrado, donde el parámetro de separación

es relativamente simple (dimensiones, peso, volumen), por lo que en la actualidad

todas las operaciones de calibrado en los almacenes de manipulación están

automatizadas, tanto por sistemas mecánicos como ópticos.

Otros atributos de clasificación son más complejos (color, forma, textura,

madurez, lesiones, alteraciones, etc.) pero los adelantos de la investigación y el

desarrollo tecnológico han hecho posible grandes avances en este sector.

2.2.2. Demanda de tecnología de evaluación de la calidad

Las crecientes exigencias del consumidor inducen a las empresas a introducir

innovaciones tecnológicas en sus procesos, que proceden de la oferta internacional

de las empresas especializadas o pueden demandar un desarrollo más específico a las

universidades y centros de investigación, con aplicaciones adaptadas a las

necesidades particulares. Estos grupos de investigación, financiados con fondos

públicos y en muchos casos por las propias empresas, han desarrollado equipos

innovadores de sistemas para el análisis, evaluación y control en línea de la calidad

de frutas y hortalizas, externa e interna, por procedimientos no destructivos.

En los últimos años, las empresas han introducido en las líneas de

manipulación estas nuevas tecnologías, superando los ancestrales métodos de

muestreos y análisis en laboratorio; técnicas avanzadas que presentan múltiples

ventajas: no destrucción de producto, control de todas y cada una de las unidades,

fiabilidad de las determinaciones, automatización de los procedimientos, economía

en mano de obra, etc. Sin embargo todavía surgen problemas en su aplicación, por

falta de una adecuada formación técnica, inexistencia de normativa sobre calidad

interna y de ensayos de referencia para la certificación de estos sistemas de medida,

que dificultan a los usuarios una adecuada verificación de su fiabilidad.


2. Antecedentes

13

Estos factores justifican la necesidad de la realización de investigaciones que

proporcionen un mejor conocimiento de las tecnologías basadas en medidas ópticas,

de modo que hagan posible su transferencia al sector con mayor eficacia. Estos

trabajos deben desarrollarse como colaboración entre los grupos de investigación y

las propias empresas, para desarrollar soluciones innovadoras, con altos

rendimientos, adaptando cada sistema y tecnología a cada situación concreta. Estas

nuevas tecnologías ponen de manifiesto problemas con las herramientas de gestión

tradicionales, que no son capaces de resolver con éxito los nuevos desafíos generados

y hace falta renovar.

La informática, las comunicaciones y el adecuado tratamiento de la

información, como instrumentos para programar, organizar y favorecer

tecnológicamente la producción, deben ser la base de esta nueva revolución

tecnológica, que llegará a ser una realidad cuando sean asumidas por los empresarios

del sector agroalimentario. Pero estas nuevas tecnologías deben incorporarse, tanto

para apoyar áreas como organización, transferencia del conocimiento y trazabilidad,

como para facilitar la gestión y toma de decisiones en los procesos productivos.

Entre las tecnologías poscosecha que aseguran la calidad de los productos

hortofrutícolas ofertados al consumidor, ocupan un lugar destacado los métodos de

control no destructivos; son métodos rápidos, fiables, de control continuo, de

aplicación en línea y trabajo en tiempo real. En la actualidad entre estas técnicas

podemos citar algunas que aún están siendo desarrolladas como simulador en línea

para la clasificación de fruta por impactos, tecnología láser microondas, biosensores

enzimáticos (análisis del sabor), resonancia magnética o respuesta acústica, entre

otras, y otras que están utilizándose como infrarrojo o visión artificial.

El interés de los sectores económicos por estas tecnologías ha sido recogido

en los últimos años en la planificación de la financiación, como podemos comprobar

en el Plan Nacional de Investigación Científica, Desarrollo e Innovación Tecnológica

2008-2011 (CICYT, 2007), que en el Área de Desarrollo e Innovación Tecnológica

Sectorial está concebida para facilitar a los sectores industriales los instrumentos y

programas necesarios para acometer las actividades dirigidas al diseño de productos,

procesos o nuevos servicios, modificados o mejorados. El fin último es la mejora de

la competitividad empresarial mediante la resolución de los problemas identificados


2. Antecedentes

14

en los sectores de interés para el desarrollo socioeconómico del país, entre los que se

encuentra el programa de Alimentación, Agricultura y Pesca.

De una forma más específica en la convocatoria del año 2008 (Secretaría de

Estado de Universidades e Investigación, 2007) se establecen las líneas estratégicas

del subprograma de recursos y tecnologías agrarias, incluyendo en el ámbito

temático de “Obtención y elaboración de productos agroalimentarios seguros,

saludables y de calidad”, la línea estratégica correspondiente a Calidad de los

alimentos: desarrollo de técnicas para la determinación del origen, trazabilidad y

autenticidad de los mismos y su control sanitario. Identificación de residuos (INIA,

2008).

2.2.3. Técnicas ópticas

Actualmente las técnicas más prácticas y satisfactorias para la evaluación no

destructiva de la calidad y clasificación de productos agrícolas son las técnicas

electro-ópticas, basadas en las propiedades ópticas de los productos (Chen, 1996). Se

trata de métodos cuyo fundamento se centra en medir la interacción entre la materia

y la energía en forma de luz.

En sentido amplio, el concepto “luz” es un tipo de energía radiante (radiación

electromagnética) que se transmite a través del espacio mediante un movimiento

ondulatorio con una velocidad de propagación, una longitud de onda y una

frecuencia determinadas. Dicha longitud de onda permite clasificar la luz en varios

rangos, abarcando el espectro electromagnético en todo su rango (Maier, 1981).

Estas ondas electromagnéticas tienen componentes eléctricos y magnéticos,

alternantes y perpendiculares entre sí, y transportan energía de un lugar a otro.

Desde el siglo XIX, al conjunto de radiaciones que van aproximadamente

desde 10-8 m hasta 10-3 m (ultravioleta, visible e infrarrojo) se denominó “espectro

óptico”, y corresponde con la gama completa de la luz solar, que es sólo una parte

del espectro electromagnético.

En esta memoria de tesis los equipos ópticos ensayados se centran sólo en las

zonas del espectro óptico correspondientes al visible e infrarrojo cercano:


2. Antecedentes

15

• Coloquialmente se entiende por luz sólo la parte visible (400-800 nm) del

espectro electromagnético, es decir, el rango de longitudes de onda que es

percibido por el ojo humano. El color de los objetos depende del espectro de

la luz que incide y de la absorción del objeto, la cual determina qué ondas

son reflejadas.

• Los rayos infrarrojos o “radiación de calor” (800-1·106 nm); están asociados

al calor, pues a temperatura normal los objetos emiten espontáneamente

radiaciones en el campo de los infrarrojos. Se considera dividido en tres

regiones: infrarrojo cercano (800-2500 nm), infrarrojo medio (2500-25000

nm) e infrarrojo lejano (25000-1·106 nm), Estas radiaciones son producidas

por las vibraciones atómicas de los cuerpos calientes y absorbidas por

ciertas moléculas (Moshenin, 1970).

Desde la antigüedad se han estudiado ampliamente todos estos fenómenos

relacionados con la luz, desde el modo en cómo es emitida la radiación, hasta la

forma de propagase a través de los medios o la interacción de la misma con los

materiales.

La luz interacciona con la materia de varias maneras. Parte de la luz se

modifica por factores geométricos, macroscópicos, y microscópicos, que causan

distintas modificaciones en la radiación. Otra parte es absorbida por las sustancias

que componen la materia, que queda excitada, y puede emitir de nuevo energía. Los

efectos sobre la materia son muy diferentes dependiendo de la longitud de onda

incidente sobre la superficie del objeto y de las características del propio producto. El

análisis de la respuesta a esta interacción, proporciona valiosa información sobre la

materia que se estudia, que van a influir en las características de los movimientos de

las ondas; estos fenómenos ópticos clásicos se pueden agrupar en los siguientes tipos

de interacción (Ruiz-Altisent, 1998; Valero, 2002):

Transmisión: refracción y dispersión.

Reflexión: reflexión especular, dispersión y dispersión Raman.

Absorción: absorción atómica, absorción molecular e inducida por un campo magnético.

Emisión: no radiantes (tras una absorción), rayos X, rayos γ, fluorescencia y fosforescencia.


2. Antecedentes

16

Desde los inicios de la investigación de la luz se han podido observar dos

ramas orientadas al estudio del espectro electromagnético: una de ellas basada en el

estudio de las propiedades ópticas de la radiación y sus componentes, y otra

encaminada a la obtención y manejo de imágenes en general, aunque no hayan sido

necesariamente formadas con luz visible o métodos ópticos convencionales,

similares a las registradas por el ojo humano. La Tabla 2.1 muestra una clasificación

de las técnicas analíticas empleadas en el ámbito de las propiedades físicas, para la

medida del espectro electromagnético (Barreiro, 2003).

Tabla 2.1. Clasificación de técnicas analíticas utilizadas en la medida del espectro

electromagnético.

RAMA ÓPTICA TECNICA ANALÍTICA

Medida de propiedades ópticas de las radiaciones electromagnéticas

Refractrometría e interferometría

Polarimetría

Nefelometría y turbidimetría

Colorimetría

Espectroscopia óptica: visible (VIS), ultravioleta (UV), infrarrojo (IR), fluorescencia, Raman, rayos γ, rayos X, resonancia magnética nuclear (RMN), ondas de radio, ondas eléctricas.

Obtención de imágenes

Imagen fija:

- 2D (fotografía plana): VIS, blanco y negro, color, UV, IR.

- 3D (imagen tridimensional): estereoscopía y proyección de luz estructurada.

Imagen en movimiento (video):

- 2D: blanco y negro, color, UV, IR, termografía.

- 3D

Holografía

El empleo de propiedades ópticas supone la aplicación sobre el objeto a medir

de una fuente de energía definida y la posibilidad de detectar la modificación que

sufre esa energía debida al objeto (Skoog et al., 2001). El tipo de energía a emplear

depende de factores como el material o las características físicas o anomalías que se

pretenden observar.

Para medir las propiedades en que se basan los métodos ópticos, la mayoría

de los componentes del aparato de medida son muy parecidos, aunque difieren algo


2. Antecedentes

17

en su configuración. Además, los componentes básicos de los instrumentos ópticos

son los mismos, con excepción de la zona del espectro a utilizar:

• Fuente de radiación: lámparas de H2 o D2, lámparas de filamento de

tungsteno, lámparas de arco de xenón, lámparas halógenas o

incandescentes, láseres, etc.

• Selector de longitud de onda: monocromadores o filtros.

• Receptor transductor o detector de energía. Elemento crucial para el

funcionamiento de los sistemas ópticos.

• Procesador de señal y sistema de lectura.

La luz es una poderosa herramienta para muchas de las disciplinas de las

ciencias experimentales. En física, química, biología o incluso en medicina se utiliza

frecuentemente algún tipo de radiación para obtener información de la materia objeto

de estudio (Gutierrez et al., 2004).

En los últimos años se ha avanzado notablemente en el conocimiento de la

interacción entre las técnicas electromagnéticas y de los productos, así como en el

desarrollo de instrumentación económica y técnicamente viable para su aplicación en

las industrias agroalimentarias. Así mismo se ha avanzado en el desarrollo de

potentes herramientas de análisis de datos y de modelización, que han permitido la

extracción de diferentes parámetros ópticos para la estimación de algunas

características que conforman la calidad de los productos. En el sector

agroalimentario, estos desarrollos se dirigen fundamentalmente a aplicaciones

relativas a inspección y clasificación de frutas y hortalizas frescas, atendiendo tanto a

la calidad interna como externa de los mismos. De esta manera, los métodos ópticos

de análisis cubren un amplio campo de aplicaciones debido a su rapidez, a la gran

gama de instrumentación disponible y sus grandes posibilidades de automatización.

De esta manera la mayoría las técnicas que se muestran en la Tabla 2.1 se han

utilizado en multitud de aplicaciones.

Nota: En los epígrafes 4.1.1, 4.2.1, 4.3.1 y 4.4.1 se hace más hincapié en las

técnicas empleadas en la presente tesis, con una amplia revisión bibliográfica para

cada caso.


2. Antecedentes

18

Equipos comerciales

Con el fin de conocer los principios de funcionamiento particularmente los

correspondientes a las técnicas ópticas utilizadas en la presente tesis, se realizó una

recopilación de información sobre los equipos ópticos actualmente comercializados,

resumidos en las Tablas 2.2, 2.3 y 2.4.

Son dispositivos no destructivos que ayudan a conocer la calidad de los

productos hortofrutícolas, y que según la técnica empleada así como la forma de

utilización pueden clasificarse en tres grupos:

1) Equipos instalados en línea para la calidad externa de frutas

mediante visión artificial.

2) Equipos instalados en línea para la calidad interna de frutas

mediante espectroscopia VIS-NIR.

3) Equipos portátiles para la calidad interna de frutas mediante

espectroscopia VIS-NIR.

Tabla 2.2. Características técnicas de los equipos ópticos en línea existentes en el mercado,

para el análisis de la calidad interna mediante visión artificial.

Modelo Empresa o Institución

Rango espectral

(nm) Productos Parámetros Velocidad

(frutas/s)

Power Vision AWETA SISTEMI S.p.A. (Cesena, Italia)

(VIS, NIR) Diferentes frutas Defectos externos, Color, calibres, etc. 8-10

InVision Compac Sorting Equipment Ltd. (Nueva Zelanda)

(VIS) Cítricos, frutos de hueso, manzanas, etc.

Color, forma, calibres, volumen, y defectos externos.

10-15

(Varios modelos) Multiscan Technologies S.L.

(VIS) Aceituna, cereza y tomate cherry.

Tipos de daños, calibre, color.

1 muestra de 5 kg en

< 1 min

ULTRAVISION Unitec S.p.A. (Revenne, Italia) (VIS) Diferentes frutas Peso, calibres, color y

defectos externos 10

MAXSORTER SELECTOR

MAXFRUT S.L. (Aizira, Spain) (VIS) Cítricos, manzanas, etc.

Defectos exteriores. Peso, color, tamaño

15

Color & size sensor Kalman Peleg (Israel) (VIS, NIR) Manzanas Color, calibres y

madurez —

Insight

Colour Vision Systems Pty Ltd (CVS) part of Mafroda

(NIR)

Manzanas, kiwis, tomates, aguacates, albaricoques, cítricos, mangos, ciruelas, melones, y nectarinas,

SSC y DM 10

Nota: Recopilación personal utilizando los manuales de los equipos y diversas referencias. SSC= contenido en sólidos solubles, TA= acidez total.


2. Antecedentes

19

Tabla 2.3. Características técnicas de los equipos ópticos en línea existentes en el mercado,

para el análisis de la calidad interna mediante espectroscopia VIS-NIR.

Modelo Empresa Rango

espectral (nm)

Productos Parámetros Velocidad (frutas/s)

Internal Quality Analyzer (IQA)

AWETA SISTEMI S.p.A. (Cesena, Italia)

(NIR) — Pardeamiento interno, SSC, TA y madurez.

6-10

Fruit Analyzing System F5

SACMI IMOLA S.C. (Imola, Italia)

650-970

Melones, sandias, peras, cítricos, ciruelas, caquis, melocotones, manzanas, etc.

SSC, madurez, TA, vitrescencia y pardeamiento interno.

5

Intelligent Flavour analyzer (IFA)

GREEFA (Holanda) (NIR) Cítricos, kiwis, manzanas y

frutos de hueso. Pardeamiento interno y SSC. 6

TasteMark Instrument

Taste Technologies Ltd. (Nueva Zelanda)

(NIR) Manzanas, kiwis, melones, ciruelas, melocotones y nectarinas.

SSC, defectos internos, etc. —

Quality Station on line

Unitec S.p.A. (Revenne, Italia)

400-1000 Manzanas, peras, nectarinas, kiwis, uvas, albaricoques y fresas.

Firmeza, SSC, peso, calibres, color y calidad exterior.

—

UNI-BRIX Unitec (Ravenne, Italia)

(NIR) Melones SSC, peso y calibres —

Pimprenelle*

SETOP Giraud Technologies (Cavaillon, Francia)

NIR Manzanas, melocotones, peras, nectarinas, kiwis, cítricos y bayas.

Vitrescencia, SSC, firmeza, peso, calibres, acidez (málico y cítrico), y jugosidad

4-5 frutos/min

Nota: Recopilación personal utilizando los manuales de los equipos y diversas referencias.

SSC= contenido en sólidos solubles, TA= acidez total y DM= materia seca.

*Sistema automático de control de calidad por muestreo


2. Antecedentes

20

Tabla 2.4. Características técnicas de los equipos ópticos portátiles existentes en el

mercado, para el análisis de la calidad interna mediante espectroscopia VIS-NIR.

Modelo Empresa o Institución Fuente de luz

Rango espectral

(nm) Productos Parámetros

Quality Station

Unitec S.p.A. (Ravenne, Italia)

LEDs en diferentes bandas de

emisión

400-1000

Manzanas, peras, nectarinas, kiwis, uvas, albaricoques y fresas.

Firmeza y SSC.

FQA-NIR GUN

Fantec (Shizouoka, Japón)

Pequeñas fuentes

halógenas 600-1100

Manzanas, peras, tomates, naranjas, mandarinas, kiwis, melocotones, etc.

SSC, TA y madurez.

Luminar 5030 “Le Vigneron”

Brimrose corporation (Maryland, USA)

Lámparas halógenas de

cuarzo 1100-2300 Uva de vinificación

y vinos.

SSC, pH, TA, color, estrés hídrico, ácidos orgánicos, etc. (dependiendo del lugar: viñedo, laboratorio o bodega)

GLOVE

CEMAGREF (Francia) VERHAERT (Belgica) APOFRUIT (Italia) KUL (Belgica) ATB (Alemania)

Lámparas halógenas 300-1150

Manzanas y melocotones. Fácil de adaptar a kiwis, aguacates albaricoques, peras, etc.

SSC, madurez, firmeza, color interno y calibres.

Optical Taster TD-2000C

Towa Electric Industry & Co. (Aomori, Japón)


Manzanas, peras, cerezas, tomates y melocotones.

SSC

Pigment Analyzer 1101

Control in applied Physiology (Falkense)


Manzanas, plátanos, cítricos, zanahorias, etc.

—

— Institut Agricultural Engineering Bornim (Postdam, Alemania)

Lámparas halógenas 500-1000 Manzanas SSC y firmeza.

iQ Integrated Spectronics — 300-1100

Manzanas, frutas de hueso, kiwis, tomates, uvas, mangos y caquis.

SSC, DM, color interno, temperatura, y otros atributos.

Tromblon ITV, Cemagref, INRA , CTIFL and ACTA

Cinco micro lámparas 400-1100 Uvas SSC, TA y contenido de

antocianinas.

Multiplex

FORCE-A French National Research Centre (CNRS).

— — Diversas frutas —

Fruit quality meter

Kubota — — — SSC, TA, y peso

FQA NIR Case

SACMI IMOLA S.C. (Italia)


Manzanas, peras, melocotones, ciruelas, melones, albaricoques, kiwis, tomates, mandarinas, clementinas, naranjas, mangos y papayas.

Madurez, firmeza, SSC, TA, contenido en agua, DM y pardeamiento interno.

Nota: Recopilación personal utilizando los manuales de los equipos y diversas referencias. SSC= contenido en sólidos solubles, TA= acidez total y DM= materia seca.


2. Antecedentes

21

2.3. ACTIVIDAD DEL GRUPO DE INVESTIGACIÓN

El Laboratorio de Propiedades Físicas y Técnicas Avanzadas en

Agroalimentación (LPF-TAG), realiza su labor de investigación y desarrollo

tecnológico dentro del Departamento de Ingeniería Rural de la Escuela de Ingenieros

Agrónomos de la Universidad Politécnica de Madrid (UPM). El grupo, dirigido por

la Dra. Margarita Ruiz-Altisent (Catedrática de Universidad), lleva 25 años

trabajando intensamente en el estudio de la calidad poscosecha de frutas y hortalizas.

De esta forma el grupo, lleva tiempo trabajando en numerosos proyectos de

investigación tanto nacionales como europeos, en colaboración con otros organismos

españoles y extranjeros. Estas tareas son compaginadas a su vez con servicios a

empresas, como medio para realizar transferencia de tecnología, y haciendo llegar los

resultados de investigación a los propios destinatarios, tanto el agricultor como el

empresario del sector agroalimentario.

En los últimos años se ha centrado especialmente en los métodos no

destructivos (óptica, RMN, acústica, etc.), contribuyendo a la introducción de

equipos de medida específicos en los centros de producción y comercialización de

fruta.

El LPF-TAG ha realizado avances sustanciales en técnicas ópticas, que se

encuentran en el diseño de presentaciones, de modelos de estimación de sólidos

solubles (SS) en melón, cebollas, melocotón, de diseño de equipos con presentación

automatizada (clasificación en tiempo real), detección de errores en la adquisición

por parte del sensor; obtención de las primeras imágenes MRI de defectos internos en

movimiento. Tanto los resultados de estos estudios de investigación, como la

colaboración con las empresas, hicieron factible la solicitud y concesión del proyecto

que ha conducido a esta tesis doctoral.

2.3.1. Proyecto de investigación

La tesis doctoral se encuadra dentro de un proyecto de Investigación de la

C.A.M. conocido como OPTICAM (CAM 07G/0014/2003 1) “Desarrollo de

métodos de ensayo de equipos ópticos para la inspección y el control en línea de la

calidad interna de frutos”, cuyas tareas, dado su corto periodo de duración, se


2. Antecedentes

22

enlazan con las de un proyecto Nacional de Investigación de objetivos similares

OPTISCAN (AGL2004-03659/ALI) “Desarrollo de técnicas ópticas y de resonancia

magnética viables para la inspección de frutos en línea”, este último mezcla a su vez

tareas ópticas con resonancia magnética. Siendo el profesor responsable de ambos

proyectos el catedrático Jaime Ortiz-Cañavate, miembro del grupo de investigación.

La incorporación a este proyecto tuvo lugar el día 1 de octubre de 2003

coincidiendo con el inicio del primer proyecto OPTICAM y con la concesión de la

beca de la Comunidad de Madrid. Los experimentos se llevan a cabo en las

instalaciones del Laboratorio de Propiedades Físicas (Departamento de Ingeniería

Rural, E.T.S.I. Agrónomos, U.P.M.) así como en distintas instalaciones de las

empresas colaboradoras.

El planteamiento del trabajo, es la mejora de técnicas ópticas basadas en la

radiación óptica del espectro electromagnético: visible (VIS) e infrarrojo cercano

(NIR) alcanzable a través de los objetivos específicos planteados en esta propuesta

que permitirá establecer y optimizar las condiciones de diseño de equipos para la

inspección de la calidad de frutos.

La finalidad última de la investigación llevada a cabo por la becaria en estos

proyectos, ha sido establecer la viabilidad teórica de dichos equipos, estudiar su

modo de funcionamiento y desarrollar procedimientos para contrastarlos con ensayos

de referencia.


3. Objetivos

23

Capítulo 3

OBJETIVOS

Los sistemas de selección de productos hortofrutícolas presentan una serie de

cuestiones y necesidades que en la actualidad afectan a su desarrollo de forma

notable; estos antecedentes expuestos en el capítulo anterior sirven de base para

definir el objetivo global de la tesis doctoral: “Estudio de la calidad externa e

interna por métodos ópticos”. El desarrollo de esta idea desde consideraciones

diferentes permite aportaciones complementarias, contribuyendo a una mejor

resolución de la problemática planteada. Las líneas de actuación planteadas para la

consecución de estos retos permiten responder a las demandas de las empresas

hortofrutícolas, y las podemos reflejar en los siguientes puntos:

Establecer una metodología de trabajo que permita obtener funciones de

clasificación para seleccionar frutos en diferentes categorías, de acuerdo con

los defectos externos. La metodología final también debe ser útil para evaluar

las prestaciones de los sistemas comerciales.

Estimar la capacidad de los sistemas instalados en líneas comerciales de

selección de fruta, para medir su calidad interna, considerando diferentes

factores y evaluando la fiabilidad de los equipos.

Evaluar la capacidad de un sistema portátil para medir la calidad interna de

frutos, estudiando la optimización de su funcionamiento a partir de un

adecuado tratamiento de la información registrada por los sistemas ópticos.

Establecer la viabilidad teórica de dichos equipos, estudiar su modo de

funcionamiento y desarrollar procedimientos para contrastarlos con ensayos de

referencia.


3. Objetivos

24


4. Plan de trabajo

25

Capítulo 4

PLAN DE TRABAJO

Para alcanzar los objetivos fijados en el desarrollo de este trabajo, incluidos

en los proyectos de investigación OPTICAM y OPTISCAN, ha sido necesario

superar diversos niveles de formación en el conocimiento; sobre esta base, algunos

objetivos se establecieron en el diseño experimental, mientras que otros surgieron

durante el desarrollo de los trabajos experimentales y en el análisis de sus resultados,

así como de nuevas ideas surgidas de actividades complementarias o de la

experiencia del grupo de investigación en el que se integró la doctoranda. Por tanto,

los retos acometidos en este trabajo fueron los siguientes:

- Aplicación de técnicas emergentes en la caracterización de productos

hortofrutícolas. Utilización de equipos ópticos (VIS-NIR), para evaluar la

calidad externa e interna en frutas.

- Desarrollo del trabajo en colaboración con las propias empresas,

principales conocedoras de la problemática a resolver.

- Estudio de la fiabilidad de los equipos y la posibilidad de su utilización

para clasificar productos hortofrutícolas.

Persiguiendo estos retos, los trabajos que han dado lugar a esta memoria se

desarrollaron durante cuatro años (septiembre 2003 a septiembre 2007) coincidiendo

con el periodo de desarrollo de ambos proyectos, indicados en el apartado 2.3.1, de

acuerdo con el cronograma expuesto en la Figura 4.1 y que se comentan a

continuación.


4. Plan de trabajo

26

Actividad (2003) Año1 (2004)

Año2 (2005)

Año3 (2006)

Año4 (2007) (2008)

Tare

as

inic

iale

s Revisión bibliográfica

Revisión equipos comerciales

Cursos, etc.

Ensayos

Congresos

Análisis de datos

Evaluación de resultados

Redacción de la memoria de tesis

Figura 4.1. Cronograma de ejecución de las tareas para la realización de la tesis.

4.1. TAREAS INICIALES

Los equipos comerciales para los ensayos pertinentes fueron puestos a

disposición desde los primeros momentos del desarrollo experimental de la actividad

planteada, por lo que hubo que adaptar y preparar rápidamente un protocolo, lo cuál

supuso el comienzo de una etapa de intensa actividad, pues era necesario compaginar

el desarrollo de los experimentos con muchas otras tareas, permitiendo entender

tanto la problemática del sector como las nuevas tecnologías aplicables en el ámbito

de la agricultura. A este periodo corresponden las siguientes actividades:

Inmersión en la actividad del laboratorio: recopilación de información técnica

sobre los principios de funcionamiento de diversos equipos ópticos de

laboratorio, con el fin de conocer sus características y su funcionamiento, de

cara a entender correctamente los equipos comerciales y sus modos de trabajo.

Intensificación de la formación científica con la realización de los cursos de

doctorado.

Actualización de la revisión bibliográfica sobre técnicas no-destructivas,

propiedades ópticas, tecnología de infrarrojo, etc.

Análisis de los equipos existentes en el mercado, instalados en líneas de

manipulación de frutas y hortalizas, que ayudan a conocer la calidad de estos

productos.

Informes de resultados preliminares para las empresas, con resultados

estadísticos básicos para mostrar la relación entre los resultados estimados por

los equipos y los datos de referencia obtenidos en laboratorio.


4. Plan de trabajo

27

4.2. EJECUCIÓN DE LOS TRABAJOS EXPERIMENTALES

El proceso de estudio y formación, junto con la colaboración interna en el

propio departamento y externa con las empresas referidas, permitieron abordar los

objetivos inicialmente propuestos, a través de la realización de los trabajos

experimentales que se introducen a continuación, agrupados en dos grandes bloques.

Clasificación de frutos pequeños por visión o análisis de imagen basados en la

apariencia externa (color o presencia de defectos).

Con anterioridad ya existían numerosos trabajos orientados a la clasificación

de daños externos por análisis de imagen, la mayoría realizados en frutos

grandes pero que sólo eran capaces de clasificar en dos o tres categorías. Este

trabajo ha avanzado más, tanto por trabajar con pequeños frutos, que dado su

reducido tamaño presentan dificultades para su análisis, como por conseguir

clasificar o diferenciar los frutos en las siete categorías propuestas por los

fabricantes de la máquina y por los técnicos expertos, manipuladores de las

aceitunas.

Esta clasificación es imprescindible para las industrias, pues de este modo

en el procesado industrial se puede aprovechar un elevado porcentaje de frutos

que anteriormente eran desechados para consumo de mesa, eliminando con este

desarrollo sólo las aceitunas podridas.

Este trabajo se definió a partir de un proyecto privado, fruto de la

colaboración entre la empresa MULTISCAN TECHNOLOGIES S.L. dedicada

al diseño, desarrollo y fabricación de maquinaria para la selección automática de

productos agrícolas mediante visión artificial.

El objetivo principal de este trabajo era la certificación de las prestaciones

del equipo ESCA200 destinado a la clasificación de la aceituna de mesa en

diferentes categorías en el que se incluían los siguientes objetivos específicos:

- Definición de criterios de referencia para las diferentes

variedades, defectos y clases de calidad.

- Creación de tablas de caracterización de las muestras.


4. Plan de trabajo

28

Un panel de técnicos expertos en la selección de aceitunas, se encargó de

proporcionar y enviarlas muestras, realizándose los ensayos de caracterización

entre noviembre y diciembre de 2003, sobre aceitunas de las variedades:

Manzanilla Sevillana, Hojiblanca y Manzanilla cacereña.

La disponibilidad de una muestra pre-clasificada de Manzanilla sevillana,

hizo que esta variedad fuera la más idónea para profundizar en el análisis de las

prestaciones de un equipo para clasificación de aceitunas, sobre la base de lo que

los expertos consideraban dentro de cada tipo de categoría o defecto. Los

primeros resultados de este trabajo fueron presentados a la empresa en enero de

2004, momento en el que concluyó el proyecto de colaboración.

Evaluación de equipos NIR espectrofotométricos comerciales.

Este trabajo se estableció por la necesidad de desarrollar un protocolo de

evaluación, a petición de las propias empresas, que permitiera conocer la

fiabilidad del funcionamiento de los equipos instalados en sus líneas de

manipulación.

Son numerosos los trabajos centrados en desarrollar modelos robustos,

capaces de predecir la calidad interna (firmeza, azúcar, acidez, madurez, etc.) de

los productos agrícolas; pero estos estudios sólo habían sido realizados con

equipos espectrofotométricos de laboratorio. Sin embargo, la peculiaridad del

presente trabajo, ha sido trasladar estos ensayos a las instalaciones de las propias

empresas, donde estaban instalados dichos equipos en línea. Tras la evaluación

no destructiva de la fruta con el equipo correspondiente y de acuerdo al

protocolo establecido los frutos fueron trasladados al propio laboratorio en

Madrid donde se realizaron los ensayos destructivos específicos para cada caso.

El estudio se desarrolló sobre tres equipos comerciales:

1) Los primeros ensayos, con una máquina de clasificación en línea, se

realizaron en agosto de 2003 con melones tipo Galia; se trata de un equipo

desarrollado por la empresa SUMITOMO instalado temporalmente en una

Cooperativa de la Región de Murcia. Este equipo operaba en el método


4. Plan de trabajo

29

transmitancia óptica dentro del rango del NIR y estaba calibrado para estimar

la calidad interna (sólidos solubles y firmeza) de este tipo de melones.

2) En la primavera de 2005, una Cooperativa valenciana, dedicada a la

comercialización de cítricos, solicitó un estudio profundo del funcionamiento

y fiabilidad de un equipo de NIR instalado en una de sus líneas de

manipulación. Este equipo F5 de SACMI que trabaja en transmisión óptica

estimaba la calidad de los cítricos (sólidos solubles y acidez). El estudio se

realizó con cítricos de dos especies: mandarinas “Nadorcott” y naranjas

“Lanelate”, y en dos fechas de recolección distintas (marzo y mayo).

3) También se estudió un equipo portátil FQA NIR-GUN de FANTEC, que

operaba en el método interactancia. El equipo cedido por el propio fabricante,

fue utilizado sobre la misma muestra de cítricos, para lo que fue trasladado

hasta las instalaciones de la Cooperativa en Valencia, junto con todo el

material necesario para los experimentos.

Estos sistemas estudiados presentan en su respuesta una serie de

dificultades, tanto desde el punto de vista técnico como de la fisiología y

estructura de la fruta, por tratarse de fruta con piel gruesa (melones y cítricos),

con numerosos parámetros que deben ser tenidos en cuenta en la evaluación del

sistema.

Con antelación a la realización de cada ensayo fue necesario preparar el

protocolo específico, establecido en función del tipo de fruto, del equipo comercial

(técnica utilizada, parámetros a predecir, etc.) y de las exigencias de la propia

empresa. La finalidad de este protocolo es realizar los ensayos de acuerdo con las

expectativas de la empresa que cede sus instalaciones, así como preparar el material

necesario para orientar los experimentos a esas necesidades. El desarrollo del plan de

trabajo, contemplaba en primer lugar una visita de los investigadores a las

instalaciones donde se encontraban instalados los equipos junto con los técnicos de

dichas empresas, con el fin de conocer los principios de funcionamiento y una vez

conocidos los requisitos que cada empresa esperaba de cada equipo óptico, se

procede a realizar los ensayos correspondientes.


4. Plan de trabajo

30

Los principales detalles de estos cuatro trabajos se muestran

esquemáticamente en la Figura 4.2, indicando la sección asignada en esta memoria,

en donde se exponen y discuten detalladamente. Cada trabajo hace referencia a un

equipo óptico diferente para la medida de la calidad de distintos productos: aceitunas,

melones, naranjas y mandarinas.

TÉCNICAS ÓPTICAS

Calidad externa Calidad interna: espectroscopia NIR

Equi

po u

tiliz

ado

Análisis de imagen RGB

Equipo en línea (Transmitancia)

Equipo en línea (Transmitancia)

Equipo portátil (Interactancia)

Espe

cie

Aceituna Manzanilla sevillana

Melón Galia

Mandarina Nadorcott

Naranja Lanelate

Mandarina Nadorcott

Naranja Lanelate

Med

idas

Daños externos Sólidos solubles

Firmeza

Sólidos solubles

Acidez

Sólidos solubles

Acidez

Sección 5.1 5.2 5.3 5.4

Figura 4.2. Resumen de los trabajos de investigación realizados en esta tesis doctoral.

4.3. ANÁLISIS DE RESULTADOS

El interés del sector agrícola por la fiabilidad de los equipos comerciales,

nunca antes mostrados de esta manera, impulsó a presentar estos primeros resultados

experimentales en dos congresos especializados:

- III Congreso Nacional de Agroingeniería. León, 21-24 de septiembre de 2005.

- XVIth CIGR World Congress AgEng’06: Agricultural Engineering for a Better

World. Bonn, 4-6 de septiembre de 2006.


4. Plan de trabajo

31

A partir de este momento, en parte inducido por las ideas captadas en los

debates mantenidos en ambos congresos, se pudo profundizar en una utilización más

efectiva de los datos: aplicando además del análisis de la varianza (ANOVA) y

regresión lineal simples, otras técnicas más complejas de quimiometría: análisis

discriminante (discriminant analysis, DA), análisis de componentes principales

(principal component analysis, PCA) o mínimos cuadrados parciales (partial least

square, PLS), con el fin de analizar e indagar en los modelos con los que

supuestamente están calibrados los equipos. Con la misma finalidad, también se

realizaron diversos estudios de precisión de la medida (repetibilidad y

reproducibilidad), así como validaciones externas para el estudio de los modelos de

calibración.

La mayor motivación llegó de la mano del trabajo “Olive classification by

external damage using image análisis” presentado en el XVIth CIGR World

Congress: Agricultural Engineering for a Better World, en el que alcanzó el premio

internacional “Armand Blanc 2006”, de la Commission Internationale du Génie

Rural, destinado a jóvenes investigadores. Esté trabajo concluía con la consecución

de los objetivos solicitados por las cooperativas con las que se había realizado un

proyecto privado de investigación y desarrollo tecnológico; sin embargo, a la vista de

las conclusiones se creyó conveniente avanzar más en este estudio, profundizando en

nuevos algoritmos de análisis y en la búsqueda de nuevas bandas espectrales que

faciliten la clasificación de aceitunas por defectos, sobre la base de diferenciación de

las cicatrices respecto a defectos blandos y combinando criterios morfológicos en las

clasificaciones.

Este nuevo planteamiento prolongó el análisis de los resultados, que concluyó

con resultados muy positivos al encontrar soluciones útiles para la separación

efectiva de lotes de aceitunas en siete tipos de defectos considerados en este tipo de

productos. Estos resultados fueron los primeros en ser presentados en una revista

científica (Journal of Food Engineering).

Los cuatro experimentos realizados giran en torno a la misma unidad

temática: aplicación de “propiedades ópticas” para analizar la calidad de los

productos hortofrutícolas con métodos no-destructivos; de esta forma, tanto los

TesisMª Te

expe

corre

óptic

ellos

Figur

corre

(elim

para

análi

parci

posib

espec

objet

índic

Figura

cada

empr

haya

cada


rimentos

espondiente

Todos lo

cas de la fru

, siguen un

ra 4.3. Los

espondiente

minación de

un procesa

isis discrim

iales) prop

ble su adec

cífico prep

tivo marcad

ce de madur

a 4.3. Proces

No obsta

uno de los

resa, ha perm

an sido más

En la Fi

uno de los

lme

realizados

es s resultad

os experime

uta y aunqu

n esquema d

s datos ori

es sistemas

ruido o cen

ado matem

minante, regr

orciona par

cuada clasi

arado para

do en cada c

rez, contenid

so seguido p

ante, como

s equipos es

mitido que

enriqueced

gura 4.3 se

experimen

en el d

dos se han ag

entos realiza

ue aparentem

de trabajo c

ginales (esp

s detector

ntrado de d

ático poste

resión linea

rámetros de

ificación. C

realizar to

caso (clasifi

do en sólido

para el estud

ya se ha dic

studiados, a

a nivel de a

ores que otr

e ha represe

ntos. En prim

32

desarrollo

grupado en

ados se cent

mente mues

común cuy

pectros o i

res, son s

datos entre o

rior; el mo

al simple o

e caracteriza

Cada equipo

odos los cá

icación por

os solubles,

io de los equ

cho con ant

así como el

análisis de d

ros.

entado el ni

mer lugar, e

de la in

cuatro traba

tran en el es

stran una es

yos pasos ap

imágenes),

sometidos

otros) con e

odelo utiliza

o multivaria

ación de los

o en partic

álculos nece

categorías s

etc.).

uipos ensaya

terioridad, l

l diferente i

datos, algun

ivel de prof

en el experi

4. Pl

nvestigación

ajos monog

studio de la

structura di

parecen pla

proporcion

a un pr

el fin de ac

ado (como

ante, mínim

s frutos, que

cular, tiene

esarios par

según: defe

ados.

la distinta a

interés por

nos de estos

fundidad de

imento 1, se

lan de traba

n como s

gráficos.

as propiedad

ferente, tod

asmados en

nados por l

re-tratamien

condicionarl

por ejempl

mos cuadrad

e deben hac

un softwa

ra alcanzar

ctos externo

ccesibilidad

parte de ca

experiment

esarrollado

e observa q

ajo

sus

des

dos

la

los

nto

los

lo:

dos

cer

are

el

os,

d a

ada

tos

en

que


4. Plan de trabajo

33

el análisis de imagen abarca todo el esquema de trabajo. En este caso particular, se ha

desarrollado un modelo que permite clasificar las aceitunas en distintas clases de

acuerdo con las categorías comerciales habituales de una campaña; orientado a la

creación de ese software interno al que se hace referencia en la figura.

En cuanto a los equipos espectrofotométricos instalados en líneas para

clasificación de melones y cítricos (mandarinas y naranjas), los equipos vienen

calibrados de fábrica y el mantenimiento depende del fabricante; por este motivo,

sólo es posible acceder a los datos finales estimados por los equipos en cada caso, y

sólo es posible analizar la fiabilidad de los mismos centrándolos en las etapas finales

del esquema.

Respecto al equipo portátil, tanto la fácil accesibilidad al software interno

como la posibilidad de calibrar con muestras propias el equipo, ha permitido un

desarrollo mucho más completo, al proporcionar además de los datos estimados, los

espectros originales; esto ha permitido no sólo estudiar la fiabilidad del software

interno disponible en el equipo, sino también profundizar en los datos espectrales,

estudiando la posibilidad de mejorar los resultados mediante el uso de técnicas

quimiométricas, aplicando un proceso de trabajo similar al utilizado en el análisis de

imagen.

Todo el procesado de datos se realizó combinando algoritmos desarrollados

con el programa matemático MATLAB (MathWorks, Inc.), que facilita el trabajo

con matrices de datos y con cálculos de análisis estadístico procesados por el

programa STATISTICA (StatSoft, Inc.) para el análisis estadístico.

La presentación conjunta del trabajo realizado nos mostrará las diferencias

existentes entre los desarrollos y el tratamiento equivalente de los datos para lograr la

adecuada clasificación de los frutas en cada uno de los equipos.


4. Plan de trabajo

34

Tesis doctoral Mª Teresa Riquelme

5. Trabajos realizados

35

Capítulo 5

TRABAJOS REALIZADOS

Este apartado forma el núcleo central de la memoria de tesis y reúne los

trabajos experimentales realizados para alcanzar los objetivos establecidos. De esta

forma el presente capítulo se ha dividido en cuatro sub-apartados:

1. Clasificación de aceitunas mediante el análisis de imagen, de acuerdo a

los daños externos.

2. Estudio de un equipo comercial de NIR para medida de la calidad

interna en melón.

3. Ensayo de un equipo de infrarrojo en línea de clasificación de cítricos

(mandarinas y naranjas) según su calidad interna.

4. Ensayo de un equipo comercial portátil de NIR para la estimación de

sólidos solubles y acidez en cítricos.

Nota: La expresión de los números decimales empleada en los apartados redactados a

continuación, corresponde con la nomenclatura inglesa, donde los decimales se expresan como

punto.



36

5.1. CLASIFICACIÓN DE ACEITUNAS MEDIANTE EL

ANÁLISIS DE IMAGEN, DE ACUERDO A LOS DAÑOS

EXTERNOS

(OLIVE CLASSIFICATION ACCORDING TO EXTERNAL DAMAGE

USING IMAGE ANALYSIS)

5.1.1. Introduction

The presence of skin damage in olives is the most decisive factor in

determining their external quality as fruit. Traditionally, olives have been sorted

manually. Only recently have some research institutes and manufactures been

looking for techniques allowing for automatic classification. Such research has

worked towards the development of prototype devices for fruit classification based

either on artificial vision (Diaz et al., 2000 and 2004; Mateos et al., 2005) or on

sorting techniques like fruit rebound (Barreiro et al., 2003).

Recently, Brosnan and Sun (2004) presented an extensive review of the

different image processing techniques for food products, which are increasingly used

technologies. Many applications have been developed using artificial vision as a

technique for fruit classification: peaches (Cordero et al., 2006), citrus (Blasco et al.,

2007; Kondo et al., 2000), cherries (Rosenberger et al., 2004; Uthaisombut, 1996)

and especially apples (Cheng et al., 2003; Kavdir and Guyer, 2004; Mehl et al.,

2004). However, there is a lack of studies focused on discriminating a large number

of external defects in olives based on the commercial categories established by

product experts, as proposed in this paper. In all refereed works the following steps

are used for image processing: acquisition, pre-processing, segmentation,

measurement (extraction features) and interpretation. The segmentation process is an

essential step in image analysis. Flawed segmentation can cause interpretation errors.

According to Du and Sun (2004), there are several segmentation techniques available

for food quality evaluation, which may be grouped into four different categories:

histogram, region, edge and classification-based. The selection of one method or the

other depends on the case. This work examines whether the combination of colour



37

parameters and histogram features extracted from an image might enhance

classification.

Leemans and Destain (2004) used a hierarchical grading method and k-means

clustering for a real-time grading system, achieving correct apple classification with

a success rate of 73%. Also Kleynen et al. (2005) introduced a defect segmentation

procedure consisting in a pixel classification algorithm based on the Bayes’ theorem

and non-parametric models of the sound and defective tissues, where segmentation

of russet defects and colour transition areas of skin were problematic. Recently,

Blasco et al. (2007) proposed region-based segmentation based on unsupervised

techniques for detecting the most common external citrus defects; in this

segmentation algorithm, the contrast between different areas in the image becomes

more important than the individual pixel colour. Some researchers combine several

segmentation techniques for defect detection, like for example Bennedsen and

Peterson (2005): three threshold segmentation routines and another based on

artificial neural networks and principal components.

For histogram-based methods, thresholding can be applied locally to calculate

different thresholds for each pixel within a neighborhood (Niblack, Sauvola, etc) or

to globally calculate one single threshold for the whole image (isodata, entropy, etc).

However, histogram-based thresholding is still the most referenced among

segmentation methods (Barreiro et al., 2008; Unay and Gosselin, 2006) based on the

method described in Otsu (1979). Researchers continue studying and comparing the

different techniques for the detection of external defects on fruits; Unay and Gosselin

(2006) obtained better performance by applying thresholding for the segmentation of

apples when compared to local segmentation.

Usually colour is the main focus in artificial vision systems, as it is an

important quality parameter in fruits and vegetables. Different colour coordinate

spaces are used for the description of colour. Frequently CIE L*a*b* is used, as it

shows the objective colour with fidelity. However, in the artificial vision field, colour

is defined by RGB coordinates or HSI coordinates, the latter being equivalent to

cylindrical coordinates (CSI) of L*a*b*. The HSV model is very similar to the HSI

colour model. The main difference between the two is the calculation used to

produce brightness values. In the HSI model, a pixel's brightness (I) is derived from



38

the mean of its three (R, G and B) colour values. In the HSV model, a pixel's

brightness (V) is determined by the mean of the minimum and maximum of its three

colour values. However, colour is one of the most uneven aspects when dealing with

olives.

There are commercial systems that allow the packer to sort olives

automatically according to their external appearance, based on optical properties and

image analysis. These systems use different colour spaces, although the expectations

of the producer, the packer and the manufacturer of the classification device do not

match exactly the results obtained in terms of the percentage of correct classification.

Standards are needed as well as reference methods to verify the performance of such

systems.

The present work tries to obtain classification functions to sort olives into

different quality classes, according to the external flaws on olives of the Spanish

"Manzanilla sevillana" variety. The final methodology could be useful to evaluate the

performance of commercial systems, but it is not aimed at replacing them.

Figure 5.1. Damage types identified in olives by expert technicians at

processing companies: (a) undamaged olives, (b) ‘serpeta’, (c) ‘granizo’, (d)

‘rehús’, (e) ‘molestado1’, (f) wrinkled, (g) purple olive and (h) ‘molestado2’.



39

5.1.2. Materials and methods

5.1.2.1. Fruit

A representative sample of the 260 olives of the “Manzanilla sevillana”

variety was selected to define the mathematical model (Table 5.1). Olives were

previously classified by a set of product experts (Figure 5.1) at several processing

factories using common terms. The Alvarado et al. (2001), FAO (1987), Trapero et

al. (2001), and USDA (1967), provide definitions for the commercial categories

available for olives:

• Undamaged olives: Fruits harvested during the ripeness cycle, before

seasonal colour changes, and with their varietal characteristics. Free of

defects.

• ‘Serpeta’ or mussel-scale (Lepidosaphes ulmi L.): This kind of cochineal

is very widespread throughout the world and causes damage to pome fruits

and olives. The damaged olives show dry and elongated scars on the

epidermis.

• ‘Granizo’ or hail-damaged: This meteorological phenomenon can cause

serious damage to the olive’s epidermis due to strong impacts (round

marks).

• ‘Rehús’ or mill: specific term for rejectable olives.

• Wrinkled olive or ‘agostado’: There are several external factors

(temperature, humidity, etc.) which can influence the dehydration of green

olives; the fruits have shrunk and present a dry appearance.

• Purple olive: Colour is an indicator of fruit ripeness. In the case of purple

olives is the colour for full-ripeness, which is present in the skin as well as

in the pulp. This commercial group includes olives whose colour diverges

greatly from the commercial characteristics required for the fruit.

• ‘Molestado’ or undefined-damage: All external defects that do not affect

the olive pulp are included in this commercial-group: direct hit, bruises,

scratches, superficial marks of different shapes and sizes, etc. These



40

damages are typical of poor handling during harvest. This category has

been divided in two groups to facilitate classification: ‘molestado1’ (round

shape bruises) and ‘molestado2’ (elongated shape bruises). Mateos et al.

(2005) in a study with olive images, also identify two types of ‘molestado’.

The calibration set was built with those samples which only had one category

of defect in the skin (n=123 for calibration), while the rest of olives with a mixture of

defects were used for the validation set (n=137). This work aims to study a wide

population containing all of the defects defined above. However, some categories are

represented by a small population (‘serpeta’ and ‘granizo’), variable, depending on

harvest and environmental conditions. As a result, it is difficult to obtain a larger

sample in some cases.

Table 5.1. Damage types identified in olives by product experts at

processing companies. The set was divided for the calibration and

validation test.

Damage types (commercial categories) Calibration Validation

Undamaged olives 16 14

‘Serpeta’ or mussel-scale 5 6

‘Granizo’ or hail-damaged 7 5

‘Rehús’ or mill 5 18

Wrinkled olive or ‘agostado’ 16 3

Purple olive 27 41

‘Molestado1’ or undefined-damage 20 29

‘Molestado2’ or undefined-damage 27 21

TOTAL 123 137

5.1.2.2. Reference data

Reference tests include destructive and non-destructive experiments: weight,

fruit size (height and equatorial diameter per fruit), fruit colour as determined by a

Minolta Spectrophotometer (CIE L*a*b*), and by using an RGB image camera.

RGB values were transformed into HSV using an algorithm of Matlab (version 7.0;

Math Works, Inc., USA), as the online sorting device works in this colour space. The



41

different damages were characterized for each fruit following a previous study of

olives (Barreiro et al., 2003).

5.1.2.3. Imaging system

Olive images in RGB were acquired under static conditions with a single-

sensor (one CCD: charge-coupled device) colour camera (model JVC-TK 1270E;

JVC, Victor Company of Japan). The camera spatial resolution is 0.1 mm2/pixel.

The colour camera was installed on a mobile column. The sample was placed

inside an hemispheric integrating sphere of white expanded polystyrene foam, in

order to generate an homogeneous diffuse lighting to get rid of shadows during

image acquisition. Samples were lit with fluorescent lights with high colour

rendering index (CRI) (model TL/95; Phillips, Royal Philips Electronics of the

Netherlands), that is, providing colour reproduction equivalent to 95% of that

afforded by sunlight).

5.1.2.4. Image processing

To facilitate the acquisition process, all original RGB images contained two

olives. It was necessary to perform three consecutive segmentations over the original

images: the first segmentation to leave out the background, then to identify one olive

per photo, and finally a segmentation of external defects inside each fruit area.

Some researchers, like Bennedsen and Peterson (2005) agree to use a

combination of different threshold segmentation routines for better extraction of fruit

and defect features.

The algorithms used were developed with the image processing toolbox,

version 6, of Matlab (Mathworks, 2005).

5.1.2.5. Image pre-processing

First of all, the fruit area was separated from the background with the

algorithm of Otsu (1979), which is a nonparametric and unsupervised method of

automatic threshold selection for picture segmentation, based on statistical and space

information of histograms (Gaussians distributions). Using the Matlab function



42

‘graythresh’, a discriminant criterion makes it possible to obtain the optimal

threshold of an image that maximizes the group variable (σ2).

The procedure is very simple: when the threshold (T) is applied, the image is

converted automatically into binary values (black and white), where ‘1’ means

background and ‘0’ foreground (object):

g x, y 1 f x, y0 f x, y (Eq. 4.1)

Thus, the thresholding level obtained after applying Otsu’s algorithm is a

normalized intensity value that lies in the range [0, 1]. The thresholding was

performed on the three colour components together, as the Matlab routines analyzed

them as one single matrix. The images were converted into binary using automatic

thresholding.

It was found that a simple thresholding was not enough, as the binary images

showed two big elements (olive areas), and in some occasions, several little elements

(due to shadows under poor light) in the background part of the images. Thus, a filter

was applied to remove small objects from the image. A morphological opening

operator was used with a disk-shaped structuring element considering a six-pixel

radius (0.6 mm in the image). Thus the objects with a radius lesser than the selected

value were eliminated. Afterwards another morphological operator (object filling)

was used to fill in the possible holes presented in the segmented binary images.

5.1.2.6. Defect extraction

In order to segment the defects from the sound olive area, images were

readjusted for each RGB channel so as to fulfil the intensity values 0-255; this

increases the contrast of the output image. However the Matlab function ‘imadjust’

works with intensity values between 0 and 1 (double), therefore the images to adjust

were previously transformed to this scale. In order to select the upper and lower

limits for this process all the olive images were studied; in our case, the specific

ranges set -so as to include 99% of pixel values- resulted in the lower (Red 0.6,

Green 0.2, Blue 0) and upper (Red 0.7, Green 0.9, Blue 1) intensity levels. Values

below low-in and above high-in are clipped.



43

The rest of the algorithms applied for defect extraction were similar to those

used for whole fruits: thresholding, eliminating small elements, filling in holes (disk-

shape with a radius of four-pixels (0.4 mm in the image), and labelling objects. The

labeling operation was similar to that described for isolating olives in the image.

5.1.2.7. Characterization of fruit images

After segmentation, the olives were characterized by different features taken

from each fruit from all filtered images (both whole-fruits and the defect extracted).

• Parameters extracted referring to the olives:

The colour coordinates analyzed were RGB and HSV. The RGB image is

transformed into HSV with the ‘rgb2hsv’ routine of the image processing toolbox,

version 6, of Matlab (Mathworks, 2005), which uses the following equations:

If A=r; H

g bA B6

S A B

V A

A= maximum (r,g,b)

B= minimum (r,g,b)

r,g,b normalizated RGB coordinates

If A=g; H2 b r

A B6

(Eq. 4.2)

If A=b; H4 r g

A B6

Each colour parameter was separated: Red (R), Green (G), Blue (B), Hue (H),

Saturation (S) and Value (V). When the corresponding histograms are studied, the

intensity level distribution contributes to the general description of the images.

Histograms were filtered by a moving average in order to decrease noise: a window

with size of 15 data was used.

The following descriptive statistics were used to characterize each histogram:

Mean, Median, Maximum, Mode, Kurtosis, Skewness, Quartile, and Quintile.



44

• Parameters extracted referring to defects:

Several geometrical parameters were defined and quantified:

− ‘FilledArea’ actual number of pixels in the region with all holes filled in.

− ‘Centroid’ position (x, y) of the center of mass of the region.

− ‘MajorAxisLength’ length in pixels of the major axis of the ellipse from the

second-moments.

− ‘MinorAxisLength’ length in pixels of the minor axis of the ellipse from the

second-moments.

− ‘Eccentricity’ ratio of the distance between the foci of the ellipse and its major

axis length.

− ‘Orientation’ angle (degrees) between the x-axis and the major axis of the ellipse

from the second-moments.

− ‘ConvexArea’ number of pixels in the polygon which circumscribe the region,

and consiste of the tangents of its border.

− ‘Number of objects’ in our case, number of objects in the image (the labeling only

identify one element, although have various regions of interest.

− ‘EquivDiameter’ diameter of a circle with the same area as the region ( 4 · Area/π).

− ‘Solidity’ proportion of the pixels in the smallest polygon which contain the

regions that are also in the region (Area/ConvexArea).

− Perimeter, number of pixels in the length of the outline of the defect’s region.

− Ratio Perimeter/Area

− Roundness (Perimeter2/4⋅π⋅Area).

− Subtraction Area of olive from Area of defect.

− Ratio Area of defect/Area of olive.

5.1.2.8. Statistical analysis

A covariance matrix for each of the histogram matrices (123 olives×256 gray

levels) corresponding with the histogram of each colour parameter (R, G, B, H, S and

V) was studied. Note that the diagonal of the matrix corresponds to the variance of

the corresponding gray intensity levels. Figure 5.2 shows an example of the

visualization of the covariance matrix.



45

Figure 5.2. Covariance matrix cov(xi) for the red channel. Areas

where covariance is higher (red) were used to extract two gray levels

(x, y) in each graph as discriminatory variables.

Significant differences between categories of olives were determined using

variance analysis (one-way ANOVA) was performed by Statistica (version 6.1;

StatSoft, Tulsa, OK, USA). Next, a Fisher’s least significant difference (LSD) test

was used to determine the significant differences between group means in an analysis

of variance (p≤0.05). This test was applied to all parameters in order to reduce the

huge amount of parameters analyzed.

The significant variables were introduced into a forward stepwise

discriminant analysis (DA) to obtain the classification functions in successive steps.

The a priori probability to belong to each group was set as equal in all cases. The

canonical function obtained is a linear combination of discriminating attributes,

being the sum of raw canonical coefficients multiplied by the coefficients for each

function (StatSoft, 2007).

Three different discriminant analyses (DA) were performed in this work to

segregate among defects (n=123 calibration set). The validation of the model was

performed with a sample of n=137. Thus, the first DA classified the olives into two

categories: global defects and local defects. For each group obtained, two successive

DA were required in order to segregate all defects.

Gray level

Gra

y le

vel

50 100 150 200 250

50

100

150

200

250

-1

0

1

2

3

4

x 105

Covariancemagnitude



46

5.1.3. Results and discussion

5.1.3.1. Characterization of fruits

Table 5.2 shows an ANOVA for the reference values. Letters correspond to

the LSD test. Data was arranged according to fruit weight. Three groups of olives

were found according to the weights: purple olives (5.0±1.0 g/fruit), wrinkled olives

(1.9±0.6 g/fruit), and the rest (3.5 - 4.4 g/fruit). Also, the wrinkled olives have a

smaller caliber, as expected in keeping with their weight. With the characterization

of the olives, reference tables were created for directed users of the image analysis

technology in order to clarify commercial agreements. As a confidential result of this

study, such tables with the image, colour, size and firmness of each defect type are

now in the hands of manufactures and producers (Riquelme et al., 2004).

Table 5.2. Results of ANOVA for “Manzanilla Sevillana” olives classified into damage type

studied. Mean (Standard Deviation).

Defect type n Olives/kg g/fruit height

(mm) Equatorial Diameter

(mm) L* a* b*

Purple 68 200 5.0 (1.0) a 19.3

(1.5) a 22.5(1.9) a 28.1

(2.7) d 8.1 (3.7) a 2.20

(2.4) e

‘Rehús’ 23 227 4.4 (1.0) b 18.9

(1.6) ab 22.5(1.7) a 42.2

(7.8) c 6.0 (5.8) ab 17.49

(9.2) d

‘Molestado1’ 49 250 4.0 (0.7) bc 17.9

(1.3) c 21.4(1.5) b 53.2

(6.8) b -0.2 (8.2) c 29.58

(9.2) c

‘Serpeta’ 11 263 3.8 (0.8) bcd 17.9

(1.4) bcd 20.1(1.5) c 58.7

(5.4) a -3.4 (6.6) cd 36.18

(8.7) ab

‘Molestado2’ 48 278 3.6 (0.8) d 17.0

(1.5) d 20.6(1.9) c 59.6

(5.2) a -5.4 (6.5) d 37.31

(7.3) ab

Undamaged 30 278 3.6 (0.7) d 17.0

(1.4) d 20.8(1.3) bc 59.8

(3.8) a -8.0 (2.6) e 39.47

(3.9) a

‘Granizo’ 12 286 3.5 (0.7) cd 17.3

(1.5) cd 20.5(1.6) bc 56.6

(7.3) a -2.9 (8.0) cd 34.65

(10.1) b

Wrinkled 19 526 1.9 (0.6) e 13.6

(1.5) e 17.0(1.8) d 29.7

(2.4) d 3.3 (2.8) b 2.45

(2.3) e

F of Fisher 36.8 39.7 25.1 253.0 38.3 197.1 Note: Different letters (abcde) determine the significant differences between group means; same letters in the same columns, there is no statistical significance between the defects (p>0.5).

Regarding colour change with ripeness it was verified that: darker, more red

and less yellow olives presented lower L*, higher a* and higher b* values,

respectively. Thus, the colour parameters correctly separate the global defects with a

purple colour of skin (‘rehús’, wrinkled, and purple) from the rest.



47

Although some catalogued defects are well segregated by the characterization

parameters (Table 5.2), this is not sufficient to separate defects in the different

commercially established categories. We thus used the characterization parameters

extracted from the images and their histograms to go on with the classification

process by image analysis.

5.1.3.2. Image analysis: calibration and validation

As a first approach, the shape and distribution of the histograms were enough

to indicate that the external defects can be grouped visually into four classes (Figure

5.3): Skewed Left histogram (‘granizo’ and ‘serpeta’); Normal (undamaged);

Bimodal (‘molestado’) and Skewed Right (purple, wrinkled, and rehús). This

categorization is used for further discrimination purposes.

Figure 5.3. Example of histograms obtained for all gray levels (256) in the red

channel, for the different categories of olives with calibration sets. Each curve

corresponds to an olive. The shape of distributions was used to establish groups.

Figure 5.2 shows the covariance of histogram intensity levels (256) for the

Red channel. Similar figures were created for the other channels (not shown). The

graph shows the symmetry of the matrix where both the rows and columns are

0 50 100 150 200 2500

500

1000

1500

2000

Gray Level

Num

ber o

f Pix

els

0 50 100 150 200 2500

500

1000

1500

2000

2500

Gray Level

Num

ber o

f Pix

els

0 50 100 150 200 2500

500

1000

1500

Gray Level

Num

ber o

f Pix

els

0 50 100 150 200 2500

500

1000

1500

2000

Gray Level

Num

ber o

f Pix

els

"Granizo" & "serpeta"

"Molestado"

Purple, wrindled & "rehús"

Undamaged olive



48

reflected by gray levels. The intensity bar on the right shows the covariance

magnitude as represented by the colours in the plot. Higher covariance magnitude

indicates a positive covariance while a lower magnitude indicates a negative

covariance between the pairs of variables. Two gray levels (x, y) in each graph were

selected corresponding to the highest variance. The resulting variables are (expressed

with the initial letter of the colour parameter and the number of the gray level

selected): Red: R70, R158; Green: G66, G168; Blue: B71, B110; Hue: H59, H199;

Saturation: S30, S102; and Value: V72, V168.

A Fisher LSD test was used to determine the significant differences between

group means in an analysis of variance. The purpose of this test was to reduce the

number of parameters analyzed, eliminating those variables which were totally

interrelated within homogeneous groups.

Other authors (Diaz et al., 2004) have used different grading techniques to

sort olives into four classes, getting the best results with neural networks (90%)

compared to partial least squares and Mahalanobis distance (70%). However in this

work the discriminant analysis technique (DA) was used because it requires a low

number of variables to create the functions, a low computational power and it has

yielded good results in previous studies (Valero et al., 2004; Hernández-Sánchez et

al., 2006).

Consecutives DAs in our work included combinations of colour and

morphological features in agreement with several authors, to improve discrimination

(Kondo et al., 2000; Leemans and Destain, 2004; Mateos et al., 2005; Unay and

Gosselin, 2006). Until now the image analysis of small fruits has been based on

colour appearance (Uthaisombut, 1996; Diaz et al., 2004) or just fruit shape. In this

work, the blended use of parameters related to defect shapes, fruit colours, and

histogram curves was proposed for olives.

In a first discriminant (DA1), the features with the highest discriminatory

power between global defects and local defects were included in the resulting linear

model:

− One histogram feature: Olive Area

− Several color features: S30, G66, V72, B110 and B71.



49

The calibration model was developed with 123 olives: 48 global defects and

75 local defects, with an excellent percentage of correct classification for both types

of defects (Figure 5.4). The model was validated using the whole set of olives

(n=137), also with all fruits correctly classified. Kavdir and Guyer (2004) also

worked with histogram features and statistical classifiers, but their results in apples

were significantly lower. However, in our work histogram features have enhanced

discriminatory power when combined with other parameters in the DA1, as well as

in consecutive DAs, as explained in the following paragraphs.

Figure 5.4. Classification into different categories of olives for three DAs performed. The

percentages refer to fruit classification success rates: Calibration (CAL) and Validation (VAL).

A second discriminant analysis was performed (DA2) trying to distinguish

between the global defects. The variables selected for the linear model with higher

discriminatory power between global defects were V72, B71, H59 and Olive Area.

The addition of a morphological feature (Area) in DA2 was very positive. In accord

with the findings of Unay and Gosselin (2006), the addition of a local feature (the

intensity of pixels in their case) improved defect segmentation.

The correct classification percentage of global defects (Figure 5.4) show that

Wrinkled olives are the only well-classified category in this group, probably due to

the inclusion of the ‘olive area’ variable in the model (these fruits are smaller) and

their dark colour. The purple olives are sometimes difficult to segregate from ‘rehús’



50

when they have several hits on their skin surface. This is why in Figure 5.4, the

validation score of ‘rehús’ shows a percentage increase, as some purple olives are

included.

Table 5.3 shows the correlation between the features ultimately selected by

the DA2 model. There are higher correlations between V72 and B71 of R=0.94, and

also between B71 and Area olive of R=0.78. Despite these correlation levels indicate

a certain association between the corresponding variables, they were included in the

model because they fulfil the tolerance value set (0.01).

Table 5.3. Correlations between colour features for the DA2.

V72 B71 H59 Area Olive

V72 1

B71 0.94 1

H59 0 -0.01 1

Area Olive 0.67 0.78 0.08 1

Figure 5.5 represents the olives studied in DA2, on a two canonical function

space (root 1 and root 2). As the number of defect categories to classify in the DA2 is

three, two root functions are necessary. The three categories are reasonably well

segregated by the function lines in the graph.

Figure 5.5. Plot of canonical discriminant function for the DA2.

Calibration (solid symbol) and Validation values (empty symbol) for

global defect. □ Wrinkled, ○ Purple and ∆ Rehús.

-4 -3 -2 -1 0 1 2 3 4 5-4

-2

0

2

4

6

8

10

Root 1

Roo

t 2

Wrinkled

Rehús

Purple



51

Table 5.4 show the Chi-square test results for both successive roots of DA2,

in order to analyze which discriminant canonical function gives better discrimination.

The table contains the significance test for the two roots (p<0.01), being both

significant. More parameters were also computed, as the eigenvalues (meaning the

cumulative proportion of the variance explained by each root), as well as the

canonical correlation, wilks’ lambda (contribution of each root to the overall

performance) and degree of freedom. The first function yields a discrimination rate

of 76% between groups while the second function yields one of 90%. Both are highly

effective at discrimination. Figure 5.5 shows the three groups of defects sorted in this

DA2, which are separated reasonably well according to the percentages in Figure 5.4.

Table 5.4. Chi-Square Tests with Successive Roots Extracted for the DA2.

Eigenvalue Canonical R Wilks' Lambda Chi-Square degrees freedom p-level

1 4.06 0.90 0.08 107.71 8 0.000

2 1.35 0.76 0.43 37.15 3 0.000

A third discriminant analysis (DA3) was necessary to classify among the

local defects. In this case the variables introduced in the stepwise discriminant

analysis belong to colour features and defect features. Finally, the attributes with

higher discriminatory power between global defects and local defects were

‘Eccentricity’, ‘EquivDiameter’, ‘MinorAxisLength’, ‘Solidity’, ‘Roundness’,

‘MajorAxisLength’, ‘Number of objects’ and the olive gray level V30.

The percentages of correctly classified olives are summarized in Figure 5.4,

both via calibration and validation. The calibration of all categories, with the

exception of ‘molestado2’, have a 100% score. For validation, only undamaged

olives kept this value.

Some fruits presented a combination of various defects, which explains the

difficulty of separating them by categories. However, observations of the original

classification matrix indicate that the olives included in the ‘molestado’ groups are

almost always well classified. The reason for the weak classification with the rest of

the defects could be the poor observation numbers.



52

For ‘serpeta’ and ‘molestado2’, both defects have similar geometry and

colour (Figure 5.1: olives “b” and “i-left”). Thus, classification scores of ‘serpeta’

and ‘molestado2’ reach 100 % for calibration (50% validation) and 93% calibration

(38% validation). Regarding the ‘granizo’ group, the low score for validation (40%)

may be due to the scarce number of samples in both sets: 7 in calibration and 5 in

validation. This is one of the main limitations of the present study, and clearly affects

the final result.

In this third discriminant analysis (DA3), there are also higher correlations

between some features used (Table 5.5), 0.93 being the highest correlation

coefficient, between ‘EquivDiameter’ and ‘MinorAxisLength’, followed by 0.89

between ‘Roundness’ and ‘Number of objects’. As in DA2, the tolerance was set to

0.01.

Table 5.5. Correlations between segmentation features for the DA3.

Eccentricity Equiv Diameter

MinorAxis Length Solidity Roundness MajorAxis

Length Number ofobjects

Eccentricity 1

Equiv Diameter 0.53 1

Minor Axis Length 0.46 0.93 1

Solidity 0.64 0.61 0.40 1

Roundness 0.49 0.53 0.69 0.08 1

Major Axis Length 0.73 0.83 0.84 0.39 0.74 1

Number of objects 0.44 0.52 0.68 0.04 0.89 0.7 1

As in DA2 (Table 5.4), Table 5.6 shows the values corresponding to each

canonical function extracted in DA3. The numbers of defect categories to classify in

the DA2 are five. Thus, four canonical functions are obtained. In this case, all the

functions explain the high percentage of discrimination between groups. Figure 5.6

shows the best representation of a canonical discriminant analysis of global defects

for DA3, in a root 1- root 2 space.



53

Table 5.6. Chi-Square Tests with Successive Roots Extracted for the DA3.

Eigenvalue Canonical R Wilks' Lambda Chi-Square degrees freedom p-level

1 255.37 1.00 0.00 523.68 32 0.000

2 3.41 0.88 0.11 149.28 21 0.000

3 0.81 0.67 0.48 49.14 12 0.000

4 0.14 0.35 0.87 9.02 5 0.108

The undamaged olives are perfectly segregated from the rest of the categories

included in DA3; although apparently in the Figure 5.6, the “undamaged” samples

seem to be fewer than the real number (16 calibration, 14 validation), this is only an

optical effect. Almost all values of undamaged olives were represented on the same

point (with minimal differences), due to the fact that all those fruits were free of

defects (being all fruit suitable to be marketed). Therefore the algorithm used for

defect extraction did not detect any faulty area in them, and consequently all features

included in DA3 (‘Eccentricity’, EquivDiameter’, ‘MinorAxisLength’, ‘Solidity’,

‘Roundness’, ‘MajorAxisLength’, and ‘Number of objects’) had a value equal to cero

(y axes in Figure 5.6, root 2) except the features 'olive gray level V30’ (x axes, root

1). There were only some olives of the validation set which did not fulfill the last

conditions (i.e. small area of purple colour in the skin, detected as a defect by the

algorithm), nevertheless the feature classified them as undamaged olives.

Figure 5.6. Plot of canonical discriminant function for the DA3: Root1 and Root2.

Calibration (solid symbol) and Validation values (empty symbol) for local defect.

Undamaged, □ ‘Molestado1’, ◊ ‘Molestado2’, ○ ‘Serpeta’ and ∆ ‘Granizo’.

-20 -15 -10 -5 0 5 10 15 20 25 30-12

-10

-8

-6

-4

-2

0

2

4

6

8

Root 1

Roo

t 2 Undamage

Serpeta

Molestado 1

Molestado 2

Granizo



54

According to Figure 5.4 and Table 5.6 the canonical correlation value of root

function 1 is 100%. Keeping in mind that several olives presented a mixture of

defects, ‘molestado1’ segregates reasonably well (100% calibration, 86% validation).

5.1.4. Conclusions

A procedure is proposed that enables the identification of sound olives as well

as a variety of defects based on three discriminant analyses. This methodology for

the classification of olives makes use of colour features of the fruit together with

several morphological characteristics of external defects, which enhances the final

performance.

Finally, olive classification into eight classes was adequately achieved. The

characterization of olives by means of image sets aims to provide reliable references

which will be used to evaluate the vision devices of on-line classification equipment.

It would be advisable to perform a specific study with a larger number of

samples, although is difficult find more samples for some defect types.



55

5.2. ESTUDIO DE UN EQUIPO COMERCIAL DE NIR PARA LA

MEDIDA DE CALIDAD INTERNA EN MELÓN

(PERFORMANCE OF COMMERCIAL NIR EQUIPMENT TO MEASURE

INTERNAL QUALITY ON MELON)

5.2.1. Introduction

In the last years, the interest of consumers for good quality products has

brought a progress in the development and application of non-destructive methods to

measure the internal quality of fruits and vegetables. Several researchers have

demonstrated that the use of NIR optical technologies is feasible to determine flesh

quality of fruits and vegetables such as soluble solids, acidity, firmness, ripeness, pH,

or internal defects (Nicolaï et al., 2007).

In researching non-destructive techniques for quality evaluation, NIR

reflectance and interactance setups had been used for thin-skin fruit to estimate

soluble solids content (SSC) in apples (Peirs et al., 2003; Yan-de et al., 2007), SSC

and firmness in peaches and nectarines (Golding et al., 2006), or kiwifruit (Schaare

and Fraser, 2000). However, Kawano et al. (1993) considered the use of the NIR

transmittance mode for thick-skin fruit (where light passes through the fruit), like

citrus (Fraser et al., 2003; McGlone et al., 2003), melon (Ito et al., 2004; Long et al.,

2006) and watermelon (Tian et al., 2007; Ito et al., 2002).

The consumption of melon (Cucumis melo L.) in Europe has been increasing

since the 80’s. However, there are few references on the non-destructive internal

quality assessment of melons; perhaps due to the structure of this fruit. Soluble solids

content (SSC, ºBrix) is one of the main characteristics used to assess melon quality

(European Commission, 2001), and without a doubt the most studied feature in

melon using non-destructive techniques. Dull et al. (1989) applied direct

transmittance geometry in Cantaloupe melons: they used two wavelengths (884 nm

for fruit slices and 860 nm for intact fruits) concluding that the predictive capability

of the method was valid in both cases, although the correlation coefficient (R) was

lower for intact melons. Long et al. (2006) worked with partial transmittance

(interactance), also with intact Cantaloupe melons and testing different limitations to



56

the NIR assessment of fruit, including the variation in SSC within fruit and the effect

of fruit storage conditions on the robustness of calibration models. Maruo et al.

(2002) obtained high correlations between the outputs of lasers in the ranges 800-

1000 nm for ripeness and soluble solids content in melon and watermelon. Ito et al.

(2002) proved that the SSC in watermelons can be well estimated with the

combination of two wavelengths (872 and 902 nm) in a multiple regression equation.

Physiological disorders were also detected in Galia melons with good results (Ito et

al., 2004).

Recently, the fruit and vegetable industry started installing on-line

equipments for the inspection of internal quality as a mean for achieving the

standards demanded by multinational distributors (Fraser et al. 2003; Krivoshiev et

al. 2000). Although the technology used by these equipment manufacturers is

scientifically sound, a better understanding of its use in specific applications is

needed.

With regard to optical equipment working in transmission mode, a variety of

on-line equipment is available on the market, but very limited references to

validation and actual performance could be found (Nicolaï et al., 2007). Most of

these equipments for measuring internal quality use halogen lamps as light sources.

However, light intensity is insufficient for fruit with a thick rind (melon, watermelon

or citrus), so Iida et al. (2003) patented a method based on three laser beams having

different wavelengths, to overcome such disadvantage. The enterprise Sumitomo

manufactured a setup based on this patent, which has been tested in this paper.

Therefore, the purpose of this work was to evaluate the estimation capacity of

an on-line NIR equipment (Sumitomo Metal Mining Co., Ltd., Tokyo, Japan) for the

measurement of internal quality in melons. The specific objectives of the research are

to study: repeatability of measurements, reproducibility of measurements and model

accuracy.



57


5.2.2.1. Fruit

Samples were harvested in August 2003 in main area of production, Murcia

(Spain). Two sets of Galia melons (Cucumis melo var. reticulatus L. Naud. cv.

Galia) were selected carefully among the vegetal materials available in the packing

house, in order to obtain two populations:

a) Heterogeneous sample set: consisting of 108 fruits, to cover the maximum

range of variability. It was aimed to study specifically the estimation

accuracy of the model.

b) Homogeneous sample set: knowing visually the quality range of the

population, then 10 homogeneous fruits were selected, with a subjective

quality close to the mean values of the population. This set was used for

the metrology (repeatability and reproducibility) tests of the optical sensor

measurements, as well as to study the estimation accuracy of the model.

Measurements were performed along two consecutive days, including

variability studies of the commercial NIR on-line sensor and verification of the

information obtained in comparison with reference measurements. After registering

the spectral data with the on-line equipment at the packing house, all fruits were

transported to our laboratory (LPF-TAG, UPM) under controlled conditions (15 ºC,

and 70% relative humidity) and immediately examined.

The number of samples as well as the repetitions was conditioned by the

amount of the fruits and time offered by the packing company.

5.2.2.2. NIR equipment

The on-line NIR equipment was installed and tested in a Spanish packing

house, in the main area of production. This device consisted of an optical system

based on three titanium-sapphire lasers (λ1=850nm, λ2=880nm, and λ3=910nm)

placed consecutively above the fruit conveyor (Figure 5.7). Each laser beam enters

the fruit through the lateral side (at a light incidence point somewhere between the

equator and the top of the melon). Transmitted light is recovered by an optical fiber

TesisMª Te

unde

(Iida

solub

firmn

conv

conte

NIR

no in

that t

hous

cold

meas

carro

with

the re

5.2.2

and f

expre

s doctoral eresa Riquel

er the melon

a et al., 200

ble solids c

ness index”

version facto

ents. Accor

outputs on

nformation

the accuracy

e temperatu

storage at

surement da

Samples

ousel, and c

the longitu

ecommenda

2.3. Laborat

In the la

firmness. A

essed as º

lme

n, with the

03). The ou

ontent (ºBr

”). No info

or. Each me

rding to the

the mention

could be fo

y of the equ

ure was ma

first time i

ay.

Figure

commer

(intact me

conducted a

udinal axis

ations of the

tory referen

aboratory, re

A digital ref

ºBrix (accu

correspond

utputs of th

rix), as well

ormation co

easurement

patent deta

ned wavelen

found about

uipment is ±

aintained be

in the morn

5.7. Schem

rcial NIR eq

elons) were

across the o

perpendicu

e company

nce measur

eference me

fractometer

uracy ±0.1

58

ding detecto

he NIR eq

l as the firm

ould be fou

aims to be

ails, a linear

ngths in ord

t the firmne

±0.5ºBrix at

etween 20-2

ning and ke

matic pictur

quipment fo

e manually

on-line NIR

ular to the c

quality cont

rements

easurements

was used o

ºBrix, Ata

or installed

uipment ar

mness (hard

und about t

the average

r regression

der to obtain

ess model.

t constant te

25 ºC, The

ept at room

re of the t

or melons.

y placed in

R equipmen

conveyor be

troller.

s were carri

on unfiltere

ago PR-101

5. Trabaj

underneath

re the estim

dness unit o

this firmnes

e value of t

n model is a

n the SSC e

The manuf

emperature

fruits were

m temperatu

tested

individual

nt. Each fru

elt moveme

ied out for

ed juice to

1, Tokyo,

jos realizad

h the fruit c

mated intern

of “Sumitom

ss index or

the intact fru

applied to t

stimation, b

facturer stat

. The packi

e taken out

ure during t

l cups of t

uit was plac

ent, followi

sugar conte

measure SS

Japan). T

dos

up

nal

mo

r a

uit

the

but

tes

ng

of

the

the

ced

ng

ent

SC

The



59

measurements were performed in the external flesh of each melon, but the number of

repetitions was different for each set. For the homogeneous set the average value for

each position (three repetitions/four positions/fruit) was used, while for the

heterogeneous set an average value per fruit (three measurements/fruit) was

calculated.

The firmness was measured with a Universal Testing Machine

(accuracy±0.1%, Texture Analyser TAXT2, Stable Micro Systems Ltd., Surrey,

UK). The Magness-Taylor flesh penetration test was performed on the pulp of half-

melons, at 2.5 cm distance to the skin. An 8 mm diameter cylindrical probe and a

maximum penetration of 8 mm at 20 mm/min deformation rate were used. The

maximum penetration force (Newton) was registered. This destructive test was

performed only on 21 melons out of the heterogeneous sample (n=108); this subset

was selected according to the machine “firmness index”, in order to obtain an equally

distributed classification: softer ≤4.2, harder ≥5.1 and middle firmness (=4.6).

5.2.2.4. Data analysis

The data study was performed with the software Statistica (version 6.1;

StatSoft, Tulsa, OK, USA), in order to analyze the reliability of the information:

precision and accuracy.

• Reproducibility of the measurements

Reproducibility is the capacity of an instrument to give the same result when

a same sample is analyzed under similar experimental conditions throughout

expanded period of time. This parameter is used to analyze the equipment stability in

real conditions:

(1) On-line fruit positions influence

Four positions were marked in each one of the fruits of the homogeneous

sample (n=10), with 90º of separation and perpendicular to the principal axis of the

fruit; starting at the part of the skin where the melon contacts the soil for first

position, and following counter-clockwise (named “a”, “b”, “c” and “d”). Each fruit

was measured with the on-line equipment three times in each position (rotating the

calyx-stem axis in vertical position). In this case, one-way analysis of variance



60

(ANOVA) was used to compare between the four positions. A p<0.05 was

considered statistically significant.

(2) Measurement time influence

The homogeneous set was analyzed twice, at the beginning and the end of

the experiment day. Each fruit was measured with the on-line equipment five times

in each phase and same position (10 repetitions by melon in total). A comparison

between both phases was carried out for 10 melons. The comparisons between both

groups was studied using a one-way ANOVA (p<0.05).

• Repeatability of the measurements

Repeatability is the lack of variation in measurements taken by an instrument

on the same experiment under same conditions.

The repeatability values have been calculated similarly to other studies

(Hernández-Sánchez et al., 2003), as the SD by measuring 10 melons (homogenous

set). Each fruit was measured with the on-line equipment three times (repetitions) in

four different positions per melon (rotating the calyx-stem axis in vertical position).

Repetitions for each position were performed without removing samples from the

cups.

At each repetition i, both parameters (sugar and firmness) were registered by

the sensor. The standard deviation SDj was calculated for each fruit j over the three

repetitions. The standard deviation mean (SD ) was calculated for each fruit j over the

4 positions (experiments, p=4). The repeatability error of the measurements is

calculated as the mean SD for all SD of t =10 fruits.

• Model accuracy

The accuracy of a piece of equipment is how close an obtained result to the

true value (reference) is. The prediction accuracy level was determined in both sets

(homogeneous and heterogeneous) by the standard error of prediction (Eq. 4.3), the

bias (E q. 4.4), the bias-corrected standard error of prediction (Eq. 4.5), and the fit of

the model by the coefficient of correlation.



61

SEP ∑ C C (Eq. 4.3)

Bias ∑ Cp Ct (Eq. 4.4)

SEP Bias SEPc (Eq. 4.5)

Where

Cti = the true sugar or firmness content value of fruit i.

Cpi = the predicted value using the reference model.

n = the number of fruits in the sample homogeneous (or heterogeneous) set.

The ratio of the standard deviation of the response variable to the SEP

(termed RPD) was calculated to evaluate the model’s success rate and accuracy.

According to some authors (Nicolaï et al., 2007), an RPD value between 1.5-2.0

means that the model can discriminate only between low and high values of the

response variable; 2.0-2.5 indicates that coarse quantitative predictions are possible;

and over 2.5 corresponds to excellent prediction accuracy.

Table 5.7. Characteristics of sample sets of Galia melon used for the reliability

study of a NIR commercial equipment. Values measured with the on-line

equipment (sensor) and the laboratory references.

SSC (ºBrix) Firmness

Reference Sensor Reference[a] Sensor[b]

Homogeneous (n=10)

Min/Max 11.9/14.6 11.80/14.0 — 4.6/5.2

Mean±SD 13.6±0.8 13.2±0.5 — 4.9±0.1

Skewness/Kurtosis -0.80/-0.17 0.92/0.46 — -0.02/0.25

Heterogeneous (n=108)

Min/Max 8.8/13.4 9.2/15.8 10.3/45.6 3.4/5.7

Mean±SD 11.4±0.9 12.3±1.0 21.2±10.2 4.8±0.3

Skewness/Kurtosis -0.44/0.27 0.00/1.52 2.51/6.13 -0.97/4.50 [a] Maximum force Magness-Taylor (n), measured on n=21 samples [b] Hardness unit of Sumitomo firmness index

5.2.3. Results and discussions

The number of fruits measured (n) and the corresponding statistical features

(mean; range; standard deviation, SD) for the two studied sets are shown in Table

5.7. The normality of distribution is satisfactory in all cases except in firmness

measurements for heterogeneous set (Table 5.7: skewness and kurtosis). The SSC



62

predicted values are a little lower than the reference in homogeneous set, which

range is even narrower in predicted values (2.2ºBrix) than the reference values

(2.7ºBrix), although the difference is not very high. As for SD, the values measured

by the refractometer are greater than those considered by the sensor. For the

heterogeneous set, the predicted values are a little higher than the reference, with

ranges: sensor of 6.6ºBrix and references 4.6ºBrix. Thus, when a large number of

samples are measured, the reference gives lower values and less variability. The

firmness values show very high differences between sensor and reference values,

both for range and SD.

5.2.3.1. Reproducibility of the measurements

(1) On-line fruit positions influence

The analysis of the on-line four fruit positions shows that the placement of

the fruit influences on the measurement. The correlations (R) obtained for SSC were

between 0.62-0.87, with lower values in the case of firmness (R= 0.42-0.75) (Table

5.8). Explained variability (R2= 0.38 and 0.77 for SSC, and between 0.14 and 0.56

for firmness) indicates that the representativeness of the sampled area is not high in

this equipment, may be due to the fact that the laser lights only a small portion of the

fruit. The refractometer showed a variation in the SSC (ºBrix) for the different

positions between 0.3 and 1.3ºBrix, probably due to the fruit position with regard to

the incidence of the sunlight, a variation that the sensor seems to average.

Table 5.8 Correlations (R) between four positions

measured, for soluble solids (SSC) and firmness.

SSC Firmness

a b c d a b c d

a 1 1

b 0.82 1 0.57 1

c 0.78 0.87 1 0.55 0.38 1

d 0.85 0.62 0.75 1 0.45 0.42 0.75 1

According to Table 5.9, there were significant differences (p<0.05) between

the four positions in both SSC and firmness. The table shows differences between the



63

averages of the four positions as expected. The SSC differences among positions

intra-fruit are well-known, and particularly for the melon were already known from

1940 (Scott et al., 1940). Other researchers like Long et al. (2006) also observed

differences between spectra (300–1150 nm) acquired from different positions (calyx,

stem, and equator position).

According to the results obtained for the position influence in the present

work, it could be advisable to install several lasers in different positions, similarly as

proposed by Tian et al. (2007) in watermelon; this way, the detector would receive

and average more optical signal that would cover a larger part of melon. Other

option, chosen by several manufacturers, could be installing a circle of halogen

lamps above the sample, instead of lasers.

Table 5.9. Results of the ANOVA testing for significance between

the four measurement positions.

Factor Error F

SS df MS SS df MS

ºBrix 0.2276 3 0.0759 28.3520 116 0.2444 0.3104*

Firmness 0.0016 3 0.0016 2.4683 116 0.0213 0.0770*

* for significance if p<0.05.

(2) Measurement time influence

Measuring the homogeneous set in two moments of the experiment day

resulted in correlation coefficients of 0.74 for SSC (ºBrix), with significant

difference (p<0.05). For firmness the analysis showed a low correlation for a no

significant difference between both phases (R=0.36, p<0.05). Table 5.10 shows the

results of the ANOVA testing.

Table 5.10. Results of the ANOVA testing for significance

(p<0.05) between the two phases studied.

Factor Error F

SS df MS SS df MS

ºBrix 4.7961 1 4.7961 22.9978 98 0.2347 20.4375*

Firmness 0.0009 1 0.0009 2.9266 98 0.0299 0.0301NS

NS for no significance and * for significance if p<0.05.



64

5.2.3.2. Repeatability

The standard deviations computed per fruit (3 repetitions/position) gave

values between 0.00-0.15ºBrix and 0.00-0.06 hardness unit of Sumitomo. The

repeatability errors (SD) are: 0.08ºBrix, and 0.02 hardness unit of Sumitomo;

repeatability values were good enough in both cases, being better for firmness

measurement than the SSC. Hernández-Sánchez et al. (2003) also made a

repeatability study with a commercial equipment (portable NIR device) for apple,

obtaining good repeatability of the measurement with a repeatability error (SD)

0.07ºBrix, very similar to the values obtained in this work.

In the case of firmness, the range measured by the equipment is very small

(Table 5.7) and the values do not fit the real ones. Hence, the firmness estimation is

inaccurate and the probability of obtaining similar values at each repetition is very

high.

5.2.3.3. Model accuracy

The precision and prediction accuracy was verified over both studied sets:

homogeneous (n=10) and heterogeneous (n=108) sample.

Homogeneous sample

The intra-fruit measurement error, calculated as the sensor standard deviation

(12 measurements per fruit) resulted in 0.1 to 0.3ºBrix (for a range of 11.8-14.0).

ANOVA test indicated significant differences between all melons (p<0.05),

in spite of being a sample set selected for its homogeneity. Figure 5.8 shows the

variability of the parameters measured (sensor and reference), where the behavior of

both values can be observed for each fruit. There is only one fruit (#5) very different

from the rest of population, for SSC, even though this set of ten fruits was selected

visually to be homogeneous. Generally, when a new sample is presented to the

sensor, it is able to detect correctly an increase/decrease in the estimation, but not the

accurate ºBrix value.

If the estimated mean values for each sample are compared with the reference

values (Figure 5.9) the correlation coefficient reaches 0.66 (R2=0.44) for these ten



65

fruits. This correlation is not enough to build a continuous estimation model, but may

suffice for a sorting algorithm.

Mean; Whisker: Mean±0,95 Conf. Interval

Obs ºBrix Sensor ºBrix

1 2 3 4 5 6 7 8 9 10

Melon number

11,7

12,0

12,3

12,6

12,9

13,2

13,5

13,8

14,1

14,4

14,7S

SC

(ºB

rix)

Figure 5.8. Variability of the soluble solids measured by on-line

equipment and reference parameters, for homogeneous set (n=10).

12,0 12,2 12,4 12,6 12,8 13,0 13,2 13,4 13,6 13,8 14,0 14,2 14,4 14,6

Reference SSC (ºBrix)

11,6

11,8

12,0

12,2

12,4

12,6

12,8

13,0

13,2

13,4

13,6

13,8

14,0

14,2

Sen

sor S

SC

(ºB

rix)

95% confidence Figure 5.9. Correlations for soluble solids (SSC) for the homogeneous

(n=10) set between observed values (reference) and estimated by the on-

line sensor. Dots indicate single measurements on fruits.



66

8 9 10 11 12 13 14

Reference SSC (ºBrix)

8

9

10

11

12

13

14

15

16

17

Sen

sor S

SC

(ºB

rix)

95% confidence Figure 5.10. Correlations for soluble solids (SSC) for the heterogeneous set

between observed values (reference) and predicted by the on-line sensor.

Heterogeneous sample

The correlation between measured and predicted SSC values for the

heterogeneous set is shown in Figure 5.10, with a correlation coefficient of 0.60

(R2=0.36) and a computed SEP=1.29ºBrix and an RPD=0.70 (Table 5.11). Although

the SEP value was not so low, the correlation coefficient and the ratio of the SD of

the response variable to SEP (RPD) indicated that the model can not even

discriminate between extreme values of the response variable. When the bias was

corrected, although the SEPC fell to 0.85ºBrix, the RPDC did not improve greatly

(1.06). However, these results agree with the remarks reported by Dull et al. (1989),

who obtained R=-0.60 and SEP=2.18 for intact melons, explaining that these are

high correlations when the complexity of the physical and chemical nature of the

melon is considered.

Our results demonstrate that this piece of commercial NIR equipment gives

only partial information about internal quality of melons, but it is very partial.

Although the sensor did not give the exact real values, it detected a change in the

range (Figure 5.8). Other researchers have obtained good results with NIR for thick

rind fruits. Maruo et al. (2002) achieved high correlations (R=0.94) between a very

similar sensor under controlled laboratory conditions and the reference for melons.



67

Also Tian et al. (2007) obtained R≥0.80, SEP between 0.50-0.80 for watermelons;

for mandarins, Kawano et al (1993) achieved a R=0.99, SEPC=0.32, and McGlone et

al. (2003) showed a best result of R=0.96, SEP=0.32%. However, none of these

studies were performed with any commercial on-line equipment, under industrial

conditions. Hence, having in mind that the European Community established (2001)

the marketing standard for Galia melons (refractometric index of the pulp must be at

least 8° Brix), this piece of equipment could be applicable to sort melon fruits by

sugar content in two categories.

Table 5.11. Performance indexes of the NIR

equipment for soluble solids (SSC) and firmness for

the heterogeneous set.

SEP BIAS SEPc R

SSC n=108 (ºBrix)

1.29 0.97 0.85 0.60

Firmness n=21 (Hardness unit)

19.31 -16.60 9.86 0.27

This trial was performed and results are summarized in Table 5.12. As all

samples were marketable (SSC>8ºBrix), a new limit (11.5ºBrix) was established to

sort high-sugar samples from the rest. Overall performance was poor (only 59% of

the melons were correctly classified) and a clear trend was observed: the sensor

estimates a higher class in many cases, which is harmful from the commercial point

of view. The SSC range in the samples was 8.8/13.4ºBrix (Table 5.7).

Table 5.12. Classification results for soluble solid content (n=108). Observed

classifications in rows and estimated classification in columns.

SSC <11.5ºBrix SSC >11.5ºBrix % Well classified

SSC <11.5ºBrix 16 39 29

SSC >11.5ºBrix 5 48 91

%Total 59



68

Regarding to firmness results, Figure 5.11 shows the correlation for the 21

melons selected out of the heterogeneous set and measured destructively for firmness

in the LPF-TAG laboratory. The sensor did not behave as well estimating firmness,

with a SEP value of 19.31‘Sumitomo firmness unit’, a very low correlation

coefficient (R=0.27) and RPD=0.48, like shown Figure 5.11 and Table 5.11. Results

are also in agreement with Maruo et al. (2002), who obtained also low correlations

for firmness.

5 10 15 20 25 30 35 40 45 50

Reference firmness (N)

3,2

3,4

3,6

3,8

4,0

4,2

4,4

4,6

4,8

5,0

5,2

5,4

5,6

5,8

Sen

sor f

irmne

ss (S

umito

mo

hard

ness

uni

ts)

95% confidence Figure 5.11. Correlation for firmness for the heterogeneous set between

observed values (reference) and predicted by the on-line sensor.

There is no reference value established for the marketing standard for Galia

melons. However this quality parameter is considered by the consumer at purchase

and other researchers have measured it as Ergun et al. (2007), who obtained values

between 8-14 N with an 8 mm diameter cylindrical probe.

Despite that, this particular on-line equipment used three aligned lasers

throughout the conveyor belt and a NIR transmittance method to be able to measure

fruit with a thick rind, this has not been sufficient to obtain good prediction results.

In both tests (SSC and firmness) the correlation coefficients turned out very low to

establish a direct relation sensor/reference. Most authors noted that there are several

factors, which could influence over the predicted accuracy: fruit size, skin thickness,

light-sensor position, temperature, fruit orientation, sample variability, harvest



69

season, production year, growing location, as well as the correct method for

computing the model. Due to these determining factors, the equipment design could

be difficult to operate in an effective way.

Determining the accuracy of a measurement usually requires calibration of

the analytical method with a known standard; if the accuracy is not good enough

even after the bias adjustment, it would be advisable to improve the calibration. The

choice of a proper calibration file has much weight on the final result. Only for the

first time, the user may just choose a factory-default calibration; the following years,

suitable user-generated calibration files must be utilized according to the fruits being

processed. If a more accurate calibration model would have been implemented in the

machine, our results will probably have been better. This proves the importance of

selecting a representative sample for calibration, implementing a bias-correction

procedure, and using the proper calibration file according to species and variety.

In accordance with other studies (Diezma-Iglesias et al., 2004) the fusion of

two or more sensors, based on different measurements techniques (i.e. optics,

acoustic response, vibration) could be a viable solution for enhancing the estimation

performance of fruit internal quality equipment.

5.2.4. Conclusions

A testing procedure has been developed for the assessment of machine

performance intended to measure internal quality parameters in melon using NIR

information applied on a commercial setup. Repeatability for the estimation of

firmness is better than for soluble solids, but the firmness estimation is not accurate,

being very high the probability of obtaining similar values at each repetition.

However, the reproducibility is affected by the fruit position, as the flesh

melon is heterogeneous with respect to SSC. According to our results, the

importance of the calibration is clearly necessary; introducing a bias-correction

procedure is not sufficient if there is a dispersion of values. Maintaining an updated

calibration set and performing periodical calibrations of the equipment is highly

recommended for end users.



70

Although the model used by the NIR equipment did not turn out the ideal

(R2=0.36), it allowed to reach some conclusions. The equipment is sensitive to

variations in soluble solid content, but the information is only partial. Correlation

coefficients of 0.6 (sugars) and 0.27 (firmness) and a sorting performance below

60% do not allow a reliable application. Only if the RPD value was maintained

above 2 with a proper calibration, the equipment results were acceptable.



71

5.3. ENSAYO DE UN EQUIPO DE INFRARROJO EN LÍNEA DE

CLASIFICACIÓN DE CÍTRICOS (MANDARINAS Y

NARANJAS) SEGÚN SU CALIDAD INTERNA

(TESTING A NIR ON-LINE INSPECTION MACHINE TO SORT CITRUS

(MANDARINS AND ORANGES) FOR ANALYZING THE INTERNAL

QUALITY)

5.3.1. Introduction

For years, different non-destructive techniques have been used to measure the

internal quality of fruits and vegetables (soluble solids, acidity, internal defects, pH,

absence of water-core, firmness and ripeness), a prime consideration in an

increasingly global market. Near infrared (NIR) spectroscopy has been used to

measure internal properties in several types of fruit, including apples (Hernández-

Sánchez et al., 2003; Lamertyn et al., 2000; Peirs et al., 2003; Yan-de et al., 2007),

nectarines (Costa et al., 1999), kiwifruit (Schaare and Fraser, 2000), melons and

pineapples (Guthrie and Wedding, 1998), among others. For citrus fruits, however,

the use of NIR has been more widely studied in mandarins, probably due to the

complex internal structure of citrus (Fraser et al., 2003; Greensill and Walsh, 2002;

Hernández-Gómez et al., 2006; Miyamoto, 1998).

Several researchers have demonstrated the feasibility of using optical

technologies involving transmittance, interactance and reflectance to measure a

variety of internal parameters in different fruits (Nicolaï et al., 2007; Schaare and

Fraser, 2000). At present, non-destructive technologies based on infrared

transmittance have proven useful in tracking the evolution of the internal quality of

agrofood products, which is mandatory for thick-skinned fruits like mandarins

(Kawano et al. 1993; McGlone et al., 2003).

Citrus are among the most consumed fruits in the world, hence the drive to

measure their internal quality using new technologies involving NIR transmittance

on intact mandarins. Several transmission mode studies have been developed to

measure the sugar content (Kawano et al., 1993), acidity (Miyamoto et al., 1998) and

firmness of intact mandarins. The effect of different factors, such as skin (Fraser et



72

al., 2003), temperature, variety or maturity (Miyamoto et al., 1998) on internal light

levels has also been investigated.

Recently, the fruit and vegetable industry started installing on-line equipment

for the inspection of internal quality as a means of achieving the standards demanded

by multinational distributors (Fraser et al. 2003; Krivoshiev et al. 2000). Although

the technology used by these equipment manufacturers is scientifically sound, a

better understanding of its use in specific applications is needed. Recently, Huang et

al. (2008) have presented a review showing the evolution of NIR technique until the

development of on-line equipment for sorting of food and beverages, with a wide

section of fruit and vegetables.

With regard to optical equipment working in transmission mode, a variety of

on-line equipment is available on the market based on either conventional light

sources (halogen lamp or incandescent) or lasers. However, very few references

provide validation or performance results for such equipment in an industrial setting

(Nicolaï et al., 2007). Hence the lack of technical information on these equipments,

as neither standard is available for cross comparison.

The main objective of this work is to assess the real estimating internal

quality performance of on-line NIR commercial equipment as applied to mandarins

and oranges.


5.3.2.1. Fruit samples

Stored fruits from commercial chambers in a packing house in Valencia

(Spain) were selected from different lots to cover the maximum range of variability

regarding internal quality. The experiments were performed over two different

periods (March'05 and May'05). The fruits studied were citrus: mandarins cv.

Nadorcott (n=168+120) and oranges cv. Lanelate (n=84+120).

After recording the spectral data with the on-line equipment at the packing

house, the fruits were transported to Madrid (LPF-TAG, UPM) and immediately

examined.

TeMª

5.

in

op

tra

th

w

pr

at

in

(m

in

m

5.

esis doctoraª Teresa Riq

3.2.2. NIR

The o

nstalled in th

ptical system

ansmission

Samp

hrough the o

was of six

rocedure wa

ttached whic

The q

nternal solu

meq/10ml).

ntact fruit.

manufacturer

13 shows o

al quelme

equipment

on-line NIR

he Spanish p

m and a de

in the 650-

ples (intact

on-line NIR

fruit per s

as automati

ch slid in an

Figure 5.12

NIR equipm

quality para

uble solids

Each meas

However,

r responsibl

other technic

t

R equipmen

packing com

etector insta

970 nm ran

fruits) were

R equipmen

second. Ins

cally perfor

nd out of the

2. Schemati

ment for cit

ameters outp

content (ºB

surement aim

the absor

le for calib

cal data for

73

nt was cust

mpany. The

alled undern

nge (Figure

e manually

nt by a conv

side the lig

rmed by a t

e measurem

c picture of

trus fruit.

puts of the

Brix), as w

ms to be th

rbance spec

bration and

the on-line

tomized an

e machine c

neath the fru

5.12).

placed in

veyor belt; t

ghting tunn

telescoping

ment area as

f the tested c

NIR equip

well as (2)

he average v

ctra were

maintenanc

equipment

5. Tra

nd calibrated

consisted of

uit conveyo

individual c

the conveyo

nel, an on

arm with a

needed.

commercial

pment are (

the total t

value of the

not access

ce of the e

.

abajos reali

d for citrus

f a halogen-b

or to record

cups and p

or operate s

-line calibr

a white refe

l

(1) the estim

titratable ac

e contents o

sible, being

quipment. T

izados

s and

based

d NIR

passed

speed

ration

erence

mated

cidity

of the

g the

Table



74

Table 5.13. Technical data provided by the manufacturer.

5.3.2.3. Laboratory reference measurements

In the laboratory, reference measurements were taken for sugar content and

acidity, using the juice extracted by means of a mechanical squeezer; three replicates

for soluble solids content (SSC) and total titratable acidity (TA) were made on each

fruit. A digital refractometer was used to measure SSC expressed as ºBrix (accuracy

±0.1ºBrix; ATAGO PF-101, Tokyo, Japan). TA was determined with an automatic

titrator using NaOH (0.1 N) up to pH=8 and 2 ml of juice diluted in distilled H2O;

the results were expressed as meq/10ml (accuracy ±0.15%; Tritoline, Schott-Gerate

Gmbh, Germany). Units are the same as those used by the on-line equipment.


Once the predicted and observed values of soluble solids content and acidity

were determined for both mandarins cv. Nadorcott and oranges cv. Lanelate, the

reliability of the information was analyzed.

The estimating capacity of the NIR equipment was studied using the software

(version 6.1; Statsoft, Tulsa, OK, USA) with regard to: (1) External validation; (2)

Sorting performance; (3) Measurement repeatability; (4) Fruit position influence

during on-line acquisition; (5) Calibration set effect; and (6) Fruit temperature.

Tª range of fruit 5-40ºC

Sugar SEP=0.5ºBrix; Effective range 3-20ºBrix

Acidity SEP=10%; Effective range 0.2-3.0 meq/10ml

Cup width 152 mm

Conveyor belt speed 18-45 m/min

Power supply 380V three-phase 220 single-phase 50/60 Hz + Ground + Neutral

Consumption Sensor and Control: 1500 VA(max)/Unit

Calibration files used Mandarins: ‘Nadorcott3’ and ‘Nadorcott10’ Oranges: ‘Orange11’ and ‘Orange18’



75

• External validation

With the aim as to track the degradation of the sensor and its effect on the

proper operation of the in-line equipment, the test compared the results from the two

measurement periods.

Samples gathered in March’05 were used as the calibration set (168

mandarins, 84 oranges), while those from May’05 were used for validation (120

mandarins, 120 oranges). The three repetitions were averaged per fruit to give an

overall value. A regression model was calculated with the calibration set for

determining the SSC value and TA of mandarins and oranges. The model was

subsequently tested with the validation set to determine its predictive ability with

external samples. Two regression models were built, one for each temperature (20ºC

and 10ºC), and they were validated separately.

The quality of each calibration model was quantified by means of the

standard error of calibration (SEC), the standard error of prediction (SEP) and the

correlation coefficient (R) between the predicted and observed parameters (Eq. 4.4).

A robust model should yield not only a low SEC, low SEP and high

correlation coefficient, but also a small difference between SEC and SEP. A non-

robust model can result from a high bias. The bias-corrected standard error of

prediction (SEPc) was also calculated (Eq. 4.5).

SEC or SEP ∑ C C (Eq. 4.4)

SEPc ∑ C C (Eq. 4.5)

where

Cti = the true sugar or acidity content value of fruit i.

Cpi = the predicted value using the reference model.

n = the number of fruits in the sample set (mandarins or oranges).

The ratio of the standard deviation of the response variable to the SEP (RPD)

was calculated to evaluate the model’s success rate and accuracy. According to some

authors (Nicolaï et al., 2007), an RPD value between 1.5-2.0 means that the model

can discriminate between low and high values of the response variable; 2.0-2.5



76

indicates that coarse quantitative predictions are possible; over 2.5 corresponds to

excellent prediction accuracy.

• Classification performance

Citrus marketing standards require a minimum ratio of soluble solids

content/titratable acidity, also known as Maturity Index (MI). According to Kader

(2007) the ratio for winter crops –such as mandarins cv. Nadorcott and oranges cv.

Lanelate– should be above 8 (SSC/TA).

The sorting ability of the on-line equipment was also analyzed using the MI

model. To this end, the calibration and validation sets were made up by pooling fruit

from both harvests (March'05 and May'05) to compensate for ripeness.

• Measurement repeatability

Repeatability expresses the lack of variation level in measurements taken by

an instrument in the same experiment under the same conditions.

The repeatability was evaluated, as in other studies (Hernández-Sánchez et

al., 2003), by measuring the SD using 120 fruits from each species. Each fruit was

measured with the on-line equipment three times in the same position (with the

calyx-stem axis in the vertical position) and at two different temperatures (20ºC and

10ºC).

After each repetition i, both parameters (sugar and acidity) were recorded.

The standard deviation SDj was calculated for each fruit j over the three repetitions

according to equation 4.6, where Cpi is the predicted sugar content (ºBrix) or acidity

(meq/10ml), Cp is the average of the predicted sugar content or acidity, and n is the

number of repetitions (n=3) for each fruit.

The repeatability error of the measurements (SD) was calculated (Eq. 4.7) for

all SDj of the analyzed fruits (t=120), separately for each species (mandarin or

orange).

SD ∑ C C (Eq. 4.6)



77

SD∑ SD

(Eq. 4.7)

• Influence of fruit position The position was defined according to the relationship between the calyx-

stem axis and the conveyor belt movement for 80 mandarins at 10ºC and 120 oranges

at 20ºC (Figure 5.13): calyx-stem axis in the vertical, parallel or perpendicular

position relative to the conveyor belt movement.

In this case, one-way analysis of variance (one-way ANOVA) was used to

compare the predicted values for the three positions. A p<0.05 was considered

statistically significant.

Figure 5.13. On-line fruit positions: (P1) with the calyx-stem axis in the vertical position; (P2) with the

calyx-stem axis parallel to the conveyor belt movement; (P3) with the calyx-stem axis perpendicular

to the conveyor belt movement.

• Influence of machine calibration model set

The software controlling the equipment allows for predicted and observed

data for new sets of fruits to be stored and for different calibration files to be created.

The most recent two last versions based on mandarins and oranges of the

sugar-acidity calibration file were compared for 80 mandarins and 120 oranges.

Versions ‘Nadorcott3’ and ‘Nadorcott10’ were compared for the mandarins, along

with ‘Orange11’ and ‘Orange18’ for the oranges. Comparisons between both groups

for each species were studied separately using a one-way ANOVA (p<0.05).



78

• Influence of fruit temperature

The influence of two fruit temperatures (20ºC and 10ºC) on the on-line

measurement was studied for all fruits from both harvests: 284 mandarins and 204

oranges. This study intends to verify whether this on-line machine is suitable for use

under different temperature conditions or not, since the temperatures involved were

within the theoretical range established by the equipment manufacturer.

The temperature effect and the subsequent one-way variance (ANOVA)

analyses (p<0.05) were studied in combination with the aforementioned factors

(sorting performance, repeatability, fruit position) to search for cross effects.

Table 5.14. Characteristics of sample sets of mandarins and oranges used for the calibration

and validation study. Values measured by the on-line equipment (20ºC and 10ºC) and by the

laboratory techniques (references).

Calibration Validation

Reference Sensor(20ºC) Sensor(10ºC) Reference Sensor(20ºC) Sensor(10ºC)

Man

darin

s ‘N

ador

cott3

’

n 165 165 165 118 118 118

SSC (ºBrix)

Min/Max 11.4/16.6 11.0/15.9 11.1/15.7 11.2/14.3 10.5/13.5 10.6/13.8

Mean±SD 14.04±0.94 13.50±0.81 13.41±0.77 13.04±0.67 12.21±0.63 12.26±0.64

TA (meq/10ml)

Min/Max 1.4/3.3 0.8/1.6 0.9/1.7 0.7/2.2 0.8/1.4 0.8/1.4

Mean±SD 2.20±0.37 1.23±0.15 1.32±0.13 1.26±0.24 1.10±0.12 1.06±0.12

Ora

nges

‘O

rang

e11’

n 84 84 84 120 120 120

SSC (ºBrix)

Min/Max 9.0/15.3 9.8/15.8 9.7/15.6 10.5/14.6 9.2/13.0 9.0/12.7

Mean±SD 11.42±1.08 12.21±0.96 12.02±0.95 12.38±0.88 11.14±0.81 10.86±0.78

TA (meq/10ml)

Min/Max 2.5/5.0 0.9/1.7 0.8/1.6 0.8/2.3 1.0/1.4 1.0/1.4

Mean±SD 3.44±0.58 1.14±0.18 1.11±0.17 1.23±0.25 1.19±0.10 1.18±0.08


5.3.3.1. External validation

The number of fruits measured (n) and the corresponding statistical features

(means, range, standard deviation) for the different species studied are shown in

Table 5.14. The predicted values were lower than the reference in most cases, except

for soluble solids in oranges; although the difference is general, it is not very high.

As for SD, the values measured by the refractometer were greater than those



79

recorded by the sensor. In conclusion, the sensor gave lower values and less

variability.

The calibration and validation results are summarized in Table 5.15. For

mandarins, the SSC model computed a SEC between 0.7-0.8ºBrix, a SEP near

0.9ºBrix with a high correlation coefficient (0.76-0.86) and an RPD below 1.5

(around 0.74). The model can discriminate between low and high values of the

response variable, which indicates the feasibility of using the on-line equipment to

estimate SSC. When the bias was corrected, SEPc fell to 0.34ºBrix and RPDc

improved a little (between 1.5 and 2). For the case of total acidity, the model did not

fare as well (R≈0.11-0.12).

Table 5.15. Calibration and validation results for soluble solids (SSC) and

titratable acidity (TA): Coefficient correlation (R), and standard errors of

calibration and prediction.

R SEC SEP RPD BIAS SEPc RPDc

Mandarins

SSC (ºBrix)

20ºC 0.86 0.69 0.91 0.74 -0.84 0.34 1.97

10ºC 0.76 0.80 0.91 0.74 -0.78 0.45 1.49

TA (meq/10ml)

20ºC 0.12 1.04 0.30 0.80 -0.16 0.25 0.96

10ºC 0.11 0.95 0.32 0.75 -0.19 0.26 0.92

Oranges

SSC (ºBrix)

20ºC 0.87 0.80 1.32 0.67 -1.25 0.44 2.00

10ºC 0.87 0.64 1.59 0.55 -1.53 0.43 2.04

TA (meq/10ml)

20ºC 0.27 2.36 0.24 1.04 0.04 0.24 1.04

10ºC 0.35 2.40 0.24 1.04 -0.05 0.23 1.09

For oranges, the model calculated a SEC value between 0.6-0.8ºBrix, a SEP

value near 0.7ºBrix and a high correlation coefficient (0.87 in both species), with

RPD values below 1.5, indicative of the model’s poor discriminatory ability, and thus

the presence of biased estimation. Just as in the case of the SSC in mandarins,

correcting the bias resulted in an improved value for the standard error of prediction

(highly 2). As before, the model estimated poor TA values for oranges (R≈0.35-

0.27).

For years, several authors have calculated their own models for obtaining the

best calibration. In the case of SSC estimation: Lammertyn et al. (2000) achieved a

SEP=0.55 and a R=0.91 for apples; Schaare and Fraser (2000), obtained R=0.96,



80

SEP=0.80 for kiwifruit, Yan-de et al. (2007) obtained a model for apples with an

R=0.92 and SEP=0.73. Little published research exists on acidity, probably because

the typical acid concentration in fruits (other than citrus) is considerably smaller than

that of sugars, and probably too small to affect the NIR spectrum significantly. In

citrus some authors have obtained good results, but research has only been conducted

on mandarins: Kawano et al. (1993), R=0.99, SEC=0.28, SEPc=0.32; Hernández-

Gómez et al. (2006) for SSC R=0.94, SEPc=0.33. However, none of these studies

were performed with any commercial on-line equipment, under industrial conditions.

Two studies showed the performance of two on-line devices to analyze internal

quality in citrus fruits: satisfactory results were obtained for both oranges with

R2=0.95 for SSC, and R2=0.85 for acidity (He et al., 2001); however with a prototype

used to measure grapefruits and honey tangerines, all R2 values were lower than 0.7

(Miller and Zude, 2004).

Most authors note that the results are influenced by several intrinsic factors:

fruit size, skin thickness, light-sensor position, temperature, fruit orientation, sample

variability, harvest season, production year, growing location, as well as the correct

method for computing the model.

The results in Table 5.15 suggest that the commercial on-line NIR sensor

provides a reasonable estimate of the internal quality of citrus in terms of soluble

solids content (ºBrix) mainly in mandarins, though the values obtained for SEP are

above those established by the equipment manufacturer (Table 5.13). The

unfavorable results obtained with oranges may have been due to differences in the

skin thickness for different sets of fruits. Figure 5.14 provides observed vs. predicted

values (soluble solids and acidity).



81

Figure 5.14. Correlations for soluble solids and acidity between measured values (references) and values

estimated by the model with the on-line equipment for a validation set. Mandarins (left) and oranges (right) for

both temperatures measured: □ fruit at 20ºC and ○ fruit at 10ºC.

5.3.3.2. Classification performance

Commercial citrus must reach minimum MI values; hence in this study this

quality parameter has been used to sort the fruit according to the estimated values of

NIR equipment. In mandarins due to the higher MI values (being all the pieces

suitable for sale), it was necessary to establish an upper MI limit of 13 to classify

them in two categories, depending on whether or not they were correctly sorted.

Table 5.16 shows these categories for both species and the correct-classification

percentages for each one (<13 for mandarins, and <8 for oranges), which are rather

poor. The low values obtained for MI in mandarins at 20ºC (52% total), maybe due

to a high bias.

y○ = 0,72x + 2,81y□ = 0,81x + 1,60

89

101112131415

8 10 12 14 16

Val

ues

estim

ated

by

the

mod

el

(ºB

rix)

Values measured by the refractrometer (ºBrix)

Soluble solids for mandarins

y□ = 0,79x + 1,28y○ = 0,77x + 1,28

89

101112131415

8 10 12 14 16Val

ues

estim

atd

by th

e m

odel

(º

Brix

)

Values measured by the refractrometer (ºBrix)

Soluble solids for oranges

y□ = 0,06x + 1,03y○ = 0,06x + 0,990,6

0,8

1,0

1,2

1,4

1,6

0,6 0,8 1,0 1,2 1,4 1,6 1,8 2,0 2,2 2,4

Val

ues

estim

ated

by

the

mod

el

(meq

/10m

l)

Values measured by the titrator (meq/10ml)

Acidity for mandarins

y□ = 0,11x + 1,06y○ = 0,118x + 1,030,60

0,80

1,00

1,20

1,40

1,60

0,6 0,8 1,0 1,2 1,4 1,6 1,8 2,0 2,2 2,4Val

ues

estim

ated

by

the

mod

el

(meq

/10m

l)

Values measured by the tetrator (meq/10ml)

Acidity for oranges



82

Table 5.16. Classification in two commercial categories of mandarins and

oranges according to the maturity index (MI). Percentages refer to rates

of correctly-classified fruits.

20ºC 10ºC

MI<13 MI>13 % Well classified MI<13 MI>13 % Well

classified

Mandarins MI<13 47 34 57 65 17 79 MI>13 33 26 45 14 44 76 %Total 52 78

MI<8 MI>8 % Well classified MI<8 MI>8 % Well

classified

Oranges MI<8 28 14 67 29 13 69 MI>8 12 48 80 6 54 90

%Total 75 81 Note: Observed classifications in rows and estimated classifications in columns.

Correcting the bias in the machine model would have improved the sorting

results (RPD ≈0.7 for mandarins and ≈0.7 for oranges); nevertheless, the high value

of SEP (≈5.5 mandarins, ≈8 oranges) could be due to a higher dispersion of values,

more than to a high bias (≈4). The bias-corrected procedure has not been sufficient to

improve the prediction results, although the corrected SEP resulted a little lower

(SEPC ≈4 mandarins and ≈7 oranges), the ratio of RPDc kept lower than 2, with a R2

less than 0.4. Thus, according to Nicolaï et al. (2007) the model can only

discriminate low from high values of the response variable.

In this case it is important to emphasize that the MI -used for the

classification- was calculated as soluble solids to acidity ratio. Since the on-line

equipment is not suitable to predict acidity according to previous sections, the sorting

based on MI values should yield bad results. If the accuracy is not good enough even

after the bias adjustment, it would be advisable to improve the calibration.

5.3.3.3. Repeatability

The standard deviations computed over three repetitions per fruit gave values

between 0.00-0.40ºBrix and 0.00-0.09 meq/10ml for both species at 20ºC. At 10ºC,

the range of values was larger in mandarins (0.00-3.12ºBrix and 0.00-0.52

meq/10ml) than in oranges (0.00-0.31ºBrix and 0.00-0.04 meq/10ml). The



83

repeatability errors (SD) at both temperatures (20ºC and 10ºC, respectively) were

0.15 and 0.52ºBrix, and 0.04 and 0.09 meq/10ml for mandarins, and 0.15 and

0.15ºBrix, and 0.02 and 0.01 meq/10ml for oranges. This shows that the repeatability

of the TA measurement was better than SSC in both species. Hernández-Sánchez et

al. (2003) also did a repeatability study with a portable commercial equipment used

apples, obtaining good repeatability of the measurement with a repeatability error

(SD) of 0.073ºBrix, very similar to the values obtained in our research.

The repeatability results, along with the reliability of the equipment, are

shown in Figure 5.15. The columns show that the sensor estimated range for soluble

solids was similar to the reference in both species, whereas the acidity range

measured by the equipment was very small and did not match the actual values. The

acid estimate was incorrect, with the probability of obtaining similar values after

each repetition being very high.

Mean Plot: mandarins

20ºC 10ºC Reference11,0

11,5

12,0

12,5

13,0

13,5

14,0

SSC

(ºBr

ix)

Mean Mean±0,95 Conf. Interval

Mean Plot: oranges

20ºC 10ºC Ref erence11,0

11,2

11,4

11,6

11,8

12,0

12,2

SSC

(ºB

rix)


Mean Plot: mandarins


1,2

1,3

1,4

1,5

1,6

1,7

1,8

1,9

TA

(m

eq/1

0ml)


Mean Plot:oranges


1,2

1,4

1,6

1,8

2,0

2,2

2,4

Aci

dity

(meq

/10m

l)


Figure 5.15. Variability of the parameters measured by on-line equipment (20ºC and 10ºC) and

reference parameters, in mandarins and oranges for soluble solids and acidity, measured for all the

fruit from both harvests.



84

5.3.3.4. Influence of fruit position

An analysis of the different on-line fruit positions shows that the placement of

the fruit did not have a large influence on the measurement. The correlations (R)

obtained were satisfactory for both mandarins (0.83-0.93ºBrix and 0.89-0.93

meq/10ml) and oranges (0.94-0.97ºBrix and 0.89-0.95 meq/10ml), the values in the

case of mandarins being slightly lower.

According to Table 5.17, only mandarins showed significant differences

(p<0.05) in acidity between the three positions. The table shows differences between

the averages of the three positions.

Table 5.17. Results of the ANOVA testing for significance (p<0.05) between the

three positions studied.

Factor Error F

SS df MS SS df MS

Mandarins (n=80; at 10ºC)

SSC 0.7995 2 0.3997 148.7738 237 0.6277 0.6377NS

TA 0.2085 2 0.1042 5.8710 237 0.0248 4.2082*

Oranges (n=120; at 20ºC)

SSC 3.7524 2 1.8762 251.8885 357 0.7056 2.6591NS

TA 0.0433 2 0.0216 3.5250 357 0.0099 2.1907NS NS for no significance

5.3.3.5. Influence of machine calibration model set

Using different calibration files resulted in correlation coefficients for SSC

(ºBrix) and acidity (meq/10ml) in both species (mandarins and oranges) in excess of

R=0.80. However, an analysis of the variance (Table 5.18) shows significant

differences (p<0.05) in both species (mandarins and oranges) in both predicted SSC

and TA.

Choosing the proper calibration file weighs heavily on the final result. In the

first year, the user may only choose a factory-default calibration. In subsequent

years, suitable user-generated calibration files must be utilized according to the fruits

being processed.



85

Table 5.18. Results of the ANOVA testing for significance (p<0.05) between the two

calibration sets studied.

Factor Error F

SS df MS SS df MS

Mandarins

n=80

SSC (20ºC) 1.9581 1 1.9581 37.6683 158 0.2384 8.2131*

TA (20ºC) 2.5671 1 2.5671 1.2136 158 0.0077 334.2159****

SSC (10ºC) 1.5275 1 1.5275 43.4801 158 0.2752 5.5507 ns

TA (10ºC) 3.0516 1 3.0516 1.7313 158 0.0110 278.4987****

Oranges

n=120

SSC (20ºC) 103.4907 1 103.4907 131.7626 238 0.5536 186.9329****

TA (20ºC) 6.6013 1 6.6013 2.3939 238 0.0101 656.3040****

SSC (10ºC) 112.1122 1 112.1122 116.5848 238 0.4899 228.8696****

TA (10ºC) 4.7564 1 4.7564 1.8961 238 0.0080 597.0149****

NS for no significance if p>0.05 and *,**** for significance if p<0.05 or p<0.00001 respectively.

A study of calibration and validation was analyzed between both calibration

sets (using files named ‘Nadorcott3’ and ‘Nadorcott10’ for mandarins, and

‘Orange11’ and ‘Orange18’ for oranges), with the older files (‘Nadorcott3’;

‘Orange11’) being used as calibration sets in comparison with the newer files. The

results obtained (reported for both measurement temperatures, 20ºC/10ºC

respectively) indicate the similarity between both sets individually for each species.

The SSC model computed for mandarins yielded RPD values of 1.67/1.71,

greatly improving to 2.37/1.97 if a bias correction algorithm was applied. For acidity,

a ratio of RPD around 0.36/0.28 was obtained, along with a calculated RPDc of

2.29/2.62. In the case of oranges, the SSC model gave RPD values of 0.62/0.57, and

RPDc of 2.18/1.83. For acidity RPD 0.31/0.29, and RPDc 1.57/1.89. The observed

values prove the importance of periodically calibrating the equipment, implementing

a bias-correction procedure, and choosing the proper calibration file according to

species and variety.

5.3.3.6. Influence of fruit temperature

The sensor ranges obtained at different temperatures (Table 5.14) were very

similar for both species in sugars and acids.

With the calibration and validation test, it is possible to compare the errors

(SEC and SEP) for both temperatures. Table 5.15 shows the values, where the



86

differences for SEC fall between 0.11-0.16 for both species; and for SEP between

0.00-0.27. In Figure 5.14, where the regression trends of both sets are separated, the

differences in SEP are clearly observed: TA in mandarins (0.02), and SSC in oranges

(0.27).

The mean values in Figure 5.15 for mandarins and oranges at both

temperatures are very similar. The higher difference is for SSC in mandarins.

Generally the correlation values (R) are greater for 20ºC than for 10ºC.

The combination of different temperatures with different fruit positions did

not largely influence the measurement; the correlations (R) obtained were 0.95 for

SSC and 0.87 for acidity in the case of mandarins, and for oranges, 0.99 for SSC and

0.98 for acidity.

Although the temperatures used in the study were within the range

recommended by the equipment manufacturer (Table 5.13), as Table 5.19 shows,

there were only significant differences (p<0.05) for acidity in mandarins and SSC in

oranges resulting from fruit temperature. Temperature differences between

calibration and validation sets mainly cause bias. Peirs et al. (2003), for example,

found a bias of up to 0.3% ºBrix/ºC when the soluble solids content of apples was

10ºBrix.

Table 5.19. Results of the ANOVA testing for significance (p<0.05) between the

two temperatures studied.

Factor Error F

SS df MS SS df MS

Mandarins n=284

SSC 0.0524 1 0.0524 540.5288 568 0.9516 0.0551 NS

TA 0.2256 1 0.2256 16.3387 568 0.0288 7.8430*

Oranges n=204

SSC 5.9732 1 5.9732 425.7522 406 1.0487 5.6961*

TA 0.0411 1 0.0411 7.2936 406 0.0180 2.2860 NS NS for no significance if p>0.05 and * for significance if p<0.05

5.3.4. Conclusions

The repeatability and reproducibility estimates for soluble solids content

(ºBrix) indicate that the use of on-line NIR equipment for citrus is reliable. For this



87

objective, repeatability of titratable acidity estimates was better than for soluble

solids, though SEC and SEP values make the acidity estimation model unusable.

The reproducibility was, however, affected by fruit temperature, fruit position

and calibration set, being the effect of fruit temperature greater than the others. According

to our results, fruit temperature during measurements and fruit position in the

conveyor cup did not affect the final estimate to a great extent, although some

influence was observed (e.g. acidity estimate in mandarins). The effect of the

calibration set was obvious in every case, introducing a bias in the estimate of

0.2ºBrix for mandarins and 1.4ºBrix for oranges, or 0.3 meq/10ml in both species.

Maintaining an updated calibration set and performing periodical calibration of the

equipment is highly recommended for end users.

It may be concluded that the equipment could be suitable for sorting citrus

fruits by sugar content (ºBrix), but not by titratable acidity (meq/10ml). Models were

developed for sorting into categories (low/high maturity index, calculated as soluble

solids to acidity ratio). The percentage of fruits correctly classified by the machine

used in our study was consistently below 81% for maturity index.



88

5.4. ENSAYO DE UN EQUIPO COMERCIAL PORTÁTIL DE NIR

PARA LA ESTIMACIÓN DE SÓLIDOS SOLUBLES Y ACIDEZ

EN CÍTRICOS

(TESTING A PORTABLE NIR COMMERCIAL EQUIPMENT FOR

ESTIMATING SOLUBLE SOLIDS AND ACIDITY IN CITRUS FRUITS)

5.4.1. Introduction

Nowadays, near-infrared spectroscopy is being applied in different fields as

agriculture, foods processing, chemical industry, pharmaceutical products, etc. The

instrumental progress, the automatization and the incorporation of computers in the

data acquisition and control, allows the fast gathering of large amounts of analytical

data. In this context, the use of multivariate analysis or chemometrics is required to

enable the extraction of useful information as pointed by several revision studies

(Feudale et al., 2002; Roggo et al., 2007).

In the analysis of NIR spectroscopy data, it is common to use some kind of

pre-processing tools prior to the application of multivariate calibration: Orthogonal

System Calibration or “OSC” (Greensill and Walsh, 2002), Standard Normal Variate

or “SNV” (McGlone et al., 2003; Chauchard et al, 2004), Multiplicative Scatter

Correction or “MSC” (Hernández-Gómez et al., 2006; Maleki et al., 2007), among

others. However, Peirs et al. (2002) when comparing seven pre-processing

techniques concluded that none of them significantly improve the accuracy of the

models.

Chemometrics is a technique that has revolutionized analytical chemistry

since the 1960, mainly in NIR spectroscopy. According to the International

Chemometrics Society (ICS), "Chemometrics is the science of relating measurements

made on a chemical system or process to the state of the system via application of

mathematical or statistical methods". Typical applications of chemometric methods

are the development of quantitative structure activity relationships or the evaluation

of analytical chemical data. Various methods have been presented for building

calibration models which make use of multivariate method. Among them, partial

least squares (PLS) regression is the most richly spread, followed by principal



89

component regression (PCR), where factors that relate to variation in the response

measurements are regressed against the properties of interest (Cozzolino et al., 2007;

Feudale et al., 2002); instead, multiple linear regression (MLR) is adequate for a

small number of variables (Chauchard et al, 2004). Calibration transfer in

multivariate calibration is one of the most important and key issues in near-infrared

spectral analysis technology; this technique is used to find the transformation relation

between two instruments or sets of data of the same type, so that the model

established for one instrument could be used on the other to predict the spectral

response (Li et al., 2007). As stated by Yoon et al. (2002), the calibration transfer is

not as simple as it seems, since unsatisfactory predictions can be due to a variety of

factors, such as skin (Fraser et al., 2003), temperature, variety or maturity (Miyamoto

and Kitano, 1998), and they are still being investigated.

During last years, NIR is being increasingly used in horticulture for the

internal quality inspection of whole fruits and vegetables. Previous studies have

shown that NIR can be used as a rapid and non-destructive technique, capable of

measuring wide chemical and physical properties: soluble solids, acidity, firmness,

internal disorders, etc. The NIR technique is already installed on-line in the fruit and

vegetable industry for the inspection of internal quality (Nicolaï et al., 2007);

however, these equipments are not suitable to measure on the tree. Nowadays, the

producers of fruits and vegetables demand portable equipments in order to perform

fruit monitoring and to predict the harvest optimum date. Thus, some NIR portable

equipments are commercialized or are being developed. These methods enable to

collect data without having to extract samples, obtaining information instantly and

non-destructively; moreover several quality parameters can be simultaneously

estimated.

Several researchers have analyzed the real estimating capacity of portable

NIR commercial equipments or have developed prototypes, generally based on

interactance methods. These portable equipments try to compress in tight dimensions

all components of a conventional spectrophotometer: NIR spectroscopy (light source,

optical fiber, diffraction grating, and detector) and internal software of statistical

analysis to predict the different parameters, in addition to battery power and memory.

Some portable commercial equipment with their corresponding technical data has



90

been summarized in Tabla 2.4. Most of the handheld equipments are calibrated for

measuring different parameters (pH, acidity, sugar, etc.) according to the needs of

each type of fruit.

Some of the portable equipments summarized in Tabla 2.4 have been studied

by several researchers to analyze the reliability of such. ‘Quality Station’ was applied

by Fadanelli et al. (2002) over several varieties of apples and by Guidetti et al.

(2005) over different sets of fruits, who compared the results with SSC and firmness

with the traditional destructive method; the portable fruit analyzer with a gun-shape

emits the halogen light through six optical fibers displayed in a circle, and the

seventh central fiber connected to the spectrometer receives the reflected light. Other

equipment with gun-shape, dubbed ‘FQA-NIR GUN’ was tasted by Peano et al.

(2006) in three varieties of nectarines.

’Le Vigneron’ was used to collect spectra from wine grapes and wine

products (Nazarov et al., 2005); this unit, is based on AOTF-NIR (acousto-optic

tunable filter, near-infrared) technology, backed up by powerful chemometrics based

statistical analysis: MLR, PCA, PCR, PLS and discriminate analysis, using

singularly or in combination.

The first results of ‘GLOVE’ handheld equipment was presented by Bellon-

Maurel et al. (2001). It consists of an original NIR portable glove-shape, designed in

a European project (GLOEVE, PL 97-3399) thanks to the collaboration among five

research groups. The sensors are namely: a VIS-NIR diode array spectrometer, an

impactor-sound detector and a caliper; years later, Hernández-Sánchez et al. (2003)

focuses their research on the metrological characteristics of the sugar content

application and the influence of external parameters involved in the lack of

robustness of the infrared based model. A similar project developed a robust and

portable sensor for measured acidity in grapes based on LS-SVM (Least Square

Support Vector Machine), being the most accurate prediction, compared to PLSR

and MLR; subsequently this device was knew as ‘TROMBLON’ (Chauchard et al.,

2004).

Temma et al. (2002) also developed a portable device tested mainly in apple

varieties. The instrument was evaluated in several ways, including the value of the



91

full width at half maximum (FWHM); finally the calibration equation made use of

887 and 912 nm with regard to second derivate value of absorbance.

Herold et al. (2005) studied the usability of a portable spectrometer

equipment to measure the development of apples on the tree: SSC and firmness. The

device consisted of two main parts: (1) a stationary part fitted into a backpack and (2)

a portable part with the spectrometer module attached to the forearm with a sensing

probe that is guided by hand. Recently, Zude et al. (2007 and 2008) have used the

‘Pigment Analyzer’ to measure sucrose, reducing sugars in carrots and carotenes and

soluble solids content in citrus fruits respectively.

The Central University of Queensland has developed a portable NIR device,

which was trialled among other for mango assessment and as a harvest time guide to

final eating quality (Subedi et al., 2006).

The main objective of this work was to evaluate the estimation capacity of a

commercial portable NIR device for the measurement of internal quality in fruits,

mandarins and oranges, with special attention to the estimation of SSC and acidity.


5.4.2.1. Sample sets

Stored fruits from commercial chambers in a packing house were selected

from different orchards to cover the maximum range of variability regarding internal

quality. The experiments were performed over two different periods (March'05 and

May'05). The fruits studied were citrus: mandarins cv. Nadorcott (n=241 with fruits

from four orchards) and oranges cv. Lanelate (n=190 with fruits from three

orchards).

Spectral data were recorded on citrus fruits with the portable equipment at the

packing house where the sample were also analyzed with on-line equipment

immediately after (Riquelme et al., 2008). The fruits were then transported to Madrid

(LPF-TAG, UPM) where reference measurements were made and examined for the

reference values.

TesisMª Te

5.4.2

meas

syste

strate

instru

range

meas

advis

Figure

holde

betw

intern

ºBrix

the a

5.4.2

Usin

SSC

to m

acidi

s doctoral eresa Riquel

2.2. NIR equ

The opt

surements w

em of the in

egically pl

umentation

e between 6

The equi

sured in two

se.

e 5.16. NIR p

Samples

er with out

ween 50 ms

nal softwar

x), and total

average valu

2.3. Laborat

In the la

ng the juice

and TA we

measure SSC

ity (TA) wa

lme

uipment

tical equipm

was a comm

nstrument co

aced as to

makes use

600 and 110

ipment was

o different t

portable equi

(intact citr

tput respons

s for manda

e with mod

l titratable

ue of the con

tory referen

aboratory, r

e extracted

ere made fo

C (accuracy

as determin

ment (Figu

mercial por

onsists of a

o guarantee

of a diffrac

00 nm.

calibrated

temperature

ipment and s

rus) had to b

se below 1

arins and 2

dels as to de

acidity (TA

ntents for th

nce measur

reference m

by means o

or each indi

y ±0.1ºBrix

ned with an

92

ure 5.16) u

rtable NIR

small halog

e an intera

ction grating

for each spe

es (20ºC and

summary of a

be manuall

.5 s, from

280 ms for

fine estimat

A, meq/10m

he whole int

rements

measurement

of a mecha

ividual fruit

x, ATAGO

n automatic

used to ma

fruit qualit

gen lamp an

actance sam

g to split the

ecies indivi

d 10ºC), fol

applied meth

y placed in

which spec

r oranges. T

tion for solu

ml); each me

tact fruit.

ts were tak

anical squee

ts. A digita

PF-101, T

titrator usi

5. Trabaj

ake the no

ty analyzer

nd a silicon

mple prese

e light withi

dually, with

llowing the

hodology.

n the sample

ctrum acqui

The equipm

uble solids c

easurement

ken for SSC

ezer, three

l refractom

Tokyo,Japan

ing NaOH (

jos realizad

on-destructi

r. The optic

array detect

entation. T

in the spectr

h a sample s

manufactur

e presentati

isition rang

ment provid

content (SS

aiming to

C and acidi

replicates f

eter was us

n,). Titratab

(0.1 N) up

dos

ive

cal

tor

The

ral

set

rer

on

ged

des

SC,

be

ty.

for

sed

ble

to



93

pH=8 and 2 ml of diluted juice in distilled H2O; the results were expressed as

meq/10ml (accuracy ±0.15%, Tritoline, Schott Gerate Gmbh, Germany). Units are

the same as those used by the on-line equipment, as referred in a previous publication

(Riquelme et al., 2008).

The maturity index (MI = soluble solids/titratable acidity ratio) and the

juiciness (percentage of juice weight, with respect to the total fruit weight) were also

calculated since both are a requisite for minimum quality in the commercialization of

citrus fruit.


At a first step, spectra were processed with the internal software of the

portable equipment. In a more detailed and devoted procedure, the spectra registered

were exported and analyzed with Statistica (version 6.1; StatSoft, Tulsa, OK, USA)

and Matlab (version 7; Math Works, Inc., USA), both for mandarins cv. Nadorcott

and oranges cv. Lanelate, in order to segregate the reliability of the portable

estimation tool with regard to the quality of the NIR spectrophotometer itself.

Whereas the later (external software) refers to the sensitivity of the instrument the

former (internal software) illustrates the intelligence of the processing tool.

In all cases, samples gathered in March’05 were used as the calibration set

(122 mandarins, 72 oranges), while those from May’05 were used for validation (119

mandarins, 118 oranges). Six spectra were scanned for each piece of fruit (three at

20ºC and three at 10ºC), always in same point.

• Model accuracy provided by the internal software of the portable equipment

The estimation accuracy level obtained with the internal software was

determined in both species by the standard error of calibration (SEC), the standard

error of prediction (SEP), the bias, the bias-corrected standard error of prediction

(SEPc), and the fit of the model by the coefficient of determination (R2).

• Further spectral analysis with external software

Further spectral data analysis has been performed on the spectra in the range

609-1072 nm (some as used by the internal software).



94

Two correction algorithms have been used previous to model building in this

work over all the spectral data in order to compensate the additive and multiplicative

effects in the spectra: (1) Multiplicative scatter correction (MSC), calculated

similarly to other studies (Maleki et al., 2007); (2) Mean centered (MC), which

consisted in subtracting to each spectrum the average spectra.

After proper pre-processing of spectra, two multiple linear regression

methods were applied: (1) partial least squares (PLS) regression (PLS_toolbox;

Eigenvector Research, Manson, USA); and (2) principal component analysis (PCA)

plus PLS. Cross-validation procedure was used to determine the optimal number of

latent variables (LV) in the model (up to a maximum of 20), which coincides with

the minimum value of error of calibration set in cross-validation (SEV). Once

completed, the calibration model was applied to the external validation set (Roger,

2005).

After observing the results of PLS the researchers decided to study in depth

the data sets with a PCA were used to investigate sample spectra for obtain

qualitative information of samples.

• Reproducibility of NIR estimation: temperature

Reproducibility is the capacity of an instrument to give the same result when

the same sample is analyzed under similar experimental conditions throughout

expanded period of time. This parameter is used to analyze the equipment stability in

real conditions.

The influence of two fruit temperatures (20ºC and 10ºC) on the estimation

with the portable instrument was calculated. This study intends to verify whether this

portable device is suitable for use under different temperature conditions or not, since

the temperatures involved were within the theoretical range established by the

equipment manufacturer.

One-way analysis of variance (ANOVA) was used to compare between both

temperatures; a p<0.05 was considered statistically significant. The Bias between

both temperatures was also calculated.



95


The number of mandarins and oranges measured (n) and the corresponding

statistical characteristics (means, range, standard deviation) for reference parameters

within the calibration and validations sets are given in Table 5.20. Sugar and

juiciness show similar values comparing calibration and validation set, but the

acidity level is higher for samples harvested during the first period (March,

calibration set), and thus the MI ratio is affected in the opposite way.

Table 5.21 shows the correlation matrix for the four reference parameters:

soluble solids content (SSC, ºBrix), titratable acidity (TA, meq/10ml), maturity index

(MI) ratio and juiciness (%). The correlation achieved the highest results between TA

and IM; indicating that MI ratio is more influenced by the TA than by the SSC.

Table 5.20. Characteristics of sample sets of mandarins and oranges used for the

calibration and validation study. Values measured by the laboratory techniques

(references).

Calibration (CAL) Validation (VAL)

Mean±SD Min/Max Mean±SD Min/Max

Mandarins Ncal=122 Nval=119

SSC (ºBrix) 14.25±0.74 11.4/16.5 13.00±0.84 7.5/14.6

TA (meq/10ml) 2.30±0.36 1.6/3.4 1.26±0.24 0.6/2.3

MI (ºBrix/(meq/10ml)) 6.32±0.88 4.2/8.8 10.69±2.11 20.8/5.9

Juiciness (%) 40.02±3.03 31.0/45.9 43.44±3.97 34.0/52.6

Oranges Ncal=72

Nval=118

SSC (ºBrix) 11.56±1.09 9.1/15.4 12.39±0.89 10.3/14.8

TA (meq/10ml) 3.51±0.58 2.5/5.0 1.23±0.25 0.8/2.3

MI (ºBrix/(meq/10ml)) 3.35±0.48 2.5/4.5 10.43±1.80 5.9/16.2

Juiciness (%) 36.5±6.6 22.6/50.1 33.82±3.87 17.4/41.6

Table 5.21. Correlations between different features of citrus studied.

SSC TA MI Juiciness

Mandarins

SSC 1 TA 0.64 1 MI -0.45 -0.92 1

Juiciness -0.29 -0.39 0.29 1

Oranges

SSC 1 TA -0.22 1 MI 0.35 -0.94 1

Juiciness -0.03 0.25 -0.25 1



96

5.4.3.1. Model accuracy provided by the internal software of the portable

equipment

Table 5.22 shows the calibration and validation results using the internal

software of the portable equipment predicting SSC and TA values for both species

studied; the low correlation coefficients (R) of external validation proves that the

system is not accurate (lack of adjust for calibration) nor robust (low performance

under external validation) for citrus fruits. Other portable equipments in the literature

achieved much better results (Peano et al., 2006; Temma et al., 2002).

Table 5.22. Calibration and validation results for soluble solids (SSC) and

titratable acidity (TA): Coefficient correlation (R), and root mean squared errors

of calibration and prediction.

Calibration Validation

R SEC R SEP Bias SEPc

Mandarins SSC (ºBrix) 0.46 0.69 0.24 1.23 -0.38 1.17

TA (acidity units) 0.33 8.25 0.08 2.45 2.27 0.93

Oranges SSC (ºBrix) 0.70 0.78 0.45 1.59 -1.11 1.14

TA (acidity units) 0.46 15.84 0.06 2.14 1.95 0.88

5.4.3.2. Further spectral analysis with external software

After observing that the predicted values with the internal software were bad

enough and provided the original spectra, the LPF-TAG researchers performed a

deep study of the data using chemometric techniques (PLS and PC), trying to take

maximum advantage of spectral data.

Table 5.23 shows the results obtained with Partial Least Square (PLS)

analysis to each parameter studied. For the validation set the correlation coefficients

(R) obtained with the external model improved with respect to the obtained with the

internal software of the portable system.

Riquelme et al. (2008) measured the same pieces of citrus fruits (mandarins

cv. Nadorcott and oranges cv. Lanelate) with an on-line commercial equipment,

which optical system worked in transmittance mode. The models in the on-line

equipment yielded the following results: for SSC on mandarins: R=0.81,



97

SEP=0.91ºBrix, SEPc=0.40ºBrix and on oranges: R=0.87, SEP=1.46ºBrix, SEPc=

0.44ºBrix); and for TA on mandarins: R=0.12, SEP=0.31 meq/10ml, SEPc=0.26

meq/10ml and on oranges R=0.31, SEP=0.24 meq/10ml, SEPc=0.24 meq/10ml.

Comparing calibration and validation data for both equipments (on-line and

portable); the results demonstrated that the on-line equipment performed better than

portable equipment for SSC, that is transmittance mode is more reliable than

interactance mode for citrus. This incident has been demonstrated by several authors,

whose work concluded the need of using NIR transmittance for thick-skin fruit like

mandarins, oranges, grapefruits, melon or watermelon. MacGlone et al. (2003)

compared three modes of visible-near infrared spectroscopic measurement

(reflectance, interactance and transmittance) for mandarin cv. Satsuma, concluding

that the transmittance mode gave the most accurate SSC predictions (R=0.96,

SEP=0.32%) for nine factors while obtaining R=0.92 and SEP=0.47% with ten

factors for interactance mode, a reasonably good accuracy in comparison to our data

in Table 5.23.

Table 5.23. Summary of Cross-Validation and external validation results for

mandarins and oranges calibration model developed using PLS analysis for

soluble solids content (SSC), titratable acidity (TA), maturity index (MI) and

juiciness.

Internal calibration External validation

minlv R SECV SEPV R SEP SEPc

Man

darin

s SSC (ºBrix) 14 0.57 0.58 0.61 0.73 1.06 1.21

TA (meq/10ml) 8 0.35 0.32 0.33 0.00 0.95 1.38

MI (ºBrix/(meq/10ml)) 9 0.33 0.81 0.83 0.00 4.55 0.42

Juiciness (%) 8 0.32 0.82 2.88 0.17 4.53 0.77

Ora

nges

SSC (ºBrix) 13 0.69 0.70 0.79 0.46 2.40 0.80

TA (meq/10ml) 10 0.52 0.47 0.50 0.14 1.97 0.29

MI (ºBrix/(meq/10ml)) 9 0.37 0.42 0.45 0.00 7.29 1.80

Juiciness (%) 10 0.66 4.63 4.94 0.17 8.81 5.44

In this study, the correlation values (R) for total acidity are still of practical

use which was also confirmed with the on-line equipment. Throughout the years,

SSC and TA have been the most studied quality parameters with optical properties,

however for acidity it has been difficult to obtain robust models, especially in citrus



98

fruit; McGlone et al. (2004) and Cayuela (2008) obtained correlation coefficients

below to 0.80, concluding that the accuracy of the developed models was poor.

Thus our PLS results (summarized in Table 5.23) were poor compared to

other researchers which obtained models with R above than 0.90, both in citrus and

other fruits. Hence a Principal Component Analysis (PCA) was applied in order to

address the behavior of the individual samples and to evaluate the feasibility of

improving the estimation models.

PCA was processed for both species (mandarins and oranges) and fruit

temperatures (20ºC and 10ºC). The raw absorbance spectra for each piece of fruit

were the inputs in the PCA. Using a centered data as pretreatment, seven principal

components (PC) were required to explain (99% variance total). With the first

principal components explaining nearly 52% of variance captured.

Figure 5.17-a shows the raw spectra for all citrus measured (mandarins and

oranges), which was placed strategically on top of the gray map (displaying the

correlation coefficient of each wavelength with regard to each of the PCA scores,

PC1 to PC20) in order to help to the interpretation of the data. This kind of

representation shows relations beyond the main ones. For example, as usual the first

PC (PC1) is highly correlated with many parts of the spectra (regions between 600

and 687nm –darker– and between 726 and 924nm –lighter-); this illustrates the fact

that the fist principal component depicts the general shape of the curves. However a

640-687 nm band was related to a higher extent with PC5 (whiter colour), while the

region among 924-1072 nm relates more with PC2, PC3 and PC4, a stated by

corresponding intensity patterns.

The first seven PC factors scores were represented per pairs (not shown) in

order to analyze globally the behavior of the samples. The temperature influence was

clearly seen in all graphs with a displacement of the cloud data, also in accordance

with an ANOVA test performed for the seven PCs (Table 5.24).

A major conclusion of such ANOVA is that ‘period’ (harvest time) and

‘orchard’ lightly affects PC3 and PC7 in spite of temperature.



99

Figure 5.17. Graph representation. (a) Raw spectra of absorbance for all citrus fruits (241

mandarins, 190 oranges) analyzed after MSC pretreatment. (b) Surface plot (gray map) of the

autocorrelation matrix between wavelengths in abscissas and scores of PC in ordinates. White

areas represent higher correlation.

Table 5.24. Results of the significance test (F and p) in ANOVA between the first seven PC

scores and the different treatments (species, temperature, period and orchards) for all fruits

together.

PC1 PC2 PC3 PC4 PC5 PC6 PC7

Specie 1.50 NS 837.47**** 157.14**** 36.39**** 112.11**** 604.11**** 86.15****

Temperature 660.73**** 116.26**** 2.14NS 0.11 NS 1.34 NS 0.00 NS 62.02****

Period 28.70**** 427.83**** 721.90**** 89.19**** 3.37NS 97.35**** 0.42 NS

Orchard 139.85**** 160.33**** 47.53**** 7.58**** 85.31**** 106.32**** 40.59**** NS for no significance if p>0.05 and **** for significance if p<0.00001.

The absorbance spectra with MSC for both species (Figure 5.18-a mandarins

and Figure 5.18-b oranges) and after pretreatment are very similar; however, the

ANOVA test indicates that the PCA extracts differences between species with a high

significance level (p<0.00001). So, the NIR spectroscopy could be used to

647 687 726 766 805 845 884 924 963 1003 10420

0.5

1

1.5

Abs

orba

nce

Log(

1/T)

Wavelength (nm)

Var

ianc

e ca

ptur

ed (%

) by

each

Prin

cipa

l Com

pone

nt

647 687 726 766 805 845 884 924 963 1003 1042

51.87% PC119.39%PC215.62% PC36.73% PC42.80% PC51.97% PC60.57% PC70.35% PC80.24% PC9

0.15% PC100.09% PC110.05% PC120.03% PC130.02% PC140.02% PC150.01% PC160.01% PC170.01% PC180.01% PC190.01% PC20

647 687 726 766 805 845 884 924 963 1003 10420

0.5

1

1.5

-0.8

-0.6

-0.4

-0.2

0

0.2

0.4

0.6

0.8

(a)

(b)

Cor

rela

tion

coef

ficie

nt



100

distinguish species or varieties. Seregély et al. (2004) and Steuer et al. (2001)

showed the possibility of separating melon genotypes and citrus oils respectively.

Moreover, in this research temperature, orchard and period are also highly significant

(p<0.00001).

Figure 5.18-c and Figure 5.18-d show clearly different groups or clouds of

data (three for mandarins and two for oranges), which indicate that PCA is able to

detect minimal differences in the NIRs spectra of fruit sets. In Figure 5.17 it was also

possible to see this effect linked with PC5. Analyzing in detail the groups shown

with 3D PCA plots, it was observed that each one is a mixture of orchards and

periods.

MANDARINS ORANGES

Figure 5.18. Plots separating both species mandarins (left) and oranges (right). (a) and (b)

raw spectra of absorbance for individual samples after MSC pretreatment. PC scores plots of

three-dimensional are derived from (c) PC4, PC5 and PC2, and (d) PC1, PC5 and PC3;

Plotted points represent individual samples (solid symbol: 20ºC; empty symbol: 10ºC).

650 700 750 800 850 900 950 1000 10500

0.2

0.4

0.6

0.8

1

1.2

1.4

Wavelength (nm)

Abso

rban

ce L

og(1

/T)

(a)650 700 750 800 850 900 950 1000 1050

0

0.2

0.4

0.6

0.8

1

1.2

1.4

Wavelength (nm)

Abso

rban

ce L

og(1

/T)

(b)

-20-10

010

20

-10

0

10

20-30

-20

-10

0

10

20

Score 4Score5

Scor

e 2

Group 2

Group 1

Group 3

(c) -60-40

-200

2040

-10

0

10

20-60

-40

-20

0

20

Score 1Score5

Scor

e 3

Group 4Group 5

(d)



101

According to the results on Table 5.22, 5.23 and 5.24 or graphical

representation in Figure 5.17 and Figure 5.18, it is possible to conclude that the

spectral variability can be influenced by several factors, since variations in the

equipment used (light intensity, white of reference, etc.), the fruit features (like thick-

skin, cavities, seeds, etc.) or external conditions (temperature, humidity, etc.)

indirectly influence the final outcome, specially with portable equipments where the

external conditions never can be fully controlled. A statistical analysis with apples

showed that seasons and cultivars were responsible over spectral variability, whereas

the influence of the orchards was low (Peirs et al., 2003). Also the effect of the fruit

skin was investigated over mandarins, concluding that the thick skin is highly

attenuating (Fraser et al., 2003). Having seen these results of accuracy, it is possible

to confirm the importance of the selection of calibration set. All these factors are

influencing in the spectra variability obtained with citrus fruits in this work, minimal

differences but those has been detected by PCA and probably were the reason of

poor calibration model and little robustness.

If PLS test is applied to each one of these groups (G) separately, it was

observed that correlation coefficients significantly improved, however the best

models obtained (Figure 5.19) were: for SSC in mandarins was increased from

R=0.57 (R2=0.32) in the case without PCA selection to R=0.74 (R2=0.55) for G3

after PCA selection, reducing the calibration error 0.10ºBrix; SSC in oranges was

increased from R=0.69 (R2=0.48) in the case without PCA selection to R=0.71

(R2=0.50) for G4 after PCA selection, reducing minimally the calibration error;

Juiciness in oranges was increased from R=0.66 (R2=0.43) in the case without PCA

selection to R=0.69 (R2=0.48) for G5 after PCA selection, reducing the calibration

error 1.62ºBrix. Therefore, with the PCA selection the results approached these of

other research works. Recently, Cayuela (2008) obtained with NIR reflectance over

oranges cv. Valencia Late (SD=1.36ºBrix) a model for soluble solids R=0.96 and

SECV=0.51ºBrix in the internal validation for ten factors, showing SEP=0.51ºBrix in

the external validation exercise; and for mandarin cv. Satsuma (SD=0.66ºBrix or

0.30 for pH), Hernández-Gómez et al. (2006) got the best calibration models with a

R=0.97 (SEC=0.16ºBrix) for SSC, and R=0.87 (SEC=0.11) for pH.



102

Soluble solids content for mandarins

1 3 5 7 9 11 13 15 17 19Model complexity (number of latent variable)

0,2

0,3

0,4

0,5

0,6

0,7

0,8

Cor

rela

tion

coef

ficie

nt (R

)

R without PCA selection R with PCA selection

Soluble solids content for mandarins


0,40

0,45

0,50

0,55

0,60

0,65

0,70

0,75

0,80

0,85

Cal

ibra

tion

erro

r (ºB

rix)

SEPV without PCA selection SECV without PCA selection SEPV with PCA selection SECV with PCA selection

Juiciness for oranges


0,2

0,3

0,4

0,5

0,6

0,7

0,8

Cor

rela

tion

coef

ficie

nt (R

)

R without PCA selection R with PCA selection

Juiciness for oranges

1 3 5 7 9 11 13 15 17 19Model complexity (number for latent variable)

2,0

2,5

3,0

3,5

4,0

4,5

5,0

5,5

6,0

6,5

Cal

ibra

tion

erro

r (%

)

SEPV without PCA selection SECV without PCA selection SEPV with PCA selection SECV with PCA selection

Figure 5.19. Plots of correlation coefficient (R) on left and external calibration errors on right

(SECV and SEPV) for sample without PCA selection and with PCA selection.

In this point, it could be interesting to make a calibration transfer between

spectral clouds using techniques as a piecewise direct standardization (PDS) as

proposed Alamar et al. (2007) who concluded that PDS could reduce below 0.7% the

spectral differences.

5.4.3.3. Reproducibility of NIR estimation: temperature

Although the equipment was calibrated with two different fruit temperatures

(20ºC and 10ºC) of citrus fruit, the analysis of estimated reproducibility shows that

the fruit temperature of the fruit influences largely the estimation. The correlation

coefficients (R) obtained with the internal software for SSC (ºBrix) were 0.71 for

mandarins, and 0.82 for oranges. For TA (meq/10ml) the internal software showed a

low correlation in both species: mandarins 0.46 and oranges 0.40. The temperature



103

influence was clearly seen in all graphs with a displacement of the cloud data, as it

was also demonstrated with the ANOVA test performed for the seven PCs (Table

5.24); this effect is expressed by Bias (Table 5.25).

The results of the ANOVA testing showed very significant difference

(p<0.0001) between both temperatures studied in most of the cases. The results

obtained in a previous study with an on-line equipment for same samples (Riquelme

et al., 2008) only showed significant differences (p<0.05) for TA (F=7.843) in

mandarins and SSC (F=2.286) in oranges as due to fruit temperature.

Table 5.25. Bias calculated between both temperatures studies in

the three methodologies.

Internal software

External software

without PCA selection

With PCA selection

Mandarins SSC (ºBrix) -0.76 0.28 0.14

TA (meq/10ml) 1.52 -0.07 -0.18

Oranges SSC (ºBrix) 0.50 0.00 -0.20

TA (meq/10ml) -1.25 0.13 1.55

5.4.4. Conclusions

A portable NIR commercial equipment based on interactance mode using the

range of 600-1100 has been evaluated for citrus fruits. The study of reproducibility

shows that the fruit temperature significantly influences the NIR spectra.

The accuracy provided by the internal software of the portable NIR

equipment, did not turn out the ideal with correlation coefficients (R) lower the 0.45;

therefore, a deep study was performed using chemometric techniques (PLS and

PCA), trying to take maximum advantage of spectral data. This way it was observed

that the parameters better estimated were: SSC for mandarins (R=0.57), SSC for

oranges (R=0.69) and juiciness for oranges (R=0.66), still far from several data in the

literature.

A Principal Component Analysis found different groups for each species,

probably influenced by the existence of external factors (temperature, skin, humidity,

etc) hindering to get a robust model. The results of PLS test ‘without PCA selection’



104

were compared with PLS test ‘with PCA selection’, with improvements in both

calibration and external validation set.

A major conclusion refers to the fact that enlarging the calibration set with

unknown sources of variation leads to less precise and robust models and so especial

attention has to be paid in order to avoid contamination in spectral data bases.

The results achieved with this research encouraged the manufacturer to stop

the commercialization of the equipment in order to improve the technical

specifications of the spectrometer and also of the data processing tool.


6. Resultados y discusión

105

Capítulo 6

RESULTADOS Y DISCUSIÓN

Las técnicas de estudio de propiedades ópticas aplicadas a la evaluación de la

calidad de frutas y hortalizas ofrecen amplias posibilidades en su utilización tanto en

los trabajos experimentales como en su empleo en los procesos de clasificación y

envasado.

En este estudio se han realizado trabajos experimentales basados en

tecnologías ópticas, que aunque ya eran aplicadas en las zonas que abarca el visible e

infrarrojo del espectro electromagnético, la novedad en el presente planteamiento es

la evaluación en su funcionamiento real. Un abanico de nuevos retos en el campo de

las propiedades físicas que permiten analizar la calidad tanto externa como interna de

los frutos.

La metodología de aplicación conduce a resultados que revelan amplias

posibilidades en el desarrollo de estas tecnologías avanzadas, sin embargo, su

progreso implica la necesidad de actuar a diferentes niveles. En los trabajos

realizados en esta tesis doctoral ha sido necesario recurrir a la utilización de

equipamiento muy diverso y en consecuencia métodos de trabajo variados. Se han

utilizado equipos para el análisis de imagen en laboratorio, instalaciones de trabajo

en línea en empresas, mediante espectrofotometría de visible (VIS) e infrarrojo

(NIR) basada en transmitancia, así como equipos ópticos portátiles basados en

interactancia.

La valoración conjunta de estos resultados pone de manifiesto las amplias

posibilidades que estas tecnologías ópticas ofrecen en el sector de frutas y hortalizas

y la necesidad de establecer metodologías de control y evaluación de su

funcionamiento, una vez han sido adoptadas por los usuarios.



106

6.1. RESULTADOS MÁS RELEVANTES

6.1.1. Adquisición de datos

En el desarrollo del trabajo experimental, los datos proporcionados en los

diferentes ensayos y trabajos constituyen la base de partida de los resultados y

conclusiones; este desarrollo se logra con un adecuado plan de trabajo y

equipamiento, como se ha expuesto en los correspondientes apartados de materiales

y métodos (4.1.2, 4.2.2, 4.3.2 y 4.4.2). Sin embargo, las características de los trabajos

planteados en esta tesis, desarrollados en colaboración con las empresas y en sus

propias instalaciones imponen la necesidad de la adecuación durante el propio

desarrollo. La misma ejecución supera constantemente los materiales y métodos

inicialmente previstos, obligando a adoptar decisiones que los modifican y que

indudablemente optimizan las posibilidades del trabajo. Esta constante adaptación de

la metodología, sobrepasa el mero registro de datos y constituye en sí misma un

conjunto de resultados, por lo que es necesario incluir su generación en este capítulo.

La aplicación del análisis de la imagen en la clasificación de aceitunas

requiere una adecuada captación de las mismas, para poder realizar el correcto

tratamiento de los datos que proporcionan. Las imágenes adquiridas de las aceitunas

en las primeras etapas de este trabajo tenían como función esencial la caracterización

de las diferentes categorías, para lo que sirvieron adecuadamente; sin embargo con la

“correlación” de los parámetros iniciales (peso, calibres, cantidad y superficie de

defectos, firmeza y color externo) se comprobó que no era posible establecer un

criterio óptimo de separación.

Posteriormente, se consideró que las imágenes disponibles podrían permitir

realizar una adecuada clasificación de las aceitunas en función de los defectos.

Se disponía de un número reducido de frutos de algunos de los defectos

categorizados (serpeta, granizo y rehús), además las imágenes archivadas no reunían

características óptimas para su análisis por la existencia de sombras o deficiencias en

la iluminación. No obstante, se han utilizado para su procesado, en los casos que ha

sido posible; por la aplicación de un programa matemático (MATLAB; versión 7.0;

Math Works, Inc., USA) podemos transferir a parámetros numéricos la gran riqueza

de información que nos proporcionan esas imágenes.



107

Un paso más avanzado en la aplicación de las propiedades ópticas está

permitiendo, en la actualidad, la utilización comercial de estas características para la

clasificación de frutas; concretamente se utiliza maquinaria que con la aplicación de

técnicas NIR evalúan múltiples propiedades de los frutos, sin embargo para trabajar

con una adecuada garantía, tanto de los empresarios como de los consumidores de

estos frutos, sería necesario contrastar la fiabilidad del trabajo desarrollado por los

equipos.

En nuestros ensayos en líneas comerciales hemos trabajado con frutos de

características muy distintas (especie, variedad, tamaño, estructura o color) como

muestra de la amplia utilización de estas técnicas. En su aplicación sobre melón cv.

Galia el objetivo es medir el contenido en sólidos solubles y la firmeza de la pulpa,

como reflejo de las propiedades apreciadas por el consumidor: dulzor y resistencia a

la masticación. Mientras que para los cítricos (mandarinas cv. Nadorcott y naranjas

cv. Lanelate) los parámetros que inciden en el índice de madurez son: el contenido en

sólidos solubles y la acidez valorable, que son los que tienen interés comercialmente.

En este caso la primera dificultad estriba que en las máquinas instaladas sólo

disponemos de los datos finales de clasificación (ºBrix, firmeza y acidez) pero no de

los espectros captados, por lo que su análisis posterior resulta menos “profundo”.

La necesidad de trabajar en las instalaciones comerciales, con desplazamiento

de diversos equipos establecía también una importante limitación en el trabajo, tanto

respecto al tiempo utilizado en las líneas de manipulación como en el número de

muestras disponibles, en particular en el caso de los melones.

Junto a la aparente simplicidad de la presentación de los parámetros

proporcionados por la maquinaria y la evaluación de su fiabilidad, es necesario

valorar la exactitud del modelo, estudiando los errores de calibración y validación,

así como la precisión del mismo mediante estudios de repetibilidad y

reproducibilidad, en función de las características de cada fruto y de las posibilidades

de las distintas instalaciones.

Los equipos instalados en las líneas de manipulación que han sido ensayados,

utilizan el método de transmitancia, aunque las fuentes de luz son distintas; mientras

el equipo utilizado de la empresa SUMITOMO para la clasificación de melones



108

emplea tres láseres colocados consecutivamente en la línea, todos dentro del rango

del NIR, el equipo F5 de SACMI correspondiente a la línea de cítricos emplea dos

lámparas halógenas colocadas a ambos lados del transportador de frutos, abarcando

desde el visible hasta el infrarrojo cercano.

En ambas instalaciones, junto a las limitaciones indicadas anteriormente,

surgen dudas en relación con su funcionamiento efectivo, que afectan al

posicionamiento y vibraciones de los frutos en el momento de adquisición del

espectro, falta de estabilidad de la fuente de energía y en el sistema de amplificación

del detector, existencia de radiaciones extrañas que alcanzan al detector o cambios en

su sensibilidad.

Todos estos factores son difícilmente verificables en las condiciones de

desarrollo de muestras experimentales y que incluso podrían corresponder a otras

áreas de estudio de estas instalaciones.

Como se ha podido comprobar, la técnica NIR está ya instalada en las líneas

de manipulación, como una parte más del proceso de clasificación, sin embargo un

nuevo reto al que se enfrentan actualmente fabricantes y productores tanto de

maquinaria como de frutas es a encontrar un equipo de estas características y de

reducido tamaño, que sea capaz de medir la calidad de los frutos en la propia parcela

con el fin de establecer el momento optimo de recolección.

El equipo portátil (FQA NIR-GUN de FANTEC) utilizado en estas

experiencias permitió realizar la calibración para cada variedad, pues proporciona los

espectros originales adquiridos por el sensor. El tratamiento conjunto de la

información facilitada por estos espectros, los datos finales del equipo y los de

referencia analizados en el laboratorio permitió realizar un estudio más completo,

que ha enriquecido las posibilidades de trabajo y de manejo de datos.

6.1.2. Manejo de datos

Aunque la clasificación visual de las aceitunas se realiza correctamente por

personal especializado, presenta serios problemas por coste de mano de obra, fatiga y

fallos debidos al error humano. Por otra parte, las diferencias que presentan los

parámetros que caracterizan a los frutos correspondientes a los diferentes defectos



109

catalogados no son suficientes para automatizar la separación en las distintas

categorías comerciales. Sin embargo con el empleo de las técnicas de análisis de

imagen, es posible optimizar aquella información y lograr una adecuada separación.

A partir de la selección efectuada por los equipos NIR tanto en los instalados

en las líneas de manipulación como con el equipo portátil, y aplicando un tratamiento

equivalente de los datos al indicado anteriormente junto con el empleo de análisis de

referencia, realizados en laboratorio, se ha estudiado la repetitividad y

reproducibilidad de las medidas, así como la exactitud del modelo, lo que nos ha

permitido evaluar la eficacia de estos sistemas.

• Análisis de imagen

En el estudio de la apariencia externa de las aceitunas por análisis de imagen,

el proceso especificado en la Figura 4.3 fue simulado al completo en el propio

laboratorio, procedimiento habitual para calibrar un instrumento de esta índole. La

siguiente etapa sería preparar un software capaz de realizar todos los pasos que a

continuación se presentan y que lleguen a clasificar con el menor error, cada fruto en

la categoría que le corresponda.

En el caso de las aceitunas, que son frutos de pequeño calibre, se optó por

incluir en cada imagen dos frutos con el fin de facilitar y agilizar el proceso de

adquisición de imágenes. Esto obligó a incluir un paso más en el pre-tratamiento de

las imágenes que pueden simplificarse en:

1. Eliminar el fondo de la imagen

2. Separar las imágenes de ambas aceitunas

3. Extracción del defecto del área de cada aceituna

Para la creación de un modelo capaz de clasificar las aceitunas en varias

categorías, se optó por el análisis discriminante (DA), una técnica estadística

multivariante. Sin embargo, para poder trabajar con este análisis, fue necesario

reducir el número de variables a someter en el proceso, para lo cual se empleó el test

de Fisher LSD por el que se determina la media entre grupos en un análisis de

varianza (ANOVA). El propio programa de estadística de acuerdo con los criterios

establecidos en función de los valores de la F de Fisher, se encarga de seleccionar



110

entre todas las variables que han sido extraídas de las imágenes, las que mejor

identifican y distinguen las categorías buscadas.

Una vez seleccionadas las variables y comprobadas todas las combinaciones

posibles, se observó que con la realización de tres DAs, es factible clasificar los

frutos en ocho categorías; por la aplicación de un primer proceso de análisis

discriminante separamos los frutos con defectos globales de aquellos en que este

tiene un carácter local. A partir de estos dos grupos, mediante dos tratamientos

independientes de DA, se logra la clasificación en los ocho grupos considerados.

En este desarrollo se utiliza una combinación de parámetros de color del

fruto, superficie del fruto y características morfológicas particulares del defecto

extraído. Todo este proceso nos ha permitido desarrollar unas funciones de

discriminación que hacen posible su aplicación en la separación de estos frutos; no

obstante es necesario comprobar la fiabilidad del proceso mediante el estudio de los

frutos correctamente clasificados y los que representan errores en el proceso.

Una vez obtenidas las funciones de discriminación hemos procedido a

realizar un ensayo de calibración del sistema con el empleo de una muestra de

aceitunas (n=123) en las que estaba perfectamente definidos los defectos a separar.

La aplicación de las funciones discriminantes sobre esta muestra nos proporciona un

alto porcentaje de frutos correctamente separados, como se ha mostrado en la Figura

5.4 en los que sólo en la categoría “rehús” el porcentaje de aciertos bajó al 80%,

mientras que las restantes categorías alcanzaban niveles superiores y en la mayoría

de los casos se situaban en el 100%.

En el proceso de validación del sistema, realizado con frutos no

seleccionados, también se obtienen niveles altos respecto a los frutos perfectamente

clasificados, en particular se obtienen valores del 100% en la categoría

correspondiente a frutos sin defecto.

En esta parte del trabajo se pone de manifiesto, que con un adecuado

tratamiento de los parámetros correspondientes a las características ópticas de las

aceitunas, es posible separar los frutos sanos de los que tienen defectos, que a su vez

se pueden diferenciar con un alto nivel de eficacia en las categorías comerciales

correspondientes a los defectos considerados.



111

• Equipos instalados en línea

Respecto a los experimentos realizados sobre equipos instalados en línea de

manipulación, el proceso que siguen dichos equipos internamente, es el mismo que el

expuesto anteriormente (Figura 4.3), en ambos casos la forma de interacción con el

producto (melones y cítricos) es transmitancia de la radiación incidente,

proporcionando el elemento detector un espectro en función de las características del

producto, a partir de los cuales un software calibrado inicialmente por el fabricante

de la máquina, mediante un análisis multivariante, utilizará las variables (longitudes

de onda) más idóneas para estimar en cada caso los parámetros deseados: melones

(SSC y firmeza) y cítricos (SSC y TA). En estos ensayos solo fue posible acceder a

los parámetros finales proporcionados por el equipo, lo que limitó en gran medida su

estudio. No obstante, se consideraron todas las posibilidades al alcance, con el fin de

estudiar correctamente la fiabilidad de dichos equipos. Estos valores, SSC, TA y

firmeza, se corresponden con los factores de discriminación considerados en el

ensayo correspondiente a las aceitunas, por lo tanto, a partir de aquí podemos realizar

el estudio de fiabilidad del equipo que en cada caso se ha abordado en función de la

información disponible.

En el estudio realizado en los equipos comerciales de clasificación instalados

en cooperativas, se ha procedido a realizar las comprobaciones de exactitud y

precisión, resumidos en la Tabla 6.1; para ello se ha trabajado con dos líneas de

manipulación:

(1) melones cv. Galia

(2) cítricos: mandarinas cv. Nadorcott y naranjas cv. Lanelate.

Para los melones se han utilizando muestras diferenciadas, en un caso una

muestra heterogénea que nos permitió realizar el estudio del modelo y la evaluación

del porcentaje de frutos bien clasificados, mientras que con una segunda muestra

homogénea, se realizaron estudios de repetibilidad y reproducibilidad del equipo.

Sin embargo para los cítricos se han utilizado muestras correspondientes a dos fechas

de recolección, realizadas en los meses de marzo y mayo; esto permitió trabajar con

frutos de características distintas en cuanto a su evolución fisiológica y grado de

maduración.



112

Tabla 6.1. Resumen de los ensayos con los equipos instalados en línea.

Metodología seguida para el estudio de la fiabilidad de los equipos

ópticos instalados en línea.

Línea de MELONES

cv. Galia

Línea de CITRICOS Mandarinas cv. Nadorcott

Naranjas cv. Lanelate

(a) Muestra heterogéna n=108 (b) Muestra homogénea n=10

(c) Marzo: 168 mand, 84 narj (d) Mayo: 120 mand, 120 narj

SSC y Firmeza SSC y TA

Exactitud modelo (SEPc) Exactitud modelo (SEC y SEPc)

Repetibilidad (a) Repetibilidad (d)

Reproducibilidad: - Posición (a) - Momento del día (a)

Reproducibilidad: - Posición (d) - Temperatura (d) - Configuración de calibración (c+d)

% Frutos bien clasificados (b) % Frutos bien clasificados (d)

El estudio del modelo de calibración se ha realizado a partir de los datos

estimados por los sensores en correlación con los determinados en laboratorio; se ha

aplicado análisis de correlación que permitieron valorar la realidad de los datos

proporcionados por los equipos en línea. Este estudio nos pone de manifiesto, para el

caso del melón, una correlación muy baja en los datos de la firmeza, alcanzándose un

valor de R=0,60 en la comparación realizada con los sólidos solubles; de igual forma

si consideramos el RPD (relación entre la desviación estándar de las muestras

ensayadas y el error estándar de predicción) se observa que el valor obtenido es

igualmente bajo, inferior a 1,5 incluso tras la corrección del sesgo (Bias). En los

trabajos realizados con cítricos obtenemos valores de R>0,75 para el estudio de

sólidos solubles, sin embargo para la determinaciones realizadas del contenido en

ácidos la correlación que se obtiene es muy baja. En cítricos el ratio SD/SEP tras la

corrección del sesgo (Bias) mejoró notablemente para el caso del contenido de

sólidos solubles en ambas especie estudiadas, situándose entre 1,5 y 2,0.

Por otra parte también se ha analizado la repetibilidad en el funcionamiento

del los equipos mediante el cálculo del error de la medida (SD) evaluada a partir del

cálculo de la desviación estándar (SD), siendo bastante buena este repetibilidad en el



113

caso de los melones tanto para sólidos solubles (0.08ºBrix) como para firmeza (0,011

en “unidades de firmeza de Sumitomo”). En cítricos la repetibilidad resultante fue

peor para mandarinas (error menor que 0.5ºBrix y 0.1 meq/10ml de acidez valorable)

que para naranjas (error menor que 0.2ºBrix and 0.01 meq/10ml). Sin embargo en los

casos particulares de firmeza en melones y acidez en cítricos, los rangos en los que

se sitúan los valores de medida proporcionados por el sensor son muy pequeños, con

resultados que no se corresponden con los de referencia.

Por otro lado, se comprobó el efecto de diversos factores externos sobre la

reproducibilidad de la medida, por lo que se aplicó el estudio del análisis de varianza

(ANOVA) y de la correlación entre los grupos estudiados. En el caso de los melones

se analizó tanto la influencia de la posición de los frutos como el momento en que se

ha realizado la medida a lo largo del día; el procedimiento seguido nos ha permitido

establecer niveles muy bajos de significación (p>0.05) en las estimaciones

proporcionadas por el equipo instalado en la línea de melones.

Con criterios similares a los establecidos en el trabajo de las aceitunas se ha

procedido a estudiar los errores de clasificación de los frutos en ambos equipos de

trabajo en línea, como medida de la correcta capacidad de clasificación en dos

categorías en función de los umbrales preestablecidos (melones 11,5ºBrix,

mandarinas MI=13 y naranjas MI=8). En la selección de melones en función del

contenido en sólidos solubles, el porcentaje total de frutos correctamente clasificados

fue sólo del 59%; mientras que en mandarinas y naranjas fueron respectivamente del

78 y 81%.

• Equipo portátil

Los ensayos con el equipo portátil han permitido un desarrollo mucho más

completo puesto que además de los datos proporcionados por el propio dispositivo,

también se disponía de los espectros originales, lo que permitió aplicar un proceso de

trabajo similar al mostrado en el caso anteriormente expuesto del análisis de imagen.

En el estudio de reproducibilidad de las estimaciones de la lectura de NIR en

función de la temperatura (20ºC y 10ºC) se ha comprobado tanto con los resultados

de ANOVA como con los cálculos de sesgo (Bias), que la temperatura influye

fuertemente en los valores obtenidos.



114

En este equipo portátil hemos medido la valoración de la exactitud del

modelo del software interno del mismo por el mismo, procedimiento expuesto

anteriormente para el caso de los equipos en línea. En esta ocasión los resultados de

calibración y validación, para los sólidos solubles y acidez valorable, se mantienen

por debajo de los adecuados para un modelo correcto. Estos resultados deficientes

nos indujeron a profundizar en el estudio para mejorar la aplicación del equipo en las

determinaciones de las frutas; para ello se han utilizado técnicas quimiométricas

como PLS y PCA, tratando de sacar el máximo provecho de los espectros. El método

de PLS proporciona resultados muy pobres por lo que se optó por hacer un PCA para

ambas especies

Aunque a simple vista, apenas se observan diferencias entre los espectros de

las muestras ensayadas, los resultados obtenidos con el análisis de componentes

principales muestran que es posible detectar claramente la separación de tres grupos

de frutos en el caso de las mandarinas y dos en naranjas. Al aplicar un nuevo PLS

independientemente para cada uno de estos grupos obtenidos, se comprueba una

mejora en los resultados de calibración del modelo, en particular para los sólidos

solubles en mandarinas, que permite la adecuada separación de las diferentes

categorías.

6.2. DISCUSIÓN DE RESULTADOS

La necesidad de seleccionar automáticamente los productos hortofrutícolas en

función de sus características, externas o internas, ha alcanzado importantes logros

con la utilización de las propiedades ópticas, implementadas con los adecuados

procedimientos en el tratamiento de los datos que proporcionan los equipos de

clasificación.

Por ello el proceso de caracterización de los principales parámetros ha

constituido el contenido de mayor importancia en nuestro trabajo; los datos de

partida proporcionados por los dispositivos de medida no permiten una adecuada

separación, por lo que desde hace años existen amplios desarrollos que implican

tanto el tratamiento preliminar de los parámetros detectados como su procesado

estadístico, que permiten una adecuada separación de las clases.



115

6.2.1. Pre-tratamiento

La información adquirida por el detector, es transformada en un conjunto de

datos, en el que se integran también valores que representan un exceso de

información, que debe ser depurado para poder realizar los tratamientos matemáticos

con éxito.

En nuestros trabajos partimos de dos tipos diferentes de datos: imágenes y

espectros, por lo que para su adecuación se han seguido técnicas distintas. Las

imágenes se han procesado con una combinación de rutinas de segmentación a

diferentes niveles, de acuerdo con Bennedsen and Peterson (2005), que permitieron

una adecuada separación de los frutos y sus defectos, para lo que el programa de

MATLAB se mostró eficiente presentando los datos en condiciones para su análisis

posterior. En este proceso se realizó la eliminación del fondo de la imagen, y de las

sombras (ruido), así como la extracción de cada uno de los defectos. Las coordenadas

de color (Red, Green, Blue, Hue, Saturation, Value) fueron obtenidas y estudiadas

por separado en base a sus histogramas (tanto con los niveles de intensidad de gris,

como por los estadísticos descriptivos correspondientes); estos histogramas fueron

sometidos a una media móvil con el fin de eliminar el ruido observado (Mathworks,

2005). Asimismo, considerando el alto número de variables proporcionadas por las

imágenes, ha sido necesario reducir el número en función de un test de Fisher, que en

el análisis de varianza estudia las diferencias significativas entre las medias de los

grupos; de este modo se obtuvo un conjunto de variables significativas adecuada para

la clasificación de las funciones en las etapas siguientes.

Con las lecturas obtenidas con el dispositivo portátil los datos iníciales se han

sometido a la corrección del efecto multiplicativo (MSC) al centrado de las variables,

que ha permitido eliminar el efecto de línea base y corregir las variaciones de

absorción de luz en el interior de los frutos (Hernández-Gómez et al., 2006), así

como asegurar que todos los resultados se interpretan alrededor de la media (Ferré,

2006).

6.2.2. Creación del modelo y estudio de la exactitud

En este desarrollo se ha buscado el mejor método para procesar la

información contenida en las imágenes y en los espectros; para ello se han aplicado



116

diferentes técnicas de análisis multivariante. En el caso de las imágenes, después de

un reiterado proceso de ensayo y error, se realizó la aplicación del análisis

discriminante (DA), que requiere un bajo número de variables y un bajo poder

computacional como se demostró en trabajos anteriores (Valero et al., 2004;

Hernández-Sánchez et al., 2006), siendo además la técnica más usada en el proceso

de clasificación de imágenes. Como el objetivo establecido por parte de la empresa

comprendía la separación de ocho categorías comerciales, en nuestro desarrollo fue

preciso realizar el análisis discriminante en dos etapas, separando en primer lugar dos

grupos correspondientes a defectos globales y defectos locales, que posteriormente

fueron sometidos a sendos procesos de análisis discriminantes que nos permitieron

alcanzar el objetivo previsto.

Existen pocos trabajos que aplican la técnica de análisis de imagen para la

clasificación de defectos en frutos pequeños: aceitunas (Díaz et al., 2004) o cerezas

(Uthanisombut, 1996), cuyos modelos se basaron únicamente características de

color. Sin embargo, a pesar de la dificultad de trabajar y manejar frutos de tan

pequeño calibre, en este trabajo se ha profundizado en mejorar la discriminación con

la combinación de parámetros de color y de características morfológicas tanto de la

aceituna como del defecto. La idea de utilizar dicha aplicación surge de

investigadores como Kondo et al. (2000) o Leemans y Destain (2004) que en

naranjas y manzanas, respectivamente, mezclan parámetros de color, forma de los

frutos, textura, posición, etc.; o como Unay y Gosselini (2006) que utilizaron además

características morfológicas que definen los defectos de las manzanas. El

procedimiento utilizado mediante análisis discriminantes “DAs” proporcionó una

adecuada selección de las variables que serían útiles para diferenciar los ocho grupos.

La mayoría de los trabajos donde se obtuvieron funciones de clasificación

generadas a partir de las características extraídas de las imágenes correspondientes,

realizan esta separación en una sola etapa, por ejemplo en mandarinas para la

clasificación en dos grupos (con o sin semilla), mediante análisis discriminante

mostraron porcentajes de clasificación de 92.5% y 79.5% (Hernández-Sánchez et al.,

2006); en aceitunas (Díaz et al., 2004) comparando diferentes técnicas sólo lograron

clasificar los frutos en cuatro categorías, obteniendo los mejores resultados con

neural-networks (90%) comparado con PLS y distancia de Mahalanobis (70%).



117

Finalmente, la aplicación de los tres análisis discriminantes resultó en una

correcta clasificación de 97% y 75% de aceitunas durante la calibración y validación,

respectivamente; sin embargo, estos porcentajes de clasificación varían mucho

dependiendo del tipo de categoría: entre un 80-100% durante la calibración y 38-

100% durante la validación. Algunas de las limitaciones del presente estudio, eran la

combinación de defectos que dificultaban la separación de algunas de las categorías,

así como el escaso número de muestras en la calibración de algunas categorías

(serpeta, molestado2 y granizo) defectos que son muy variables en cada campaña

dependiendo de las condiciones ambientales, por lo cual fue difícil obtener un

número mayor de elementos en la muestra.

Los equipos estudiados de infrarrojo (en línea y portátil) estaban calibrados

para melones y cítricos, cuyos resultados no fueron satisfactorios en general (sólidos

solubles, acidez y firmeza); aunque algunos trabajos en la determinación del

contenido de sólidos solubles, tanto con cítricos como con melones, presentan

buenos resultados en ensayos de laboratorio. Por ejemplo, para mandarinas se

consiguieron buenos resultados para R=0,99 cv. Satsuma (Kawano et al., 1993) y

R=0,96 (McGlone et al., 2003); para diferentes variedades de melones R=0.94

(Maruo et al., 2002); para sandías R≥0,80 (Tian et al., 2007).

Podemos estimar que esta diferencia es consecuencia de las condiciones de

trabajo en líneas comerciales y siguiendo las pautas indicadas por las empresas;

diferencia que introduce múltiples factores que pueden afectar a la exactitud de las

medidas, como ha sido expuesto por numerosos autores: temperatura, estructura del

fruto, humedad, posición, etc. (Fraser et al., 2003; Hernández-Sánchez et al., 2003;

Miyamoto y Kitano, 1998; Long et al., 2006). En nuestros ensayos se ha estudiado la

influencia de algunos factores en la reproducibilidad de la medida, tales como el

efecto de la temperatura, la posición de la fruta, configuración de calibración, o

momento del día en el cual se tomó la medida; el estudio más relevante, fue el efecto

de la temperatura que afecta seriamente a la estimación proporcionada por ambos

equipos utilizados para el análisis de la calidad en cítricos

En estas circunstancias sería recomendable realizar periódicamente una

correcta calibración y mantenimiento de estos equipos con el fin de obtener



118

resultados más satisfactorios; al mismo tiempo, también podría ser factible mejorar

los resultados por el desarrollo de algoritmos discriminantes que evitara la influencia

negativa de la variación de los factores expuestos.

Si comparamos los dos equipos de medida utilizado en cítricos, el dispositivo

en línea que trabaja en modo de transmitancia y el equipo portátil que trabaja en

interactancia, se confirman las conclusiones obtenidas por McGlone et al. (2003) que

comparó tres procedimientos de medida (interactancia, transmitancia y reflectancia),

resultando que la transmitancia ofrecía los mejores resultados en estos frutos,

ratificando las recomendaciones que habían propuesto Kawano et al. (1993) para

frutos de piel gruesa.

En un primer estudio de calibración se comprobó que los resultados

proporcionados por el equipo portátil de medida mostraban una baja correlación

(R≤0,70) en relación a los datos de referencia, se realizó un estudio en profundidad

con la aplicación de técnicas quimiométricas para perfeccionar el modelo aplicado.

La amplia cantidad de trabajos referentes a técnicas de infrarrojo, pone de

manifiesto la importancia de esta técnica así como de las posibilidades de su

aplicación; en la mayoría de los trabajos, agrupados en una revisión reciente

realizada por Nicolaï et al., (2007), se puede observar que las técnicas de análisis

multivariante más utilizadas en espectrofotometría de infrarrojo son los mínimos

cuadrados parciales (PLS) y el análisis de componentes principales (PCA); de ahí

que en el presente trabajo para el estudio de los espectros se haya optado por ambos

métodos para el estudio en profundidad de los espectros procedentes del equipo

portátil.

Para el estudio de los espectros de este ensayo, el análisis PLS se mostró

ineficaz en la selección de una combinación adecuada de variables para construir el

modelo apropiado, por lo que fue necesario realizar un PCA; esta técnica

multivariante permitió detectar diferencias entre frutos en base a sus

correspondientes espectros dentro de cada especie, identificando un sub-espacio en el



119

que las variaciones espectrales están más ligadas a la respuesta (Roger, 2005) lo que

permitió posteriormente su análisis por el procedimiento del PLS.

Después de este tratamiento reiterado se logró una mejor separación de las

mandarinas en función del contenido en sólidos solubles. Sin embargo este proceso

tampoco fue eficaz para una adecuada separación de las naranjas, o cuando se

considera la acidez valorable en ambas especies. Quizás en este punto debamos

preguntarnos si en el desarrollo de los experimentos hemos utilizado suficiente

número de muestras de calibración, al considerar que por tratarse frutas, su carácter

biológico puede introducir un elevado número de variaciones que interfieren en la

resolución (Ferré, 2006).

6.2.3. Visión conjunta de resultados

Como se expuso en la presentación de los procesos seguidos en el ensayo de

los diferentes equipos (Figura 4.3), todos estos trabajos muestan una estructura

coincidente, circunstancia que nos permite segregar los trabajos en sus diferentes

etapas y realizar la reagrupación general, método que enriquece las conclusiones

dotándolas de una mayor perspectiva y aplicación más amplia. Cada uno de los

equipos utilizados, permite el análisis individualizado de cada una de las frutas de la

partida, que en función de los equipos o instalaciones se determinan diferentes

características, superficiales o internas.

En las últimas décadas las grandes posibilidades de la creciente capacidad de

cálculo de los equipos informáticos, unidos al avance en el desarrollo de métodos

matemáticos, han enriquecido las posibilidades de separación individualizada de las

frutas en función de sus características. Sin embargo, la diversidad de los diferentes

productos hortofrutícolas y la propia heterogeneidad en cada conjunto, como se

puede comprobar al comparar los diferentes ensayos expuestos, hace necesario el

estudio de sistemas concretos para cada proceso de selección.

Finalmente en cada uno de los trabajos se ha puesto de manifiesto la

necesidad de realizar estudios para contrastar la fiabilidad y repetibilidad, pues las

eficacia de la selección puede estar afectada por numerosos factores, por lo que

requiere ajustes en la configuración en función de las condiciones de trabajo, especie,

variedad, exigencias de separación, etc.



120


7. Conclusiones

121

Capítulo 7

CONCLUSIONES

La experimentación en el sector posrecolección de frutas es necesaria tanto

para progresar en el conocimiento científico, como para que el desarrollo tecnológico

alcance plena eficiencia en su aplicación en los sectores económicos ligados a la

agricultura y la industria. Con este objetivo, los trabajos que implican la actividad

científica y de innovación deben realizarse coordinadamente en los laboratorios de

los organismos de investigación y en las instalaciones de las propias empresas

destinatarias.

En la comercialización de frutas y hortalizas, los sistemas de selección y

clasificación contribuyen a dinamizar el mercado y a garantizar la calidad y

seguridad a los consumidores. En este sector, las tecnologías avanzadas, como la

aplicación de sistemas de control no destructivos, aportan importantes ventajas y

soluciones.

7.1. CONCLUSIONES ESPECÍFICAS

Como resultado de los estudios presentados en esta memoria de tesis doctoral,

podemos extraer las siguientes conclusiones específicas:

La combinación de técnicas ópticas y la aplicación reiterada de procesos

discriminantes, hacen posible la clasificación de las aceitunas para la separación

de defectos en ocho clases distintas, en función de los parámetros de color de los

frutos, junto con diferentes características morfológicas externas.

La adaptación de los equipos a las propiedades particulares de cada producto y

proceso de manipulación, exige un estudio cuidadoso y metódico, pues son


7. Conclusiones

122

muchos los factores que influyen en la capacidad y eficacia de estos

dispositivos:

En los frutos que muestran heterogeneidad en su composición interna,

como los melones, su posición en el elemento detector afecta a la

reproducibilidad.

La repetibilidad en la estimación del contenido en sólidos solubles,

permite asegurar que la utilización de los equipos on-line para cítricos y

melones es fiable para sólidos solubles.

La reproducibilidad de las determinaciones realizadas en línea (SSC,

acidez y firmeza), está afectada por numerosos factores ligados a la

ejecución del control; sin embargo en las líneas de cítricos se ha

comprobado que en general la temperatura y la posición de los frutos en

el soporte del transportador no afecta a la estimación final.

En el equipo portátil para la estimación de azúcares y ácidos de cítricos,

la temperatura influye significativamente en el resultado obtenido.

Trabajando con frutos de piel gruesa se ha demostrado que los sistemas ópticos

que utilizan el modo de transmitancia son más efectivos que los que emplean el

modo de interactancia.

7.2. CONCLUSIONES GENERALES

Las conclusiones específicas, junto con las aportaciones realizadas sobre este

tema por numerosos investigadores, nos permiten mostrar las siguientes conclusiones

generales:

El desarrollo de sistemas de clasificación por métodos no destructivos admite

realizar su aplicación sobre cada fruto y garantizar que sus características

cumplen las normas correspondientes. En particular las técnicas ópticas ofrecen

amplias posibilidades en la valoración de características superficiales y de

cualidades internas o de la composición.


7. Conclusiones

123

Los desarrollos alcanzados en los últimos años ofrecen sistemas de medida y de

adquisición de datos muy versátiles, trabajando en laboratorio o en líneas

comerciales de selección. Los sistemas de algoritmos y métodos multivariante

permiten optimizar la utilización de la información disponible, así como una

idónea clasificación de los productos a comercializar.

Los sistemas empleados en la medida de las propiedades ópticas, proporcionan

una rica información de las características de cada unidad, con gran utilidad para

la valoración de los productos hortofrutícolas. Sin embargo, para poder realizar

una correcta discriminación es necesario un complejo tratamiento de los datos,

que presenta metodologías específicas en cada caso.

Los sistemas de selección aplicados en las líneas de manipulación comerciales

precisan una meticulosa supervisión para contrastar su fiabilidad y repetibilidad;

este objetivo se puede lograr con plena garantía mediante el control de los

sistemas de trabajo y de los productos clasificados.

Es muy importante actualizar la configuración de calibración de los equipos

periódicamente, para un adecuado mantenimiento y utilización.


7. Conclusiones

124


8. Propuestas de futuras actividades

125

Capítulo 8

PROPUESTAS DE FUTURAS ACTIVIDADES

Los resultados obtenidos en la realización de esta tesis doctoral han permitido

avanzar en la metodología de aplicación de las propiedades ópticas al control no

destructivo de frutas y hortalizas y muestra las amplias posibilidades de estos

procedimientos de trabajo en el desarrollo de modelos y programas que pueden

desarrollarse y aplicarse específicamente a cada producto en sus condiciones de

producción y comercialización.

Como resultado de los estudios realizados se han transferido diversas

soluciones a las empresas interesadas en las innovaciones que se han mostrado, no

obstante su propio desarrollo nos muestra que son amplias las posibilidades que se

pueden plantear para progresar en estas líneas de investigación; entre estas podemos

indicar:

− La variabilidad de las frutas de cada lote genera problemas complejos, que

en muchos casos son difíciles de apreciar, por lo que es necesario tratar de

forma específica cada producto, considerando minuciosamente sus

características (composición y estructura) y su presentación ante el detector.

Para ello es necesario abordar estudios reiterados en que se consideren los

factores que generan la variabilidad de las muestras. Otra opción a

desarrollar es el estudio de la fiabilidad de los equipos empleando muestras

patrón (esferas calibradas), con propiedades de absorción y dispersión

conocidas y estables.

− En el estudio de los espectros, puede ser necesario poner a punto sistemas

de segregación que eliminen los casos anómalos, que contribuiría a reducir

el tamaño de las muestras.


8. Propuestas de futuras actividades

126

− Abordar el análisis de la calidad intrínseca de los modelos de calibración en

los dispositivos instalados, tanto para mejorar la rigurosidad de su trabajo,

como para realizar su evaluación; en este aspecto se podría incluir la

colaboración con los departamentos de I+D de las empresas, para la mejora

de los modelos de calibración a distancia.

− Desarrollar un protocolo de ensayo orientado a las empresas que utilizan

equipos ópticos similares, con el fin de que puedan comprobar el nivel de

fiabilidad del software con el que están calibrados los equipos.

− Profundizar en técnicas de transferencia de calibración que permitan

mejorar la robustez de los modelos.

En definitiva, son propuestas que aunque deben abordarse de forma específica

para cada situación, en conjunto aportaran una base para que se avance en la

optimización del funcionamiento de los sistemas de propiedades ópticas.

Divulgación de resultados

La comunicación de los resultados es sin duda una parte muy importante

dentro del proceso de investigación, ya que solamente después de ser difundidos

podrán ser debatidos y replicados, formando de esta manera parte de la comunidad

científica.

Actualmente se encuentran en revisión un artículo para el Aplied Engineering

in Agriculture sobre un equipo en línea de infrarrojo para la medida de la calidad

interna en melones.

Asi mismo se han enviado recientemente dos artículos al Aplied Engineering

in Agriculture y al Journal Food Engineering sobre el estudio de equipos ópticos

comerciales para el análisis de la calidad interna en cítricos, uno instalado en línea y

otro portátil respectivamente.


9. Bibliografía

127

Capítulo 9

BIBLIOGRAFÍA

Alamar, M.C.; Bobelyn, E.; Lammertyn, J.; Nicolaï, B.M.; Moltó, E. 2007.

Calibration transfer between NIR diode array and FT-NIR

spectrophotometers for measuring the soluble solids contents of apple.

Postharvest Biol. Technol., 45: 38-45.

Alvarado, M.; Civantos, M.; Duran, J.M. 2001. Plagas. In: D. Barranco, Fernández-

Escobar, R., L. Rallo (Eds.), El cultivo del olivo (pp. 435-493). Ed. Grupo

Mundi-Prensa, Madrid, Spain.

Barreiro, P. 2003. Apuntes de clase de la asignatura de doctorado “Propiedades

físicas de productos agrícolas y calidad en recolección y post-recolección”.

Programa de doctorado de Ingeniería Rural, del Dpto. de Ing. Rural, ETSI

Agrónomos (UPM).

Barreiro, P.; Moya, A.; Ruiz-Altisent, M.; Agulheiro, A.C.; García-Ramos, F.J.;

Homer, I.; Moreda G. 2003. Separación de aceitunas sobremaduras y

alambradas en línea mediante rebote. In: II Congreso Nacional de

Agroingenieria, Córdoba, Spain.

Barreiro, P.; Zheng, C.; Sun, D.W.; Hernández-Sánchez, N.; Pérez-Sánchez, J.M.;

Ruiz-Cabello J. 2008. Non-Destructive Seed Detection in Mandarins:

Comparison of Automatic Threshold Methods in FLASH and COMSPIRA

MRIs. Postharvest Biol. Technol., 47(2): 189-198.


9. Bibliografía

128

Bellon-Maurel, V.; Crochon, M.; Roger, J.M. 2001. GLOVE: an instrumented glove

to non destructively and rapidly assess fruit quality. In: Proceedings of the 6th

International Symposium held in Postman. Ed. Zude, M., Herold, B., Geyer,

M.

Bennedsen, B.S.; Peterson, D.L. 2005. Performance of a system for apple surface

defect identification in near-infrared images. Biosyst. Eng., 90(4): 419-431.

Blasco, J.; Aleixos, N.; Moltó E. 2007. Computer vision detection of peel defects in

citrus by means of a region oriented segmentation algorithm. J. Food Eng.,

81: 535-543.

Brosnan, T.; Sun, D.W. 2004. Improving quality inspection of food products by

computer vision-a review. J. Food Eng., 61: 3-16.

Cayuela, J.A. 2008. Vis/NIR soluble solids prediction in intact oranges (Citrus

sinensis L.) cv. Valencia Late by reflectance. Postharvest Biol. Technol., 47:

75-80.

Chauchard, F.; Cogdill, R.; Roussel, S.; Roger, J.M.; Bellon-Maurel, V. 2004.

Application of LS-SVM to non-linear phenomena in NIR spectroscopy:

development of a robust and portable sensor for acidity prediction in grapes.

Chemom. Intell. Lab. Syst., 71: 141-150.

Chen, P. 1996. Quality evaluation technology for agricultural products. In: Proc. Int.

Conf. on Agric. Machinery Engineering. Seoul. Korea

Cheng, X.; Tao, Y.; Chen, Y.R.; Luo, Y. 2003. NIR/MIR dual-sensor machine vision

system for online apple stem-end/calyx recognition. Trans. ASAE, 46(2): 551-

558.

CICyT. 2007. Plan Nacional de Investigación Científica, Desarrollo e Innovación

Tecnológica 2008-2011. Ministerio de Educación y Ciencia. Madrid.

COM. 2007. Propuesta de Reglamento del Consejo por el que se establecen

disposiciones específicas con respecto al sector de frutas y hortalizas y se

modifican determinados Reglamentos. Bruselas 24.01.07


9. Bibliografía

129

Cordero, S.; Lleó, L.; Barreiro, P.; Ruiz-Altisent, M. 2006. Peach multispectral

images related to firmness and maturity. In: World Congress: Agricultural

Engineering for a Better World. Bonn, Germany.

Costa, G.; Noferini, M.; Andreotti, C.; Mazzoti, F. 1999. Non-destructive

determination of soluble solids and flesh firmness in nectarines by near

infrared spectroscopy. In: Contents of near infrared spectroscopy:

Proceedings of the 9th International conference. Verona (Italia). Ed. A.M.C.

Davies and R. Giangiamoco, 863-866.

Cozzolino, D.; Cynkar, W.U.; Dambergs, R.G.; Janik, L.; Gishen, M. 2007. Near

infrared spectroscopy in Australian grape & wine industry. Cooperative

Research Center for Viticulture, Technology Application Note.

Deloitte. 2004. Informe del sector frutas y hortalizas. Ministerio de Agricultura,

Pesca y Alimentación. Madrid, junio 2004.

Diaz, R.; Faus, G.; Blasco, M.; Blasco, J.; Moltó, E. 2000. The application of a fast

algorithm for the classification of olives by machine vision. Food Research

International, 33: 305-309.

Diaz, R.; Gil, L.; Serrano, C.; Blasco, M.; Moltó, E.; Blasco, J. 2004. Comparison of

three algorithms in the classification of table olives by means of computer

vision. J.Food Eng., 61(I): 101-107.

Diezma-Iglesias, B.; Ruiz-Altisent, M.; and Barreiro, P. 2004. Detection of internal

quality in seedless watermelon by acoustic impulse response. Biosyst. Eng.,

88(2): 221-230.

Du, C.J.; Sun, D.W. 2004. Recent developments in the applications of image

processing techniques for food quality evaluation. Trends Food Sci. Technol.,

15: 230-249.

Dull, G.G.; Birth, S.G.; Smittle, D.A.; Leffler, R.G. 1989. Near infrared analysis of

soluble solids in intact cantaloupe. J. Food Sci., 54(2): 393-395.


9. Bibliografía

130

Ergun, M.; Jeong, J.; Huber, D.J.; Cantliffe, D.J. 2007. Physiology of fresh-cut

‘Galia’ (Cucumis melo var. reticulates) from ripe fruit treated with 1-

methylcyclopropene. Postharvest Biol. Technol., 44: 286-292.

European Commission. 2001. Standard for melons. OJEC, 8.8.2001, L214: 23-25.

European Commission. 2006. Towards a reform of the common market organization

for the fresh and processed fruit and vegetable sectors. Consultation

document for impact assessment. Brussels, 18 May 2006. http://ec.europa.eu/agriculture/consultations/fruitveg/consultation_en.pdf.

European Commission. 2007. Agriculture and Rural Development. Fruit &

vegetables Reform. 24/01/2007.

Fadanilli, C.; Chistè, C.; Zeni, F. 2002. Quality delle mele Misurata con metodo NIR.

In: Ricerca-Fruticoltura. Ed: Terra Trentina, economia e tecnica per

l’agricoltura, 5: 25-29.

FAO. 1987. Norma del CODEX para las aceitunas de mesa, CODEX alimentarious.

CODEX STAN 66-1981, (Rev. 1-1987), 1-19.

Ferré, J. 2006. Calibración multivariante en análisis cuantitativo. El modelo inverso.

In: Técnicas de Laboratorio (nº 310, p.p. 262-266), ISSN 0371-5728

Feudale, R.N.; Woody, N.A.; Tan, H.; Myles, A.J.; Brown, S.D.; Ferré, J. 2002.

Transfer of multivariate calibration models: a review. Chemom. Intell. Lab.

Syst., 64: 181-192.

Fraser, Dv.G.; Jordan, R.B.; Kunnemeyer, R.; McGlone, V.A. 2003. Light

distribution inside mandarin fruit during internal quality assessment by NIR

spectroscopy. Postharvest Biol. Technol., 27: 185-196.

García, J.M. 2004. Comercio internacional de frutas y hortalizas. In: La tierra del

agricultor y ganadero: Cuadernos. 2: 36-42.


9. Bibliografía

131

García, J.M.; Compés, R.; Baviera, A. 2007. La reforma de la OCM de frutas y

hortalizas. Evaluación de la propuesta de la Comisión. Boletín económico del

ICE N° 2910, 1-15 mayo 2007.

Golding, J.B.; Satyan, S.; Liebenberg, C.; Walsh, K.; McGlasson, W.B. 2006.

Application of portable NIR for measuring soluble solids concentrations in

peaches. Acta Hort. (ISHS), 713: 461-464.

Greensill, C.V.; Walsh, K.B. 2002. Calibration transfer between miniature

photodiode array-based spectrometers in the near infrared assessment of

mandarin soluble solids content. J. Near Infrared Spectrosc., 10: 27-35.

Guidetti, R.; Donato, A.; Mazzini, C. 2005. NIR portable device use in a logistic

platform: productivity and performance analysis. Acta Hort. (ISHS), 682:

1341-1346.

Guthrie, J.; Wedding, B. 1998. Robustness of NIR calibration for soluble solids in

intact melon and pineapple. J. Near Infrared Spectrosc., 6: 259-265.

Gutiérrez, A.; Martín-Gago, J.A.; Ferrer, S. 2004. La luz sincrotrón: una herramienta

extraordinaria para la ciencia. Apuntes de Ciencia y Tecnología, 12: 37-46.

He, D.J.; Maekawa, T.; Morishima, H.; 2001. Detecting device for on-line detection

of internal quality of fruits using near infrared spectroscopy and the related

experiments. Trans. Chinese Soc. Agric. Eng., 17: 146–148.

Hernández-Gómez, A.; He, Y.; García, A. 2006. Non-destructive measurement of

acidity, soluble solids and firmness of Satsuma mandarin using VIS/NIR-

spectroscopy techniques. J. Food Eng., 77: 313-319.

Hernández-Sánchez, N.; Barreiro, P.; & Ruiz-Cabello, J. 2006. On-line identification

of seeds in mandarins with magnetic resonance imaging. Biosyst. Eng., 95(4):

529-536.

Hernández-Sanchez, N.; Luron, S.; Roger, J.M.; Bellon-Maurel, V. 2003. Robustness

of models based on NIR spectra for sugar content prediction in apples. J.

Near Infrared Spectrosc., 11: 97-107.


9. Bibliografía

132

Herold, B.; Truppel, I.; Zude, M.; Geyer, M. 2005. Spectral measurements on

‘Elstar’ apples during fruit development on the tree. Biosyst. Eng., 91(2), 173-

182.

Huang, H.; Yu, H.; Xu, H.; Ying, Y. 2008. Near infrared spectroscopy for on/in-line

monitoring of quality in foods and beverages: A review. J. Food Eng., 87(3):

303-313.

Iida, J.; Terashima, A.; Maeda, K.; Ishikawa, S.; Yamauchi, S. 2003. Non-destructive

sugar content measuring apparatus. United States Patent No.: US 6504154

B2.

INIA. 2008. Líneas estratégicas y guía para la convocatoria de solicitudes de

proyectos de i+d del subprograma de proyectos de investigación fundamental

orientada a los recursos y tecnologías agrarias en coordinación con las

comunidades autónomas. Instituto Nacional de Investigación y Tecnología

Agraria y Alimentaria. Madrid

Ito, H.; Fukino-Ito, N.; Horie, H.; Morimoto, S. 2004. Non-destructive detection of

physiological disorders in melons using near infrared (NIR) spectroscopy.

Acta Hort. (ISHS), 654: 229-234.

Ito, H.; Morimoto, S.; Yamauchi, R.; Ippoushi, K.; Azuma, K.; Higashio, H. 2002.

Potential of near infrared spectroscopy for non-destructive estimation of

soluble solids in watermelons. Acta Hort. (ISHS), 588: 353-356.

Kader, A.A. 2007. Quality assurance of harvested horticultural perishables

Department of Pomology. University of California, Davis-USA.

http://postharvest.ucdavis.edu/datastorefiles/234-169.pdf

Kavdir, I.; Guyer, D.E. 2004. Comparison of artificial neural networks and statistical

classifiers in apple sorting using textural features. Biosyst. Eng., 89(3): 331-

344.


9. Bibliografía

133

Kawano, S.; Fujiwara, T.; Iwamoto, M. 1993. Nondestructive determination of sugar

content in Satsuma Mandarin using Near Infrared (NIR) transmittance. J.

Japan. Soc. Hort. Sci., 62(2): 465-470.

Kleynen, O.; Leemans, V.; Destain, M.F. 2005. Development of a multi-spectral

vision system for the detection of defects on apples. J. Food Eng., 69: 41-49.

Kondo, N.; Ahmad, U.; Monta, M.; Murasc, H. 2000. Machine vision based quality

evaluation of Iyokan orange fruit using neural networks. Comput. Elect.

Agric., 29: 135-147.

Krivoshiev, G.P.; Chalucova, R.P.; Moukarev, M.I. 2000. A possibility for

elimination of the interference from peel in nondestructive determination of

the internal quality of fruit and vegetables by VIS/NIR spectroscopy.

Lebensmittel-Wissenschaft und-Technol., 33(5): 344-353.

Lamertyn, J.; Peirs, A.; De-Baerdemaeker, J.; Nicolaï, B. 2000. Light penetration

properties of NIR radiation in fruit with respect to non-destructive quality

assessment. Postharvest Biol. Technol., 18: 121-132.

Leemans, V.; Destain, M.F. 2004. A real-time grading method of apples based on

features extracted from defects. J. Food Eng., 61: 83-89.

Li, Q.; Zhang, G.; Xu, K.; Wang, Y. 2007. Application of DS Algorithm to the

Calibration Transfer in Near-Infrared Spectroscopy. Spectrosc. Spectral

Analysis, 27(5): 873-876.

Long, R.L.; Walsh, K.B. 2006. Limitations to the measurement of intact melon total

soluble solids using near infrared spectroscopy. Australian J. Agric. Resch.,

57(4): 403-410.

Maier, H.G. 1981. Métodos modernos de análisis de alimentos. Tomo I: métodos

ópticos. Ed. Acribia, Zaragoza.

Maleki, M.R.; Mouazen, A.M.; Ramon, H.; Baerdemaeker, J. 2007. Multiplicative

Scatter Correction during on-line measurement with near infrared

spectroscopy. Biosyst. Eng., 96(3): 427-433.


9. Bibliografía

134

Mann, M.; Renier, J. 2007. Reforma del sector de las frutas y hortalizas.

MEMO/07/REV. Bruselas, 24/01/07. http://ec.europa.eu/spain/pdf/07.01.24_notainfofv_es.pdf

MAPA. 2006. Anuario de Estadística Agroalimentaria. Ministerio de Agricultura,

Pesca y Alimentación. Madrid. http://www.mapya.es

Maruo, T.; Ito, T.; Terashima, A.; Maeda, K.; Shimamura, S. 2002. Nondestructive

evaluation of ripeness and soluble solids content in melon and watermelon

fruits using laser. Acta hort. (ISHS), 588: 373-377.

Mateos, F.; Patiño, A.; Pérez, J.; Tombs, J.; Aguirre, M.A. 2005. Implementación en

FPGA de un sistema de procesamiento en tiempo real para la detección de

defectos en frutos. In: V Jornadas de Computación Reconfigurable y

Aplicaciones (Jcra 2005, pp. 151-157.). Granada, Spain.

Mathworks. 2005. Image Processing Toolbox User’s Guide (For Use with

MATLAB). http://www.mathworks.com/

McGlone, V.A.; Fraser, D.G.; Jordan, R.B.; Künnemeyer, R. 2003. Internal quality

assessment of mandarin fruit by VIS/NIR spectroscopy. J. Near Infrared

Spectrosc., 11: 323-332.

Mehl, P.M.; Chen, Y.R.; Kim, M.S.; Chan, D.E. 2004. Development of hyperspectral

imaging technique for the detection of apple surface defects and

contaminations. J. Food Eng., 61: 67-81.

Miller, W.M.; Zude, M. 2002. Non-destructive Brix sensing of Florida grapefruit and

honey tangerine. Proc. Fla. State Hort. Soc., 115: 56-60.

Miyamoto, K.; Kawauchi, M.; Fukuda, T. 1998. Classification of high acid fruits by

partial least squares using the near infrared transmittance spectra of intact

Satsuma mandarins. J. Near Infrared Spectrosc., 6: 267-271.

Moshenin, N.N. 1970. Physical properties of plant and animal materials. Gordon and

Breach Science publishers, Incs.


9. Bibliografía

135

Nazarov, I. 2005. Powerful substance seach echancements launched by SciFinder. In:

The Brimrose “Le Vigneron” Hndheld Portable AOTF-NIR spectrometer. Ed.

Chesapeake Chemist Maryland Section American Chemical Society.

Nicolaï, B.M.; Beullens, K.; Bobelyn, E.; Peirs, A.; Saeys, W.; Theron, K.I.;

Lammertyn, J. 2007. Nondestructive measurement of fruit and vegetable

quality by means of NIR spectroscopy: A review. Postharvest Biol. Technol.,

46(2): 99-118.

OMS. 2003. Diet, Nutrition and the Prevention of Chronic Diseases. Report of a

Joint WHO/FAO Expert Consultation WHO ISBN: 924120916X .

Organización Mundial de la Salud. http://www.fao.org/WAIRDOCS/WHO/AC911E/AC911E00.HTM

Otsu, N. 1979. A threshold selection method from gray-level histograms. IEEE

Trans. Syst., Man, Cybern., smc-9(1): 62-66.

Peano, C.; Reita, G.; Chiabrando, V. 2006. Firmness and soluble solids assessment of

nectarines by NIRs spectroscopy. Acta Hort. (ISHS), 713: 465-469.

Peirs, A. 2002. Measurement of apple quality and maturity by means of NIR

spectroscopy and imaging. Thesis. Katholieke Universiteit Leuven, Belgium.

Peirs, A.; Scheerlinck, N.; Nicolaï, B. 2003. Temperature compensation for near

infrared reflectance measurement of apple fruit soluble solids contents.

Postharvest Biol. Technol., 30: 233-248.

Riquelme, M.T.; Ruiz-Altisent, M., Valero, C. 2004. Informe sobre la caracterización

de aceitunas “var. Manzanilla Sevillana” (Confidential report).

Riquelme, M.T.; Valero, C.; Barreiro, P.; Ruiz-Altisent, M. 2008. Evaluation of NIR

commercial equipment for analyzing the internal quality of citrus (mandarins

and oranges). Appl. Eng. Agric. (In revision).

Roger, JM. 2005. Développements chimiométriques pour améliorer la robustesse des

mesures spectrométriques appliquées aux agro-procédés. Mémoire

d’habilitation. Academie de Montpellier, Université de Montpellier II.


9. Bibliografía

136

Roggo, Y.; Chalus, P.; Murer, L.; Lema-Martinez, C.; Edmond, A.; Jent, N. 2007. A

review of near infrared spectroscopy and chemometrics in pharmaceutical

technologies. J. Pharm. Biom. Anal., 44: 683-700.

Rosenberger, C.; Emile, B.; Laurent, H. 2004. Calibration and quality control of

cherries by artificial vision. J. Electr. Imag., 13(3): 539-546.

Ruiz-Altisent, M. 1998. Apuntes de clase de la asignatura de doctorado

“Instrumentación de la calidad”. Programa de Doctorado Energía,

Maquinaria y Riego, del Dpto. de Ing. Rural, ETSI Agrónomos (UPM).

Schaare, P.N.; Fraser, D.G. 2000. Comparison of reflectance, interactance and

transmission modes of visible-near infrared spectroscopy for measuring

internal properties of kiwifruit (Actindia chinensis). Postharvest Biol.

Technol., 20: 175-184.

Scott, G.W.; MacGillivray, J.H. 1940. Variation in solids of the juice from different

regions in melon fruits. Hilgardia, 13: 69-79.

Secretaría de Estado de Universidades e Investigación. 2007. RESOLUCIÓN de 26

de noviembre de 2007, de la Secretaría de Estado de Universidades e

Investigación, por la que se convocan ayudas para la realización de proyectos

de investigación, programas de actividad investigadora y acciones

complementaria dentro del Programa Nacional de Proyectos de Investigación

Fundamental, en el marco del VI Plan Nacional de Investigación Científica,

Desarrollo e Innovación Tecnológica 2008-2011. BOE nº 287 de 30/11/2007.

Seregély, Z.; Deák, T.; Bisztray, G.D. 2004. Distinguishing melon genotypes using

NIR spectroscopy. Chemom. Intell. Lab. Syst., 72: 195-203.

Shewfelt, R. L. 1999. What is quality?. Postharvest Biol. Technol., 15: 197-200.

Shewfelt, R. L. 2006. Defining and meeting consumer requirements. Acta Hort.

(ISHS), 712: 31-37.

Skoog, D.A.; Holler, F.J.; Nieman, T.A. 2001. Principios de Análisis Instrumental,

Ed. McGraw-Hill/Interamericana de España, S.A.U., Madrid.


9. Bibliografía

137

StatSoft, Inc. 2007. Electronic Statistics Textbook. Tulsa, OK, USA: StatSoft. http://www.statsoft.com/textbook/stathome.html.

Steuer, B.; Schulz, H.; Läger, E. 2001. Classification and analysis of citrus oils by

NIR spectroscopy. J. Food Chem., 72(1): 113-117.

Subedi, P.P.; Walsh, K.B.; Owens, G. 2006. Prediction of mango eating quality at

harvest using short-wave near infrared spectrometry. Postharvest Biol.

Technol., 43(3): 326-334.

Temma, T.; Hanamatsu, K.; Shinoki, F. 2002. Development of a portable near

infrared sugar-measuring instrument. J. Infrared Spectrosc. 10: 77-83.

Tian, H.; Ying, Y.; Lu, H.; Fu, X.; Yu, H. 2007. Measurement of soluble solids

content in watermelon by VIS/NIR diffuse transmittance technique. J.

Zhejiang Univ. Sci. B. 8(2): 105-110.

Trapero, A.; Blanco, M.A. 2001. Enfermedades. In D. Barranco, Fernández-Escobar,

R., L. Rallo (Eds.), El cultivo del olivo (pp. 497-550). Ed. Grupo Mundi-

Prensa, Madrid, Spain.

Unay, D.; Gosselin, B. 2006. Automatic defect segmentation of ‘Jonagold’ apples on

multi-spectral images: A comparative study. Postharvest Biol. Technol., 42:

271-279.

USDA. 1967. United States Standards for Grades of Green Olives. United States

Department of Agriculture Washington, Federal Register August 9, 1967 (32

F.R. 11467)

Uthaisombut, P. 1996. Detecting defects in cherries using machine vision. M.S.

Thesis, Computer Science, Michigan State University.

Valero, C. 2002. Aplicación de la espectroscopia de reflectancia difusa (ERDT) a la

detección de parámetros de calidad interna de frutas. Tesis.

Valero, C.; Ruiz-Altisent, M.; Cubeddu, R.; Pifferi, A.; Taroni, P.; Torricelli, A.;

Valentini, G.; Johnson, D.; Dover, C. 2004. Selection Models for the Internal


9. Bibliografía

138

Quality of Fruit, based on Time Domain Laser Reflectance Spectroscopy.

Biosystem Engineering, 88(3): 313-323.

Yan-de, L.; Yi-bin, Y.; Xia-ping, F.; Huizhan, L. 2007. Experiments on predicting

sugar content in apples by FT-NIR Technique. J. Food Eng., 80: 986-989.

Yoon, J.; Lee, B.; Han, C. 2002 Calibration transfer of near-infrared spectra based on

compression of wavelet coefficients. Chemometrics and Intelligent

Laboratory Systems, 64(1): 1-14.

Zude, M.; Birlouez-Aragon, I.; Pachold, P.J.; Rutledge, D.N. 2007. Non-invasive

spectrophotometric sensing of carrot quality from harvest to consumption.

Postharvest Biology and Technology, 45: 30-37.

Zude, M.; Pflanz, M.; Kaprielian, C.; Aivazian, B.L. 2008. NIRs as a tool for

precision horticulture in the citrus industry. Biosystem Engineering, 99: 455-

459.


Anejo: Normativas frutas y hortalizas

139

ANEJO

NORMATIVAS SOBRE FRUTAS Y

HORTALIZAS FRESCAS



140



141

1.1. DISPOSICIONES GENERALES Disposiciones comunitarias

R (CE) 2200/96 del Consejo de 28 de octubre (DO L 297 de 21.11.1996, p. 1), por el que se establece la organización común de mercados en el sector de las frutas y hortalizas. Indicar que títulos me interesan.

Modificaciones por: R (CE) 2520/97 de la Comisión de 15 de diciembre (DO L 346 de 17.12.1997, p. 41) R (CE) 857/99 del Consejo de 22 de abril (DO L 108 de 27.4.1999, p. 7) R (CE) 1257/99 del Consejo de 17 de mayo (DO L 160 de 26.6.1999, p. 80) R (CE) 2699/00 del Consejo de 4 de diciembre (DO L 311 de 12.12.2000, p. 9) R (CE) 2826/00 del Consejo de 19 de diciembre (DO L 328 de 23.12.2000, p. 2) R (CE) 718/01 de la Comisión de 10 de abril (DO L 100 de 11.4.2001, p. 12) R (CE) 911/01 de la Comisión de 10 de mayo (DO L 129 de 11.5.2001, p. 3) R (CE) 545/02 del Consejo de 18 de marzo (DO L 84 de 28.3.2002, p. 1) R (CE) 1881/02 del Consejo de 14 de octubre (DO L 285 de 23.10.2002, p. 13) R (CE) 47/03 de la Comisión de 10 de enero (DO L 7 de 11.1.2003, p. 64) R (CE) 6/05 de la Comisión de 4 de enero (DO L 2 de 5.1.2005, p.3)

Derogada por: R (CE) 361/08 del Consejo de 14 de abril (DO L 121 de 7.5.2008, p.1)

Nota: Pero el R (CE) 2200/96 está en vigor hasta el 1 de julio de 2008

R (CE) 1234/07 del Consejo de 22 de octubre (DO L 299 16.11.2007, p.1), por el que se crea una organización común de mercados agrícolas y se establecen disposiciones específicas para determinados productos agrícolas (Reglamento único para las OCM).

R (CE) 361/08 del Consejo de 14 de abril (DO L 121 de 7.5.2008, p.1), que modifica el Reglamento (CEE) 1234/07, por el que se crea una organización común de mercados agrícolas y se establecen disposiciones específicas para determinados productos agrícolas (Reglamento único para las OCM).

Disposiciones estatales

RD 2192/1984, de 28 de noviembre (BOE de 15 de diciembre), por el que se aprueba el Reglamento de aplicación de las normas de calidad para las frutas y hortalizas frescas comercializadas en el mercado interior.

1.2. DISPOSICIONES RELATIVAS A CONTROLES DE CALIDAD DE FRUTAS Y HORTALIZAS FRESCAS

R (CEE) 2251/92 de la Comisión de 29 de julio (DO L 219 de 4.8.1992, p. 9), relativo a los controles de calidad de frutas y hortalizas frescas.

Modificado por: R (CEE) 3720/92 de la Comisión de 22 de diciembre (DO L 378 de 23.12.1992, p. 32)



142

R (CE) 1148/01 de la Comisión de 12 de junio (DO L 156 de 13.6.2001, p.9), sobre los controles de conformidad con las normas de comercialización aplicables en el sector de las frutas y hortalizas frescas.

Modificado por: R (CE) 2379/01 de la Comisión de 5 de diciembre (DO L 15 321 de 6.12.2001, p.15)

R (CE) 408/03 de la Comisión de 5 de marzo (DO L 62 de 6.3.2003, p. 8)

1.3. NORMAS DE CALIDAD POR PRODUCTOS MELONES

R (CE) 1093/97 de la Comisión de 16 de junio (DO L 158 de 17.06.1997, p.21), por el que se establecen normas de comercialización aplicables a los melones y sandías.

Modificado por: R (CE) 850/00 de la Comisión de 27 de abril (DO L 103 de 28.4.2000, p.21)

R (CE) 1615/01 de la Comisión de 7 de agosto (DO L 214 de 08.08.2001, p.21), por el que se fijan las normas de comercialización de los melones y por el que se modifica el R (CE) 1093/97.

Modificado por: R (CE) 1016/06 de la Comisión de 4 de julio (DO L 183 de 5.7.2006, p.9)

ACEITUNAS DE MESA

CODEX 1987 Norma del CODEX para las aceitunas de mesa. CODEX STAN 66-1981 (Rev. 1-1987).

COI 2004 Norma comercial aplicable a las aceitunas de mesa Resolución Nº RES-2/91-IV/04.

Naciones Unidas, Ginebra, 2005. Convenio internacional del aceite de oliva y de las aceitunas de mesa de 2005 TD/OLIVE OIL./6 (DO L 302 19.11.2005, p.47).

R (CE) 865/04 del Consejo de 29 de abril (DO L 206 de 9.6.2004, p.37), por el que se establece común de mercado del aceite de oliva y de las aceitunas de mesa y se modifica el Reglamento (CEE) 827/68.

CITRICOS: Naranjas y Mandarinas

R (CE) 1799/01 de la Comisión de 12 de septiembre (DO L 244 14.09.2001, p.12), por el que se establecen las normas de comercialización de los cítricos.

Modificado por: R (CE) 2010/02 de la Comisión de 12 de noviembre (DO L 310 13.11.2002, p.3)

R (CE) 2173/03 de la Comisión de 12 de diciembre (DO L 326 13.12.2003, p.10)

escuela tÉcnica superior de ingenieros …oa.upm.es/1469/1/maria_teresa_requelme_torres_a.pdf ·...

Documents