Академический Документы
Профессиональный Документы
Культура Документы
Director (a):
Ph.D. Luis Eduardo Ordez Santos
Lnea de Investigacin:
Agroindustria de Productos Alimentarios
Grupo de Investigacin:
Grupo de Investigacin en Procesos Agroindustriales
Al profesor y Director Luis Eduardo Ordez, Ph. D. por su apoyo y conocimientos que me
permitieron culminar sta etapa, con quien he trabajado por largos aos y de quien he
aprendido a lo largo de mi formacin profesional, infinitas gracias por todo el tiempo y
paciencia.
A Vladimir, quien me ense que con dedicacin y perseverancia lograra este sueo, gracias
por stos aos. A Diss por su paciencia en mis momentos de desesperacin y por compartir
conmigo la felicidad y la tristeza. Eliana y Jose porque juntos compartimos momentos difciles
que juntos superamos, todos los recuerdos buenos y malos de los momentos en el laboratorio.
A Ximena que se ha convertido en una aliada y confidente.
A mi segunda familia que a pesar de no tener lazos de sangre siempre me estuvieron ah para
mi, para darme una palabra de nimo, apoyo, rer y llorar a mi lado, Jenny, Mara Enith y
Fernando, por su amistad y cario.
A la Universidad Nacional de Colombia Sede Palmira, mi alma mater que siempre llevar en
mi corazn.
A todas las personas que de una u otra forma ayudaron al desarrollo de esta investigacin.
Resumen y Abstract IX
Resumen
El color es una caracterstica que permite evaluar la calidad de los alimentos convirtindose en
un parmetro crtico en la industria alimentaria tanto para producto en fresco como procesado,
su determinacin se realiza usando mtodos como el visual, analtico (colormetros o
espectrofotmetros) y actualmente se ha ampliado al anlisis de imgenes digitales integrado
(DIA), ste ltimo como una opcin que permita solucionar algunas limitaciones encontradas
con los mtodos tradicionales ya que adquiere las imgenes mediante una cmara digital o
escner, para ser procesada mediante un software y extraer la informacin requerida.
Abstract
The color is a characteristic that allows evaluating the quality of food, allowing consumer choice
because of its close relationship with the flavor of these, becoming in this way a critical
parameter in the food industry for fresh produce and processed. To determine this characteristic
there are different techniques such as analytical (colorimeter or spectrophotometer), visual
methods and currently has been extended to the analysis of integrated digital image, the latter
as an option to overcome some limitations identified with traditional methods because it takes
on images using a digital camera or scanner, for processing by software and extract the
required information.
In this research the measurement of the color coordinates CIEL*a*b* obtained by colorimetry
and digital images analyzed with Direct and Gamma Model, and Artificial Neural Networks,
software Matlab, ImageJ, Photoshop of paste and pure tomato were compared . The results
showed that the lowest errors coordinate transformation RGB to L*a*b* of digital image from
pure and paste tomato, individual and total were presented using neural networks MSE0,293,
similar behavior was achieved with Matlab software, ImageJ and Photoshop with MSE1,282.
The highest RGB coordinates transformation errors were obtained by direct and gamma model.
The estimation of the color coordinates L*a*b* using neural networks was achieved for all
correlation coefficients models above 0.93 for both tomato pure and paste in the three stages
of building the neural network (training, validation and evaluation).
Contenido
Pg.
Resumen ................................................................................................................................. IX
Abstract .................................................................................................................................... X
Introduccin ............................................................................................................................ 17
2. Justificacin ..................................................................................................................... 21
3. Objetivos .......................................................................................................................... 22
3.1 Objetivo General .....................................................................................................22
3.2 Objetivos Especficos ..............................................................................................22
4. Hiptesis .......................................................................................................................... 23
8. Resultados y Discusin................................................................................................... 74
8.1 Coordenadas de color por colorimetra y los modelos de transformacin de RGB a
L*a*b*. ...............................................................................................................................74
8.1.1 Coordenadas de color por colorimetra y las obtenidas utilizando Matlab. ....74
8.1.2 Coordenadas de color L*a*b* estndar por colorimetra y las obtenidas
utilizando ImageJ. .......................................................................................................77
8.1.3 Coordenadas de color L*a*b* estndar por colorimetra y las obtenidas
utilizando Adobe Photoshop C5S. ...............................................................................79
8.1.4 Coordenadas de color L*a*b* estndar por colorimetra y las obtenidas
utilizando el Modelo Directo. .......................................................................................81
8.1.5 Coordenadas de color L*a*b* por colorimetra y las obtenidas utilizando el
Modelo Gamma. .........................................................................................................83
8.1.6 Coordenadas de color L*a*b* por colorimetra y las obtenidas utilizando
Redes Neuronales ......................................................................................................84
8.2 Redes neuronales artificiales como mtodo de estimacin de coordenadas de color
L*a*b*. ...............................................................................................................................87
8.2.1 Estimacin de coordenadas de color L*a*b* obtenida por Colorimetra vs
Matlab usando redes neuronales en pur y pasta de tomate. .....................................87
8.2.2 Estimacin de coordenadas de color L*a*b* obtenida por Colorimetra vs
ImageJ usando redes neuronales en pur y pasta de tomate. ....................................90
8.2.3 Estimacin de coordenadas de color L*a*b* obtenida por Colorimetra vs
Adobe Photoshop C5S usando redes neuronales en pur y pasta de tomate. ............93
8.2.4 Estimacin de coordenadas de color L*a*b* obtenida por Colorimetra vs
Modelo Directo usando redes neuronales en pur y pasta de tomate. ........................96
8.2.5 Estimacin de coordenadas de color L*a*b* obtenida por Colorimetra vs
Modelo Gamma usando redes neuronales en pur y pasta de tomate........................99
8.2.6 Recopilacin de resultados de estimacin de coordenadas de color L*a*b*
obtenida por Colorimetra vs todos los mtodos alternativos utilizando Redes
Neuronales. .............................................................................................................. 102
Lista de figuras
Pg.
Figura 5-1: Clasificacin de los colorantes naturales (Garcia Garibay, Quintero Ramrez, &
Lpez Mungua, 2004) ..............................................................................................................26
Figura 5-2: Estructura qumica del licopeno (Periago et al., 2001) .........................................28
Figura 5-3: Partes que conforman un fruto de Tomate (FAO, 2006)..........................................29
Figura 5-4:Diagrama de flujo para la elaboracin de concentrados de tomate (EDIBON, 2005).
.................................................................................................................................................34
Figura 5-5: Esquema general de un espectrofotmetro. Adaptado de (Aldabe, Bonazzola,
Aramenda, & Lacreu, 2004). ....................................................................................................38
Figura 5-6: Diagrama de funcionamiento de un colormetro triestmulo. Adaptado de (Capilla
Perea et al., 2002). ...................................................................................................................38
Figura 5-7: Representacin del sistema Munsell (Molinari, 2011) .............................................41
Figura 5-8: Representacin del sistema CIE XYZ (Valero Muoz, 2012). .................................42
Figura 5-9: Representacin del sistema CIE LUV (Noor et al., 2012) ........................................43
Figura 5-10: Representacin del sistema CIE L*a*b* o CIELAB (Noor et al., 2012). .................44
Figura 5-11: Representacin del modelo de color RGB. Adaptado de (Noor et al., 2012) .........45
Figura 5-12: Representacin del modelo de color CMYK. Adaptado de (Noor et al., 2012) ......46
Figura 5-13: Representacin de un proceso de anlisis de imgenes digitales. Adaptado de
(Mery & Pedreschi, 2005). ........................................................................................................48
Figura 5-14: Componentes y estructura tpica de una red neuronal artificial. Adaptado de
(Altiparmak, Dengiz, & Smith, 2009). ........................................................................................49
Figura 5-15: Componentes de una neurona artificial. Adaptado de (Suzuki, 2011) ...................50
Figura 7-1: Adquisicin de coordenadas de color L*a*b* mediante colorimetra. (Elaboracin
propia) ......................................................................................................................................64
Figura 7-2: Sistema para adquisicin de imgenes digitales. (Elaboracin propia) ...................65
Figura 7-3: Proceso de segmentacin de las imgenes donde a) es la imagen original, b) el
proceso de seleccin y c) la imagen final segmentada. (Elaboracin propia). ...........................66
Figura 7-4: Procesamiento de una imagen utilizando el software Matlab a)Imagen inicial
seleccionada con el cdigo de color, b) Seleccin manual del rea a analizar y c) Valores
promedio de L*a*b* del rea seleccionada................................................................................67
Figura 7-5: Procesamiento de una imagen utilizando el software ImageJ, a) Imagen cargada en
el software, b) Seleccin del rea a analizar y c) Coordenadas de color RGB (Fuente: autora).
.................................................................................................................................................67
14 Estimacin de las coordenadas CIEL*a*b* en concentrados de tomate utilizando
imgenes digitales.
Figura 7-6: Obtencin de las coordenadas L*a*b* a partir de coordenadas RGB del
procesamiento con ImageJ. ......................................................................................................68
Figura 7-7: Procesamiento de imgenes digitales con el software Adobe Photoshop C5S. ......69
Figura 7-8: Redes neuronales para la estimacin de las coordenadas L*, a*, b*.......................70
Figura 7-9: Redes neuronales para estimar C, h, a*/b*. ............................................................71
Figura 7-10: Redes Neuronales para estimacin de coordenadas individuales. ........................72
Figura 7-11: Red Neuronal para estimacin de cada grupo de coordenadas. ...........................72
Figura 8-1: Correlacin entre coordenadas L*a*b* por colorimetra y Matlab en pur de tomate.
.................................................................................................................................................89
Figura 8-2: Correlacin entre coordenadas L*a*b* por colorimetra y Matlab en pasta de tomate.
.................................................................................................................................................90
Figura 8-3: Correlacin entre coordenadas L*a*b* por colorimetra e ImageJ en pur de tomate.
.................................................................................................................................................92
Figura 8-4: Correlacin entre coordenadas L*a*b* por colorimetra e ImageJ en pasta de
tomate. ......................................................................................................................................93
Figura 8-5: Correlacin entre coordenadas L*a*b* por colorimetra y Photoshop en pur de
tomate. ......................................................................................................................................95
Figura 8-6: Correlacin entre coordenadas L*a*b* por colorimetra y Photoshop en pasta de
tomate. ......................................................................................................................................96
Figura 8-7: Correlacin entre coordenadas L*a*b* por colorimetra y Modelo Directo en pur de
tomate. ......................................................................................................................................98
Figura 8-8: Correlacin entre coordenadas L*a*b* por colorimetra y Modelo Directo en pasta de
tomate. ......................................................................................................................................99
Figura 8-9: Correlacin entre coordenadas L*a*b* por colorimetra y Modelo Gamma en pur de
tomate. ....................................................................................................................................101
Figura 8-10: Correlacin entre coordenadas L*a*b* por colorimetra y Modelo Gamma en pasta
de tomate. ...............................................................................................................................102
Lista de tablas 15
Lista de tablas
Pg.
Tabla 5-1: Principales alimentos que contribuyen en la ingesta de licopeno en la dieta
humana (Periago et al., 2001). ..................................................................................................28
Tabla 5-2: Valor nutricional del tomate maduro por cada 100 gramos de alimento comestible
(USDA National Nutrient Database for Standard., 2014) ...........................................................30
Tabla 5-3: Produccin de tomate a nivel mundial para el ao 2012 (FAO, 2014). .....................31
Tabla 5-4: Produccin de tomate a nivel nacional para el ao 2011 (Agronet, 2013) ................31
Tabla 5-5: Principales pases procesadores de tomate 2006-2010 (miles de toneladas) (CMITI
Center for the Processing Tomato Industry, 2010) ....................................................................32
Tabla 5-6: Mtodos de anlisis sensorial (Universidad Nacional Abierta y a Distancia, 2014)...36
Tabla 5-7: Principales ventajas y desventajas de la inspeccin humana (Smith & Adendorff,
1991). .......................................................................................................................................37
Tabla 5-8: Comparacin entre espectrofotmetros y colormetros (Capilla Perea et al., 2002;
Hunter Associates Laboratory Inc, 2008). .................................................................................39
Tabla 5-9: Clasificacin de los modelos de color de acuerdo a tres categoras principales (Noor
et al., 2012; Wu & Sun, 2013) ...................................................................................................40
Tabla 5-10: Funciones de transferencia en Redes Neuronales Artificiales (Gestal, 2009; Rivera,
2007; C. A. Ruiz & Matich, 2001) ..............................................................................................51
Tabla 8-2: Resultados de coordenadas L*a*b* y parmetros a*/b*, C, h obtenidos por
colorimetra versus los resultado de Matlab en pur y pasta de tomate (valores corresponden a:
Media Desviacin estndar). ..................................................................................................75
Tabla 8-3: Error de estimacin y error medio para las coordenadas L*a*b* en pur y pasta de
tomate utilizando Matlab (valores corresponden a: Media Desviacin estndar). ...................76
Tabla 8-4: Error de estimacin para los parmetros cromticos C, h y a*/b* en pur y pasta de
tomate utilizando Matlab (valores corresponden a: Media Desviacin estndar). ...................77
Tabla 8-5: Coordenadas L*a*b* y parmetros a*/b*, C, h obtenidos por colorimetra versus los
resultados de ImageJ en pur y pasta de tomate (valores corresponden a: Media Desviacin
estndar)...................................................................................................................................78
Tabla 8-6: Error de estimacin y error medio para las coordenadas L*a*b* en pur y pasta de
tomate utilizando ImageJ (valores corresponden a: Media Desviacin estndar). ..................78
Tabla 8-7: Error de estimacin para los parmetros cromticos C, h y a*/b* en pur y pasta de
tomate utilizando ImageJ (valores corresponden a: Media Desviacin estndar). ..................79
Tabla 8-8: Coordenadas L*a*b* y parmetros a*/b*, C, h obtenidos por colorimetra versus los
resultados de Adobe Photoshop C5S en pur y pasta de tomate (valores corresponden a:
Media Desviacin estndar). ..................................................................................................79
16 Estimacin de las coordenadas CIEL*a*b* en concentrados de tomate utilizando
imgenes digitales.
Tabla 8-9: Error de estimacin y error medio para las coordenadas L*a*b* en pur y pasta de
tomate utilizando Adobe Photoshop C5S (valores corresponden a: Media Desviacin
estndar)...................................................................................................................................80
Tabla 8-10: Error de estimacin para los parmetros cromticos C, h y a*/b* en pur y pasta de
tomate utilizando Adobe Photoshop C5S (valores corresponden a: Media Desviacin
estndar)...................................................................................................................................80
Tabla 8-11: Coordenadas de L*a*b* y parmetros a*/b*, C, h obtenidos por colorimetra versus
los obtenidos en el Modelo Directo en pur y pasta de tomate (valores corresponden a: Media
Desviacin estndar). ...............................................................................................................81
Tabla 8-12: Error de estimacin y error medio para las coordenadas L*a*b* en pur y pasta de
tomate utilizando el Modelo directo (valores corresponden a: Media Desviacin estndar). ..82
Tabla 8-13: Error de estimacin para los parmetros cromticos C, h y a*/b* en pur y pasta de
tomate utilizando el Modelo directo (valores corresponden a: Media Desviacin estndar). ..82
Tabla 8-14: Coordenadas L*a*b* y parmetros a*/b*, C, h obtenidos por colorimetra versus los
obtenidos en el Modelo Gamma en pur y pasta de tomate (valores corresponden a: Media
Desviacin estndar). ...............................................................................................................83
Tabla 8-15: Error de estimacin y error medio para las coordenadas L*a*b* en pur y pasta
pasta de tomate utilizando el Modelo Gamma (valores corresponden a: Media Desviacin
estndar)...................................................................................................................................84
Tabla 8-16: Error de estimacin para los parmetros cromticos C, h y a*/b* en pur y pasta de
tomate utilizando el Modelo gamma (valores corresponden a: Media Desviacin estndar). .84
Tabla 8-1: Seleccin de los porcentajes de entrenamiento, validacin y prueba para las redes
neuronales. ...............................................................................................................................85
Tabla 8-17: Coordenadas L*a*b* y parmetros a*/b*, C, h obtenidos por colorimetra versus los
obtenidos con Redes Neuronales en pur y pasta de tomate (valores corresponden a: Media
Desviacin estndar). ...............................................................................................................86
Tabla 8-18: Error de estimacin y error medio para las coordenadas L*a*b* en pur y pasta de
tomate utilizando Redes Neuronales (valores corresponden a: Media Desviacin estndar). 86
Tabla 8-19: Error de estimacin para los parmetros cromticos C, h y a*/b* en pur y pasta de
tomate utilizando Redes neuronales (valores corresponden a: Media Desviacin estndar). .87
Tabla 8-20: Errores y coeficientes de correlacin entre coordenadas obtenidas por colorimetra
y Matlab en pasta y pur de tomate. .........................................................................................88
Tabla 8-21: Errores y coeficientes de correlacin entre coordenadas obtenidas por colorimetra
e ImageJ en pasta y pur de tomate. ........................................................................................91
Tabla 8-22: Errores y coeficientes de correlacin entre coordenadas obtenidas por colorimetra
y Adobe Photoshop en pasta y pur de tomate. ........................................................................94
Tabla 8-23: Errores y coeficientes de correlacin entre coordenadas obtenidas por colorimetra
y el Modelo Directo en pasta y pur de tomate. ........................................................................97
Tabla 8-24: Errores y coeficientes de correlacin entre coordenadas obtenidas por colorimetra
y el Modelo Gamma en pasta y pur de tomate. .....................................................................100
Tabla 8-25: Comparacin de alternativas para estimacin de coordenadas de color L*a*b*
utilizando redes neuronales. ...................................................................................................103
rea Problema 17
Introduccin
El color es una de las caractersticas superficiales ms importantes de los alimentos y es un
parmetro crtico de evaluacin de la calidad de un producto (Foca, Masino, Antonelli, & Ulrici,
2011; Len, Mery, Pedreschi, & Len, 2006). La industria alimentaria utiliza la evaluacin
sensorial o instrumental (colorimetra, espectrofotometra y cromatografa lquida de alta
resolucin) como herramientas en la evaluacin del color en los alimentos. La evaluacin visual
puede ser alterada por el tipo de iluminacin, tamao de la habitacin y percepcin del color el
cual puede variar de un panel a otro (Len et al., 2006; Melndez-Martnez, Vicario, & Heredia,
2005; Wu & Sun, 2013). Los colormetros, son instrumentos estndares que permiten
determinar el color superficial de las muestras en coordenadas XYZ o Lab, simulando la
percepcin del color de acuerdo con el ojo humano (Len et al., 2006; Wu & Sun, 2013). Las
tcnicas qumicas requieren el uso de protocolos, equipos especializados y reactivos que
permitan la extraccin del compuesto que provee el color y posterior cuantificacin (Cmara,
Fernndez-Ruiz, Redondo, Snchez-Mata, & Torrecilla, 2012; Dewanto, Wu, Adom, & Liu,
2002; Rao & Agarwal, 1999).
y el tamao de la superficie de contacto es pequea (2cm x 2cm) lo cual hace que las
mediciones obtenidas sean poco representativas (Len et al., 2006; Veliolu et al., 2011).
El uso del anlisis de imgenes digitales de derivados de tomate para determinacin de color
se convierte en una metodologa econmica, confiable y que puede desarrollarse en tiempo
real, que podra ser aplicada a otras matrices alimentarias. Igualmente, se incluye la evaluacin
de un modelo matemtico a partir de los resultados de las coordenadas de color obtenidas que
permita su estimacin. Adems, el uso de las redes neuronales que logren procesar los
resultados obtenidos en las imgenes digitales como datos de entrada y obtener los datos de
salida basados en su entrenamiento y evaluacin.
Con el propsito de contribuir a la cadena agroindustrial de frutas y hortalizas del pas, el Grupo
de Investigacin en Procesos Agroindustriales (GIPA), desarroll el presente trabajo que estime
las coordenadas de color CIEL*a*b* en dos marcas comerciales de pasta y pur de tomate,
inicialmente se determinaron las coordenadas usando el mtodo estndar por colorimetra,
igualmente se procesan las muestras obteniendo imgenes digitales; para los resultados
adquiridos en coordenadas RGB de las imgenes de cada muestra se realiza un proceso de
transformacin a coordenadas L*a*b* utilizando los modelos directo y gamma, los software
Matlab e ImageJ y redes neuronales. Para cada transformacin se determina el rendimiento de
acuerdo a los errores de estimacin de cada coordenada, error medio total y el coeficiente de
correlacin, seleccionando como mejor mtodo de transformacin y estimacin aquel con un
error cercano a cero y un coeficiente de correlacin cercano a uno.
Lista de figuras 19
1. rea Problema
El color ha sido reconocido como una caracterstica importante, ya que refleja informacin
preliminar en cuanto a la calidad sensorial, microbiolgica y nutricional de los alimentos
(Marshall, Stuart, & Bell, 2006; Wei & Hutchings, 2012), esta caracterstica es usada como un
medio para juzgar la calidad de un producto individualmente en toda la cadena productiva, en
etapas como la produccin, almacenamiento y comercializacin (Kays, 1999), mediante
caractersticas fsicas como tamao, forma, estado de maduracin y ausencia de defectos
visuales (Lpez-Garca, Andreu-Garca, Blasco, Aleixos, & Valiente, 2010; Omid,
Khojastehnazhand, & Tabatabaeefar, 2010; Spreer & Mller, 2011; Wu & Sun, 2013).
En la industria alimentaria, existen diferentes tcnicas para la cuantificacin del color entre las
cuales se encuentran: la evaluacin visual que es una tcnica cualitativa realizada por paneles
entrenados, la deficiencia que presenta este mtodo se debe a que el resultado depende de
caractersticas externas como calidad de la iluminacin, tipo de luz y tamao de la habitacin,
adems que la percepcin del color es subjetiva variando de un observador a otro, puede
considerarse tediosa y no es adecuada para largas jornadas de medicin (Len et al., 2006;
Melndez-Martnez et al., 2005; Wu & Sun, 2013).
A nivel instrumental, se cuenta con la tcnica estndar de medicin del color en alimentos
utilizando el colormetro, equipo que presenta valores cuantitativos de los espacios de color
(que utiliza la escala XYZ para su transformacin posterior a coordenadas L*a*b*) basando su
funcionamiento en la percepcin del color por el ojo humano (Len et al., 2006; Wu & Sun,
2013), sta tcnica tiene la desventaja de que la superficie a medir debe ser uniforme y el
tamao de la superficie de contacto que se mide es pequea, siendo alrededor de dos
centmetros por dos centmetros (2cm x 2cm) lo cual hace que las mediciones obtenidas sean
poco representativas o que implique la repeticin de la medicin sobre toda la superficie del
alimento (Len et al., 2006; Veliolu et al., 2011).
Por lo cual en sta investigacin se evalu el uso de imgenes digitales como un mtodo
alternativo para la determinacin de las coordenadas de color CIEL*a*b* en pasta y pur de
tomate al ser comparadas con el mtodo estndar de medicin por colorimetra.
2. Justificacin
En los ltimos aos se han intensificado los estudios sobre la importancia del color en los
alimentos ya que en muchos casos sta caracterstica permite identificar el grado de calidad del
mismo, tanto para el consumidor como para la industria (Lpez-Garca et al., 2010; Omid et al.,
2010; Spreer & Mller, 2011; Wu & Sun, 2013).
El tomate es considerado uno de los productos alimenticios ms importantes (Abdullahi & Choji
Bitrus, 2009; Batu, 2004; Markovi et al., 2006), los frutos frescos son altamente propensos a
deterioros fsicos, qumicos y microbiolgicos, por lo cual gran parte de los mismos se
transforma en algunos derivados, dicho procesamiento requiere de tratamientos con altas
temperaturas que logren la evaporacin de agua con el fin de concentrar el producto, sin
embargo stos tratamientos trmicos no controlados pueden alterar caractersticas como el olor
y color del producto final (Veliolu et al., 2011).
Para la medicin y control del color en los alimentos se requiere la implementacin de tcnicas
de laboratorio que en muchos casos son tediosas, prolongadas o no logran abarcar una amplia
superficie del producto a medir, se requieren equipos costosos, robustos y especializados,
adems el uso de tcnicas qumicas que implican el uso de solventes altamente contaminantes
del medio ambiente (Len et al., 2006; Veliolu et al., 2011). Todas estas limitantes en las
tcnicas de medicin del color en los alimentos hacen necesaria la investigacin de tcnicas
novedosas, asequibles, econmicas y que adems permitan conocer la misma caracterstica
en tiempo real.
3. Objetivos
Hi1: Existe un modelo matemtico que correlacione las coordenadas de color CIEL*a*b* por
colorimetra y las obtenidas por imgenes digitales en concentrados de tomate con un error
medio cercano a 1.
5.1 Color
El color es una respuesta mental o de percepcin del espectro visible de la luz que es reflejada
o emitida por un objeto, dicha seal de respuesta interacta con la retina ubicada en el ojo y se
transmite al cerebro por el nervio ptico, esta accin hace que los humanos asignen los colores
a esta seal (Wu & Sun, 2013). El ojo percibe como una antena receptora debido a las clulas
gliales y fotorreceptores llamados bastones y conos, que se ubican en la retina, que reciben y
transmiten en forma de impulsos elctricos la informacin al cerebro logrando traducir la
sensacin de color (Castaeda, 2005).
Los pigmentos responsables de los colores que se observan estn presentes en organismos
vivos, principalmente en las plantas, encontrndose en hojas, frutas, verduras y flores,
igualmente se encuentran en la piel, ojos y diferentes estructuras de origen animal, adems en
bacterias y hongos (Delgado-Vargas, Jimnez, & Paredes-Lpez, 2000).
Figura 5-1: Clasificacin de los colorantes naturales (Garcia Garibay, Quintero Ramrez, &
Lpez Mungua, 2004)
Las clorofilas son una familia de pigmentos de origen natural, catalogados como pigmentos
solubles en grasa, se encuentran presentes en las plantas fotosintticas, incluyendo las algas y
en algunas bacterias fotosintticas, el color verde es debido a los pigmentos de clorofila a (azul-
verde) y la clorofila b (amarillo-verde), son considerados como parte fundamental de la dieta
humana (Hendry, 1992; Madhava Naidu & Sowbhagya, 2012).
Las antocianinas son una familia de pigmentos catalogados como solubles en agua, son los
responsables de los colores azules o violetas de frutas y hortalizas como cerezas, uvas y bayas
negras, son ampliamente usados como colorantes alimenticios para bebidas y postres
(Madhava Naidu & Sowbhagya, 2012).
En el caso de los carotenoides, stos son sintetizados por plantas y microorganismos (Di Noia
& Contento, 2010; Jamison, 2003), siendo las frutas y vegetales la principal fuente en la dieta
humana, cerca del 90% de los carotenoides est representado en la dieta y el cuerpo humano
por el licopeno, - caroteno, - caroteno, lutena y criptoxantina (Jamison, 2003).
Investigaciones previas han reportado que los tomates y los productos derivados de tomate son
la principal fuente de licopeno (Markovi et al., 2006).
Estos compuestos principalmente pueden ser encontrados en frutas y verduras las cuales son
las fuentes en la dieta humana, aquellas con colores amarillo o anaranjado proporcionan la
mayor parte de -caroteno, -caroteno y criptoxantina; las de color verde oscuro proporcionan
lutena, y los tomates o derivados son la principal fuente de licopeno (Rao & Rao, 2007).
Varias de las funciones de estos compuestos son consecuencia de su capacidad para absorber
la luz, como la de dar color. Sin embargo, estn considerados como antioxidantes, participando
en la desactivacin de radicales libres que se producen durante el metabolismo normal de las
clulas. La cadena polinica que forman los carotenoides tiene un alto contenido de electrones
y es altamente reactiva, por esta razn en presencia de oxidantes forman radicales libres de
vida corta (Alvarez, Beln, & Mendoza, 2006).
La tabla 5-1 presenta los principales alimentos que contribuyen en la ingesta de licopeno en la
dieta humana expresados en peso fresco, se destaca ampliamente el tomate (Lycopersicum
pimpinellifolium) consumido en fresco con un aporte de 40 miligramos de licopeno por cada 100
gramos de fruta, seguido de la sandia (Citrullus lanatus) y el pomelo rosa (Citrus paradisi).
28 Estimacin de las coordenadas CIEL*a*b* en concentrados de tomate utilizando
imgenes digitales.
Concentracin
Nombre cientfico Nombre comn Tipo
(mg/100g)
Lycopersicum esculentum Tomate Fresco 0.88-7.74
Lycopersicum pimpinellifolium Tomate Fresco 40
Citrillus lanatus Sanda Fresco 2.30-7.20
Prunus armeniaca Albaricoque Fresco 0.005
Prunus armeniaca Albaricoque Enlatado 0.065
Prunus armeniaca Albaricoque Deshidratado 0.86
Citrus paradisi Pomelo rosa Fresco 3.36
La absorcin del licopeno a partir de estas fuentes, permite lograr un beneficio en la salud que
se ve influenciado por varios factores, como la temperatura de coccin que permite la ruptura
de la matriz que contiene el compuesto, la presencia de lpidos y otros compuestos solubles en
lpidos incluyendo otros carotenoides. Esta absorcin es similar a otros compuestos solubles en
lpidos y se realiza a travs del tracto gastrointestinal mediante un mecanismo con participacin
de quilomicrones (lipoprotenas) (Rao & Rao, 2007).
La propiedad de los carotenoides de absorber la luz es dada por la presencia de los dobles
enlaces conjugados que conforman un cromforo largo, en la figura 5-2 se presenta la
estructura del licopeno. Esta estructura con ms de siete dobles enlaces conjugados posee la
capacidad de absorber la luz en la regin visible, por tal razn se pueden observar colores del
amarillo al rojo (Alvarez et al., 2006).
El fruto es una baya de pulpa tierna predominantemente alcalina debido a su contenido mineral.
Es de color rojo, rosado, amarillo o verde (rojo ms comn) y de forma redonda, achatada o
alargada. Presenta diferentes tamaos dependiendo de su variedad. En la figura 5-3 se puede
observar las partes por las que est constituido un fruto de tomate, el pericarpo, el tejido
placentario y las semillas (FAO, 2006).
Pednculo
Cliz
Mesocarpio
Epicarpio
Semillas
Nutricionalmente, los tomates son considerados como alimentos saludables por ser una buena
fuente de carotenoides (en particular, el licopeno), vitamina E y flavonoides (Sahlin, Savage, &
Lister, 2004). En la tabla 5-2 la USDA, reporta entre sus principales compuestos presentes en
tomate fresco maduro estn: potasio (K) [191 mg/100 g], sodio (Na) [115 mg/100 g], vitamina C
[12,6 mg/100 g] y licopeno [2537 g/100 g]. Tiene bajo contenido en lpidos, contiene
carbohidratos y azcares que le confiere un ligero sabor dulce; adems aporta cido
pantotenico, vitaminas del grupo B, y una pequea cantidad de -caroteno, precursor de la
vitamina A (USDA National Nutrient Database for Standard., 2014).
30 Estimacin de las coordenadas CIEL*a*b* en concentrados de tomate utilizando
imgenes digitales.
Tabla 5-2: Valor nutricional del tomate maduro por cada 100 gramos de alimento comestible
(USDA National Nutrient Database for Standard., 2014)
Componente Tomate
Macronutrientes Agua 94.75
(g) Protena 0.79
Lpidos Totales 0.25
Carbohidratos 3,47
Azcar 2.55
Micronutrientes Calcio (Ca) 33
(mg) Magnesio (Mg) 10
Fsforo (P) 17
Potasio (K) 191
Sodio (Na) 115
Vitamina C 12,6
Niacina 0.712
Micronutrientes -Caroteno 245
(g) Lutena + zeaxantina 78
Licopeno 2537
Tabla 5-3: Produccin de tomate a nivel mundial para el ao 2012 (FAO, 2014).
Como se presenta en la tabla 5-4 (Agronet, 2013), a nivel nacional los principales
departamentos productores de tomate son Norte de Santander con 46.418 toneladas y Caldas
con 33.184 toneladas para el ao 2011.
Tabla 5-4: Produccin de tomate a nivel nacional para el ao 2011 (Agronet, 2013)
Tabla 5-5: Principales pases procesadores de tomate 2006-2010 (miles de toneladas) (CMITI
Center for the Processing Tomato Industry, 2010)
Ao
Pas / Estado
2006 2007 2008 2009 2010
California 9.164 10.950 10.720 12.073 11.158
China 4.300 4.600 6.405 8.655 6.210
Italia 4.400 4.619 4.900 5.747 4.900
Espaa 1.580 1.750 1.730 2.700 2.300
Brasil 1.160 1.292 1.200 1.150 1.600
Irn 1.800 2.100 2.060 2.100 1.400
Portugal 900 1.040 998 1.242 1.280
Turqua 1.450 1.650 2.700 1.800 1.280
Chile 630 670 510 619 864
Tnez 463 580 800 750 800
Grecia 710 640 670 810 640
Total 26.094 29.311 32.183 37.327 31.792
Aporte Global (%) 85.50 86.80 87.80 87.90 86.10
Estos productos y el fruto en fresco tienen una enorme importancia econmica en todo el
mundo. Su importancia reside en sus apreciadas propiedades sensoriales, siendo capaz de
integrarse en preparaciones alimenticias diversas, ya sea cocido o crudo, y tambin, en sus
Marco Terico 33
Pasta de tomate
Pur de tomate
Pulpa de tomate
Tomate deshidratado
Jugo de tomate
Salsa de tomate
Tomate enlatado
Segn la Norma Cdex para concentrado de tomate elaborado (Codex Stan, 2007) se puede
considerar pur de tomate o pasta de tomate cuando el concentrado cumple con los
siguientes requisitos:
Pur de tomate: es el concentrado de tomate que contiene por lo menos el 7%, pero no ms
del 24% de slidos solubles naturales totales.
Pasta de tomate: es el concentrado de tomate que tiene un contenido igual o mayor al 24%
de slidos solubles naturales totales.
Adems de estar constituidos por ingredientes autorizados como: concentrado de tomate, sal,
hierbas aromticas y especias, zumo de limn (natural o concentrado) y agua (Codex Stan,
2007).
En la obtencin del concentrado de tomate, pur y salsa, las operaciones en comn incluyen
desde el prensado, pasando por filtracin, centrifugacin, desaireado y pasteurizacin
terminando en envasado. Los tratamientos trmicos a lo largo de la lnea de proceso permiten
la concentracin del tomate molido hasta llegar al producto final.
Los derivados del tomate como la pasta, pur, salsa y jugo, requieren un control estricto del
color, adems se debe cumplir con los requisitos y recomendaciones en cuanto a medicin
instrumental del color de productos derivados del tomate (Hunter Associates Laboratory Inc,
2014). El color es un factor muy importante en la calidad de los productos de tomate
procesados, en particular los concentrados de tomate, ya que influye en la aceptabilidad del
consumidor (Barreiro, Milan, & Saldoval, 1997), de acuerdo con la Comisin International de la
iluminacin (CIE) el valor de color de la pasta de tomate debe ser mnimo 1,8 en la relacin
a*/b* (Veliolu et al., 2011).
Existen dos mtodos bsicos de medicin del color, el sensorial y el instrumental. El mtodo
sensorial utiliza un panel de consumidores o panel sensorial entrenado para evaluar
visualmente el color (Delmoro et al., 2010; Novoa & Ramrez Navas, 2012). El segundo mtodo
es el instrumental, que consiste en el uso de tcnicas que miden la reflectancia o transmitancia
de las muestras y se apoyan en equipos especializados como espectrofotmetros o
colormetros triestmulos (Delmoro et al., 2010).
5.2.2 Sensorial
La medicin del color con el mtodo sensorial utiliza un panel de evaluadores entrenados
siguiendo las normas para medicin de color en alimentos de cada pas, adems este mtodo
utiliza estndares de color como el Atlas RHS, las Guas Pantone y el Sistema Munsell, como
material de referencia (Delmoro et al., 2010; Len et al., 2006).
Autores coinciden que a pesar que la visin e inspeccin humana tiene una gran habilidad, la
determinacin de esta caracterstica fsica es subjetiva (Len et al., 2006; Novoa & Ramrez
Navas, 2012; Otles, 2008) y vara de un observador a otro, se convierte entonces en una
36 Estimacin de las coordenadas CIEL*a*b* en concentrados de tomate utilizando
imgenes digitales.
tcnica que requiere una inspeccin lenta y una preparacin especializada de los observadores
(Len et al., 2006).
Tabla 5-6: Mtodos de anlisis sensorial (Universidad Nacional Abierta y a Distancia, 2014)
Fuente de luz (K) y la intensidad (lux) en la superficie del producto: estudios anteriores
recomiendan una intensidad de luz entre 750 y 1200 lux y la fuente de luz debe elegirse
para tener un alto ndice de reproduccin cromtica (Ra).
La inspeccin visual presenta algunas ventajas y desventajas al ser realizada por un panel
humano, en la tabla 5-7 se describen algunas de las mismas.
Marco Terico 37
Tabla 5-7: Principales ventajas y desventajas de la inspeccin humana (Smith & Adendorff,
1991).
Ventajas Desventajas
Es poco afectada por la iluminacin Se ve afectada por la fatiga, hora del da
del rea. y da de la semana.
Muy buena capacidad deductiva. No se puede mantener la consistencia
No se ve afectada por los diferentes en la medicin a largo plazo.
colores que componen la muestra. Se requiere pausas y periodos de
Tiene muy buen reconocimiento de descanso para el desarrollo de la
caractersticas inspeccin.
Puede existir incoherencia entre las
diferentes inspectores.
5.2.3 Instrumental
Las tcnicas instrumentales para medicin del color son aquellas en las cuales se mide la
reflectancia o transmitancia de la muestra. Se utilizan instrumentos conocidos, los de mayor
uso en alimentos son espectrofotmetros, colormetros triestmulos (Delmoro et al., 2010; Otles,
2008).
5.2.3.1 Espectrofotmetros
El espectrofotmetro mide la respuesta para toda la gama espectral visible, midiendo de forma
ms amplia, es considerado ms preciso que el colormetro, siendo capaz de captar ms
informacin de la muestra estudiada (Santos Espi, 2009).
Un espectrofotmetro tiene como objetivo comparar, para cada longitud de onda, la energa
incidente con la reflejada sobre la muestra (Capilla Perea, Artigas, & Pujol i Ramo, 2002). Estos
instrumentos de medicin pueden variar en algunas caractersticas, sin embargo todos deben
contener los siguientes elementos (Diaz et al., n.d.):
Fuente de energa radiante: procedente de una fuente de luz, en este caso una lmpara
de deuterio y tugsteno.
Monocromador: selecciona las radiaciones de una determinada longitud de onda (filtros,
prismas).
Compartimientos: espacios donde se alojan los recipientes transparentes (cubetas o
tubos) donde contienen las muestras, los materiales de dichos recipientes son vidrio,
cuarzo o plstico transparente.
Detector de luz y amplificador que convierta las seales luminosas en seales
elctricas.
Registrador o sistema de lectura de datos.
38 Estimacin de las coordenadas CIEL*a*b* en concentrados de tomate utilizando
imgenes digitales.
Selector de
Fuente de luz Muestra
longitud de onda Detector de luz
(lmpara) (cubeta)
(monocromador)
Los colormetros son instrumentos que miden los valores de una forma ms directa y funcionan
usando tres filtros de color (Capilla Perea et al., 2002; Lockun Lavado, 2012), utiliza funciones
de igualacin del color correspondientes al observador colorimtrico de la CIE (Capilla Perea et
al., 2002).
Estos instrumentos al ser los primeros desarrollados para este fin especfico fueron cruciales
para el desarrollo de la ciencia del color. Su funcionamiento se basa en conceptos visuales de
color, donde la muestra se ilumina en un ngulo de 45 con respecto a la lnea perpendicular de
la misma, como se aprecia en la figura 5-6.
Tabla 5-8: Comparacin entre espectrofotmetros y colormetros (Capilla Perea et al., 2002;
Hunter Associates Laboratory Inc, 2008).
Colormetro Espectrofotmetro
Instrumento para el anlisis psicofsico que Instrumento para anlisis fsicos que
proporciona mediciones que se correlacionan proporciona el anlisis espectral de las
con la percepcin del ojo-cerebro humano. longitudes de onda de la reflexin y/o
Los datos colorimtricos se leen directamente transmisin de las propiedades de objetos sin
y proporciona valores triestmulo (XYZ, Lab, interpretacin por humanos.
etc)
Consta de sensor y procesador de datos Consta de sensor, adems de un procesador
simples. de datos o un ordenador con el software para
anlisis de resultados.
Consta de una combinacin entre un Consta de muchas combinaciones de
iluminante y un observador. iluminante/observador disponibles que se
puede utilizar para el anlisis de las muestras.
Asla una amplia banda de longitudes de onda Asla una estrecha banda de longitudes de
usando un filtro de absorcin triestmulo. onda utilizando un prisma o filtro.
Generalmente resistente y un instrumento Instrumento ms complejo en cuanto al
menos complejo. manejo y conocimientos requeridos.
Pueden ser menos precisos de acuerdo a su Se usan cuando se requiere obtener
diseo. coordenadas cromticas con exactitud.
Bajo costo. Un mayor costo que un colormetro.
5.2.4 Colorimetra
La colorimetra es la ciencia que estudia la medicin del color desarrollando los mtodos para
su cuantificacin (Santos Espi, 2009), estos mtodos se basan especficamente en la
geometra y distribuciones espectrales de tres elementos: la fuente de luz, la reflectividad de la
muestra y la sensibilidad visual del observador (Otles, 2008). Esta ciencia transforma la
percepcin sensorial en nmeros, logrando medir, comparar y reproducir los diferentes colores
(Santos Espi, 2009).
Para lograr la representacin de los colores, la CIE defini diferentes modelos de color, los
cuales son frmulas matemticas abstractas que logran describir esa representacin. Los
modelos de color ms conocidos son el RGB y el CMYK, sin embargo, al ser modelos
abstractos no sirven para describir un color especfico sin haber definido inicialmente la escala
o referencia (International Commission on Illumination, 2004). La CIE como entidad principal
de la determinacin del color, defini varios sistemas de descripcin de colores y ha
desarrollado varios conceptos que determinan los procedimientos utilizados actualmente (Otles,
2008).
Se define modelo de color como la representacin digital de los posibles colores contenidos en
una muestra. Son sistemas de medicin de color que pueden ser percibidas por el ojo humano
y consiste en un proceso en el cual se combinan diferentes como el conjunto de colores
primarios. Los modelos tpicos de color estn basados en 3 o 4 componentes de color y se
dividen en 3 categoras representadas en la tabla 5-9 (Noor, Mokhtar, Rafiqul, & Pramod, 2012;
Wu & Sun, 2013):
Tabla 5-9: Clasificacin de los modelos de color de acuerdo a tres categoras principales (Noor
et al., 2012; Wu & Sun, 2013)
Modelo de color Munsell: Este sistema fue creado por Albert H. Munsell y es conocido como
el ms independiente, est representado por una forma cilndrica con tres dimensiones:
luminosidad o valor, matiz o tono y saturacin o pureza del color, fue el primer modelo que
diferencia los tres componentes, como se puede observar en la figura 5-7.
El tono es representado por una forma circular dividida en diez secciones definidos como:
rojo, amarillo-rojo, amarillo, verde-amarillo, verde, azul-verde, azul, prpura-azul, prpura y
rojo-prpura, que determinan el rango del tono. El componente valor est dividido en once
secciones con relacin a la claridad (blanco) que corresponde a 10 hasta el valor ms oscuro
(negro) que corresponde a 0, en el modelo Munsell se encuentra representado
perpendicularmente. Finalmente se presenta la saturacin que corresponde a una gama de
colores, representa la combinacin de cada parmetro de valor y tono (Noor et al., 2012).
Modelo de color CIE XYZ: fue propuesto en 1931 por la CIE, se defini considerando que
todos los colores visibles pueden definirse por valores positivos, matemticamente el modelo
puede ser descrito como el componente de luminancia (Y) acompaado de dos coordenadas
42 Estimacin de las coordenadas CIEL*a*b* en concentrados de tomate utilizando
imgenes digitales.
de cromaticidad X y Z como se puede observar en la figura 5-8 (Ford & Roberts, 1998; Noor et
al., 2012).
Figura 5-8: Representacin del sistema CIE XYZ (Valero Muoz, 2012).
El sistema CIE XYZ actualmente es usado como referencia para definir los colores que percibe
el ojo humano, incluyendo otros espacios de color (Noor et al., 2012; Viscarra Rossel, Minasny,
Roudier, & McBratney, 2006). Las coordenadas en este espacio son generalmente llamados X
y Y que se derivan de XYZ usando las ecuaciones 1-3 (Colantoni, 2004):
X
x= (1)
X+Y+Z
Y
y= (2)
X+Y+Z
Z
z= (3)
X+Y+Z
Modelo de color CIE LUV: fue el primer espacio de color uniforme derivado del modelo CIE
XYZ, cuenta con un punto blanco de referencia (Xn, Yn, Zn) y corresponde al RGB (1, 1, 1), la
representacin del sistema CIE LUV se presenta en la figura 5-9.
Marco Terico 43
Figura 5-9: Representacin del sistema CIE LUV (Noor et al., 2012)
Los valores L representan la claridad, y U,V representan las correlaciones que se presentan
entre croma y tono (Noor et al., 2012). Las ecuaciones 4-6 que representan el sistema CIE LUV
estn basadas directamente en el sistema XYZ (Colantoni, 2004):
4X
U X, Y, Z = (4)
X + 15Y + 3Z
9Y
V X, Y, Z = (5)
X + 15Y + 3Z
1
Y 3 Y
L = 116 16 si > 0,008856
Yo Yo
Y Y
L = 903,3 Yo si Yo
0,008856 (6)
u = 13L U X, Y, Z U X O , YO , ZO
u = 13L V X, Y, Z V X O , YO , ZO
Modelo de color CIELAB: fue desarrollado por la CIE en el ao 1976 para lograr una mejora
en la representacin del color, se considera el modelo de color ms completo, se usa
ampliamente para describir los colores que puede percibir el ojo humano (International
Commission on Illumination, 2004). El modelo L*a*b* determina el color de acuerdo a la
posicin en el espacio en tres dimensiones (3D) (Noor et al., 2012).
El componente L* corresponde a la luminosidad del color (L=0 significa negro, L=100 significa
blanco), a* es el croma donde los valores positivos corresponden a rojo y los negativos al color
verde, b* es el tono para este componente los valores positivos corresponden a amarillo y
aquellos valores negativos se refieren a azul, a* y b* son los dos componentes cromticos
cuyos valores van desde -120 a 120 (Len et al., 2006), esta representacin se puede observar
en la figura 5-10 (Ford & Roberts, 1998; International Commission on Illumination, 2004; Noor
et al., 2012).
44 Estimacin de las coordenadas CIEL*a*b* en concentrados de tomate utilizando
imgenes digitales.
-120 120
-120 120
Figura 5-10: Representacin del sistema CIE L*a*b* o CIELAB (Noor et al., 2012).
Las ecuaciones 7 y 8 que representan el sistema CIE LUV estn basadas directamente en el
sistema XYZ (Colantoni, 2004).
1
Y 3 Y
L = 116 16 si > 0,008856
Yo Yo
Y Y
L = 903,3 si 0,008856
Yo Yo (7)
X Y
a = 500 f f
XO YO
Y Z
b = 500 f f
YO ZO
1
= 3 > 0,008856
16 (8)
= 7,787 + < 0,008856
116
Modelo de color RGB: es el modelo orientado al dispositivo ms usado (Ford & Roberts,
1998), diseado en el ao 1996, el nombre de este modelo se deriva de las siglas en ingles
Red Green Blue correspondiente a los colores primarios en los que se basa Rojo, Verde y
Azul, colores primarios que se pueden mezclar para lograr producir nuevos colores del
espectro (International Commission on Illumination, 2004; Noor et al., 2012), esto se puede
observar en la Figura 5-11.
Marco Terico 45
Figura 5-11: Representacin del modelo de color RGB. Adaptado de (Noor et al., 2012)
De acuerdo a la representacin del modelo, cuando los tres colores primarios se igualan a cero
el color que se obtiene es el negro, y en su esquina opuesta cuando los colores primarios en
los que se basa el modelo se igualan a su mximo valor 255 se obtiene el color blanco. Este
modelo RGB es ampliamente usado en aplicaciones informticas ya que no requiere de un
proceso de transformacin posterior (Ford & Roberts, 1998). El modelo de transformacin de
las coordenadas RGB en XYZ se realiza mediante las ecuaciones 9-12 (Len et al., 2006):
Las ecuaciones 10-12 presentan la solucin de la operacin entre la matriz M por el vector
RGB:
Donde:
R= coordenada de color que representa al color rojo (Red).
G= coordenada de color que representa al color verde (Green).
B= coordenada de color que representa al color negro (Black).
D65= corresponde al iluminante estndar que permite condiciones estables similares a la luz de
da.
46 Estimacin de las coordenadas CIEL*a*b* en concentrados de tomate utilizando
imgenes digitales.
Modelo de color CMY (K): este es un modelo sustractivo basado en colores complementarios
con respecto al modelo de color RGB, por lo tanto se basa en los colores Cian, Magenta,
Amarillo y Negro. Su uso principalmente es para dispositivos como impresoras (Ford & Roberts,
1998; Noor et al., 2012), su representacin puede evidenciarse en la figura 5-12.
Figura 5-12: Representacin del modelo de color CMYK. Adaptado de (Noor et al., 2012)
Modelos de color HSI, HSV, HSL: esta familia de modelos se basan en funcionamiento el
sistema visual humano, permiten fcilmente seleccionar el color deseado modificando
ligeramente mediante ajustes la saturacin y la intensidad del color. Se afirma que este tipo de
modelos presentan ventajas en aplicaciones como el procesamiento de imgenes (Ford &
Roberts, 1998; Noor et al., 2012).
Modelos de color YUV, YIQ, YCbCr: son los modelos de color utilizados en la transmisin de
televisin a color, se caracterizan por ser independientes del dispositivo. Para el modelo YUV el
componente Y se refiere a la luminancia y los componentes U y V determinan la cromaticidad.
El modelo YIQ fue desarrollado en 1950 para utilizar la sensibilidad del sistema visual a un
cambio de luminancia o de saturacin. Finalmente, el modelo YCbCr est compuesto por la
luminancia Y, los componentes Cb y Cr se destacan porque intervienen en la diferencia del azul
y rojo (Noor et al., 2012).
El anlisis de imgenes involucra la investigacin de los datos que sta puede proporcionar de
acuerdo a la aplicacin especfica, adems se debe determinar el mtodo para extraer dicha
informacin. Este proceso requiere el uso de herramientas para lograr la segmentacin de la
imagen, adems de la transformacin y extraccin de la informacin. ste ltimo paso, es el
proceso que permite la adquisicin de la mayor informacin de la imagen, como la forma o el
color de la misma (Umbaugh, 2010). El anlisis de imgenes y la visin computarizada estn
ligadas, ya que sta ltima es la ciencia que desarrolla la base terica y algortmica mediante la
cual la informacin til de un objeto o escena, se logra extraer de forma automtica y se logra
analizar desde la observacin de una o varias imgenes (Gunasekaran, 1996).
La visin computarizada depende de las aplicaciones para las cuales se va a trabajar, implican
tareas que son tediosas para aquellos que la desarrollan, requieren su desempeo en un
ambiente poco agradable, requiere alta tasa de procesamiento, o el acceso y uso de una
amplia cantidad de informacin de bases de datos, este sistema puede desarrollar actividades
como la bsqueda de artculos o elementos defectuosos y automticamente enviar seales
para ser eliminado (Umbaugh, 2010) . En la figura 5-13 se presenta el diagrama de adquisicin
y procesamiento de imgenes digitales que son proceso bsicos de la visin computarizada.
48 Estimacin de las coordenadas CIEL*a*b* en concentrados de tomate utilizando
imgenes digitales.
Pre-
procesamiento Segmentacin
Iluminacin
Medicin
Cmara
Muestra
Interpretacin Resultado
Para lograr un resultado mejorado en las caractersticas obtenidas de una imagen se deben
realizar una serie de pasos que al realizarlos con cuidado pueden dar informacin ptima:
adquisicin de imgenes, pre-procesamiento, segmentacin, medicin y la interpretacin
(Gunasekaran, 1996).
Figura 5-14: Componentes y estructura tpica de una red neuronal artificial. Adaptado de
(Altiparmak, Dengiz, & Smith, 2009).
50 Estimacin de las coordenadas CIEL*a*b* en concentrados de tomate utilizando
imgenes digitales.
Considerando que una neurona recibe mltiples entradas simultneas, cada una de stas tiene
un peso relativo que le proporciona la importancia como entrada dentro de la funcin final de la
Marco Terico 51
neurona. Lo anterior indica que algunas de las entradas tendran un mayor o menor peso,
indicando un mayor o menor efecto dentro del procesamiento de la neurona que al combinarse
y entrenarse produce al final la respuesta esperada. Los pesos son coeficientes que se adaptan
al generar la red neuronal, determinando la intensidad de la seal registrada por cada neurona,
midiendo la fuerza de conexin de entrada, para ser procesada por la funcin de transferencia
seleccionada (Gestal, 2009).
Las funciones de transferencia permiten realizar todas las operaciones necesarias para lograr
una salida de la neurona, la seleccin de la misma vara de acuerdo a la RNA que se est
trabajando (Rivera, 2007) . Las funciones de transferencia de mayor uso se presentan en la
tabla 5-10:
Tabla 5-10: Funciones de transferencia en Redes Neuronales Artificiales (Gestal, 2009; Rivera,
2007; C. A. Ruiz & Matich, 2001)
Tipo de
Representacin
Funcin de la Caractersticas Ecuacin
grfica
Neurona
Se presenta cuando la
=
salida de la neurona es
linealmente dependiente de
Donde:
Funcin Lineal las entradas, proporcional a
la funcin de transferencia y
= 1
activacin.
= 0 <
Krajayklang, Klieber y Dry (2000), investigaron los cambios de color en diferentes etapas de la
cosecha y la adicin de etileno en frutos de paprika y chile, para evaluar la relacin del color en
la calidad, sabor picante y rendimiento de las frutos despus de cosechados. La medicin de
color se realiza en tres momentos: inicialmente, el color externo o de la piel de los frutos se
evalu diariamente en una escala subjetiva donde cero (0) corresponde verde claro y once (11)
al color rojo oscuro (parcialmente secas). La segunda medicin se realiza al color de la
superficie del polvo de los frutos usando un colormetro CIEL*a*b* realizando una lectura para
cada muestra. Finalmente se realiza la medicin del color extrable de acuerdo a las unidades
de la Asociacin Americana de Comercio de Especias (ASTA), utilizando una dilucin en
acetona midiendo la absorcin de esta solucin a 460 nm. Se obtuvo como resultado, que el
color rojo aceptable se lograba a los 10 das de almacenamiento y en el etileno no se present
ningn efecto en el color o la calidad en los frutos estudiados, nicamente se present un
retraso en el desarrollo del color de pimentn. El color de las especias no se vio afectado por el
tratamiento con etileno, se evidenci un cambi de color a medida que aumentaba la etapa de
cosecha, las especias obtenidas de los frutos mas rojos presentan un color rojo oscuro para
ambas especies. Los frutos cosechados verdes presentaron un color de 50 a 60 unidades
ASTA para pimentn y 25 a 40 para chile, mientras que para frutos maduros alcanzaron un
mximo de 194 y 120 unidades ASTA para pimentn y chile respectivamente.
Estado del arte 53
Lau, Tang y Swanson (2000), evaluaron los cambios de color y textura en esprragos verdes
durante tres tratamientos: a tiempo de coccin corto, escaldado y pasteurizacin, para
desarrollar modelos cinticos que logren describir el comportamiento de las condiciones en la
matriz alimentaria mencionada. La medicin de 10 muestras de diferentes segmentos de los
esprragos se realiz con un colormetro Minolta, obteniendo valores de las coordenadas
L*a*b* de las superficies de las muestras tratadas. Como resultado a medida que se
incrementa el tiempo y las condiciones del tratamiento trmico el color de los esprragos vara
desde verde hasta que el calentamiento prolongado causa el deterioro de la clorofila finalmente
llegando a un color amarillo o marrn. Los autores determinaron que los cambios del color
superficial de los esprragos sigui una cintica de primer orden.
Ahmed, Shivhare y Singh (2004), investigaron sobre la cintica de degradacin del color
durante el tratamiento trmico en pur de hojas de cilantro, las caractersticas reolgicas y su
estabilidad en almacenamiento. La cintica de degradacin trmica se bas en cinco
temperaturas (50, 65, 80, 95 y 110C) considerando un tiempo de 0 a 60 minutos. La medicin
del color se realiz con un colormetro Hunter. Los valores encontrados en cilantro fresco
fueron para L*, a* y b* fueron 16,57, 3,65 y 7,94 respectivamente, disminuyendo durante el
tratamiento trmico donde los valores oscilaron desde 15,10 a 15,64 para L*, 1,03 a 2,63 para
a*, 6,05 a 7,23 para b*, despus de 60 minutos. Se encontr que la degradacin de color sigui
una cintica de reaccin de primer orden.
Tiwari, Muthukumarappan, O Donnell y Cullen (2008), estudiaron el efecto del uso de ozono en
concentraciones de 1,2 a 4,8% w/w, considerando flujo de gas, concentracin y tiempo de
tratamiento entre 2 y 10 minutos, en el color de zumo de naranja recin exprimido, y la
modelacin de la degradacin de los parmetros de color, la determinacin del color se realiz
mediante un colormetro HunterLab. Los autores encontraron que los efectos del flujo del gas (0
0,25 L min-1), la concentracin del ozono (1.2 a 4.8% w/w) y el tiempo de tratamiento (2 a 10
min), logr un cambio en las coordenadas a* y b* entre 0,78 a 10,84, 34,76 a 59,74,
respectivamente, y un comportamiento de cambio mucho menor se observ en la coordenada
L*.
Niamnuy, Devahastin, Soponronnarit y Vijaya Raghavan (2008), investigaron los efectos a largo
plazo de las condiciones de secado y almacenamiento (temperatura de secado y
almacenamiento y las condiciones atmosfricas del empaque) en la cintica de degradacin de
astaxantina y los cambios de color de camarn seco, adems determinaron las relaciones entre
la degradacin de carotenoides y los cambios de color en camarones secos durante el
almacenamiento. La medicin del color se realiz a travs colorimetra al menos con cinco
mediciones en diferentes posiciones de la muestra. Los resultados evidencian que a mayor
temperatura se incrementa el contenido de astaxantina, y de los valores L*a*b* de camarn
seco a 100C y 120C comparado con el tratamiento a 80C. El desarrollo de un modelo
cintico de primer orden fue el que present el mejor ajuste para la degradacin de astaxantina
y los datos de cambio de color.
Lu, Tan, Shatadal y Gerrard (2000), evaluaron la capacidad de una red neuronal y un modelo
matemtico alimentado con las caractersticas de color de imgenes de lomo fresco de cerdo,
para conocer si logra predecir el color evaluado sensorialmente mediante una escala de 1 a 5.
La adquisicin de las imgenes se realizaron inmediatamente despus de la evaluacin
sensorial bajo las mismas condiciones de iluminacin y usando un montaje bsico de un
sistema de visin computarizada a color. Los resultados obtenidos indican que el anlisis de
imgenes digitales en conjunto con la red neuronal o el modelo estadstico se puede utilizar
para predecir las puntuaciones obtenidas con el anlisis sensorial, logrando una mejor
prediccin con el uso de redes neuronales con un error inferior a 0,6% en el 93,2% de las
muestras evaluadas.
Wang y Sun (2001) utilizaron un mtodo de visin computarizada para medir las propiedades
de fusin de queso chedar y su pardeamiento durante la coccin, con el fin de evaluar si el
mtodo permite medir en forma simultnea dichas propiedades. La adquisicin de imgenes en
formato RGB se realiz bajo un sistema bsico de adquisicin de imgenes, constituido por
lmparas fluorescentes de 11W y temperatura de color 5000 K. El pardeamiento se present
levemente en el tratamiento a 70C, incrementndose a medida que la temperatura de coccin
aumentaba. Finalmente, los autores encontraron que el nuevo mtodo de medicin simultnea
es objetivo, preciso y eficaz para medir la fusin y pardeamiento de queso chedar.
Yam y Papadakis (2004), presentaron un mtodo sencillo en donde utiliza una cmara digital
para medir el color en coordenadas L*a*b* y su posterior procesamiento en el software
Photoshop, para el anlisis del color de la superficie de pizza sometida a calentamiento en
microondas, considerando que el color en la pizza es un indicador de frescura. Este mtodo
usando imgenes digital, los componentes y el software que se requieren son relativamente
econmicos, el montaje experimental y su funcionamiento son simples, y finalmente las
mediciones en conjunto con los anlisis son adecuados. Se concluy que el mtodo de
imgenes digitales permite realizar mediciones y anlisis de color de la superficie de alimentos,
sin embargo no debe considerarse como sustituto de instrumentos sofisticados de medicin de
colores, se convierte as en una alternativa debido a su simplicidad, versatilidad y bajo costo,
por su parte photoshop es uno de los software ms potentes para acompaar en el anlisis del
color de las imgenes.
Mendoza, Dejmek y Aguilera (2006), estudiaron una tcnica de anlisis de imgenes digitales
por computadora comparado con la colorimetra estndar, para cuantificar el color de acuerdo
al sistema CIEL*a*b*, evaluando los efectos de los cambios en las condiciones en un sistema
de visin computarizada y analizaron la sensibilidad de los espacios de color RGB, L*a*b* y
HSV para representar el color en la superficie de bananos en diferentes estados de madurez y
pimentn rojo. El sistema de visin computarizada de la presente investigacin est compuesto
por: sistema de iluminacin D65, una cmara digital y un sistema de almacenamiento y
Estado del arte 57
procesamiento de imgenes que se realiz con el software Matlab. Para el espacio de color
XYZ obtenido por imgenes digitales comparado con los obtenidos por colorimetra mostraron
un R2>0,97 en todas las regresiones considerndose como un buen rendimiento. Los valores
de luminosidad L* se afectan significativamente al modificar el color del fondo de las imgenes
de blanco a negro. Sin embargo, el anlisis de los espacios de color demostr que el L*a*b* es
el ms adecuado para representar el color de las superficies o materiales iluminados por una
fuente de luz.
Larran, Schaefer y Reed (2008), evaluaron el uso de imgenes digitales obtenidas en RGB
para calcular las coordenadas de color CIEL*a*b* de carne, al comparar las coordenadas con el
mtodo estndar utilizando un colormetro con condiciones de observador 2 e iluminante C.
Como resultado se logr determinar que ms del 93% de la varianza observada de las
coordenadas que se miden con colorimetra podra ser explicado utilizando imgenes digitales,
igual comportamiento se logr en el parmetro croma y el ngulo de tono. Finalmente, en ste
estudio se concluye que las coordenadas de color CIEL*a*b* a partir de imgenes digitales
pueden ser utilizados para predecir con exactitud y precisin los valores obtenidos usando un
colormetro, convirtindose en una herramienta prctica para detectar cambios de color en
carne de vacuno y otros alimentos.
Kang, East y Trujillo (2008), estudiaron el efecto de la forma curva de mangos en las
coordenadas de color L*a*b* y los cambios de color de lotes de frutas heterogneas utilizando
un sistema de visin computarizada que permita el anlisis de frutos completos. El sistema
propuesto consta de iluminacin con lmparas fluorescentes, una cmara digital a color y un
sistema para recepcin de las imgenes que permite su procesamiento, las imgenes
adquiridas inicialmente en espacio RGB son posteriormente transformadas en coordenadas
L*a*b*. Los autores confirmaron que los valores de las coordenadas de color a* y b* medidos
en la superficie curva estaban dentro del rango medido para la misma superficie plana. Los
58 Estimacin de las coordenadas CIEL*a*b* en concentrados de tomate utilizando
imgenes digitales.
Matiacevich, Silva, Enrione y Osorio (2011), utilizaron un sistema de visin computarizada para
estudiar los indicadores de calidad asociados a la aceptabilidad del consumidos y que son
necesarios para la exportacin de diferentes cultivares de arndanos cosechados a mano en
Chile evaluando los cambios en almacenamiento. Se adquirieron imgenes de cada uno de los
arndanos en cada tiempo de almacenamiento usando el sistema de visin computarizada que
estaba compuesto por una caja de color negro, cuatro tubos de luz natural (D65) y una cmara
ubicada en posicin vertical a la muestra, cada imagen sometida a las mismas condiciones. Los
resultados del color en coordenadas L*a*b* se obtuvieron con el software Matlab. El anlisis de
imgenes digitales en diferentes cultivares de arndanos detecta los cambios de color de a* y
b* en un 34% de las muestras para todos los cultivares, los cambios entre el color de cultivares
dependen del material gentico de cada uno. El sistema de visin computarizada desarrollado
en la presente investigacin basado en su uso fcil y bajo costo, es una herramienta til para
evaluar las propiedades pticas de frutos como el color, defectos que se desarrollan por la
deshidratacin y crecimiento de hongos.
Girolami, Napolitano, Faraone y Braghieri (2013), investigaron los lmites del colormetro como
instrumento para evaluacin del color en carne, adems plantearon una tcnica de sistema de
visin computarizada para anlisis de imgenes digitales de carne y finalmente probaron la
validez del sistema para su posterior aplicacin y uso. El sistema de visin por computadora
est compuesto por una cmara digital, un sistema de iluminacin con cuatro cmaras
fluorescentes, la cmara se calibr con una carta de 24 colores y una computadora para
almacenar las imgenes. El procesamiento de las imgenes se realiz usando el software
Adobe Photoshop CS3 para obtener sus coordenadas de color L* a* b*. Como resultados,
Estado del arte 59
definieron que el colormetro no es instrumento que pueda usarse para medir el color de una
forma adecuada, ya que no funciona en superficies no homogneas y en una matriz translcida
como la carne. Por su parte, el mtodo con el sistema de visin computarizada permite
mediciones vlidas que reproducen un color muy similar al real, puede ser utilizado
posteriormente y tiene una ventaja en trminos econmicos.
Castro Camacho, Cerquera Pea y Gutirrez Guzmn (2013), analizaron la evolucin del color
de la piel de guayaba pera cultivada en el departamento del Huila (Colombia) para tres tipos de
cosecha almacenadas en condiciones ambientales normales (temperatura 26C y humedad
relativa 85%) y refrigeradas (temperatura 7,5C y humedad relativa 58%), utilizando un sistema
de visin computarizada donde las imgenes obtenidas para las guayabas fueron determinadas
en dos espacios de color RGB y CIEL*a*b*, el objetivo principal fue conocer el inicio y duracin
del periodo de madurez de consumo, logrando implementar operaciones que permitan alargar
la vida til poscosecha. Se determin una degradacin del color desde verde intenso hacia
colores ms claros verdes o amarillentos en todas las muestras, sin embargo los frutos
almacenados bajo refrigeracin no alcanzaron el color amarillo caracterstico de la madurez de
consumo. La evolucin clara del color durante el tratamiento en las guayabas permiti la
elaboracin de cartas de color digitales que pueden ser utilizadas en las etapas de cosecha y
poscosecha.
Saldaa, Siche, Castro, Huamn y Quevedo (2014), desarrollaron una investigacin para
disear, aplicar y calibrar un sistema de visin computarizada para uso en tiempo real que
permita medir el color en trozos de yacn. El sistema desarrollado consiste en dos etapas, una
que permite la adquisicin de las imgenes y la segunda que permite el procesamiento y
anlisis de las imgenes. Los resultados obtenidos con el anlisis de las imgenes digitales se
compararon con los obtenidos con un colormetro como instrumento convencional. El algoritmo
desarrollado utilizando el software Matlab permite obtener informacin sensorial importante
sobre el color de los trozos de yacn obteniendo los parmetros de color CIEL*a*b* con errores
bajos, igualmente el sistema planteado ayuda a estudiar cambios de color en productos
mnimamente procesados logrando que pueda utilizarse para medir en tiempo real la calidad
del color en los alimentos y poder desarrollar un sistema de control para ste parmetro.
Batu (2004), determinaron los valores de firmeza mnimos aceptables de frutos de tomate de
dos cultivares en el momento de la cosecha y despus del almacenamiento, relacionando sta
valoracin a una escala subjetiva con paneles, como segundo objetivo determinaron los valores
de color de tomate usando dos mtodos: la clasificacin de color de la USDA de acuerdo a 6
etapas de color en tomate y un mtodo instrumental usando un colormetro Minolta. De acuerdo
al estudio, la coordenada a* es un parmetro que determina el desarrollo del color rojo y el
grado de maduracin en el tomate, mientras que b* es el parmetro que indica la decoloracin
amarilla, los cambios de color en los tomates son registrados como la relacin a*/b*. Los
resultados del colormetro indican que el valor a*/b* incrementan a medida que aumentan las
etapas del color de la clasificacin USDA. Los valores de la fase roja en los frutos de tomate
permitieron valores en un rango a*/b* entre 0,95 y 1,21 siendo frutos que pueden
comercializarse con mayor facilidad.
Lana, Tijskens, de Theije, Hogenkamp y van Kooten (2006), evaluaron los cambios que se
presentan en las propiedades pticas en tomate cortado y almacenado en fro, adems
estudiaron el uso de imgenes digitales de video para medir el color y su transformacin del
espacio RGB a coordenadas en espacio L*a*b* con el fin de expresar los cambios que se
presenten. La adquisicin de las imgenes digitales se realiz utilizando una cmara de video,
un computador y una caja con determinada iluminacin conformada por cuatro lmparas
fluorescentes. Los resultados obtenidos se presentaron en RGB para dos fondos: blanco y
negro, igualmente correlacionaron los resultados de las imgenes digitales utilizando el
colormetro como instrumento estndar. Las correlaciones entre la coordenada de color L* fue
alta (R2= 0,99) con el espacio RGB en los dos fondos usados para las imgenes. La
coordenada a* fue altamente correlacionado con el valor rojo (R2=0,98 y 0,96 para el fondo
blanco y negro respectivamente).
Loureiro Lino, Sanches y Dal Fabro (2008), estudiaron una metodologa para adaptar el
software ImageJ que permita una clasificacin en cuanto a forma, volumen, color y daos
fsicos para tomates y limones, logrando una tcnica a bajo costo y confiable para clasificacin
de frutas. El sistema de visin computarizada se basa en una cmara digital a color y una
computadora, obteniendo las imgenes en el espacio de color RGB, logrando procesarlas y
analizarlas mediante el software ImageJ. Para frutos de tomate se present una variacin en
donde el color rojo se incrementaba a medida que incrementaba la maduracin por desarrollo o
aparicin del licopeno y se presenta una disminucin del color verde indicando degradacin de
la clorofila. El estudio permite concluir que la clasificacin de tomates por color puede ser
desarrollada usando el software ImageJ para el anlisis de imgenes.
Veliolu et al. (2011), analizaron pasta de tomate para medir su color de acuerdo a las
coordenadas de color L*, a*, b* y a*/b, adems detectando las manchas oscuras presentes en
ste producto para finalmente proponer un mtodo usando anlisis de imgenes digitales y
redes neuronales para la determinacin de las manchas oscuras de una forma automtica y la
evaluacin del color como ndice de calidad de una forma rpida. La adquisicin de las
imgenes se desarroll utilizando una caja negra para escanear la superficie de las muestras
de pasta de tomate y las imgenes se almacenaron en formato JPEG cuya informacin se
encontraba en el espacio de color RGB. El modelo que mostr el mejor rendimiento fue redes
neuronales para el clculo de todas las variables de estudio en la pasta de tomate. El color de
la paste de tomate vara entre amarillo y rojo donde ste ltimo es el que prevalece, la presente
investigacin permite concluir que la metodologa desarrollada es eficaz en la evaluacin
automtica del color de pasta de tomate.
Padrn, Padrn L, Montes y Oropeza (2012), evaluaron los cambios de color de muestras de
tomate durante dos tratamientos: maduracin a temperatura ambiente y en refrigeracin,
usando un sistema de visin computarizada compuesto por una cmara digital, un sistema de
62 Estimacin de las coordenadas CIEL*a*b* en concentrados de tomate utilizando
imgenes digitales.
Stinco et al. (2013), correlacionaron los ismeros de licopeno determinados por HPLC y el color
de los genotipos de tomates y derivados mediante espectroradiometra e imgenes digitales
obtenidas de un sistema de visin computarizada, como metodologas no destructivas de
estimacin. El sistema de adquisicin de imgenes consisti en una cmara digital, un sistema
de iluminacin controlada y una computadora, el procesamiento de imgenes obtenidas en el
espacio de color RGB se realiz con el software DigiPix, adems se analizaron las variables L*,
a* y b*. Como resultado se presentaron diferencias significativas entre las muestras frescas y
procesadas para los dos mtodos de adquisicin del color. En las muestras procesadas los
valores de a* fueron significativamente mayores, mientras que L* fue relativamente menor en
comparacin con tomates frescos en las imgenes digitales. La correlacin entre los valores de
las variables de color obtenidas por los dos mtodos dieron como resultado coeficientes de
regresin altos para L*, a* y Chroma, lo cual puede indicar que ambas tcnicas pueden usarse
para evaluar la coloracin de los productos derivados de tomate.
El estado del arte permite concluir que existen avances significativos en el manejo de las
imgenes digitales como mtodo alternativo para la determinacin de caractersticas de calidad
como el color en la industria alimentaria y no alimentaria, logrando reducir tiempo de ejecucin
en tcnicas y costo para la obtencin de parmetros fsicos. Adems el uso de modelos
matemticos y redes neuronales artificiales para la estimacin de las coordenadas de color
L*a*b*.
7. Materiales y Mtodos
Para la correcta medicin de las muestras se calibr el equipo antes de la medicin de cada
lote de pasta y pur de tomate, usando una placa blanca de valores para D65 Y=89.5,
x=0.3176, y=0.3347.
Colormetro
Muestra
= 1 (13)
2 2 0.5
= + (14)
Cmara digital a color marca Canon modelo PowerShot A550 de 7,1 Megapixeles. Las
condiciones de la cmara son: Tiempo de exposicin +1/3, ajuste de blanco automtico
(AWB), resolucin de las imgenes 3072x2304 L, ISO 200, Flash desactivado,
temporizador para adquisicin de la imagen de 10 segundos y altura de la muestra al
foco de 10 cm.
Cmara Digital
Muestra
Caja negra
a) b) c)
66 Estimacin de las coordenadas CIEL*a*b* en concentrados de tomate utilizando
imgenes digitales.
Para la obtencin de las coordenadas de color L*a*b* a partir de las imgenes digitales se
utilizaron:
3 Software: Matlab, ImageJ y Adobe Photoshop C5S.
2 modelos matemticos: Modelo directo y Modelo gamma
Redes Neuronales Artificiales
La extraccin de las coordenadas de color L*a*b* de cada imagen digital se realiz utilizando el
software Matlab con el cdigo de color adaptado de Gkmen y Sgt (2007) descrito en el
Anexo 1 y mediante la tcnica descrita por Len et al. (2006), en donde se adquiere los valores
de la regin seleccionada en RGB y calcula los valores medios L*a*b* para cada pixel de la
imagen, obteniendo al final un promedio de cada coordenada.
Inicialmente se selecciona cada una de las 225 imgenes de pasta y las 225 de pur para ser
procesadas de acuerdo al cdigo de color, ste permite seleccionar manualmente el rea para
extraer la informacin en coordenadas de color L*a*b* para finalmente obtener los valores
medios de cada coordenada como se presenta en la figura 7-4.
a) b) c)
Materiales y Mtodos 67
Figura 7-4: Procesamiento de una imagen utilizando el software Matlab a)Imagen inicial
seleccionada con el cdigo de color, b) Seleccin manual del rea a analizar y c) Valores
promedio de L*a*b* del rea seleccionada.
La obtencin de las coordenadas de color utilizando el software libre ImageJ inicia con la
seleccin de cada una de las imgenes para ser procesadas, el software carga la imagen y
permite delimitar el rea a procesar, finalmente se obtienen los valores en el espacio RGB
(Loureiro Lino, Sanches, & Dal Fabro, 2008), las fases del procesamiento se pueden observar
en la figura 7-5.
a) b) c)
Figura 7-5: Procesamiento de una imagen utilizando el software ImageJ, a) Imagen cargada en
el software, b) Seleccin del rea a analizar y c) Coordenadas de color RGB (Fuente: autora).
Al obtener las coordenadas en el espacio RGB se requiere del uso de la herramienta del
software ImageJ donde Open RGB permite la obtencin de las correspondientes coordenadas
L*a*b*, calibrado para observador e iluminante D65/2 se presenta en la figura 7-6.
68 Estimacin de las coordenadas CIEL*a*b* en concentrados de tomate utilizando
imgenes digitales.
Figura 7-6: Obtencin de las coordenadas L*a*b* a partir de coordenadas RGB del
procesamiento con ImageJ.
Figura 7-7: Procesamiento de imgenes digitales con el software Adobe Photoshop C5S.
Se obtienen las coordenadas de color CIEL*a*b* utilizando el modelo directo que se compone
de seis ecuaciones que permiten en una primera fase la transformacin de RGB a XYZ y la
segunda fase la transformacin de las coordenadas XYZ a L*a*b* (Len et al., 2006; Wu & Sun,
2013). Para cada valor en RGB obtenido de las imgenes digitales de pasta y pur de tomate
se determina mediante el mtodo directo sus correspondientes coordenadas L*a*b*.
Con los resultados obtenidos de las ecuaciones 2-4 se desarrolla la segunda fase del modelo
directo en donde los valores estndar cromticos Yn=1.0, Xn=0.950455 y Zn=1.088753 estn
determinados de acuerdo al observador e iluminante D65/2 (Dowlati et al., 2013).
1
3
116 16 > 0.008856
= 15
903.3 0.008856
1 1
3 3
= 500
(16)
1 1
3 3
= 200
(17)
Este modelo agrega un factor gamma () como factor de correccin de los valores RGB
obtenidos a partir de las imgenes digitales, logrando un ajuste y una mejor calibracin del
modelo de transformacin, para llevar a cabo su propsito, este modelo agrega 2 parmetros
que corresponden a los valores de 1, 2 y el valor del factor gamma () (Dowlati et al., 2013;
70 Estimacin de las coordenadas CIEL*a*b* en concentrados de tomate utilizando
imgenes digitales.
Len et al., 2006). El factor gamma por lo general tiene valores en el rango de 2,3-2,6 sin
embargo la mayora de los monitores de computadora muestran un factor gamma 2,2 con una
desviacin estndar de 0,2 para la visualizacin ajustada de las imgenes digitales a color
(Mendoza, Dejmek, & Aguilera, 2006). Realizando el ajuste a la matriz M, la primera fase de la
transformacin se obtiene a partir de la multiplicacin de la matriz M por el vector
correspondiente a los valores RGB de cada imagen, al igual que el mtodo directo (Len et al.,
2006).
11 12 13
= 21 22 23 (18)
31 32 33
Las ecuaciones 19-21 presentan la solucin de la operacin entre la matriz M por el vector
RGB (Dowlati et al., 2013):
7.3.4.6 La segunda fase de la transformacin utiliza las ecuaciones 13-15 del modelo
directo.
Como datos de alimentacin se tienen las coordenadas RGB de las imgenes digitales y como
datos de salida las coordenadas de color L*a*b* del mtodo instrumental estndar por
colorimetra y sus correspondientes parmetros cromticos C, h y a*/b*, analizados
individualmente. Se ampla la metodologa en el apartado 7.4. Las figuras 7-8 y 7-9 representan
las redes neuronales de la investigacin:
Figura 7-8: Redes neuronales para la estimacin de las coordenadas L*, a*, b*.
Materiales y Mtodos 71
El error de la estimacin para cada una de las coordenadas L*a*b* se calcul de acuerdo a las
ecuaciones 22-24, donde se compara las coordenadas estndar por colorimetra con cada una
de las estimadas por los 5 mtodos (Matlab, ImageJ, Adobe Photoshop C5S, Modelo
directo y Modelo gamma). Los errores se calculan teniendo en cuenta el promedio de N
mediciones desde i=1 hasta N (Len et al., 2006):
1
= (22)
=1
1
= (23)
=1
1
= (24)
=1
Finalmente con el fin de evaluar el rendimiento del modelo se calcula el error medio con la
ecuacin 25:
+ +
= (25)
3
72 Estimacin de las coordenadas CIEL*a*b* en concentrados de tomate utilizando
imgenes digitales.
Como datos de alimentacin de la red se usa las coordenadas L*a*b*, las cuales son incluidos
en la red neuronal individualmente como se muestra en la figura 7-10. Igualmente se analizar
los parmetros en conjunto alimentando la red con las tres (3) coordenadas de color L*a*b*
obtenidos por colorimetra y las coordenadas tres (3) coordenadas de color L*a*b* obtenidas
por cada mtodo alternativo (figura 7-11).
Las redes neuronales artificiales funcionan en tres etapas: entrenamiento, validacin y prueba,
y requieren el uso de los datos de alimentacin que permitan su desarrollo. Sin embargo no
existe una regla general que permita decidir el porcentaje de los datos para cada una de las
etapas. Por lo tanto en la presente investigacin se realiza una etapa preliminar que permita el
nmero ptimo de neuronas de la capa oculta, se inicia con 8 neuronas y se va incrementando
Materiales y Mtodos 73
la formacin, los resultados mostraron que el mejor rendimiento se logr con 10 neuronas
(Len et al., 2006).
Para el anlisis del uso de redes neuronales para estimacin de coordenadas usando cada
modelo, se evaluarn los coeficientes de correlacin y el error medio obtenido a partir del
entrenamiento, validacin y evaluacin de las redes.
El anlisis estadstico se efectu por comparacin de medias, obtenidas de 225 datos en una
prueba de T-Student para muestras independientes, con un intervalo de confianza del 95% en
el software estadstico SPSS Statistics Versin 20.
8. Resultados y Discusin
Por otra parte, de acuerdo a los resultados del parmetro a*/b* (pur = 2,313 0,135 y pasta
=2,664 0,094) obtenido por colorimetra, como indicador de calidad en derivados de tomate,
los dos productos analizados en la presente investigacin coinciden con los reportados por la
Comisin de las Comunidades Europeas con valores de 2,10,1 (Commission of the European
Communities, 1991), 2,3 (Kent & Poretta, 1990) y 2,29 (Brimelow, 1987). Para las coordenadas
L*a*b*, resultados similares en la coordenada a* descrita como estndar europeo por Brimelow
(a = 33.9) y el obtenido por Matlab (Pur =32,750 0,898 y Pasta =30,954 1,355) fueron
encontrados.
Producto Tratamiento L a b
Colorimetra 31,845 0,482 27,222 0,501 11,802 0,579
Pur
Matlab 34,128 1,277 32,750 0,898 23,543 1,597
T- Student *** *** ***
Colorimetra 30,216 0,593 30,587 1,037 11,502 0,643
Pasta
Matlab 29,904 1,107 30,954 1,355 22,975 1,365
T-Student *** *** ***
NS=No significativo p>0,05; *p<0,05; **p<0,01; ***p<0,001
76 Estimacin de las coordenadas CIEL*a*b* en concentrados de tomate utilizando
imgenes digitales.
Con el fin de conocer una evaluacin concreta de las diferencias por cada muestra por
tratamiento, se calcul el error individual por coordenada y el error medio usando las
ecuaciones 12 a 15 relacionadas en la metodologa. Los resultados permiten evidenciar errores
individuales para las coordenadas L* y a* en pasta de tomate mucho menores que en pur
(Tabla 8-3), esto puede explicarse porque la pasta de tomate es un producto con menos
contenido de agua lo que le confiere una opacidad y estabilidad en toda su estructura esto se
evidencia por su alto contenido de slidos solubles entre el 17-19 % en el producto evaluado,
por su parte el pur de tomate a pesar de ser un concentrado tiene un contenido de agua que
le confiere una capa externa brillante que no permite distribuir uniformemente las partculas de
tomate en la muestra a medir, el pur de tomate evaluado en la presente investigacin tiene un
contenido de slidos solubles de ms del 9%. Se define como el mejor mtodo aquel que
permita resultados cercanos a 1 (Len et al., 2006), en este sentido, utilizar el software Matlab
puede considerarse como una alternativa para el procesamiento de imgenes digitales con el
fin de obtener las coordenadas L* y a* para los dos productos de tomate con mayor
confiabilidad.
Tabla 8-2: Error de estimacin y error medio para las coordenadas L*a*b* en pur y pasta de
tomate utilizando Matlab (valores corresponden a: Media Desviacin estndar).
Producto Error L* a* b*
Error de estimacin 2,297 1,113 2,303 0,357 4,892 0,500
Pur
Error medio 3,164 0,405
Error de estimacin 0,768 0,608 0,351 0,255 4,780 0,437
Pasta
Error medio 1,966 0,225
El software Matlab produce errores de estimacin individual bajos tanto en pur como en pasta
de tomate, mientras que el error medio que relaciona las tres coordenadas de color es mucho
menor en pasta que en pur, lo anterior define que la metodologa de anlisis de imgenes
digitales con Matlab puede ser utilizada para determinar las coordenadas de color y parmetros
(Tabla 8-4) en los concentrados de tomate con buenos rendimientos. Una desventaja de esta
Resultados y Discusin 77
Tabla 8-3: Error de estimacin para los parmetros cromticos C, h y a*/b* en pur y pasta de
tomate utilizando Matlab (valores corresponden a: Media Desviacin estndar).
Las coordenadas de color L*, a* y b* difieren de lo reportado por Patras, et al (2009) para pur
de tomate y con los resultados obtenidos por Deda, et al (2007) en pasta de tomate, igual
comportamiento se presenta para los parmetros cromticos C* y h, como se puede observar
en la tabla 8-5. La amplia separacin presentada en la coordenada b* obtenida por colorimetra
y las imgenes digitales procesadas utilizando el software ImageJ, se debe probablemente a
que las muestras iniciaron un proceso de oxidacin e isomerizacin que oscurecieron la
superficie de la muestra y de la cual se obtuvo cada imagen digital (Melndez Martnez et al.,
2004), adems estos procesos incrementan la reflectancia y al medir el color en muestras de
color rojo (pur y pasta de tomate) se presentar un color ms concentrado en la zona roja del
espectro (Blum, 1997), igual comportamiento se present en los software Matlab y Photoshop.
La Commission Internacionale dEclairage (CIE) define que el valor de la relacin a*/b* para
pasta de tomate debe ser como mnimo de 1,8, describiendo este como el color deseable para
la pasta de tomate que est entre el rojo y el amarillo, pero sobre todo cerca de rojo, con lo
anterior, se puede evidenciar que las muestras analizadas cumplen con este requerimiento de
calidad en color en productos derivados de tomate (Veliolu et al., 2011). El parmetro a*/b* de
acuerdo a colorimetra est dentro de los valores aceptables para alta calidad el cual debe
alcanzar un valor cercano a 2,29 (Brimelow, 1987), igualmente la presente investigacin
coincide con Kent y Poretta en 1990 un valor de 2,3.
78 Estimacin de las coordenadas CIEL*a*b* en concentrados de tomate utilizando
imgenes digitales.
Tabla 8-4: Coordenadas L*a*b* y parmetros a*/b*, C, h obtenidos por colorimetra versus los
resultados de ImageJ en pur y pasta de tomate (valores corresponden a: Media Desviacin
estndar).
Producto Tratamiento L a b
Colorimetra 31,845 0,482 27,222 0,501 11,802 0,579
Pur
ImageJ 34,274 1,263 31,950 0,998 22,933 1,615
T- Student *** *** ***
Colorimetra 30,216 0,593 30,587 1,037 11,502 0,642
Pasta
ImageJ 29,908 1,111 30,164 1,439 22,353 1,350
T-Student *** *** ***
NS=No significativo p>0,05; *p<0,05; **p<0,01; ***p<0,001
Tabla 8-5: Error de estimacin y error medio para las coordenadas L*a*b* en pur y pasta de
tomate utilizando ImageJ (valores corresponden a: Media Desviacin estndar).
Producto Error L* a* b*
Error de estimacin 2,439 1,110 1,970 0,392 4,638 0,504
Pur
Error medio 3,016 0,380
Error de estimacin 0,728 0,624 0,365 0,290 4,521 0,429
Pasta
Error medio 1,871 0,235
Resultados y Discusin 79
Los errores tanto para coordenadas como para parmetros de color en pasta de tomate (Tabla
8-7) permiten definir que el uso de el software ImageJ puede ser utilizado con alta confiabilidad
para analizar imgenes digitales con el fin de obtener la informacin sobre el color ya que estos
valores se encuentran cercanos a 1 (Len et al., 2006).
Tabla 8-6: Error de estimacin para los parmetros cromticos C, h y a*/b* en pur y pasta de
tomate utilizando ImageJ (valores corresponden a: Media Desviacin estndar).
Los valores de la coordenada a* indica el color rojo caracterstico de los derivados de tomate, la
coordenada L* con un mayor valor en pur indica que ese producto tiene un poco ms de brillo,
mientras que los valores de b* indican que el pur tiene un leve color amarillo ms que la pasta
de tomate (Tabla 8-8), esto debido al contenido de slidos solubles de cada uno de los
productos evaluados.
Tabla 8-7: Coordenadas L*a*b* y parmetros a*/b*, C, h obtenidos por colorimetra versus los
resultados de Adobe Photoshop C5S en pur y pasta de tomate (valores corresponden a:
Media Desviacin estndar).
Producto Tratamiento L a b
Colorimetra 31,845 0,482 27,222 0,501 11,802 0,579
Pur
Photoshop 34,160 1,306 32,773 0,967 23,622 1,602
T- Student *** *** ***
Colorimetra 30,216 0,593 30,587 1,037 11,502 0,643
Pasta
Photoshop 29,378 1,155 30,280 1,270 25,458 1,932
T- Student *** ** ***
80 Estimacin de las coordenadas CIEL*a*b* en concentrados de tomate utilizando
imgenes digitales.
En cuanto a los errores individuales y errores medios, stos son mayores que los obtenidos con
los software Matlab e ImageJ, encontrando en Photoshop errores medios para pasta con
valores de 3,179 0,411 y para pur 2,529 0,518 (Tabla 8-9). Para los errores individuales la
coordenada a* es la que permitira una estimacin ms confiable usando esta alternativa en
pasta de tomate con un error de estimacin de 0,488 0,422.
Tabla 8-8: Error de estimacin y error medio para las coordenadas L*a*b* en pur y pasta de
tomate utilizando Adobe Photoshop C5S (valores corresponden a: Media Desviacin
estndar).
Producto Error L* a* b*
Error de estimacin 2,319 1,121 2,300 0,368 4,918 0,485
Pur
Error medio 3,179 0,411
Error de estimacin 1,282 1,083 0,488 0,422 5,815 0,744
Pasta
Error medio 2,529 0,518
En cuanto a parmetros cromticos, solamente la relacin a*/b* puede ser estimada con alta
confiabilidad logrando errores menores o cercanos a 1 tanto para pur y pasta de tomate
(Tabla 8-10). Finalmente, la presente investigacin permite definir que Photoshop puede
utilizarse para determinar las coordenadas de color L*, a* y el parmetro a*/b* tanto en pasta
de tomate como pur, con una alta confiabilidad.
Tabla 8-9: Error de estimacin para los parmetros cromticos C, h y a*/b* en pur y pasta de
tomate utilizando Adobe Photoshop C5S (valores corresponden a: Media Desviacin
estndar).
Los resultados de correlacin para cada variable en pur y pasta de tomate, de acuerdo a la
prueba T-Student entre el mtodo estndar por colorimetra y el modelo directo, permiten
evidenciar diferencias altamente significativas (p<0,001) en las coordenadas L*a*b* y los
parmetro a*/b*, h, C. Las mayores diferencias pueden observarse en la coordenada L* con
valores para colorimetra de 31,845 0,482 y 30,216 0,593 en pur y pasta de tomate,
mientras que el modelo directo permiti definir valores de 56,224 0,123 y 57,659 0,230
igualmente para pur y pasta (Tabla 8-11), los resultados obtenidos con el modelo directo de la
coordenada a* permite observar una tendencia a color rojo claro en ambos productos, esto por
un mayor grado de luminosidad representado por los valores altos en la coordenada L*.
De acuerdo a los resultados del parmetro de calidad a*/b* (Tabla 8-11) los dos productos
cumplen con el valor de calidad mnimo en pur de tomate, sin embargo, no se cumple con el
valor mnimo de 1,8 en pasta de tomate (Brimelow, 1987; Kent & Poretta, 1990; Veliolu et al.,
2011), los valores con el alto grado de diferencia que se presentan en los modelos
correlacionados para los dos productos puede deberse a una falta de ajuste en la tcnica en
cuanto a transformacin de las coordenadas de RGB a L*a*b*, ya que no incluye dentro del
procedimiento un factor de correccin de las coordenadas RGB a diferencia del Modelo
Gamma (Len et al., 2006).
Tabla 8-10: Coordenadas de L*a*b* y parmetros a*/b*, C, h obtenidos por colorimetra versus
los obtenidos en el Modelo Directo en pur y pasta de tomate (valores corresponden a: Media
Desviacin estndar).
Producto Tratamiento L a b
Colorimetra 31,845 0,482 27,222 0,501 11,802 0,579
Pur
Modelo directo 56,224 0,123 16,936 0,378 5,316 0,405
T- Student *** *** ***
Colorimetra 30,216 0,593 30,587 1,037 11,502 0,643
Pasta
Modelo directo 57,659 0,230 17,861 1,032 11,265 0,824
T-Student *** *** ***
NS=No significativo p>0,05; *p<0,05; **p<0,01; ***p<0,001
82 Estimacin de las coordenadas CIEL*a*b* en concentrados de tomate utilizando
imgenes digitales.
Como se muestra en la tabla 8-12, los errores de estimacin individual ms bajos se presentan
para la coordenada b*, el parmetro a*/b* y h tanto en pur como en pasta de tomate, por otra
parte, el error individual ms alto se presenta en la coordenada L* con valores de 24,379
0,581 y 27,443 0,495 para pur y pasta, respectivamente.
Tabla 8-11: Error de estimacin y error medio para las coordenadas L*a*b* en pur y pasta de
tomate utilizando el Modelo directo (valores corresponden a: Media Desviacin estndar).
Producto Error L* a* b*
Error de estimacin 24,379 0,581 4,286 0,050 2,702 0,088
Pur
Error medio 10,456 0,212
Error de estimacin 27,443 0,495 5,303 0,341 0,245 0,192
Pasta
Error medio 10,997 0,195
En cuanto a los errores medios (Tabla 8-13), para ambos productos se presentan valores
lejanos a los obtenidos con Matlab, ImageJ y Photoshop, si bien una tcnica de transformacin
es considerada adecuada si este error medio se acerca a 1, Len et al., 2006 encontraron
errores altos para este modelo comparado con Redes Neuronales y Modelo cuadrtico.
Considerando los resultados obtenidos de todos los errores se puede definir que para la
presente investigacin el modelo directo no cuenta con la confiabilidad para ser utilizado como
mtodo de transformacin de las coordenadas de RGB a L*a*b* en concentrados de tomate,
comparado con la eficiencia presentada por los software evaluados Matlab, ImageJ y
Photoshop.
Tabla 8-12: Error de estimacin para los parmetros cromticos C, h y a*/b* en pur y pasta de
tomate utilizando el Modelo directo (valores corresponden a: Media Desviacin estndar).
Los errores individuales ms altos se presentan para ambos productos en las coordenadas L* y
a*, los valores negativos en la coordenada b* indican que se de acuerdo al modelo se evidencia
un color que tiende al azul (Tabla 8-14), esto puede ser explicado por un color rojo que se
percibe ms oscuro en las muestras, a pesar de que ste modelo usa un ajuste para reducir el
error, en la presente investigacin es la tcnica que presenta mayores diferencias con la
estndar para las coordenadas de color y los parmetros cromticos. La relacin a*/b* definido
en cuanto al estndar cumple como indicador de calidad en ambos productos, sin embargo la
falta de confiabilidad en el modelo gamma para sta relacin puede evidenciarse de acuerdo a
los resultados ya que no cumplen con el mnimo de calidad de 1,8 al presentar valores
negativos de -4,766 0,226 y -29,367 24,609 para pur y pasta de tomate, respectivamente.
Tabla 8-13: Coordenadas L*a*b* y parmetros a*/b*, C, h obtenidos por colorimetra versus los
obtenidos en el Modelo Gamma en pur y pasta de tomate (valores corresponden a: Media
Desviacin estndar).
Producto Tratamiento L A b
Colorimetra 31,845 0,482 27,222 0,501 11,802 0,579
Pur
Modelo gamma 59,443 0,165 37,810 0,439 -7,951 0,371
T- Student *** *** ***
Colorimetra 30,216 0,593 30,587 1,037 11,502 0,643
Pasta
Modelo gamma 62,165 0,327 44,088 2,206 -1,492 0,599
T-Student *** *** ***
NS=No significativo p>0,05; *p<0,05; **p<0,01; ***p<0,001
De acuerdo a la tabla 8-15 el parmetro cromtico que podra ser obtenido con confiabilidad es
h, los errores individuales de las coordenadas L* a* b* para este modelo son altos lo cual indica
que no podra ser utilizado como modelo de transformacin de las coordenadas RGB a L*a*b*
a partir de imgenes digitales, resultados similares en cuanto a errores altos en los modelos
gamma y directo presentaron Len et al., 2006 en donde evaluaron el comportamiento del color
y sus errores de transformacin a pesar de que las muestras presentaron mayor homogeneidad
al ser papel de color. En la presente investigacin en pur y pasta de tomate se presentan
errores ms altos, que pueden ser explicados posiblemente porque al tratarse de matrices
alimentarias se dificulta la posibilidad que lograr una superficie homognea y sin brillo que
altere el resultado final.
Tabla 8-14: Error de estimacin y error medio para las coordenadas L*a*b* en pur y pasta
pasta de tomate utilizando el Modelo Gamma (valores corresponden a: Media Desviacin
estndar).
Producto Error L* a* b*
Error de estimacin 27,597 0,605 4,412 0,103 8,230 0,097
Pur
Error medio 13,413 0,178
Error de estimacin 31,9490,469 5,6250,707 5,4140,296
Pasta
Error medio 14,3290,314
Tabla 8-15: Error de estimacin para los parmetros cromticos C, h y a*/b* en pur y pasta de
tomate utilizando el Modelo gamma (valores corresponden a: Media Desviacin estndar).
Cuadrado medio del error (MSE): es la diferencia cuadrtica media entre resultados y metas,
por lo cual los valores ms bajos son mejores y cero significa que no hay error.
Valores de regresin (R): miden la correlacin entre resultados y metas, para lo cual un valor
R de uno (1) significa una relacin estrecha y por su parte cero (0) una relacin aleatoria.
Para el tratamiento de los datos con redes neuronales artificiales, se requiere la eleccin del
nmero ptimo de neuronas de la capa oculta, considerando estudios anteriores se inicia con
un proceso de ensayo y verificacin de rendimiento en cuanto al coeficiente de correlacin (R)
final, iniciando con 8 neuronas e incrementando la formacin, los resultados arrojados
permitieron definir que el mejor rendimiento se logr con 10 neuronas, el procedimiento de
seleccin de la cantidad de neuronas se realiz de acuerdo a Len et al. (2006).
Por otra parte, los porcentajes de datos usados en las tres etapas de la creacin de la red
neuronal (Entrenamiento, Validacin y Prueba) se realizaron teniendo en cuenta los valores
preestablecidos por la aplicacin de Matlab y se variaron las combinaciones, seleccionando
aquella que nos presente las mejores correlaciones, en este caso tomando el 60%, 30% y 10%
del total de los datos en las operaciones de entrenamiento, validacin y prueba
respectivamente se obtuvo los mejores resultados, como se puede evidenciar en la tabla 8-1.
Los mismos porcentajes se utilizaron para la red neuronal de los parmetros C, h y a*/b*. Con
sta combinacin se logr coeficientes de correlacin por encima del 0,96 logrando una alta
confiabilidad en los resultados al determinarse que valores cercanos a 1 indican una relacin
estrecha de los datos.
Tabla 8-16: Seleccin de los porcentajes de entrenamiento, validacin y prueba para las redes
neuronales.
8.1.6.2 Resultados de color L*a*b* por colorimetra y las obtenidas utilizando Redes
Neuronales
El anlisis mediante la prueba de T-Student (Tabla 8-17) permite evidenciar que entre el
mtodo estndar por colorimetra y las redes neuronales no existe diferencias significativas
para todas las coordenadas y parmetros cromticos evaluados, resultados similares de
comportamiento en estimacin de coordenadas de color utilizando redes neuronales
86 Estimacin de las coordenadas CIEL*a*b* en concentrados de tomate utilizando
imgenes digitales.
presentaron Kilic, Onal Ulsoy, Yildirim, & Hakki Boyac, (2007) en alimentos y por otra parte
Len et al., (2006) en papel de colores, (Kilic, Onal Ulsoy, Yildirim, & Hakki Boyac, 2007; Len
et al., 2006), esto puede explicarse por el funcionamiento no lineal, de entrenamiento y
aprendizaje de las redes neuronales.
Tabla 8-17: Coordenadas L*a*b* y parmetros a*/b*, C, h obtenidos por colorimetra versus los
obtenidos con Redes Neuronales en pur y pasta de tomate (valores corresponden a: Media
Desviacin estndar).
Producto Tratamiento L A b
Colorimetra 31,845 0,482 27,222 0,501 11,802 0,579
Pur
Redes neuronales 31,844 0,487 27,234 0,497 11,800 0,562
T- Student NS NS NS
Colorimetra 30,216 0,593 30,587 1,037 11,502 0,643
Pasta
Redes neuronales 30,287 0,429 30,621 0,693 11,546 0,507
T-Student NS NS NS
NS=No significativo p>0,05; *p<0,05; **p<0,01; ***p<0,001
Los errores individuales para las coordenadas L*a*b* y los parmetros cromticos a*/b*, C y h
(Tabla 8-18 y 8-19), presentan errores menores a 1 para pur y pasta de tomate. Los errores
medios en los dos productos evaluados tienen igual comportamiento, lo cual indica que redes
neuronales es el mejor mtodo de transformacin de las coordenadas obtenidas a partir de
imgenes digitales en RGB a L*a*b*. Estudios desarrollados utilizando redes neuronales como
Len et al., (2006) obtuvo errores de 0,95 y Kilic et al., (2007) en varios alimentos obtuvo
resultados de error medio entre 0,60 y 2,34 comparado con un mtodo espectrofotomtrico.
Tabla 8-18: Error de estimacin y error medio para las coordenadas L*a*b* en pur y pasta de
tomate utilizando Redes Neuronales (valores corresponden a: Media Desviacin estndar).
Producto Error L* a* b*
Error de estimacin 0,028 0,023 0,012 0,008 0,020 0,022
Pur
Error medio 0,020 0,011
Error de estimacin 0,293 0,257 0,149 0,134 0,091 0,084
Pasta
Error medio 0,178 0,123
Resultados y Discusin 87
Tabla 8-19: Error de estimacin para los parmetros cromticos C, h y a*/b* en pur y pasta de
tomate utilizando Redes neuronales (valores corresponden a: Media Desviacin estndar).
En la presente investigacin, el modelo Redes Neuronales fue aquel que present el mejor
comportamiento en cuanto al anlisis global con la prueba T-Student y los errores individuales,
lo cual permite definir que este modelo puede ser utilizado con gran confiabilidad y certeza en
la estimacin de las coordenadas L*a*b* a partir de un entrenamiento de coordenadas RGB
obtenidas de las imgenes digitales.
Cuadrado medio del error (MSE): es la diferencia cuadrtica media entre los resultados y las
metas por lo cual los valores ms bajos son mejores y cero (0) significa que no hay error.
Valores de regresin (R): miden la correlacin entre los resultados y metas, para lo cual un
valor R de uno (1) significa una relacin estrecha y por su parte un valor de cero (0) una
relacin aleatoria.
Tabla 8-20: Errores y coeficientes de correlacin entre coordenadas obtenidas por colorimetra
y Matlab en pasta y pur de tomate.
Figura 8-1: Correlacin entre coordenadas L*a*b* por colorimetra y Matlab en pur de tomate.
Figura 8-2: Correlacin entre coordenadas L*a*b* por colorimetra y Matlab en pasta de
tomate.
de 0,408 mientras que el error ms alto para la coordenada b* de 1,152 en pasta de tomate, a
nivel general, se presentan MSE similares a los obtenidos con Matlab. De acuerdo a los
coeficientes de regresin individuales, se presenta una relacin aleatoria o menos estrecha en
la coordenada L* con resultados que no superan 0,78. Sin embargo, al analizar las
coordenadas como un conjunto y generar la red neuronal, se presentan coeficientes de
regresin con alta confiabilidad indicando que la red desarrollada permite estimar los datos en
conjunto con un mejor desempeo con R>0,96, comportamiento tanto para pur como para
pasta de tomate (Tabla 8-21), resultados similares utilizando redes neuronales como
herramienta de entrenamiento y estimacin de coordenadas de color obtuvo Velioglu, et al
(2011) en pasta de tomate con coeficientes de correlacin (R) 0,889, 0,958 y 0,907 para L*, a*
y b* respectivamente.
Tabla 8-21: Errores y coeficientes de correlacin entre coordenadas obtenidas por colorimetra
e ImageJ en pasta y pur de tomate.
Producto Etapa Error Medio cuadrtico (MSE) R
L* a* b* L* a* b*
Entrenamiento 0,679 0,605 0,540 0,781 0,624 0,886
Pur Validacin 1,042 0,529 0,908 0,669 0,688 0,813
Evaluacin 0,927 0,408 0,526 0,635 0,784 0,923
Entrenamiento 0,607 0,680 0,906 0,660 0,819 0,708
Pasta Validacin 0,939 0,752 1,109 0,634 0,834 0,623
Evaluacin 0,741 0,676 1,152 0,720 0,772 0,730
Figura 8-3: Correlacin entre coordenadas L*a*b* por colorimetra e ImageJ en pur de tomate.
Figura 8-4: Correlacin entre coordenadas L*a*b* por colorimetra e ImageJ en pasta de
tomate.
pur, sin embargo, el coeficiente de regresin obtenido para todas las etapas y los dos
productos son superiores a 0,90 indicando una estimacin confiable de las variables estudiadas
(Tabla 8-22).
Tabla 8-22: Errores y coeficientes de correlacin entre coordenadas obtenidas por colorimetra
y Adobe Photoshop en pasta y pur de tomate.
Figura 8-5: Correlacin entre coordenadas L*a*b* por colorimetra y Photoshop en pur de
tomate.
Para pasta de tomate, se presentaron coeficientes de regresin confiables para cada etapa de
funcionamiento de la red neuronal desarrollada para las tres coordenadas de color, se logr un
coeficiente de regresin total R=0,91964 (Figura 8-6). Resultados similares en pasta de tomate
para estimacin de coordenadas de color individuales obtuvo Velioglu et al (2011) con
coeficientes de correlacin R> 0,889 para L*, a* y b*. Por otra parte, Len, et al (2006) lograron
un error MSE=0,96 utilizando redes neuronales en la estimacin de color de papel de colores.
La estimacin de las coordenadas de color L*a*b* se puede lograr utilizando el software Matlab
usando la ecuacin 31:
= 0,86 + 4 (31)
96 Estimacin de las coordenadas CIEL*a*b* en concentrados de tomate utilizando
imgenes digitales.
Figura 8-6: Correlacin entre coordenadas L*a*b* por colorimetra y Photoshop en pasta de
tomate.
Los resultados utilizando los datos de photoshop como entrenamiento de la red neuronal
permite la estimacin confiable tanto de coordenadas de color L*a*b* individuales.
bajos que permiten definir que los valores utilizados estn ajustados a las metas. Adems, los
coeficientes de regresin, para los dos productos estn por encima de 0,999 (Tabla 8-23).
Tabla 8-23: Errores y coeficientes de correlacin entre coordenadas obtenidas por colorimetra
y el Modelo Directo en pasta y pur de tomate.
Producto Etapa Error Medio cuadrtico (MSE) R
L* a* b* L* a* b*
-4 -5 -3
Entrenamiento 2,207x10 4,719x10 1,566x10 0,994 0,999 0,995
-4 -4 -3
Pur Validacin 3,467x10 1,196x10 2,365x10 0,985 0,999 0,999
-4 -5 -3
Evaluacin 6,542x10 8,524x10 2,124x10 0,975 0,999 0,995
-2
Entrenamiento 2,064x10 0,405 0,367 0,805 0,772 0,660
-2
Pasta Validacin 1,997x10 0,415 0,395 0,770 0,813 0,620
-2
Evaluacin 1,896x10 0,667 0,271 0,601 0,716 0,860
= 1 + 5,3106 (32)
98 Estimacin de las coordenadas CIEL*a*b* en concentrados de tomate utilizando
imgenes digitales.
Figura 8-7: Correlacin entre coordenadas L*a*b* por colorimetra y Modelo Directo en pur de
tomate.
Para pasta de tomate, se presentaron coeficientes de regresin confiables para cada etapa de
funcionamiento de la red neuronal desarrollada para las tres coordenadas de color con
coeficientes mayores a 0,999, se logr un coeficiente de regresin total R=0,99966 (Figura 8-
8). La estimacin de las coordenadas de color L*a*b* se puede lograr utilizando el software
Matlab usando la ecuacin 33:
= 1 + 0,0097 (33)
Resultados y Discusin 99
Figura 8-8: Correlacin entre coordenadas L*a*b* por colorimetra y Modelo Directo en pasta
de tomate.
La red neuronal realizada a partir de los resultados colorimtricos y el modelo directo, permiten
una estimacin con una alta confiabilidad de las coordenadas de color L*a*b* para pur y pasta
de tomate con un mayor rendimiento comparado con Matlab, ImageJ y Photoshop.
MSE de la red neuronal generada con el conjunto de coordenadas de color presentan errores
bajos que permiten definir que los valores utilizados estn ajustados a las metas. Adems, los
coeficientes de regresin, para los dos productos estn por encima de 0,999 (Tabla 8-24).
Tabla 8-24: Errores y coeficientes de correlacin entre coordenadas obtenidas por colorimetra
y el Modelo Gamma en pasta y pur de tomate.
= 1 + 0,00035 (34)
Resultados y Discusin 101
Figura 8-9: Correlacin entre coordenadas L*a*b* por colorimetra y Modelo Gamma en pur
de tomate.
Para pasta de tomate, se presentaron coeficientes de regresin confiables para cada etapa de
funcionamiento de la red neuronal desarrollada para las tres coordenadas de color con
coeficientes mayores a 0,998, se logr un coeficiente de regresin total R=0,99939 (Figura 8-
10). La estimacin de las coordenadas de color L*a*b* se puede lograr utilizando el software
Matlab usando la ecuacin 35:
= 1 + 0,017 (35)
102 Estimacin de las coordenadas CIEL*a*b* en concentrados de tomate utilizando
imgenes digitales.
Figura 8-10: Correlacin entre coordenadas L*a*b* por colorimetra y Modelo Gamma en pasta
de tomate.
La red neuronal realizada a partir de los resultados colorimtricos y el modelo gamma, permiten
una estimacin con una alta confiabilidad de las coordenadas de color L*a*b* para pur y pasta
de tomate con un mayor rendimiento comparado con Matlab, ImageJ y Photoshop.
muestras analizadas que permitieron reducir el error de las diferentes mediciones, resultados
similares de errores bajos en modelos matemticos report Veliolu et al., (2011) en pasta de
tomate. En cuanto a los coeficientes de regresin R obtenidos para los productos pur y pasta
en todas las etapas de la generacin de la red neuronal se logr una confiabilidad por encima
de 0,98 siendo 1 la mxima confiabilidad, ste comportamiento coincide con el estudio
desarrollado para estimar el color a partir de imgenes digitales de papel de colores realizado
por Len et al., (2006) con R>0,9950 utilizando redes neuronales y difiere de lo obtenido con el
modelo directo.
9.1 Conclusiones
El anlisis comparativo de medias de los 225 datos obtenidos del procesamiento de las
imgenes digitales para los mtodos Matlab, ImageJ, Photoshop, Modelo Directo y Modelo
Gamma, comparado con el mtodo estndar por colorimetra presentan diferencias altamente
significativas (p<0,001) para todas las variables de color estudiadas. Las redes neuronales no
presentan diferencias significativas (NS) en la transformacin de las coordenadas de color de
RGB a L*a*b.
Los errores medios del software Photoshop comparado con el estndar por colorimetra son
mucho mal altos que los errores utilizando los software Matlab e ImageJ, la nica coordenada
de color que logra ser estimada con una alta confiabilidad es a* con un error individual para
pasta de tomate de 0,488 0,422. Por otra parte, la relacin que permite evaluar la calidad en
concentrados de tomate puede ser estimada utilizando Photoshop tanto para pur como pasta
de tomate con valores cercanos a 1.
Conclusiones y Recomendaciones 105
El uso del modelo directo como transformacin de las coordenadas RGB a L*a*b* de las
imgenes digitales comparado con la metodologa estndar, permite concluir que nicamente la
coordenada b* en pasta de tomate puede ser estimada con alta confiabilidad con un error
individual de 0,245 0,192, un comportamiento similar se evidencia en la estimacin de la
relacin a*/b* tanto para pur como pasta de tomate con errores cercanos a 1.
Las dos alternativas que presentaron los errores individuales y medios ms altos son el modelo
directo y el modelo gamma, tanto para coordenadas de color L*, a*, b* como para los
parmetros cromticos C, h y a*/b*, indicando que no son adecuados en la estimacin de las
coordenadas L*a*b* a partir del anlisis de imgenes digitales en el espacio RGB.
El uso de redes neuronales para la estimacin de las coordenadas de color L*a*b* a partir del
anlisis de imgenes digitales en RGB present el mejor comportamiento, los errores de
estimacin tanto para coordenadas de color L*, a*, b* como para parmetros cromticos C, h y
a*/b* dieron como resultado valores menores a 1, indicando una alta confiabilidad de sta
alternativa.
La red neuronal construida a partir de los datos obtenidos por el software Matlab logr un error
medio cuadrtico (MSE) para cada una de las coordenadas de color L*, a*, b* y en conjunto
L*a*b* cercanos a 1 (cuando cero indica que no hay error). Adems los coeficientes de
correlacin (R) presentaron un mejor comportamiento al entrenar la red con las coordenadas en
conjunto con valores superiores a 0,96 (cuando 1 indica que existe una estrecha relacin entre
los datos) para las etapas de entrenamiento, validacin y evaluacin de la red neuronal tanto
para pur como pasta de tomate.
Al construir la red neuronal a partir de los datos obtenidos por el software ImageJ se logr un
error medio cuadrtico (MSE) para cada una de las coordenadas de color L*, a*, b* y en
conjunto L*a*b* menores en pur que en pasta de tomate. Adems los coeficientes de
correlacin (R) presentaron un mejor comportamiento al entrenar la red con las coordenadas en
conjunto con valores superiores a 0,98 en pur y 0,96 en pasta de tomate, indicando una alta
confiabilidad para ambos productos.
Los errores medios cuadrticos obtenidos en pur al construir la red neuronal utilizando las
coordenadas L*, a*, b* del software Photoshop son menores comparados con los encontrados
para pasta de tomate, por su parte, los coeficientes de correlacin permitieron encontrar mejor
106 Estimacin de las coordenadas CIEL*a*b* en concentrados de tomate utilizando
imgenes digitales.
comportamiento en pur con R>0,98, mientras que para pasta de tomate se obtuvo datos
0,90<R<0,93 en la red neuronal utilizando el conjunto de coordenadas.
Las redes neuronales construidas a partir de las coordenadas L*, a* y b* de los modelos directo
y gamma, presentaron el mejor comportamiento de estimacin. En cuanto a los MSE en pur
se logr evidenciar errores menores comparados con pasta de tomate, igualmente los mejores
coeficientes de correlacin en los dos mtodos alternativos se lograron en pur de tomate. Al
construir la red utilizando las coordenadas en conjunto se logr un R>0,999 tanto para pur
como pasta de tomate, en las tres etapas de cada red neuronal.
9.2 Recomendaciones
Se recomienda mejorar las condiciones ambientales fsicas como la iluminacin de la cmara
de adquisicin de las imgenes digitales, utilizando lmparas que permitan un ndice de
reproduccin del color (Ra) ms alto, con el fin de lograr una mejor calidad de las mismas.
Abdullah, M. Z., Guan, L. C., Lim, K. C., & Karim, a. a. (2004). The applications of computer
vision system and tomographic radar imaging for assessing physical properties of food.
Journal of Food Engineering, 61(1), 125135. doi:10.1016/S0260-8774(03)00194-8
Abdullahi, M. S., & Choji Bitrus, K. (2009). The origin and benefits of tomatoes as a home
garden and commercial vegetable. Electronic Journal of Enviromental, Agricultural and
Food Chemistry.
Aldabe, S., Bonazzola, C., Aramenda, P., & Lacreu, L. (2004). Qumica 2: Qumica en accin.
(p. 400). Buenos Aires. Retrieved from
http://books.google.com.co/books?id=nsTjBmyABXsC&pg=PA322&dq=espectrofotmetro
&hl=es&sa=X&ei=TgftU9_uOqHJsQT3lYGgDQ&ved=0CB8Q6AEwAQ#v=onepage&q=esp
ectrofotmetro&f=false
Altiparmak, F., Dengiz, B., & Smith, A. E. (2009). A general neural network model for estimating
telecommunications networks reliability. IEEE Transactions on Realibility, 58(1), 29.
Alvarez, M. J. M., Beln, D. R., & Mendoza, D. G. L. (2006). Evaluacin del contenido de
carotenoides totales en cscaras de algunas variedades de naranjas venezolanas
Resumen Introduccin. Revista Facultad de Agronomia, (13), 298305.
Barreiro, J. A., Milan, M., & Saldoval, A. J. (1997). Kinetics of colour change of double
concentrated tomato paste during thermal treatment. Food Engineering, 33, 359371.
Batu, A. (2004). Determination of acceptable firmness and colour values of tomatoes. Journal of
Food Engineering, 61(3), 471475. doi:10.1016/S0260-8774(03)00141-9
108 Estimacin de las coordenadas CIEL*a*b* en concentrados de tomate utilizando
imgenes digitales.
Boon, C. S., McClements, D. J., Weiss, J., & Decker, E. a. (2010). Factors influencing the
chemical stability of carotenoids in foods. Critical Reviews in Food Science and Nutrition,
50(6), 51532. doi:10.1080/10408390802565889
Cmara, M., Fernndez-Ruiz, V., Redondo, D. F., Snchez-Mata, M. C., & Torrecilla, J. S.
(2012). Radial basis network analysis to estimate lycopene degradation kinetics in tomato-
based products. Food Research International, 49(1), 453458.
doi:10.1016/j.foodres.2012.07.030
Capilla Perea, P., Artigas, J. M., & Pujol i Ramo, J. (2002). Fundamentos de Colorimetra. (U.
de Valencia, Ed.) (Ilustrada., p. 232). Valencia. Retrieved from
http://books.google.com.co/books?id=f8u6BLhkoaMC&pg=PA131&dq=espectrofotmetro&
hl=es&sa=X&ei=TgftU9_uOqHJsQT3lYGgDQ&ved=0CDoQ6AEwBg#v=onepage&q=espec
trofotmetro&f=false
Cardona, E., Ros, L., & Restrepo, G. (2006). Extraccin del carotenoide licopeno del tomate
chonto (Lycopersicum esculentum). Revista de La Facultad de Qumica Farmacutica,
(53), 4453.
Chanforan, C., Loonis, M., Mora, N., Caris-Veyrat, C., & Dufour, C. (2012). The impact of
industrial processing on health-beneficial tomato microconstituents. Food Chemistry,
134(4), 178695. doi:10.1016/j.foodchem.2012.03.077
CMITI Center for the Processing Tomato Industry. (2010). Tomato News Online. Tomato
Processing Industry Information. Retrieved May 29, 2013, from
http://www.tomatonews.com/resources.html
Colantoni, P. (2004). Color space transformations. 1. Retrieved October 25, 2014, from
http://colantoni.nerim.net/download/colorspacetransform-1.0.pdf
Commission of the European Communities. (1991). The certification of a tomato paste colour
reference tile (CRM 400) (p. 52). Luxembourg.
Bibliografa 109
Delgado-Vargas, F., Jimnez, a R., & Paredes-Lpez, O. (2000). Natural pigments: carotenoids,
anthocyanins, and betalains--characteristics, biosynthesis, processing, and stability. Critical
Reviews in Food Science and Nutrition, 40(3), 173289. doi:10.1080/10408690091189257
Delmoro, J., Muoz, D., Nadal, V., Clementz, A., Pranzetti, V., Color, E. L., Mieles, E. N.
(2010). EL COLOR EN LOS ALiMENTOS:, 13, 145152.
Dewanto, V., Wu, X., Adom, K. K., & Liu, R. H. (2002). Thermal processing enhances the
nutritional value of tomatoes by increasing total antioxidant activity. Journal of Agricultural
and Food Chemistry, 50(10), 30104. Retrieved from
http://www.ncbi.nlm.nih.gov/pubmed/11982434
Di Noia, J., & Contento, I. R. (2010). Fruit and vegetable availability enables adolescent
consumption that exceeds national average. Nutrition Research (New York, N.Y.), 30(6),
396402. doi:10.1016/j.nutres.2010.06.008
Diaz, N. A., Brcena Ruiz, A., Fernndez Reyes, E., Galvn Cejudo, A., Jorrn Novo, J.,
Peinado Peinado, J., Tnez Fiana, I. (n.d.). 8. Espectrofometra: Espectros de
absorcin y cuantificacin colorimtrica de biomolculas (pp. 18). Crdoba. Retrieved
from http://www.uco.es/organiza/departamentos/bioquimica-biol-
mol/pdfs/08_ESPECTROFOTOMETR%C3%8DA.pdf
Dowlati, M., Mohtasebi, S. S., Omid, M., Razavi, S. H., Jamzad, M., & de la Guardia, M. (2013).
Freshness assessment of gilthead sea bream (Sparus aurata) by machine vision based on
gill and eye color changes. Journal of Food Engineering, 119(2), 277287.
doi:10.1016/j.jfoodeng.2013.05.023
EDIBON. (2005). Process Plant for Tomatoes (Vol. 3, pp. 312). Madrid. Retrieved from
http://www.edibon.com/products/catalogues/en/systems/technicalinformation/12/-TO00.pdf
FAO. (2006). Fichas Tcnicas tomate. TOMATE (Lycopersicom esculentum). Retrieved from
http://www.fao.org/inpho_archive/content/documents/vlibrary/ae620s/pfrescos/tomate.htm
FAO. (2014, January 1). Produccin pais por producto - Tomates. Choice Reviews Online.
doi:10.5860/CHOICE.48-2430
Foca, G., Masino, F., Antonelli, A., & Ulrici, A. (2011). Prediction of compositional and sensory
characteristics using RGB digital images and multivariate calibration techniques. Analytica
Chimica Acta, 706(2), 23845. doi:10.1016/j.aca.2011.08.046
110 Estimacin de las coordenadas CIEL*a*b* en concentrados de tomate utilizando
imgenes digitales.
Ford, A., & Roberts, A. (1998). Colorur space conversions. (p. 31). Londres. Retrieved from
http://www.cse.unsw.edu.au/~cs9314/07s1/lectures/Jian_CS9314_References/Color_spa_
per_his_and_app_BG.pdf
Garcia Garibay, M., Quintero Ramrez, R., & Lpez Mungua, A. (2004). Biotecnologa
alimentaria (p. 481). Mxico. Retrieved from
http://books.google.com.co/books?id=2ctdvBnTa18C&pg=PA496&dq=quimica+carotenoid
es&hl=es&sa=X&ei=SJ6uUc-
JLorm8wTg54G4CA&ved=0CFYQ6AEwCA#v=onepage&q=quimica carotenoides&f=false
Gestal, M. (2009). Introduccin a las redes de neuronas artificiales (pp. 120). Retrieved from
file:///C:/Users/Juan/Desktop/ANDREA/MAESTRIA ARTICULOS/DOCUMENTO
FINAL/REDES NEURONALES/TutorialRNA.pdf
Girolami, A., Napolitano, F., Faraone, D., & Braghieri, A. (2013). Measurement of meat color
using a computer vision system. Meat Science, 93(1), 111118.
doi:10.1016/j.meatsci.2012.08.010
Gunasekaran, S. (1996). Computer vision technology for food quality assurance. Trends in
Food Science & Technology, 7, 245256.
Hayes, W. a., Smith, P. G., & Morris, a. E. J. (1998). The Production and Quality of Tomato
Concentrates. Critical Reviews in Food Science and Nutrition, 38(7), 537564.
doi:10.1080/10408699891274309
Hunter Associates Laboratory Inc. (2008). Colorimeters versus Spectrophotometers (Vol. 6, pp.
56).
Hunter Associates Laboratory Inc. (2014). Tomato color measurement. Tomato products.
Retrieved from http://www.hunterlab.com/tomato-color-measurement.html
Isler, O., Regg, R., & Schwieter, U. (1967). Carotenoids as food colourants. Chimie Pure et
Applique, 14(2), 245263. Retrieved from http://www.ncbi.nlm.nih.gov/pubmed/6037240
Jamison, J. R. (2003). Dietary diversity: case study of fruit and vegetable consumption by
chiropractic patients. Journal of Manipulative and Physiological Therapeutics, 26(6), 3839.
doi:10.1016/S0161-4754(03)00071-X
Jarqun, E., Mercado, E., Maldonado, J. L., & Lopez, B. (2013). Lycopene content and color
index of tomatoes are affected by the greenhouse cover. Scientia Horticulturae, 155, 43
48. doi:10.1016/j.scienta.2013.03.004
Kang, S. P., East, a. R., & Trujillo, F. J. (2008). Colour vision system evaluation of bicolour fruit:
A case study with B74 mango. Postharvest Biology and Technology, 49(1), 7785.
doi:10.1016/j.postharvbio.2007.12.011
Kent, M., & Poretta, S. (1990). Standardization of the measurement of tomato paste color using
a new color reference tile. Industria Conserve, 65, 916.
Kilic, K., Onal Ulsoy, B., Yildirim, M., & Hakki Boyac, I. (2007). Scanner-based color
measurement in L a b format with artificial neural networks (ANN). Food Research
Technology, 226, 121126.
Larran, R. E., Schaefer, D. M., & Reed, J. D. (2008). Use of digital images to estimate CIE color
coordinates of beef. Food Research International, 41(4), 380385.
doi:10.1016/j.foodres.2008.01.002
Lawless, H. T., & Heymann, H. (2010). Sensory evaluation of food: Principles and practices.
(Springer Science & Business Media, Ed.) (Ilustrada., p. 619). Springer. Retrieved from
http://books.google.com.co/books?id=yrLfrVgU6CsC&dq=sensory+color+measurement&hl
=es&source=gbs_navlinks_s
Len, K., Mery, D., Pedreschi, F., & Len, J. (2006). Color measurement in Lab units from RGB
digital images. In Food Research International (Vol. 39, pp. 10841091).
doi:10.1016/j.foodres.2006.03.006
Lin, M., Cavinato, M., Mayes, D., Smiley, S., Huang, Y., Al-Holy, M., & Rasco, B. (2003). Bruise
detection in Pacific Pink Salmon (Oncorhynchus gorbuscha) by visible and
shortwavelength near-infrared (SW-NIR) spectroscopy (600-1100 nm). Journal of
Agricultural and Food Chemistry, 51(22), 64046408.
Lockun Lavado, F. E. (2012). V. La industria textil y su control de calidad. Tintorera (p. 161).
Retrieved from
http://books.google.com.co/books?id=6yjBvmYZrTsC&pg=PA138&dq=funcionamiento+de+
112 Estimacin de las coordenadas CIEL*a*b* en concentrados de tomate utilizando
imgenes digitales.
un+espectrofotmetro&hl=es&sa=X&ei=iwXtU_HkKoLnsATQ-
4HgDg&ved=0CCoQ6AEwAw#v=onepage&q&f=false
Lpez-Garca, F., Andreu-Garca, G., Blasco, J., Aleixos, N., & Valiente, J.-M. (2010). Automatic
detection of skin defects in citrus fruits using a multivariate image analysis approach.
Computers and Electronics in Agriculture, 71(2), 189197.
doi:10.1016/j.compag.2010.02.001
Loureiro Lino, A. C., Sanches, J., & Dal Fabro, I. M. (2008). Image processing techniques for
lemons and tomatoes classification. Bragantia, 67, 785789.
Madhava Naidu, M., & Sowbhagya, H. B. (2012). Technological advances in food colours.
Chemical Industry Digest., (March), 7988.
Markovi, K., Hrukar, M., & Vahi, N. (2006). Lycopene content of tomato products and their
contribution to the lycopene intake of Croatians. Nutrition Research, 26(11), 556560.
doi:10.1016/j.nutres.2006.09.010
Marshall, D., Stuart, M., & Bell, R. (2006). Examining the relationship between product package
colour and product selection in preschoolers. Food Quality and Preference, 17(7-8), 615
621. doi:10.1016/j.foodqual.2006.05.007
Matiacevich, S., Silva, P., Enrione, J., & Osorio, F. (2011). Quality assessment of blueberries by
computer vision. Procedia Food Science, 1, 421425. doi:10.1016/j.profoo.2011.09.065
Melndez Martnez, A., Vicario, I., & Heredia, F. (2004). Estabilidad de los pigmentos
carotenoides en los alimentos. Archivos Latinoamericanos de Nutricin, 54(2), 111.
Melndez-Martnez, A. J., Vicario, I. M., & Heredia, F. J. (2005). Correlation between visual and
instrumental colour measurements of orange juice dilutions: effect of the background. Food
Quality and Preference, 16(5), 471478. doi:10.1016/j.foodqual.2004.09.003
Mendoza, F., Dejmek, P., & Aguilera, J. M. (2006). Calibrated color measurements of
agricultural foods using image analysis. Postharvest Biology and Technology, 41(3), 285
295. doi:10.1016/j.postharvbio.2006.04.004
Mery, D., & Pedreschi, F. (2005). Segmentation of colour food images using a robust algorithm.
Journal of Food Engineering, 66(3), 353360. doi:10.1016/j.jfoodeng.2004.04.001
Mnguez Mosquera, M. I., Prez Glvez, A., & Hornero Mndez, D. (2005). Pigmentos
carotenoides en frutas y vegetales mucho ms que simples colorantes naturales. CTC
Alimentacin, 26, 108113.
Molinari, M. (2011). El sistema Munsell como herramienta fotogrfica. Retrieved August 16,
2014, from http://www.molinaripixel.com.ar/notas/2011/el-sistema-munsell-como-
herramienta-fotografica/
Bibliografa 113
Noor, A. I., Mokhtar, M. H., Rafiqul, Z. K., & Pramod, K. M. (2012). Understanding Color
Models: A Review. ARPN Journal of Science and Technology, 2(3), 265275.
Novoa, D. F., & Ramrez Navas, J. S. (2012). Caracterizacin colorimtrica del manjar blanco
del Valle. Biotecnologa En El Sector Agropecuario Y Agroindustrial, 10(2), 5461.
Omid, M., Khojastehnazhand, M., & Tabatabaeefar, a. (2010). Estimating volume and mass of
citrus fruits by image processing technique. Journal of Food Engineering, 100(2), 315321.
doi:10.1016/j.jfoodeng.2010.04.015
Ordez Santos, L. E., & Vsquez Riascos, A. M. (2010). Effect of processing and storage time
on the vitamin C and lycopene contents of nectar of pink guava (Psidium guajava L.).
Archivos Latinoamericanos de Nutricin, 60(3), 280284. Retrieved from
http://www.ncbi.nlm.nih.gov/pubmed/21612147
Otles, S. (2008). Handbook of food analysis instruments. (CRC Press, Ed.) (Ilustrada., p. 544).
Retrieved from
http://books.google.com.co/books?id=RIguE0HBDAwC&pg=PA238&lpg=PA238&dq=digital
+color+in+food&source=bl&ots=_Aio36CbN8&sig=Z1T8JxaXczRtm6XU00NyiVDBA8g&hl=
es&sa=X&ei=9njiU86dHYzksASJ94DICA&ved=0CFAQ6AEwBg#v=onepage&q&f=false
Padrn, C. A., Padrn, G. M., Montes, A. I., & Oropeza, R. A. (2012). Determinacin del color
en epicarpio de tomates (Lycopersicum esculentum Mill.) con sistema de visin
computarizada durante la maduracin. Agronomia Costarricense, 36(1), 97111.
Pedreschi, F., Len, J., Mery, D., & Moyano, P. (2006). Development of a computer vision
system to measure the color of potato chips. Food Research International, 39(10), 1092
1098. doi:10.1016/j.foodres.2006.03.009
Peterson, K. A. (2005). Introduction to basic measures of a digital image for pictorial collections.
(p. 8). Washington. Retrieved from http://www.loc.gov/rr/print/tp/IntroDgtlImage.pdf
Randall, D. (2010). Instruments for the measurement of color (pp. 111). Retrieved from
http://industrial.datacolorchina.cn/wp-
content/uploads/datacolorproductliterature/Instruments for Color Measurement_72.pdf
Rao, A. V, & Agarwal, S. (1999). Role of the lycopene as antioxidant carotenoid in the
prevention of chronic diseases: a review. Nutrition Research, 19(2), 305323.
114 Estimacin de las coordenadas CIEL*a*b* en concentrados de tomate utilizando
imgenes digitales.
Rao, A. V, & Rao, L. G. (2007). Carotenoids and human health. Pharmacological Research:
The Official Journal of the Italian Pharmacological Society, 55(3), 20716.
doi:10.1016/j.phrs.2007.01.012
Rao, A. V, Waseem, Z., & Agarwal, S. (1999). Lycopene content of tomatoes and tomato
products and their contribution to dietary lycopene. Food Research International, 31(10),
737741.
Rivera, E. (2007). Introduccion a redes neuronales artificiales. Cientfica 6 (p. 11). Retrieved
from file:///C:/Users/Juan/Downloads/4. Introduccion a redes neuronales artificiales (1).pdf
Rodriguez Amaya, D. B., & Kimura, M. (2004). Harvestplus handbook fot carotenoid analysis.
Harvestplus Technical Monograph, 2, 34.
Ruiz, C. A., & Matich, D. J. (2001). Redes neuronales: conceptos bsicos y aplicaciones. (p.
55). Rosario. Retrieved from
http://www.frro.utn.edu.ar/repositorio/catedras/quimica/5_anio/orientadora1/monograias/ma
tich-redesneuronales.pdf
Ruiz, D., Reich, M., Bureau, S., Renard, C. M., & Audergon, J. M. (2008). Application of
reflectance colorimeter measurements and infrared spectroscopy methods to rapid and
nondestructive evaluation of carotenoids content in apricot (Prunus armeniaca L.). Journal
of Agricultural and Food Chemistry, 56(49164922).
Sahlin, E., Savage, G. ., & Lister, C. . (2004). Investigation of the antioxidant properties of
tomatoes after processing. Journal of Food Composition and Analysis, 17(5), 635647.
doi:10.1016/j.jfca.2003.10.003
Saldaa, E., Siche, R., Castro, W., Huamn, R., & Quevedo, R. (2014). Measurement
parameter of color on yacon (Smallanthus sonchifolius) slices using a computer vision
system. LWT - Food Science and Technology, 59(2), 12201226.
doi:10.1016/j.lwt.2014.06.037
Santos Espi, P. (2009). Medicin del color (p. 4). Zaragoza. Retrieved from http://www.centro-
zaragoza.com:8080/web/sala_prensa/revista_tecnica/hemeroteca/articulos/R42_A3.pdf
Savadkoohi, S., Hoogenkamp, H., Shamsi, K., & Farahnaky, A. (2014). Color, sensory and
textural attributes of beef frankfurter, beef ham and meat-free sausage containing tomato
pomace. Meat Science, 97(4), 4108. doi:10.1016/j.meatsci.2014.03.017
Shafiee, S., Minaei, S., Moghaddam-Charkari, N., & Barzegar, M. (2014). Honey
characterization using computer vision system and artificial neural networks. Food
Chemistry, 159, 14350. doi:10.1016/j.foodchem.2014.02.136
Smith, C., & Adendorff, K. (1991). Advantages and limitations of an automated visual inspection
system. S.A Journal of Industrial Engineering, 5(1), 2736.
Bibliografa 115
Spreer, W., & Mller, J. (2011). Estimating the mass of mango fruit (Mangifera indica, cv. Chok
Anan) from its geometric dimensions by optical measurement. Computers and Electronics
in Agriculture, 75(1), 125131. doi:10.1016/j.compag.2010.10.007
Sun, D.-W. (2011). Computer vision technology for food quality evaluation. (Academic Press,
Ed.) (p. 600). Retrieved from
http://books.google.com.co/books?id=6MgWAiP1_GgC&pg=PA81&dq=computer+system+
vision+in+food&hl=es&sa=X&ei=EGfzU9X-
BuLksATI_oGICw&ved=0CCkQ6AEwAA#v=onepage&q=computer system vision in
food&f=false
Umbaugh, S. E. (2010). Digital image processing and analysis: human and computer vision
applications with CVIPtools. (CRC Press, Ed.) (Second edi., p. 977). Retrieved from
http://books.google.com.co/books?id=UQTMw5uoGHgC&printsec=frontcover&dq=digital+i
mage+definition+pdf&hl=es&sa=X&ei=WnTxU87lGaresASu7IDwDw&ved=0CFQQ6AEwB
Q#v=onepage&q&f=false
USDA National Nutrient Database for Standard. (2014). Food Group: 11 Vegetables and
Vegetable Products. 27. Retrieved October 20, 2014, from
https://www.ars.usda.gov/SP2UserFiles/Place/80400525/Data/SR27/reports/sr27fg11.pdf
Valero Muoz, A. (2012). Principios de color y holopintura. (E. C. Universitario, Ed.) (p. 420).
Veliolu, H. M., Boyac, . H., & Kurultay, . (2011). Determination of visual quality of tomato
paste using computerized inspection system and artificial neural networks. Computers and
Electronics in Agriculture, 77(2), 147154. doi:10.1016/j.compag.2011.04.007
Viscarra Rossel, R. a., Minasny, B., Roudier, P., & McBratney, a. B. (2006). Colour space
models for soil science. Geoderma, 133(3-4), 320337.
doi:10.1016/j.geoderma.2005.07.017
Wei, S., & Hutchings, J. B. (2012). The Relationship Between Visual Perceptions and Taste
Expectations Using Food Colours. In Predicting Perceptions: Proccedings of the 3rd
International Conference on Appearance. (pp. 157160). Edinburgh.
116 Estimacin de las coordenadas CIEL*a*b* en concentrados de tomate utilizando
imgenes digitales.
Wu, D., & Sun, D.-W. (2013). Colour measurements by computer vision for food quality control
A review. Trends in Food Science & Technology, 29(1), 520.
doi:10.1016/j.tifs.2012.08.004
Yam, K. L., & Papadakis, S. E. (2004). A simple digital imaging method for measuring and
analyzing color of food surfaces. Journal of Food Engineering, 61(1), 137142.
doi:10.1016/S0260-8774(03)00195-X
ANEXO 2: Anlisis de varianza entre las coordenadas de color estndar usando colormetro
versus las obtenidas por imgenes digitales y su procesamiento por Matlab en pur de tomate.
T-TEST GROUPS=TT(1 2)
/MISSING=ANALYSIS
/VARIABLES=L a b C h ab
/CRITERIA=CI(.95).
Prueba T
Notas
Resultados creados 19-NOV-2014 01:24:48
Comentarios
C:\Users\Juan\Desktop\AND
REA\EXPERIMENTACIN
TESIS\ANALISIS
Datos ESTADSTICO SPSS\PURE
DE
TOMATE\COLORIMETRIA
Entrada VS MATLAB.sav
Conjunto de datos activo Conjunto_de_datos1
Filtro <ninguno>
Peso <ninguno>
Dividir archivo <ninguno>
Nm. de filas del archivo de
450
trabajo
Los valores perdidos
definidos por el usuario
Definicin de los perdidos
sern tratados como
perdidos.
Tratamiento de los valores Los estadsticos de cada
perdidos anlisis se basan en los
casos que no tienen datos
Casos utilizados
perdidos ni quedan fuera de
rango en cualquiera de las
variables del anlisis.
T-TEST GROUPS=TT(1 2)
/MISSING=ANALYSIS
Sintaxis
/VARIABLES=L a b C h ab
/CRITERIA=CI(.95).
Tiempo de procesador 00:00:00,02
Recursos
Tiempo transcurrido 00:00:00,02
[Conjunto_de_datos1] C:\Users\Juan\Desktop\ANDREA\EXPERIMENTACIN
TESIS\ANALISIS ESTADSTICO SPSS\PURE DE TOMATE\COLORIMETRIA VS MATLAB.sav
Estadsticos de grupo
TT N Media Desviacin tp. Error tp. de la
media
Colorimetra 225 31,8455 ,48255 ,03217
L
Matlab 225 34,1277 1,27701 ,08513
a Colorimetra 225 27,2220 ,50076 ,03338
Anexos 119
ANEXO 3: Anlisis de varianza entre las coordenadas de color estndar usando colormetro
versus las obtenidas por imgenes digitales y su procesamiento por Matlab en pasta de tomate.
T-TEST GROUPS=TT(1 2)
/MISSING=ANALYSIS
/VARIABLES=L a b C h ab
/CRITERIA=CI(.95).
Prueba T
Notas
Resultados creados 19-NOV-2014 01:47:08
Comentarios
C:\Users\Juan\Desktop\AND
REA\EXPERIMENTACIN
TESIS\ANALISIS
Datos ESTADSTICO
SPSS\PASTA DE
TOMATE\COLORIMETRIA
Entrada VS MATLAB.sav
Conjunto de datos activo Conjunto_de_datos8
Filtro <ninguno>
Peso <ninguno>
Dividir archivo <ninguno>
Nm. de filas del archivo de
450
trabajo
Los valores perdidos
definidos por el usuario
Definicin de los perdidos
sern tratados como
perdidos.
Tratamiento de los valores Los estadsticos de cada
perdidos anlisis se basan en los
casos que no tienen datos
Casos utilizados
perdidos ni quedan fuera de
rango en cualquiera de las
variables del anlisis.
T-TEST GROUPS=TT(1 2)
/MISSING=ANALYSIS
Sintaxis
/VARIABLES=L a b C h ab
/CRITERIA=CI(.95).
Tiempo de procesador 00:00:00,00
Recursos
Tiempo transcurrido 00:00:00,00
[Conjunto_de_datos8] C:\Users\Juan\Desktop\ANDREA\EXPERIMENTACIN
TESIS\ANALISIS ESTADSTICO SPSS\PASTA DE TOMATE\COLORIMETRIA VS
MATLAB.sav
Estadsticos de grupo
TT N Media Desviacin tp. Error tp. de la
media
L Colorimetra 225 30,2164 ,59307 ,03954
122 Estimacin de las coordenadas CIEL*a*b* en concentrados de tomate utilizando
imgenes digitales.
ANEXO 4: Anlisis de varianza entre las coordenadas de color estndar usando colormetro
versus las obtenidas utilizando ImageJ en pur de tomate.
T-TEST GROUPS=TT(1 2)
/MISSING=ANALYSIS
/VARIABLES=L a b C h ab
/CRITERIA=CI(.95).
Prueba T
Notas
Resultados creados 19-NOV-2014 01:31:18
Comentarios
C:\Users\Juan\Desktop\AND
REA\EXPERIMENTACIN
TESIS\ANALISIS
Datos ESTADSTICO SPSS\PURE
DE
TOMATE\COLORIMETRIA
Entrada VS IMAGE.sav
Conjunto de datos activo Conjunto_de_datos2
Filtro <ninguno>
Peso <ninguno>
Dividir archivo <ninguno>
Nm. de filas del archivo de
450
trabajo
Los valores perdidos
definidos por el usuario
Definicin de los perdidos
sern tratados como
perdidos.
Tratamiento de los valores Los estadsticos de cada
perdidos anlisis se basan en los
casos que no tienen datos
Casos utilizados
perdidos ni quedan fuera de
rango en cualquiera de las
variables del anlisis.
T-TEST GROUPS=TT(1 2)
/MISSING=ANALYSIS
Sintaxis
/VARIABLES=L a b C h ab
/CRITERIA=CI(.95).
Tiempo de procesador 00:00:00,00
Recursos
Tiempo transcurrido 00:00:00,00
[Conjunto_de_datos2] C:\Users\Juan\Desktop\ANDREA\EXPERIMENTACIN
TESIS\ANALISIS ESTADSTICO SPSS\PURE DE TOMATE\COLORIMETRIA VS IMAGE.sav
Estadsticos de grupo
TT N Media Desviacin tp. Error tp. de la
media
L Colorimetra 225 31,8455 ,48255 ,03217
Anexos 125
ANEXO 5: Anlisis de varianza entre las coordenadas de color estndar usando colormetro
versus las obtenidas utilizando ImageJ en pasta de tomate.
T-TEST GROUPS=TT(1 2)
/MISSING=ANALYSIS
/VARIABLES=L a b C h ab
/CRITERIA=CI(.95).
Prueba T
Notas
Resultados creados 19-NOV-2014 01:45:01
Comentarios
C:\Users\Juan\Desktop\AND
REA\EXPERIMENTACIN
TESIS\ANALISIS
Datos ESTADSTICO
SPSS\PASTA DE
TOMATE\COLORIMETRIA
Entrada VS IMAGEJ.sav
Conjunto de datos activo Conjunto_de_datos7
Filtro <ninguno>
Peso <ninguno>
Dividir archivo <ninguno>
Nm. de filas del archivo de
450
trabajo
Los valores perdidos
definidos por el usuario
Definicin de los perdidos
sern tratados como
perdidos.
Tratamiento de los valores Los estadsticos de cada
perdidos anlisis se basan en los
casos que no tienen datos
Casos utilizados
perdidos ni quedan fuera de
rango en cualquiera de las
variables del anlisis.
T-TEST GROUPS=TT(1 2)
/MISSING=ANALYSIS
Sintaxis
/VARIABLES=L a b C h ab
/CRITERIA=CI(.95).
Tiempo de procesador 00:00:00,02
Recursos
Tiempo transcurrido 00:00:00,02
[Conjunto_de_datos7] C:\Users\Juan\Desktop\ANDREA\EXPERIMENTACIN
TESIS\ANALISIS ESTADSTICO SPSS\PASTA DE TOMATE\COLORIMETRIA VS
IMAGEJ.sav
Estadsticos de grupo
TT N Media Desviacin tp. Error tp. de la
media
L Colorimetra 225 30,2164 ,59307 ,03954
128 Estimacin de las coordenadas CIEL*a*b* en concentrados de tomate utilizando
imgenes digitales.
ANEXO 6: Anlisis de varianza entre las coordenadas de color estndar usando colormetro
versus las obtenidas utilizando Adobe Photoshop C5S en pur de tomate.
T-TEST GROUPS=TT(1 2)
/MISSING=ANALYSIS
/VARIABLES=L a b C h ab
/CRITERIA=CI(.95).
Prueba T
Notas
Resultados creados 19-NOV-2014 01:34:38
Comentarios
C:\Users\Juan\Desktop\AND
REA\EXPERIMENTACIN
TESIS\ANALISIS
Datos ESTADSTICO SPSS\PURE
DE
TOMATE\COLORIMETRIA
Entrada VS PHOTOSHOP.sav
Conjunto de datos activo Conjunto_de_datos3
Filtro <ninguno>
Peso <ninguno>
Dividir archivo <ninguno>
Nm. de filas del archivo de
450
trabajo
Los valores perdidos
definidos por el usuario
Definicin de los perdidos
sern tratados como
perdidos.
Tratamiento de los valores Los estadsticos de cada
perdidos anlisis se basan en los
casos que no tienen datos
Casos utilizados
perdidos ni quedan fuera de
rango en cualquiera de las
variables del anlisis.
T-TEST GROUPS=TT(1 2)
/MISSING=ANALYSIS
Sintaxis
/VARIABLES=L a b C h ab
/CRITERIA=CI(.95).
Tiempo de procesador 00:00:00,02
Recursos
Tiempo transcurrido 00:00:00,02
[Conjunto_de_datos3] C:\Users\Juan\Desktop\ANDREA\EXPERIMENTACIN
TESIS\ANALISIS ESTADSTICO SPSS\PURE DE TOMATE\COLORIMETRIA VS
PHOTOSHOP.sav
Estadsticos de grupo
TT N Media Desviacin tp. Error tp. de la
media
Colorimetra 225 31,8455 ,48255 ,03217
L
Photoshop 225 34,1600 1,30630 ,08709
Anexos 131
ANEXO 7: Anlisis de varianza entre las coordenadas de color estndar usando colormetro
versus las obtenidas utilizando Adobe Photoshop C5S en pasta de tomate.
T-TEST GROUPS=TT(1 2)
/MISSING=ANALYSIS
/VARIABLES=L a b C h ab
/CRITERIA=CI(.95).
Prueba T
Notas
Resultados creados 19-NOV-2014 01:52:59
Comentarios
C:\Users\Juan\Desktop\AND
REA\EXPERIMENTACIN
TESIS\ANALISIS
Datos ESTADSTICO
SPSS\PASTA DE
TOMATE\COLORIMETRIA
Entrada VS PHOTOSHOP.sav
Conjunto de datos activo Conjunto_de_datos11
Filtro <ninguno>
Peso <ninguno>
Dividir archivo <ninguno>
Nm. de filas del archivo de
450
trabajo
Los valores perdidos
definidos por el usuario
Definicin de los perdidos
sern tratados como
perdidos.
Tratamiento de los valores Los estadsticos de cada
perdidos anlisis se basan en los
casos que no tienen datos
Casos utilizados
perdidos ni quedan fuera de
rango en cualquiera de las
variables del anlisis.
T-TEST GROUPS=TT(1 2)
/MISSING=ANALYSIS
Sintaxis
/VARIABLES=L a b C h ab
/CRITERIA=CI(.95).
Tiempo de procesador 00:00:00,02
Recursos
Tiempo transcurrido 00:00:00,02
[Conjunto_de_datos11] C:\Users\Juan\Desktop\ANDREA\EXPERIMENTACIN
TESIS\ANALISIS ESTADSTICO SPSS\PASTA DE TOMATE\COLORIMETRIA VS
PHOTOSHOP.sav
Estadsticos de grupo
TT N Media Desviacin tp. Error tp. de la
media
Colorimetra 225 30,2164 ,59307 ,03954
L
Photoshop 225 29,3778 1,15513 ,07701
Colorimetra 225 30,5867 1,03709 ,06914
a
Photoshop 225 30,2800 1,27012 ,08467
b Colorimetra 225 11,5024 ,64284 ,04286
134 Estimacin de las coordenadas CIEL*a*b* en concentrados de tomate utilizando
imgenes digitales.
ANEXO 8: Anlisis de varianza entre las coordenadas de color estndar usando colormetro
versus las obtenidas utilizando el Modelo Directo en pur de tomate.
T-TEST GROUPS=TT(1 2)
/MISSING=ANALYSIS
/VARIABLES=L a b C h ab
/CRITERIA=CI(.95).
Prueba T
Notas
Resultados creados 19-NOV-2014 01:37:16
Comentarios
C:\Users\Juan\Desktop\AND
REA\EXPERIMENTACIN
TESIS\ANALISIS
Datos ESTADSTICO SPSS\PURE
DE
TOMATE\COLORIMETRIA
Entrada VS MTODO DIRECTO.sav
Conjunto de datos activo Conjunto_de_datos4
Filtro <ninguno>
Peso <ninguno>
Dividir archivo <ninguno>
Nm. de filas del archivo de
450
trabajo
Los valores perdidos
definidos por el usuario
Definicin de los perdidos
sern tratados como
perdidos.
Tratamiento de los valores Los estadsticos de cada
perdidos anlisis se basan en los
casos que no tienen datos
Casos utilizados
perdidos ni quedan fuera de
rango en cualquiera de las
variables del anlisis.
T-TEST GROUPS=TT(1 2)
/MISSING=ANALYSIS
Sintaxis
/VARIABLES=L a b C h ab
/CRITERIA=CI(.95).
Tiempo de procesador 00:00:00,00
Recursos
Tiempo transcurrido 00:00:00,00
[Conjunto_de_datos4] C:\Users\Juan\Desktop\ANDREA\EXPERIMENTACIN
TESIS\ANALISIS ESTADSTICO SPSS\PURE DE TOMATE\COLORIMETRIA VS MTODO
DIRECTO.sav
Estadsticos de grupo
TT N Media Desviacin tp. Error tp. de la
media
Colorimetra 225 31,8455 ,48255 ,03217
L
ModeloDirecto 225 56,2241 ,12334 ,00822
Colorimetra 225 27,2220 ,50076 ,03338
a
ModeloDirecto 225 16,9358 ,37794 ,02520
Anexos 137
ANEXO 9: Anlisis de varianza entre las coordenadas de color estndar usando colormetro
versus las obtenidas utilizando el Modelo Directo en pasta de tomate.
T-TEST GROUPS=TT(1 2)
/MISSING=ANALYSIS
/VARIABLES=L a b C h ab
/CRITERIA=CI(.95).
Prueba T
Notas
Resultados creados 19-NOV-2014 01:48:47
Comentarios
C:\Users\Juan\Desktop\AND
REA\EXPERIMENTACIN
TESIS\ANALISIS
Datos ESTADSTICO
SPSS\PASTA DE
TOMATE\COLORIMETRIA
Entrada VS MODELO DIRECTO.sav
Conjunto de datos activo Conjunto_de_datos9
Filtro <ninguno>
Peso <ninguno>
Dividir archivo <ninguno>
Nm. de filas del archivo de
450
trabajo
Los valores perdidos
definidos por el usuario
Definicin de los perdidos
sern tratados como
perdidos.
Tratamiento de los valores Los estadsticos de cada
perdidos anlisis se basan en los
casos que no tienen datos
Casos utilizados
perdidos ni quedan fuera de
rango en cualquiera de las
variables del anlisis.
T-TEST GROUPS=TT(1 2)
/MISSING=ANALYSIS
Sintaxis
/VARIABLES=L a b C h ab
/CRITERIA=CI(.95).
Tiempo de procesador 00:00:00,03
Recursos
Tiempo transcurrido 00:00:00,03
[Conjunto_de_datos9] C:\Users\Juan\Desktop\ANDREA\EXPERIMENTACIN
TESIS\ANALISIS ESTADSTICO SPSS\PASTA DE TOMATE\COLORIMETRIA VS MODELO
DIRECTO.sav
Estadsticos de grupo
TT N Media Desviacin tp. Error tp. de la
media
Colorimetra 225 30,2164 ,59307 ,03954
L
Photoshop 225 29,3778 1,15513 ,07701
Colorimetra 225 30,5867 1,03709 ,06914
a
Photoshop 225 30,2800 1,27012 ,08467
b Colorimetra 225 11,5024 ,64284 ,04286
140 Estimacin de las coordenadas CIEL*a*b* en concentrados de tomate utilizando
imgenes digitales.
ANEXO 10: Anlisis de varianza entre las coordenadas de color estndar usando colormetro
versus las obtenidas utilizando el Modelo Gamma en pur de tomate.
T-TEST GROUPS=TT(1 2)
/MISSING=ANALYSIS
/VARIABLES=L a b C h ab
/CRITERIA=CI(.95).
Prueba T
Notas
Resultados creados 19-NOV-2014 01:39:22
Comentarios
C:\Users\Juan\Desktop\AND
REA\EXPERIMENTACIN
TESIS\ANALISIS
Datos ESTADSTICO SPSS\PURE
DE
TOMATE\COLORIMETRIA
Entrada VS MODELO GAMMA.sav
Conjunto de datos activo Conjunto_de_datos5
Filtro <ninguno>
Peso <ninguno>
Dividir archivo <ninguno>
Nm. de filas del archivo de
450
trabajo
Los valores perdidos
definidos por el usuario
Definicin de los perdidos
sern tratados como
perdidos.
Tratamiento de los valores Los estadsticos de cada
perdidos anlisis se basan en los
casos que no tienen datos
Casos utilizados
perdidos ni quedan fuera de
rango en cualquiera de las
variables del anlisis.
T-TEST GROUPS=TT(1 2)
/MISSING=ANALYSIS
Sintaxis
/VARIABLES=L a b C h ab
/CRITERIA=CI(.95).
Tiempo de procesador 00:00:00,00
Recursos
Tiempo transcurrido 00:00:00,08
[Conjunto_de_datos5] C:\Users\Juan\Desktop\ANDREA\EXPERIMENTACIN
TESIS\ANALISIS ESTADSTICO SPSS\PURE DE TOMATE\COLORIMETRIA VS MODELO
GAMMA.sav
Estadsticos de grupo
TT N Media Desviacin tp. Error tp. de la
media
Colorimetra 225 31,8455 ,48255 ,03217
L
ModeloGamma 225 59,4426 ,16521 ,01101
Colorimetra 225 27,2220 ,50076 ,03338
a
ModeloGamma 225 37,8099 ,43081 ,02872
Anexos 143
ANEXO 11: Anlisis de varianza entre las coordenadas de color estndar usando colormetro
versus las obtenidas utilizando el Modelo Gamma en pasta de tomate.
T-TEST GROUPS=TT(1 2)
/MISSING=ANALYSIS
/VARIABLES=L a b C h ab
/CRITERIA=CI(.95).
Prueba T
Notas
Resultados creados 19-NOV-2014 01:50:40
Comentarios
C:\Users\Juan\Desktop\AND
REA\EXPERIMENTACIN
TESIS\ANALISIS
Datos ESTADSTICO
SPSS\PASTA DE
TOMATE\COLORIMETRIA
Entrada VS MODELO GAMMA.sav
Conjunto de datos activo Conjunto_de_datos10
Filtro <ninguno>
Peso <ninguno>
Dividir archivo <ninguno>
Nm. de filas del archivo de
450
trabajo
Los valores perdidos
definidos por el usuario
Definicin de los perdidos
sern tratados como
perdidos.
Tratamiento de los valores Los estadsticos de cada
perdidos anlisis se basan en los
casos que no tienen datos
Casos utilizados
perdidos ni quedan fuera de
rango en cualquiera de las
variables del anlisis.
T-TEST GROUPS=TT(1 2)
/MISSING=ANALYSIS
Sintaxis
/VARIABLES=L a b C h ab
/CRITERIA=CI(.95).
Tiempo de procesador 00:00:00,02
Recursos
Tiempo transcurrido 00:00:00,02
[Conjunto_de_datos10] C:\Users\Juan\Desktop\ANDREA\EXPERIMENTACIN
TESIS\ANALISIS ESTADSTICO SPSS\PASTA DE TOMATE\COLORIMETRIA VS MODELO
GAMMA.sav
Estadsticos de grupo
TT N Media Desviacin tp. Error tp. de la
media
Colorimetra 225 30,2164 ,59307 ,03954
L
ModeloDirecto 225 57,6594 ,23018 ,01535
Colorimetra 225 30,5867 1,03709 ,06914
a
ModeloDirecto 225 17,8606 1,03221 ,06881
b Colorimetra 225 11,5024 ,64284 ,04286
146 Estimacin de las coordenadas CIEL*a*b* en concentrados de tomate utilizando
imgenes digitales.
ANEXO 12: Anlisis de varianza entre las coordenadas de color estndar usando colormetro
versus las obtenidas utilizando Redes Neuronales en pur de tomate.
T-TEST GROUPS=TT(1 2)
/MISSING=ANALYSIS
/VARIABLES=L a b C h ab
/CRITERIA=CI(.95).
Prueba T
Notas
Resultados creados 19-NOV-2014 01:41:43
Comentarios
C:\Users\Juan\Desktop\AND
REA\EXPERIMENTACIN
TESIS\ANALISIS
ESTADSTICO SPSS\PURE
Datos
DE
TOMATE\COLORIMETRIA
VS REDES
Entrada
NEURONALES.sav
Conjunto de datos activo Conjunto_de_datos6
Filtro <ninguno>
Peso <ninguno>
Dividir archivo <ninguno>
Nm. de filas del archivo de
450
trabajo
Los valores perdidos
definidos por el usuario
Definicin de los perdidos
sern tratados como
perdidos.
Tratamiento de los valores Los estadsticos de cada
perdidos anlisis se basan en los
casos que no tienen datos
Casos utilizados
perdidos ni quedan fuera de
rango en cualquiera de las
variables del anlisis.
T-TEST GROUPS=TT(1 2)
/MISSING=ANALYSIS
Sintaxis
/VARIABLES=L a b C h ab
/CRITERIA=CI(.95).
Tiempo de procesador 00:00:00,02
Recursos
Tiempo transcurrido 00:00:00,02
[Conjunto_de_datos6] C:\Users\Juan\Desktop\ANDREA\EXPERIMENTACIN
TESIS\ANALISIS ESTADSTICO SPSS\PURE DE TOMATE\COLORIMETRIA VS REDES
NEURONALES.sav
Estadsticos de grupo
TT N Media Desviacin tp. Error tp. de la
media
Colorimetra 225 31,8455 ,48255 ,03217
L
ModeloGamma 225 31,8436 ,48707 ,03247
a Colorimetra 225 27,2220 ,50076 ,03338
Anexos 149
ANEXO 13: Anlisis de varianza entre las coordenadas de color estndar usando colormetro
versus las obtenidas utilizando Redes Neuronales en pasta de tomate.
T-TEST GROUPS=TT(1 2)
/MISSING=ANALYSIS
/VARIABLES=L a b C h ab
/CRITERIA=CI(.95).
Prueba T
Notas
Resultados creados 19-NOV-2014 01:55:14
Comentarios
C:\Users\Juan\Desktop\AND
REA\EXPERIMENTACIN
TESIS\ANALISIS
ESTADSTICO
Datos
SPSS\PASTA DE
TOMATE\COLORIMETRIA
VS REDES
Entrada
NEURONALES.sav
Conjunto de datos activo Conjunto_de_datos12
Filtro <ninguno>
Peso <ninguno>
Dividir archivo <ninguno>
Nm. de filas del archivo de
450
trabajo
Los valores perdidos
definidos por el usuario
Definicin de los perdidos
sern tratados como
perdidos.
Tratamiento de los valores Los estadsticos de cada
perdidos anlisis se basan en los
casos que no tienen datos
Casos utilizados
perdidos ni quedan fuera de
rango en cualquiera de las
variables del anlisis.
T-TEST GROUPS=TT(1 2)
/MISSING=ANALYSIS
Sintaxis
/VARIABLES=L a b C h ab
/CRITERIA=CI(.95).
Tiempo de procesador 00:00:00,03
Recursos
Tiempo transcurrido 00:00:00,03
[Conjunto_de_datos12] C:\Users\Juan\Desktop\ANDREA\EXPERIMENTACIN
TESIS\ANALISIS ESTADSTICO SPSS\PASTA DE TOMATE\COLORIMETRIA VS REDES
NEURONALES.sav
Estadsticos de grupo
TT N Media Desviacin tp. Error tp. de la
media
Colorimetra 225 30,2164 ,59307 ,03954
L
RedesNeuronales 225 30,2871 ,42950 ,02863
Colorimetra 225 30,5867 1,03709 ,06914
a
RedesNeuronales 225 30,6209 ,69316 ,04621
152 Estimacin de las coordenadas CIEL*a*b* en concentrados de tomate utilizando
imgenes digitales.