LA ESCALA DE GRADUACIÓN COLORIMÉTRICA PUEDE PROMOVER

LA ESTANDARIZACIÓN DE LA EVALUACIÓN SENSORIAL Y

SENSORIAL EN EL CONTROL DE CALIDAD DE LOS MEDICAMENTOS
TRADICIONALES CHINOS

Resumen

La evaluación experiencial y sensorial es un método antiguo que sigue siendo

importante en el sistema actual de control de calidad de los medicamentos tradicionales
chinos (MTC). El proceso es rápido y conveniente cuando se evalúa la calidad de los
materiales crudos en los mercados de MTC. Sin embargo, la evaluación sensorial se ha
encontrado con escepticismo porque se basa principalmente en la experiencia y carece
de una base científica. En este estudio, se seleccionó el ruibarbo para demostrar cómo
la evaluación sensorial basada en el color podría diferenciar objetivamente la calidad
de los medicamentos herbarios. Los colores de las muestras de ruibarbo, expresados
como valores RGB, se obtuvieron de diferentes partes y formas de la planta, incluyendo
la superficie de la planta, el color de la superficie de la fractura y una forma en polvo
con o sin tratamiento con un reactivo que desarrolla el color. En primer lugar, dividimos
las muestras de ruibarbo en tres grados según el contenido total de cinco derivados de
hidroxianraquinona, los principales componentes farmacológicos en el
ruibarbo. Luego, se utilizó una red neuronal artificial de propagación hacia atrás de tres
capas (BP-ANN), calibrada con muestras de entrenamiento seleccionadas, para
correlacionar la calidad del ruibarbo con su color. El color del polvo de ruibarbo
después de la coloración alcanzó la mayor precisión (92.3%) para predecir el grado de
calidad de las muestras de prueba con las redes neuronales artificiales
establecidas. Finalmente, se creó una escala de gradación colorimétrica estandarizada
basada en la distribución espacial de las muestras de ruibarbo en un diagrama de
cromaticidad bidimensional según los colores del ruibarbo en polvo después del realce
del color. Al comparar el color entre la escala y las muestras analizadas, De manera
similar a realizar una prueba de pH con papel indicador, los sujetos sin experiencia en
evaluación sensorial podrían determinar rápidamente el grado de calidad del
ruibarbo. Este trabajo ilustra la viabilidad técnica de la clasificación basada en el color
de la calidad del ruibarbo y ofrece referencias para cuantificar y estandarizar la
evaluación sensorial de MTC, alimentos y otros productos.

Introducción

La evaluación experiencial y sensorial es un método de evaluación rápido y eficaz que

se ha utilizado ampliamente en diversos campos [1] - [3] . La técnica se ha utilizado
durante más de 30 años en la industria alimentaria como prueba de control de calidad,
caracterizando el sabor y el color de los alimentos, y es cada vez más importante en los
mercados de alimentos [4] - [6]. Se ha desarrollado un conjunto de métodos únicos de
evaluación sensorial a medida que evolucionan los medicamentos chinos tradicionales
(MTC). La evaluación sensorial tradicional se basa principalmente en los sentidos
humanos para evaluar la forma, el tamaño, la textura, el color, el olor y el sabor. La
evaluación sensorial sigue siendo uno de los métodos más efectivos para evaluar las
materias primas utilizadas en TCM. En comparación con los métodos modernos de
control de calidad que incluyen espectroscopia, cromatografía, espectrometría de masas
y biotecnología de vanguardia, la evaluación sensorial es conveniente, rápida y
efectiva [7]. Sin embargo, estos métodos modernos de alta tecnología han sido
ampliamente investigados, mientras que los métodos de evaluación sensorial
convencionales interesan a pocos investigadores modernos. En China, la evaluación de
la calidad basada en características sensoriales se usa ampliamente en los mercados de
MTC. Hay algunas especificaciones comerciales de MTC aceptadas
convencionalmente por los productores, vendedores de medicamentos, médicos y
consumidores de MTC. También hay hierbas Dao-di(hierbas de buena calidad
producidas en las áreas nativas) aceptadas convencionalmente por los profesionales
para diferenciar la calidad de las MTC. Esas especificaciones comerciales y el concepto
de Dao-di.Las hierbas se definen generalmente por un conjunto de características
morfológicas específicas. Los cultivadores de hierbas medicinales típicamente
seleccionan una especie o variedad superior para cultivar basándose en esas
características morfológicas específicas. De manera similar, los proveedores de
medicamentos clasifican y cotizan los MTC según diferentes especificaciones, y los
consumidores evalúan principalmente la calidad de un MTC sobre la base de las
características sensoriales [8] . Las repetibilidad de la evaluación experiencial y
sensorial realizada por los profesionales de las MTC, como el ruibarbo y Coptis
chinensis , etc., se han demostrado en nuestros estudios anteriores [9] , [10]. Aunque la
evaluación sensorial tradicional se ha aplicado regularmente en China, existen algunas
desventajas. Una de las preocupaciones es si la evaluación sensorial tiene una base
científica y química. Un segundo problema es cómo la práctica puede ser aplicada por
personas con poca experiencia en evaluación sensorial, específicamente usuarios en el
mundo occidental.

El color es una de las características más importantes en la evaluación sensorial para

las MTC. Algunas publicaciones sobre medicina herbal china antigua, como
los Orígenes de la Materia Médica ( Ben Cao Yuan Shi ), enfatizan la importancia del
color como un identificador de materiales herbales de alta calidad ( Figura 1 ). Por
ejemplo, una raíz de Aucklandia ( muxiangen chino) de color azul cadete se considera
superior, de grado medio si es de color blanco amarillento y de calidad inferior cuando
se caracteriza por un color negro oleaginoso [11]. La correlación entre el color y la
composición química, sin embargo, no está bien estudiada. Además, la evaluación
sensorial se basa en gran medida en experiencias personales, que son difíciles de
cuantificar y estandarizar. Por lo tanto, su aplicación ha sido restringida. Según nuestro
conocimiento, no se ha informado de una cuantificación y estandarización previa de la
evaluación del color para la medicina herbal china.
Figura 1. El clásico de las hierbas Origen de la Materia Médica ( Ben Cao Yuan
Shi) describe la evaluación de la calidad basada en el color de los materiales
herbarios chinos.
a) El origen de la Materia Médica , escrito por Zhong-li Li en 1612 durante la dinastía
Ming, ha sido considerado el primero de los clásicos a base de hierbas en China, que
describió las características sensoriales para la identificación de materiales herbales
comerciales (las partes medicinales del plantas) en detalle en lugar de la morfología de
la planta. b) La descripción original en el libro para la evaluación de calidad basada en
el color de la raíz de Aucklandia ( Aucklandia lappa Decne, muxiang en
chino). La raíz de Aucklandia es una hierba que se ha utilizado comúnmente para tratar
enfermedades gastroenterológicas en China durante más de dos mil años. c) Fotografías
de las muestras de raíces de Aucklandia en diferentes colores. La calidad deLa raíz
de Aucklandia se puede colocar en tres grados según el color de sus superficies de
fractura: el azul cadete denota una calidad superior (izquierda); blanco amarillento
indica calidad ordinaria (medio); y un color negro oleaginoso sugiere calidad inferior
(derecha).

El ruibarbo, una antigua y una de las hierbas medicinales chinas más conocidas, ha sido
reconocida durante siglos en la medicina tradicional por sus propiedades
farmacológicas, incluido su purgante [12] , la protección nefrica [13] , [14] , la
protección del hígado [15] , Propiedades antimicrobianas y hemostáticas [16] . Los
principales componentes farmacológicos en el ruibarbo son cinco hidroxianraquinonas
(HAQ): aloeemodina, rina, emodina, crisofanol y fisio, que también son marcadores de
control de calidad en la farmacopea china [17]. La calidad del ruibarbo se correlaciona
directamente con el contenido de los cinco HAQ. Los ruibarbo de diferentes grados
generalmente exhiben diferentes colores, tales como rojo oscuro, marrón amarillo o
amarillo. Según la evaluación sensorial tradicional, los ruibarbo de buena calidad
suelen ser de color amarillo brillante y los de mala calidad suelen ser de color amarillo
oscuro o marrón. La objetividad y reproducibilidad de la evaluación sensorial para el
ruibarbo se han demostrado utilizando el método Delphi [9] . En este estudio, el
ruibarbo ha sido seleccionado como fármaco modelo por su color representativo en la
evaluación sensorial.

El diagrama de flujo general de este estudio se muestra en la Figura 2. Primero,

dividimos las muestras de ruibarbo en tres grados según el contenido total de los cinco
HAQ. En segundo lugar, utilizamos la red neuronal artificial de propagación hacia atrás
de tres capas (BP-ANN) para encontrar relaciones entre la calidad y el color de las
muestras. Finalmente, definimos una escala de calificación colorimétrica para la
calidad del ruibarbo. Al comparar el color de una muestra con esta escala, de manera
similar a hacer coincidir el color del papel de tornasol con una escala de color para
determinar el pH, los clientes pueden determinar rápidamente la calidad del
ruibarbo. Para investigar qué tipo de muestra produjo los mejores colores para usar para
clasificar el ruibarbo, se analizaron los colores de la superficie de la planta, el color de
la superficie de la fractura y el polvo, con o sin coloración con un reactivo que desarrolla
el color. A través de este trabajo, ilustramos la viabilidad de la gradación basada en
color para el ruibarbo y desarrollamos una herramienta práctica, una escala de
gradación colorimétrica estandarizada, para clasificar el ruibarbo. Además,
proporcionamos algunas referencias para la cuantificación y estandarización de la
evaluación sensorial de las MTC.

Figura 2. El diagrama de flujo para este estudio.

Materiales y métodos

Materiales

Treinta y cuatro lotes de ruibarbo fueron recolectados de varias fuentes en China ( Tabla
1 ). Todos los especímenes de vales se depositaron en el Instituto Militar de China de
Materia Médica China. Las muestras fueron identificadas por el profesor Xiao-He Xiao
como las raíces secas y los rizomas de Rheum palmatum L., Rheum
tanguticum Maxim. ex Balf. y Rheum offcinale Baill. Los reactivos químicos fueron de
calidad analítica y se obtuvieron de la Fábrica de Químicos de Beijing (Beijing, China).
Tabla 1. Valores RGB del color de la superficie, la superficie de la fractura y el
polvo con o sin desarrollo de color adicional.

Ética

No se requirieron permisos específicos para los estudios de campo descritos. Las

ubicaciones mencionadas anteriormente no son de propiedad privada ni están
protegidas por el gobierno chino. Y no hay especies en peligro de extinción o protegidas
involucradas en los lugares específicos donde recolectamos las muestras de ruibarbo.

Sistema de camara

Las imágenes se adquirieron utilizando un sistema de cámara equipado con una caja de
luz estándar, cámara, computadora, software ZoomBrowser EX, líneas de datos y
cámara digital (PowerShot G5 Pro 5.0 Megapixel, Canon Inc., Nagasaki, Japón). La
caja de luz estándar consiste en un marco de acero, una lámpara fluorescente
(LUMILUX, FH14W / 865HE, OSRAM Company, München, Alemania), un balasto y
un paño de protección.

Optimización de las condiciones de tiro.

El tiempo de exposición, el tamaño de apertura y la sensibilidad a la luz se optimizaron

para obtener imágenes claras. Los parámetros de rendimiento óptimo de la cámara se
determinaron variando el tiempo de exposición (1/4, 1/6, 1/8, 1/10, 1/13, 1/15, 1/20,
1/30, 1/40, 1 / 60, 1/80, 1/100), tamaño de apertura (8.0, 7.1, 6.3, 5.6) y valor de
sensibilidad a la luz ISO (50 y 100). Los resultados mostraron que la imagen más clara
con brillo y contraste bien equilibrados se obtuvo utilizando las siguientes condiciones:
un tiempo de exposición de 1/10 de segundo, un tamaño de apertura de 8.0 y un valor
de sensibilidad a la luz ISO de 50.

Coloración de la muestra y obtención de valores RGB

Coloración en polvo: las muestras de ruibarbo en polvo de 0,3 g se pesaron

respectivamente y luego se dispersaron en una placa de 96 pocillos que generalmente
se usa en experimentos de biología molecular y cultivo celular. Luego se añadió una
solución acuosa de NaOH al 0,5% (0,6 ml) a cada pocillo para desarrollar el color de la
muestra. Después de la coloración, se insertaron trozos de papel de filtro cuadrado (1,5
× 1,5 cm) en el polvo coloreado para absorber la solución de ruibarbo en los pozos, y
los papeles de filtro se transfirieron a la caja de luz estándar para obtener imágenes
inmediatas.

Coloración de la superficie fracturada: la solución de NaOH (0,5%, 0,2 ml) se pulverizó

sobre la superficie fracturada de cada muestra de ruibarbo. Estas muestras fueron
fotografiadas inmediatamente en la caja de luz.

Todas las muestras, con o sin coloración, se colocaron en la caja de luz estándar, y se
tomaron fotografías utilizando las condiciones de disparo optimizadas descritas
anteriormente. Algunas imágenes representativas se muestran en la Figura 3 . Todas las
imágenes fueron guardadas en el formato .jpg. Los valores RGB se extrajeron de las
imágenes utilizando el software de procesamiento de imágenes Photoshop CS4 (Adobe
Systems Inc., EE. UU.).

Figura 3. Imágenes representativas de muestras de ruibarbo de diferentes

calidades.
Análisis de red neuronal BP

En este estudio se estableció una red neuronal de BP con una capa de entrada, una capa
oculta y una capa de salida. De acuerdo con los resultados experimentales, los valores
RGB se establecieron como tres de los parámetros de evaluación. En este experimento,
había siete nodos iniciales en la capa oculta, y el número de nodos se definió como 2N
+ 1, donde N es el número de nodos de la capa de entrada. En la capa de salida, se
designaron tres nodos para representar los tres grados de ruibarbo. La capa oculta y los
vectores de entrada estaban conectados, y la capa de salida y los vectores de entrada no
estaban conectados. Además, el conjunto de muestras de entrenamiento y los valores
deseados se normalizaron con Premnmxdesde la caja de herramientas de
Matlab. Finalmente, la red de BP se estableció utilizando el Newcf.La función y la
función de transferencia de las neuronas en cada capa fue tansig y purelin . La función
de formación en red fue trainParam . Después del entrenamiento, los estándares de
calificación se guardaron en la red y la red neuronal de BP pudo producir una
predicción. Aunque los grados de muestra determinados son números discretos (1, 2 o
3) en el proceso de capacitación, los valores predichos son números reales continuos. El
grado de una muestra ingresada podría designarse basándose en el valor predicho. Por
ejemplo, si el valor de salida está en el rango de (0.51–1.50], la muestra debe designarse
como el grado 1 ( Figura 4). Además, para los grados 2 y 3, los rangos se designan
como (1.51–2.50] y (2.51–3.50], respectivamente. En los resultados predichos por la
red de BP, algunos valores de salida no estuvieron en el rango de (0.51– 3.50]. Estas
cifras fueron consideradas predicciones incorrectas.

Figura 4. Predicciones basadas en el color de los grados de las muestras de

ruibarbo de la red de BP.
Aquí se contabilizaron las treinta y cuatro muestras, incluido el conjunto de
entrenamiento y el conjunto de prueba. Las áreas azules indican predicciones correctas
y las áreas grises indican predicciones incorrectas. a, utilizando el color de la superficie
del ruibarbo sin coloración adicional como parámetro de entrada, el porcentaje de
predicciones correctas fue del 50,0% (17 predicciones correctas en 34 muestras). b,
cuando se ingresaron los colores de las superficies de fractura sin desarrollo, el
porcentaje de predicciones correctas fue de 64.7% (22 predicciones correctas en 34
muestras). c. Cuando se analizaron las superficies de fractura con color, el porcentaje
de predicciones correctas fue del 73,5% (25 predicciones correctas en 34 muestras). d,
utilizando el polvo sin coloración como entrada, el porcentaje de predicciones correctas
fue de 79.4% (27 predicciones correctas en 34 muestras). mi,

El proceso se puede resumir de la siguiente manera:

1. yo. Ingrese los parámetros de evaluación de calidad de las muestras de

capacitación en los nodos de entrada de red.
2. ii. Crear la red neural de BP.
3. iii. Seleccionar las funciones y parámetros de entrenamiento adecuados.
4. iv. Envíe los resultados de la predicción a los nodos de salida de la red.
5. v. Ingrese los tres parámetros de evaluación para las muestras.
6. vi. Proceda a través de la simulación de Matlab.
7. [pn, meanp, stdp, tn, mean, stdt] = prestd (p, t); % normalizando
8. % establecer red neuronal
9. net = newcf (minmax (ptr), [21 1], {'tansig' 'purelin'}, 'traingdx', 'learnsom');
10. % entrenar la red neuronal
11. net.trainParam.epochs = 4500;
12. net.trainParam.goal = 0.000001;
13. net.trainParam.show = 40;
14. net.trainParam.lr = 0.05;
15. [net, tr] = tren (net, ptr, ttr, [], [], val, prueba);
16. a = poststd (an, mean, stdt); % de normalización inversa
17. % final

Conversión de color para muestras de ruibarbo

Debido a que el espacio de color RGB consta de tres dimensiones, es difícil utilizar la
información RGB para resumir la distribución de las muestras de ruibarbo en cada
grado de calidad. Para distinguir los umbrales inferior y superior para calificar
diferentes muestras de ruibarbo, los valores RGB se transformaron en el espacio de
color XYZ CIE1931, donde los valores se pueden normalizar y trazar en un diagrama
de cromaticidad bidimensional de CIE1931xy. Las fórmulas utilizadas para convertir
entre los espacios de color CIE XYZ y RGB están bien documentadas [18] , [19]. El
espacio de color CIE XYZ está diseñado deliberadamente para que el parámetro Y sea
una medida del brillo o la luminancia de un color. La cromaticidad de un color se
especifica a continuación mediante los parámetros derivados x e y, dos de los tres
valores normalizados que son funciones de los tres valores triestímulos X, Y y Z.

(1) (2) (3)

El espacio de color derivado especificado por xey puede representar todas las
cromaticidades visibles para la persona promedio dentro de un diagrama de
cromaticidad bidimensional, que es una herramienta ampliamente utilizada para
especificar colores [18] .

Diseño de la Escala de Calificaciones Colorimétricas.

Para establecer la escala de color para la gradación colorimétrica, asumimos que las
muestras de ruibarbo de diferente calidad se distribuirían aleatoriamente en un círculo
centrado en los valores de color esperados (puntos O 1 , O 2 y O 3 , que se muestran en
la Figura 5a ) para las muestras. Estos valores suelen estar dentro del radio de la
distancia máxima desde el centro en el diagrama de cromaticidad. El centroide
(punto D ) del triángulo que consta de los puntos O 1 , O 2 y O 3 se puede asignar como
el punto de división que divide las muestras en los diferentes grados de calidad.

Figura 5. La distribución de las muestras de ruibarbo en cada grado en el

diagrama de cromaticidad CIE1931xy.
a, La distribución general de las muestras en las coordenadas bidimensionales que se
superponen en el diagrama de cromaticidad CIE1931xy. Las muestras en el grado 1 se
distribuyen principalmente en la región inferior izquierda, favoreciendo el rojo
púrpura; las muestras en el grado 2 se distribuyen en la región correcta hacia el
naranja; y las muestras en el grado 3 se distribuyen en la región superior izquierda
tendiendo hacia el amarillo. b, diagrama esquemático que describe los cálculos
geométricos para los puntos de segmentación. El diagrama representa la región
ampliada en el panel a.

Resultados

Asignación de grado de calidad para las muestras de ruibarbo

Antes del análisis de BP-ANN, las muestras de ruibarbo se dividieron en tres grados
según el contenido total de los cinco HAQ ( T HAQ ) según las siguientes definiciones:
grado 1, T HAQ≥40.00 mg g −1 , grado 2, 25.00 < T HAQs <40.00 mg g −1 , y grado
3, T HAQs ≤25.00 mg · g −1( Tabla S1 ).
Cuantización del color en valores RGB para las muestras de ruibarbo

Las imágenes de una muestra se capturaron en la caja de luz estándar y bajo luz natural
en diferentes momentos (mañana, mediodía, tarde, noche) durante el día utilizando las
condiciones de disparo optimizadas descritas anteriormente. La Tabla 2 muestra las
desviaciones estándar relativas (RSD) de los canales R, G y B, que fueron 10.24%,
10.22% y 11.75%, respectivamente, cuando se dispara con luz natural en diferentes
puntos de tiempo. En contraste, el RSD para los valores R, G y B fue 0.94%, 1.13% y
1.81%, respectivamente, cuando se dispara en la caja de luz. Las condiciones de
iluminación proporcionadas por el lightbox permiten una buena reproducibilidad al
adquirir imágenes para obtener información sobre el color. En este estudio, adquirimos
diferentes colores de la hierba, incluida la superficie exterior, una superficie de fractura
y un polvo, con o sin coloración por un reactivo en desarrollo (Figura 3 ). Los valores
RGB de las 34 muestras de ruibarbo se muestran en la Tabla 1 . Los datos del color de
la superficie con la coloración no se enumeraron y se excluyeron de la investigación
porque los datos variaron mucho en diferentes zonas de la superficie de la hierba.

Tabla 2. La reproducibilidad de las mediciones RGB.

Establecimiento de redes neuronales y predicción

La red neuronal se estableció primero mediante el procesamiento del conjunto de

entrenamiento, y luego las otras muestras se tomaron como el conjunto de prueba para
evaluar la validez de las predicciones y los resultados de la red. Suponemos que las
muestras que contienen una cantidad intermedia de HAQ en un determinado grado de
calidad son representativas de la totalidad del grado. Así que esas muestras de T HAQSen
el rango intermedio (20% menor o mayor que el límite superior o inferior de cada grado
de calidad) se seleccionaron como muestras de entrenamiento: El grado 1 consistió en
las muestras 6, 7, 12, 15, 19, 20 y 21; el grado 2 contenía las muestras 1, 2, 3, 4, 8, 11
y 17; y el grado 3 fueron muestras 5, 9, 10, 14, 16, 27 y 30. Después del establecimiento
de la red de BP, las otras trece muestras fuera del conjunto de entrenamiento se
ingresaron como muestras de prueba y se predijeron. La precisión de la predicción de
la red de BP se diversificó según la forma de color de la hierba que se examinó. Los
valores de precisión de la predicción de cada tipo de color fueron: 38.5% (5
predicciones correctas en 13 muestras de prueba) para el color de la superficie, 92.3%
(12 predicciones correctas en 13 muestras de prueba) para el color del polvo después
de la coloración y 69. 2% (9 predicciones correctas en 13 muestras de prueba) para los
otros tres tipos de color. Además, las predicciones para las muestras de entrenamiento
anteriores también se contaron y se combinaron con los resultados de las muestras de
prueba. Los valores de predicción se representaron con el contenido de los cinco HAQ
enFigura 4 . Se pudo encontrar que el color del polvo de ruibarbo después de la
coloración alcanzó la predicción errónea más baja del grado de calidad para todas las
muestras.

Cálculo de los límites que diferencian los grados de ruibarbo

Las dieciséis muestras representativas (muestra 12, 15, 19 y 31 en el grado 1; muestra

1, 3, 4, 24, 26, 28 y 32 en el grado 2 y muestra 9, 10, 14, 33 y 34 en el el grado 3) que
muestra la menor superposición en su distribución en el diagrama de cromaticidad (es
decir, distribuido aproximadamente el 80% de la distancia máxima posible desde el
centro de cada grado de calidad) se seleccionó para determinar los límites para
diferenciar los grados de ruibarbo. Los valores RGB adquiridos de las muestras
representativas se convirtieron en valores dentro del espacio de color CIE 1931xy y
luego se representaron en el diagrama de cromaticidad ( Figura 5a ). Las distribuciones
de los tres grados de las muestras de ruibarbo se separaron en distintas regiones. De
acuerdo con los cálculos descritos anteriormente, los puntos de expectativa matemática
( x ,y ) de cada grado son O 1 (0.4315, 0.3031), O 2 (0.4819, 0.3408) y O 3(0.4277,
0.3677). El punto de división D ( x , y ) se define como el centro geométrico de los tres
puntos de expectativa matemática calculados para los tres grados y ocurre en (0.4470,
0.3372). La Figura 5b muestra que las muestras de ruibarbo en cada grado se
distribuyen fuera del punto de división ( D) en tres direcciones hacia una categoría de
color diferente. El grado 1 tiende hacia la región rojo-púrpura; el grado 2 a la región
naranja; y el grado 3 a la región amarilla. Por lo tanto, la forma en que se distribuyen
las muestras se puede usar para determinar el grado de una muestra de ruibarbo
desconocida, específicamente comparando el color de lo desconocido con una escala
de clasificación colorimétrica creada en función del color del punto de división
( D ). Las cintas correspondientes se dibujaron utilizando el software de los valores
RGB del punto de división ( D ) y los puntos de expectativa matemática ( O 1 , O 2 ,
O 3 ) para cada grado ( Figura 6 ).
Figura 6. Diferencias entre el color en el punto de división y los colores de los
puntos de expectativa matemática para cada grado.

Discusión

Debido a la conveniencia y la velocidad de la evaluación sensorial en comparación con

los análisis de laboratorio del contenido químico, el método de gradación basado en el
color deseado ayudaría a evaluar la calidad del ruibarbo en el mercado de MTC. El
enfoque para obtener la información de color es importante para la evaluación
sensorial. Un colorímetro es un dispositivo que se usa comúnmente para medir los
componentes de color de muestras sólidas. En nuestro experimento preliminar,
encontramos que la medición del color del ruibarbo por colorímetro era difícil porque
la superficie de la planta o la superficie de la fractura no era uniforme y de color
uniforme, lo que disminuía la repetibilidad de los resultados. Desafortunadamente, la
mayoría de las hierbas medicinales tienen varias formas que afectan la
reproducibilidad. En este estudio, Utilizamos una cámara digital para capturar
imágenes de muestras y extrajimos los datos de color de estas imágenes utilizando
Photoshop (Adobe Corporation, EE. UU.). A través de este enfoque, los datos de color
de las hierbas son consistentes con cómo los colores son percibidos por la visión
humana. El modelo de color RGB (rojo, verde, azul) es uno de los sistemas de color
más utilizados. Un modelo aditivo en el que la luz roja, verde y azul se suman para
producir una amplia gama de colores, el modelo incluye casi todos los colores que
pueden ser percibidos por el ojo humano. En este estudio, los valores RGB se utilizaron
para representar el color cuantitativamente. Los valores RGB podrían convertirse en
color visual, lo que hizo posible crear una escala de color que podría usarse como
referencia para calificar la calidad del ruibarbo. los datos de color de las hierbas son
consistentes con cómo los colores son percibidos por la visión humana. El modelo de
color RGB (rojo, verde, azul) es uno de los sistemas de color más utilizados. Un modelo
aditivo en el que la luz roja, verde y azul se suman para producir una amplia gama de
colores, el modelo incluye casi todos los colores que pueden ser percibidos por el ojo
humano. En este estudio, los valores RGB se utilizaron para representar el color
cuantitativamente. Los valores RGB podrían convertirse en color visual, lo que hizo
posible crear una escala de color que podría usarse como referencia para calificar la
calidad del ruibarbo. los datos de color de las hierbas son consistentes con cómo los
colores son percibidos por la visión humana. El modelo de color RGB (rojo, verde,
azul) es uno de los sistemas de color más utilizados. Un modelo aditivo en el que la luz
roja, verde y azul se suman para producir una amplia gama de colores, el modelo
incluye casi todos los colores que pueden ser percibidos por el ojo humano. En este
estudio, los valores RGB se utilizaron para representar el color cuantitativamente. Los
valores RGB podrían convertirse en color visual, lo que hizo posible crear una escala
de color que podría usarse como referencia para calificar la calidad del ruibarbo. y la
luz azul se suma para producir una amplia gama de colores, el modelo incluye casi
todos los colores que pueden ser percibidos por el ojo humano. En este estudio, los
valores RGB se utilizaron para representar el color cuantitativamente. Los valores RGB
podrían convertirse en color visual, lo que hizo posible crear una escala de color que
podría usarse como referencia para calificar la calidad del ruibarbo. y la luz azul se
suma para producir una amplia gama de colores, el modelo incluye casi todos los
colores que pueden ser percibidos por el ojo humano. En este estudio, los valores RGB
se utilizaron para representar el color cuantitativamente. Los valores RGB podrían
convertirse en color visual, lo que hizo posible crear una escala de color que podría
usarse como referencia para calificar la calidad del ruibarbo.

Diferentes concentraciones de HAQ muestran diferentes tonos de amarillo o rojo en un

ambiente neutro o alcalino, respectivamente, lo que indica una relación entre el color
de la hierba y su contenido de HAQ. Sin embargo, encontramos que los valores
absolutos de los coeficientes de correlación de Pearson entre los contenidos de los cinco
HAQ y los valores RGB oscilaron entre 0,004 y 0,460 ( Tabla 1 ), mostrando una
correlación lineal no significativa entre las dos variables. No se pudo encontrar una
correlación directa entre el color y la calidad del ruibarbo porque los valores RGB se
distribuyen en un espacio no lineal. Por lo tanto, utilizamos redes neuronales artificiales
(ANN), generalmente desarrolladas para mapeo no lineal, generalización,
autoorganización y autoaprendizaje [20], para encontrar relaciones entre la calidad y el
color de las muestras. El método más popular utilizado en el reconocimiento de
patrones basado en ANN es la red neuronal de primer orden con formación de
propagación hacia atrás (BP) [21] , que se utilizó en este estudio. En la figura 4, se pudo
encontrar que el color de la superficie exterior generó la precisión más baja en
comparación con el color de la superficie de la fractura y el polvo. Después del
desarrollo de color adicional de las muestras con una solución acuosa de NaOH al 0,5%,
el ruibarbo mostró un color rojo a rojo oscuro basado en la reacción de Bornträger de
la base con los HAQ. En consecuencia, la coloración de las muestras mejoró la
precisión de la red y aumentó el número de predicciones correctas para todos los tipos
de muestras. Los resultados sugirieron que la medición del color de la superficie del
ruibarbo es inútil hasta cierto punto en la evaluación de su calidad, porque el color en
la superficie exterior del ruibarbo se puede afectar más fácilmente durante el curso de
la producción y el almacenamiento que las otras fuentes de datos de color. La
uniformidad fue otro defecto del color de la superficie en la evaluación de su
calidad. Cuando el ruibarbo se muele en forma de polvo, se puede mejorar la
uniformidad del color. Además, el desarrollo del color de los HAQ tiene la ventaja de
reducir la interferencia de otras sustancias coloreadas. Por lo tanto, el polvo de ruibarbo
con color mejorado es el preferido en la evaluación basada en el color de su calidad.

Los resultados de ANN indican que existe una correlación positiva pero no lineal entre
la calidad del ruibarbo y su color. Sin embargo, la red neuronal sigue siendo un enfoque
basado en la máquina. Para facilitar la evaluación de la calidad del ruibarbo, intentamos
establecer una escala de clasificación colorimétrica para discriminar visualmente los
ruibarbo de calidad variable. Los límites de cada grado de calidad de ruibarbo se
calcularon de acuerdo con su distribución en el diagrama de cromaticidad ( Figura
5b ). Las diferencias entre los colores en el punto de división ( D ) y los colores de los
valores esperados calculados para cada grado se pueden distinguir a simple vista, lo que
permite el desarrollo de una escala de colores que se puede imprimir en una tarjeta y
usar para calificar ruibarbo en el campo [22]. Para uso generalizado, la escala de
gradación colorimétrica podría imprimirse en papel, similar a las tarjetas de color
profesionales, como las tarjetas de color Munsell, para minimizar la desviación entre
los colores teóricos y percibidos individualmente.

En resumen, los resultados de este estudio revelaron que los parámetros de color o color
(valores RGB) proporcionaron información importante para la clasificación de la
calidad de los MTC, como el ruibarbo. Sin embargo, los resultados variaron según el
lugar donde se tomó la muestra del color: en la superficie o la superficie de la fractura
del ruibarbo, y con o sin desarrollo de color. La red BP-ANN logró el mayor porcentaje
de predicciones correctas al analizar muestras en polvo que se procesaron
químicamente para expresar el color, lo que sugiere que los polvos pueden ser el mejor
tipo de muestra para la clasificación precisa del ruibarbo. Sobre la base de la
distribución de varias muestras de ruibarbo en el diagrama de cromaticidad, hemos
diseñado una escala de gradación colorimétrica para discriminar entre ruibarbo de
calidad variable. Al comparar el color de la muestra con la escala de gradación
colorimétrica de la tarjeta, similar a la determinación del pH con papel de tornasol, los
clientes sin experiencia en evaluación sensorial podrían evaluar rápidamente la calidad
del ruibarbo. Este trabajo ilustra la viabilidad técnica de la gradación basada en el color
de la calidad del ruibarbo y proporciona referencias útiles para la cuantificación y
estandarización del control de calidad basado en la evaluación sensorial para MTC,
alimentos y otros productos.