"El objetivo de este estudio es utilizar imágenes hiperespectrales para predecir la concentración de sólidos solubles (SSC) interna, azúcares individuales y ácidos orgánicos, fenoles y actividades antioxidentes del hinojo en relación con las diferentes capas y momentos de cosecha. Se recolectaron 35 hinojos en 7 momentos distintos en un periodo de 3 semanas. De cada hinojo, se tomaron imágenes VisNIR (400-100 nm) y NIR (900-1700 nm) de una sección perpendicular. De la parte externa a la interna del hinojo, se realizaron análisis químicos de cada una de las capas, hasta un total de 160 muestras", explica Maria Luisa Amodio.
Del mismo modo, en cuanto a las imágenes hiperespectrales, se extrapolaron y promediaron 3 regiones de interés (ROI) para cada capa correspondiente. Se utilizó un conjunto de calibración de 105 muestras y un conjunto de validación de 31 muestras para desarrollar los modelos PLSR, tras eliminar 20 muestras que no tenían los valores de referencia correctos y 4 espectros atípicos. Entre los parámetros predichos, tan solo los SSC, fenoles y DPPH se pudieron predecir son una precisión satisfactoria.
Mapa de la SSC en una sección de hinojo.
Además, fue posible elaborar un mapa de las concentraciones constituyentes en las imágenes hiperespectrales que mostraban un aumento de los sólidos solubles, fenoles y actividad antioxidante desde la capa externa hasta la interna. En lo referente a la clasificación del hinojo en cuanto al momento de cosecha, se distinguieron todas las clases con una tasa de no error del 89,29%.
"Los resultados muestran el potencial de la técnica de imágenes hiperespectrales en el intervalo Vis-NIR para predecir la composición química interna y clasificar los hinojos en función del momento de cosecha. Además, esta técnica puede ofrecer información importante sobre la maduración, que se puede emplear para determinar el momento óptimo de cosecha. Estos resultados también pueden ser interesantes para poner en práctica técnicas no destructivas en las máquinas clasificadoras. Otros factores como el origen, el sistema de producción o las variedades podrían ser estudiados para elevar todavía más la cantidad de información que se puede obtener con la aplicación de esta técnica", concluye Giancarlo Colelli.
Fuente: Maria Luisa Amodio, Imperatrice Capotorto, Muhammad Mudassir Arif Chaudhry, Giancarlo Colelli, 'The use of hyperspectral imaging to predict the distribution of internal constituents and to classify edible fennel heads based on the harvest time', 2017, Computers and Electronics in Agriculture, vol. 134, págs. 1–10.