L’impiego di tecniche chemiometriche, insieme all’analisi d’immagine multispettrale (MSI), sta diventando sempre più comune come metodo d’indagine rapido e non invasivo per la valutazione automatizzata (oggettiva) di caratteristiche quali la sicurezza, l’autenticità e la qualità dei prodotti agro-alimentari [1]. In questo studio, è stata presa in considerazione la nocciola, in quanto il settore coricolo riveste un ruolo importante fra le produzioni agroalimentari del Piemonte. La necessità di garantire alti standard qualitativi del prodotto richiede la messa a punto di metodi per l’identificazione puntuale dei difetti caratteristici della nocciola [2]: i) l’avariato, caratterizzato da un imbrunimento solitamente esteso a tutta la superficie del seme ed un eventuale sviluppo di muffa e ii) il cimiciato, causato da punture di insetti infestanti e caratterizzato dall’alterazione delle aree interessate (imbrunimenti localizzati e sviluppo di odori e sapori sgradevoli). In questo lavoro 48 immagini multispettrali, rappresentative di semi di nocciola sani, avariati e cimiciati, sono state acquisite utilizzando il Videometer (Videometer A/S, Horsholm, Denmark) su 18 lunghezze d’onda discrete comprese tra 430 e 970 nm. Le immagini sono state accorpate in un hypercube sul quale è stata effettuata dapprima l’Analisi delle Componenti Principali (PCA) ed in seguito la Partial Least Square - Discriminant Analysis (PLS-DA). La proiezione dei campioni nello spazio definito dalle prime due variabili latenti (LVs) del modello PCA (Figura 1) evidenzia una netta separazione delle nocciole avariate. Tramite modellazione gerarchica con PLS-DA cross-validata, il 93% delle nocciole avariate sono state correttamente classificate e, una volta rimosse dal dataset, è stato possibile distinguere le nocciole cimiciate da quelle sane. Il metodo proposto risulta idoneo all’automazione e può essere facilmente esteso ad altre matrici alimentari.
IMAGING MULTISPETTRALE E METODI CHEMIOMETRICI PER L'ANALISI DELLE IMMAGINI DI PRODOTTI AGROALIMENTARI / Giraudo, Alessandro; Bertone, Elisa; Amigo, J. M.; Savorani, Francesco; Geobaldo, Francesco. - STAMPA. - (2016), pp. 18-19. (Intervento presentato al convegno V Workshop Applicazioni della Risonanza Magnetica nella Scienza degli Alimenti tenutosi a ROMA - Dipartimento di Chimica e Tecnologie del Farmaco, Facoltà di Farmacia e Medicina, Sapienza Università di Roma nel 26-27 Maggio 2016).
IMAGING MULTISPETTRALE E METODI CHEMIOMETRICI PER L'ANALISI DELLE IMMAGINI DI PRODOTTI AGROALIMENTARI
GIRAUDO, ALESSANDRO;BERTONE, ELISA;SAVORANI, FRANCESCO;GEOBALDO, FRANCESCO
2016
Abstract
L’impiego di tecniche chemiometriche, insieme all’analisi d’immagine multispettrale (MSI), sta diventando sempre più comune come metodo d’indagine rapido e non invasivo per la valutazione automatizzata (oggettiva) di caratteristiche quali la sicurezza, l’autenticità e la qualità dei prodotti agro-alimentari [1]. In questo studio, è stata presa in considerazione la nocciola, in quanto il settore coricolo riveste un ruolo importante fra le produzioni agroalimentari del Piemonte. La necessità di garantire alti standard qualitativi del prodotto richiede la messa a punto di metodi per l’identificazione puntuale dei difetti caratteristici della nocciola [2]: i) l’avariato, caratterizzato da un imbrunimento solitamente esteso a tutta la superficie del seme ed un eventuale sviluppo di muffa e ii) il cimiciato, causato da punture di insetti infestanti e caratterizzato dall’alterazione delle aree interessate (imbrunimenti localizzati e sviluppo di odori e sapori sgradevoli). In questo lavoro 48 immagini multispettrali, rappresentative di semi di nocciola sani, avariati e cimiciati, sono state acquisite utilizzando il Videometer (Videometer A/S, Horsholm, Denmark) su 18 lunghezze d’onda discrete comprese tra 430 e 970 nm. Le immagini sono state accorpate in un hypercube sul quale è stata effettuata dapprima l’Analisi delle Componenti Principali (PCA) ed in seguito la Partial Least Square - Discriminant Analysis (PLS-DA). La proiezione dei campioni nello spazio definito dalle prime due variabili latenti (LVs) del modello PCA (Figura 1) evidenzia una netta separazione delle nocciole avariate. Tramite modellazione gerarchica con PLS-DA cross-validata, il 93% delle nocciole avariate sono state correttamente classificate e, una volta rimosse dal dataset, è stato possibile distinguere le nocciole cimiciate da quelle sane. Il metodo proposto risulta idoneo all’automazione e può essere facilmente esteso ad altre matrici alimentari.Pubblicazioni consigliate
I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
https://hdl.handle.net/11583/2647164
Attenzione
Attenzione! I dati visualizzati non sono stati sottoposti a validazione da parte dell'ateneo