Evaluación del contenido de humedad y de azucares reductores

en 29 variedades de papas usando Imágenes Hiperespectrales

Evaluation of the amount of moisture and sugars reducers in
29 varieties of potatoes using hyperspectral images
Kelvin, Camus; Mirko, Díaz; Ingrid, Fernández; Yovanine, Fernández; Valeria, Jimenez
Escuela Académica Profesional de Ingeniería Agroindustrial. – UNT
Resumen
El proyecto inicia con el acopio de la materia prima la cual fue obtenida de un mercado en la
ciudad de Lima. Como objetivo principal se procuró lograr a través de un método no destructivo
identificar con uso de las Imágenes Hiperespectrales en la región visible e infrarrojo cercano
VIS/NIR (900-1700nm) a 29 diferentes variedades de papa en las cuales se procuró clasificar por
características de consumo (cocido y fritado) además se realizó una evaluación en la
determinación no destructiva de Azúcares Reductores (Glucosa) usando la metodología del
método enzimático- espectrofotométrico mediante el reactivo Glicemia enzimática AA (Wiener
Lab. S.A.I.C, 2000) y Humedad (H%) utilizando el método el método gravimétrico AOAC (1990)
en estufa con aire forzado a una temperatura de 105°C, por un tiempo de 5 horas. Este análisis se
realizó por duplicado. Los datos espectrales se analizaron utilizando Regresión de Mínimos
Cuadrados Parciales (PLRS). Usando el espectro completo en las variedades de papa se
obtuvieron coeficientes de determinación (R2) para predecir Humedad de … con un error
estándar de calibración de … .
Palabras clave: Absorbancia; imágenes hiperespectrales; parámetros de calidad; visión
computacional; outleirs.

Abstract
The project begins with the collection of the raw material
which was obtained from a market in the city of Lima.
As main objective sought to achieve, through a non-
destructive method, identify with use of hyperspectral images in the visible region
and near infrared VIS/NIR (900-
1700nm) to 30 differentvarieties of potato in which to sort byfeatures of consumption (cooked
and frying) in addition an evaluation was conducted in the non-
destructive determination of sugar reducers (Glucose) using the methodology of the enzyme -
using the reagent enzymatic-glucose AA (Wiener Lab. S.A.I.C, 2000) and moisture
using the gravimetric method AOAC
(1990) in an oven withforced air at a temperature of 105° C, for a period of 5 hours.
This analysis was performed in duplicate. Spectral data wereanalyzed using
regression of minimum squares partial (PLRS). Using the full spectrum in potato varieties
coefficients of determination (R2) were obtained to predict
Key words: Absorbance; hyperspectral image; quality parameters; computational vision; outleirs.

I. INTRODUCCIÓN planeta. Existen múltiples variedades de

La papa (Solanum tuberosum) constituye
una de las fuentes de carbohidratos más
comunes en la dieta de consumo humando y
el tubérculo por excelencia de nuestro
papa, y en nuestro país esencialmente se
producen las papas de variedad andina. Las
papas andinas (Solanum tuberosum
andigenum) son nativas de Sudamérica; Perú
y Bolivia contienen la mayor biodiversidad
genética de este cultivo, por lo tanto, estos
países se consideran centro de origen y
domesticación de estas especies (Navarra et
al., 2009). Las papas andinas también se
encuentran en el norte de Argentina,
Ecuador, Colombia y el sur de Venezuela
(Spooner, 2013), estos ambientes se
caracterizan por cambios abruptos en la
altitud y por los patrones de precipitación.
Cambios en las tendencias de estilo de vida
en los últimos 30 años han aumentado el
consumo de productos de papa procesada.
Esto ha aumentado la importancia de
monitoreo de calidad para ambos tubérculos
de papa y sus productos procesados.
La papa viene siendo uno de los principales
cultivos del país, dada su importancia social
y económica, después del café, maíz
amarillo duro, maíz amiláceo, arroz, plátano,
caco, caña de azúcar, yuca y el maíz choclo.
(INEI y MINAGRI, 2013) Según el último
censo (CENAGRO 2012), en el Perú se
utilizan 633 923 unidades agrarias (UA) (o
47 248 ha) para el cultivo de alguna variedad
de papa y de este total, 200 300 UA se
destinan a la producción de papa nativa.
(MINAGRI, INIA y CIP, 2017)
Por ello nace una incertidumbre en la
identificación y caracterización de las
variedades existentes para su respectiva
industrialización. Dado que las variedades
de papa en este estudio son clasificadas
como para fritar y sancochar, se buscó
aplicar un método no destructivo para
determinar las variedades que se puedan
utilizar en escala industrial, analizando el
contenido de azúcares reductores y humedad
en el objeto de estudio. Mediante el método
no destructivo, toma de imágenes
hiperespectrales, esperamos obtener el
análisis de componentes principales e
identificar mediante una firma espectral a
cada variedad.
Dentro de los componentes a analizar la
cantidad de azúcares presentes, viene a ser
una de las más importantes para clasificar las
variedades, ya que influyen de manera muy
significativa en el color que adquiere la papa
al ser sometidas a cualquier tipo de proceso
térmico ya que están sujetas al contenido de
aminoácidos presentes.
La aplicación de un método no destructivo
en la caracterización de diversas variedades
de papa es lo que hace vital el uso de las
Imágenes Hiperespectrales ya que
información previa acerca de la diversidad
genética de papa ha sido obtenida por
ejemplo con marcadores morfológicos
(Hijmans y Spooner, 2001) e isoenzimas
(Douches y Ludlam, 1991). Estas técnicas
aunque han sido útiles, presentan algunas
limitantes como el ser altamente
influenciadas por las condiciones
ambientales además de que se le atribuye un
carácter destructivo (Semagn et al., 2006).
Las firmas espectrales permiten reconocer a
un objeto sobre una imagen, revelando
información acerca de sus propiedades
físicas y químicas; y como la firma espectral
es única para cada objeto, permite
diferenciar entre variedades de una especie.
Existen estudios realizados con la aplicación
de visión computacional, por ejemplo en los
últimos años, por ejemplo el uso de la
espectroscopia de infrarrojo cercano (NIRS)
se ha vuelto cada vez más popular en la
industria como un método de análisis directo
para controlar la calidad del producto final.
Esta tecnología presenta metodologías
analíticas rápidas, así como métodos no
destructivos y rentables para el análisis
cualitativo y cuantitativo de productos
agrícolas y farmacéuticos (Escudero O et al,
2013). En la industria agroalimentaria se han
desarrollado varias aplicaciones
consolidadas basadas en la tecnología NIRS
para predecir la composición química
(Gonzáles-Martín et al, 2013)
Los objetivos del presente estudio fueron:
1. Determinar el potencial de las imágenes
hiperespectrales para cuantificar los niveles
de sacarosa y glucosa en muestras de rodajas
de papa para 30 cultivares agrupados por
capacidad para cocido y fritado.
2. Desarrollar modelos de predicción para
estimar la cantidad de sacarosa y glucosa en
el tubérculo de papa cubriendo los niveles
utilizados para evaluar la idoneidad de los
tubérculos para el procesamiento que son
importante para los productores y
procesadores de papa.
3. Estimar las longitudes de onda más
influyentes asociadas con predicción de
 azúcares reductores usando técnicas de
selección de longitudes de onda.
II. MATERIALES Y MÉTODOS
La investigación fue realizada en el
Laboratorio de Biotecnología de los
productos agroindustriales de la Escuela
Académico Profesional de Ingeniería
Agroindustrial de la Universidad Nacional
de Trujillo.
Materia prima y diseño experimental
Se usaron 29 variedades de papa (Solanum
tuberosum), obtenidas de la ciudad de Lima
del mercado Mayorista Santa Anita como:
Caquita de chancho Nativa, Aceituna,
Amarilla Ambo, Camotillo, Negra. Nativa
Cacho Negro, Peruanita, Nativa Cóctel,
Amarilla tumbay, Huayro moro, Tomasa,
Canchan, Perricholi, Huamantanga, Huayro
macho, Huantapa run run rojo, Yungay
chata, Nativa, Huevo de indio, Negra bola,
Única, Sangre de toro, Color de Bross,
Yungay amarilla, Bretaña arenosita,
Amarilla Huagalina, Limeña, Yungay
legitima, Yameina.
Determinación de constituyentes
Determinación de firmas espectrales
Para esta investigación se describe la
caracterización de las estructuras de 29
variedades de papa, en base a tomas de
imágenes hiperespectrales (HSI) a través de
las cuales se procuró encontrar patrones con
los que podamos identificar alguna variedad
de papa ya que cada una de estas posee
características predominantes.
En la realización de este estudio se
emplearon tubérculos de papas de 29
variedades diferentes, cosechadas en el mes
de Junio del 2018, en la cual se utilizaron 3
patatas por variedad, sumando un total de 87
tubérculos.
Antes de llevar a cabo los ensayos, se
procedió a la codificación de los tubérculos.
Para ello se enumeraron las papas de cada
variedad por separado, y una vez
identificadas, se empezó a realizar las tomas
hiperespectrales en un equipo de imágenes
hiperespectrales, marca: Headwall Photonic,
modelo: 1003B-00572-Japón.

Fig. 2 Representación esquemática del sistema

de reflectancia hiperespectral VIS/NIR
utilizado para la toma de imágenes
hiperespectrales en 29 variedades de papa

Fig. 1 Diagrama de flujo del diseño experimental

paraDeterminación
evaluar contenido de humedad, azucares
de humedad
reductores y firmas espectrales, utilizando el
equipo de imágenes hiperespectrales VIS/NIR
para 29 variedades de papa.
Determinación de humedad
Determinación de humedad
La determinación de humedad se realizó
según el método gravimétrico AOAC (1990)
en estufa con aire forzado marca: Memmert,
modelo: UN55PLUS- Germania, a una
temperatura de 105°C, por un tiempo de 5
horas. Este análisis se realizó por duplicado.
Procedimiento
Fig. 3 Esquema experimental de la
determinación de humedad
reemplazo de la muestra. Las lecturas de
absorbancia se relacionan a la cantidad de
glucosa en el medio utilizando una curva de
calibración previamente realizada.
Para la preparación del extracto requerido
para el análisis de azúcares reductores y
totales, el procedimiento fue el siguiente: Se
pesaron 10g de muestra seca y molida, se
Se pesaron 10g de muestra seca y molida, se
agregaron 200mL de agua destilada;
posteriormente, se agitó en licuadora durante
30 minutos, se centrifugó durante 10
minutos y se filtró en papel filtro No 5.
Luego, se clarificó con solución saturada de
acetato de plomo, se filtró y se guardó el
extracto para ser utilizado inmediatamente y
así evitar resultados erróneos.
III. RESULTADOS Y DISCUSIÓN

Determinación del azúcar reductor

Tabla 01. Azúcares Reductores, % de
Para el análisis de azucares reductores, se Humedad y desviación estándar en 29
inició obteniendo un extracto de papa, en variedades de papa
una licuadora marca: Osterizer,
modelo:4555-053EE.UU, se pesó 20 g de
muestra en una balanza analítica, marca:
AND, modelo: 6x-600- Argentina, se aforó
hasta 50 ml con agua destilada en un vaso de
precipitación, para posteriormente filtrar en
papel de filtro N° 05 y obtener el extracto
diluido.
La cuantificación de glucosa se realizó
utilizando el método enzimático
espectrofotométrico mediante el reactivo
Glicemia enzimática AA liquida (Wiener
Lab. S.A.I.C, 2000). Se diluyó
apropiadamente la muestra sobrenadante del
caldo de cultivo, se tomó 20 u L de la
muestra del extracto de papa, se vertió en un
tubo de vidrio y se añadió 2 m L de la
solución de glicemia enzimática (Wiener
Lab. S.A.I.C, 2000). Se incubó el tubo a
37°C por 5 minutos en una incubadora,
marca Thermo Scientific, modelo: Litle-
1801-China y se leyó la absorbancia a 505
nm en un espectrofotómetro marca: Thermo
Scientific, modelo: Orion Aquamate-8000
UV. Vis spectrophotometer-España, frente a
un blanco con 20u L de agua destilada en

Tabla 01. Azúcares Reductores, % de
Humedad y desviación estándar en 29
variedades de papa
La papa (solanum tuberosum) presenta un
alto contenido de humedad, en un intervalo
de 70 a 75 % en estado fresco.(Ospina, 2012)
No obstante, la humedad determinada para
las diferentes variedades varían entre
20.428± 11.587 y 43.86568 ± 21.049
pertenecientes a las papas Aceituna y
Bretaña Arenosita respectivamente. Merida
y Loria (1994) mencionaron que los
tubérculos almacenados por largos periodos
de tiempo pueden sufrir lesiones e invasión
de microorganismos, los cuales al dañar la
peridermis causan una incrementada pérdida
de agua desde la superficie del tubérculo.
Cabe resaltar que previa a la obtención de las
papas desde Lima, se clasificaron en tres
repeticiones por cada variedad por un
colaborador según su criterio tanto en
tamaño, color y forma. Seguidamente de un
lavado se almacenó por aproximadamente
una semana en el laboratorio, de tal forma
concuerda con lo citado anteriormente por el
autor, ya que las humedades obtenidas
fueron considerablemente bajas con respecto
al intervalo establecido.
Por otro lado, la cantidad de azúcares
reductores en los tubérculos son de gran
importancia en la calidad de los mimos, ya
que según Moreno (2000) estos se
correlacionan con el grado de
oscurecimiento no enzimático. Así mismo
Feltran et al. (2004) menciona que el
contenido de azúcares reductores en
diferentes variedades de papa varían de
0.040%-1% en peso fresco. Sin embargo,
según los datos obtenidos
experimentalmente el 75% de las muestras
se encuentran en el rango establecido por el
autor ya mencionado. Además se determinó
que el 25% sobrante de las muestras se
encuentran por encima y por debajo del
intervalo para azúcares.
Por otro lado Taburt et al. (1959) afirman
que el contenido de azúcares reductores en
tubérculos pequeños varían
considerablemente con respecto a las
variedades de gran tamaño. Así mismo, la
papa recién cosechada contiene poca azúcar,
las cuales entre reductores y totales varían de
una variedad a otra, es decir, algunas son
superiores a otras aunque hayan sido
sometidas al mismo proceso de cosecha,
crecimiento, etc. (Guerra, 1989).
Figura 1. Espectro sin procesar
En la Figura 1, se observa que en las curvas
expresadas en base a las longitudes de onda
(nm) vs. Absorbancia para las muestras
pertenecientes a 29 variedades planteadas,
existe relación en los puntos de variación
dada por las longitudes de onda,
diferenciándose en las absorbancias para
cada muestra, es decir que cada espectro se
encuentre por encima o debajo de las demás.
De esta misma forma Aredo (2015) presenta
los espectros de tres variedades de naranja,
logrando una correlación entre dichas
muestras, incluso presenta diferencias entre
los espectros con respecto a la absorbancia.
Cabe resaltar que los espectros obtenidos en
dicha Figura representa las firmas
espectrales de las 29 variedades, donde se
pudo observar que presenta una regresión
lineal inversa en los intervalos de longitud de
onda de 986.81 a 1057.96 nm y una
regresión lineal en los intervalos de 1129.1 a
1148.19 nm. Varios parámetros pudieron
Figura 2. Espectro con segunda derivada
Según la Figura 2 generada por la segunda
derivada de la Figura 1 la formación de picos
en cada longitud de onda especifica se debe
a la mayor absorbancia reportada que
presentan el total de muestras, las cuales
fueron: 990.524, 1072.70, 1114.57, 1143.33,
1190, 1287.34, 1333.58, 1364.54 y 1399. 76
nm.
Figura 3. Espectro con Smoothing (mejor
tratamiento)
El efecto Smoothing aplicado en la Figura 1
es representado en la Figura 3, logrando una
mejor precisión de los datos con respecto a
la absorbancia ya que se logró uniformizar
cada espectro en todas las longitudes de onda
analizadas.
influenciar en la toma de imágenes
hiperespectrales en la Figura 1, tales como la
variedad de la papa, el color, el tamaño, la
forma y estado de madurez los caules se ven
reflejads en las diferencias espectrales como
fue reportado en frutas como fresas y uvas.
(ElMasry et al.,2007) (Nogales-Bueno et al.,
2014)
Figura 4. PCA sin procesar.
La figura 4, representa la correlación de las
variedades con respecto a las componentes
principales de la papa que son: agua y
almidón. Así mismo se observó que existe
una relación positiva y desordenada de las
muestras con nivel medio de azúcares
reductores; relación negativa de las muestras
con nivel alto de azúcares; relación negativa
de las muestras con nivel muy bajo según la
clasificación como se presenta en la Tabla
02; relación negativa de las muestras con
nivel bajo y muy alto.
Figura 5. PCA pre-procesado smoothing.
 Figura 6. PCA Pre-procesado
Smoothing reducido.
ANALISIS RESPECTO A HUMEDAD
En la Figura 5 se muestra el análisis PCA
para las 29 muestras en todas las longitudes
analizadas en el espectofotómetro, por otro
lado en la Figura 6 se analizó las muestras en
solo 6 longitudes de onda, las cuales fueron
seleccionadas por presentar mayor
absorbancia en dicho componente.
Claramente se observó que en el Smoothing
reducido , los datos se presentan de manera
ordenada logrando una mejor clasificación
y precisión en los datos (Tabla 02). Además Figura 08. PLS sin Pre-proceso
se realizó una reducción de 90 a 88% en la Calibración y Cross validación
PC1 y un aumento de 9 a 12% para la PC2.
En la figura 08 se realizó una predicción con
el método de Mínimos Cuadrados Parciales
(PLS) pero no se realizó ningún tipo de
limpieza del ruido presente en los datos, solo
se eliminaron 6 puntos Outliers obteniendo
como resultados un R2= 0.7089 y
Figura 7. Símbolos representativos para la RMSE=4.28. Autores como Acuña;
clasificación de las variedades Rodríguez (2004) dan un comprensión
intuitiva de la eliminación de los puntos
Outliers.
Tabla 02. Clasificación de acuerdo a los
niveles de azúcares reductores (glucosa).

Muest Muest
Preci
Mue Cant ras ras no
sión
stra idad Clasifi clasifi
(%)
cadas cadas Figura 09. PLS sin Pre-proceso predicción.
Muy
4 4 0 100 En la Figura 09 se realiza el PLS para
bajo
Bajo 17 9 8 52.94 predicción, de donde se obtiene como
Med resultado un R2= 0.7841 y un RMSEP=
9 6 3 66.67 3.7247 previamente se eliminaron 3 puntos
ia
Alto 6 4 0 66.67 Outliers para poder obtener mejores valores.
Muy
5 2 3 40
alto

En la Tabla 02 Se clasificaron las muestras

más cercanas para obtener una mayor
precisión en los datos y en el PCA
Smoothing reducido, las muestras no
calificadas son aquellas que nos encuentran
en un cuadrante con respecto a la mayoría.

Figura 10. PLS Primera Derivada Calibración y Cross Validación

En este preproceso se logra obtener un R2=

0.7355 de calibración el cual es el más alto
entre todos los datos de R2 para este aspecto.
También obtenemos un RMSE=5.2048.
 Figura 11. PLS Primera Derivada Predicción
La primera derivada nos otorga un valor de
R2= 0.6963 el cual es un valor medio para
los R2, además obtenemos un RMSEP=
4.27.
Figura 12. PLS segunda derivada
Calibración y Cross validación.
En esta figura se aplica la segunda derivada,
la cual es una herramienta que permite
mejorar los resultados en comparación al
PLS Sin-preproceso y PLS Primera
Derivada, de la misma manera se eliminaron
6 puntos Outliers, entregando como
resultados un R2=0.6968 y RMSE=4.30.
Figura 13. PLS segunda derivada
predicción.
En la Figura 11 se realizó de la misma
manera una eliminación de 3 puntos Outliers
dando como resultados a un R2=0.7050 y
RMSEP=4.31.
Figura 14. PLS Smoothing calibración y
Cross validación
En la figura 12 se realiza el pre-proceso de
Smoothing para calibración del cual se
obtiene este proceso consiste en un
suavizado de la curva
Figura 15: PLS mejor resultado Smoothing
predicción.
En el PLS de predicción para Smoothing se
obtiene el mejor resultado con un R2=0.8121
(Tabla 03). Por otro lado se obtiene un
RMSEP=3.4741 el cual es el valor más bajo
de error por consiguiente se afirma que es el
mejor resultado.
Figura 16: PLS SNV Calibración y Cross
Validación
Este preproceso se utiliza para linealizar los
espectros, aquí se obtienen resultados de
R2=0.7126 y RMSE=4.1755. Este proceso
se fundamenta con investigadores como
Rodríguez-Pulido et al. (2014) y Nogales-
Bueno et al. (2014) quienes aplicaron esta
técnica para normalizar el espectro
eliminando parte del ruido que genera
variación no relacionada con las
características del fruto.

Figura 15: PLS modelo reducido sin Pre-

procesar predicción

Figura 17: PLS SNV Predicción

En esta figura el valor de R2 obtenido es de
0.6579 el cual se encuentra en un valor bajo
entre los R2 de predicción en general.
Tabla 03: Análisis de PLS.

Figura 16: PLS modelo reducido mejor

resultado Smoothing calibración y Cross
validación.

ESPECTRO REDUCIDO: PRODUCTO

DE SELECCIÓN DE LAS 6
LONGITUDES DE ONDA DONDE SE
GENERARON CAMBIOS EN EL
ESPECTRO CON SMOOTHING

Figura 14: PLS modelo reducido sin Pre-

procesar calibración y Cross validación

Figura 17: PLS modelo reducido mejor

resultado Smoothing Predicción.
 Tabla 04: Resultados PLS-reducido.
Conforme a los datos obtenidos en la tabla
04, se afirma que para PLS de modelo
reducido el Pre proceso de Smoothing otorga
un mejor R2 = 0.5073 para la predicción que
para el PLS sin proceso.
IV. CONCLUSIONES
Se llevó a cabo la obtención de las
firmas espectrales con ayuda del Equipo
de Imágenes Hiperespectrales,
posteriormente se procesaron las
imágenes con el Software Mathlab.
Se determinó el mejor modelo para
predicción con ayuda del Sofware
Unscrambler X con el cual los mejores
resultados fueron: el PLS con Pre-
Proceso de Smoothing y el mejor
modelo para predicción reducido el cual
fue el PLS-Reducido con Pre-Proceso
Smoothing.
Se determinó el contenido de azucares
reductores mediante el Método
Enzimático-Espectrofotométrico con la
utilización del Reactivo Glicemia
Enzimática AA Líquida. En donde con
ayuda del Espectrosfotómetro se
determinaron las Absorbancias para
finalmente hallar el contenido de
azucares reductores con la curva
Estándar de Glucosa.
Se recomienda trabajar con más
muestras, ya que así es posible obtener
mejores resultados para modelación o
predicción, ya que a mayor cantidad de
muestras se reduce el error.
V. REFERENCIAS BIBLIOGRAFICAS
- Merida, C. y Loria, R. (1994).
Effects of potato cultivar and time of
harvest on the severity of Silver
scurf. Plant Disease (USA) 78
(2):146-149
- Moreno, J.D. (2000). Calidad de la
papa para usos industriales. Boletín
de la papa. 2:1-7.
- Feltran, J.C. ; Borges-Lemos, L.;
Lopes Vieitis, R. (2004).
Technological quality and
utilization of potato tubers. Scentia
Agrícola 61:598-603.
- Guerra, P. (1989). Análisis de
algunos caracteres químicos de
tecnológicos relacionados con la
calidad de la papa (Solanum
tuberosum. L.) (INCA) Instituto
Nacional de Ciencias Agrícolas.
Universidad de Colombia.
Dciembre.15p.
- Talburt, W y Smith, O. (1959).
Potatoe processing The Avi
publishind company, inc. Wesport.,
Connecticut. 475p.
- Nogales-Bueno, J.; Hernández-
Hierro, J.F.; Rodríguez-Pulido,
F.J.; Heredia, F. J. 2014.
Determination of technological
maturity of grapes and total
phenolic compounds of grape skins
in red and White culivars during
ripening by near infrared
hyperspectral image: A preliminary
approach. Food Chemistry 152:
586-591.
- ElMasry, G.; Wang, N.; Elsayed, A.;
Ngadi, M. 2007. Hyperspectral
imaging for nondestructive
determination of some quality
attributes for strawberry. Journal of
Food Engineering. 81: 98–107.
- Aredo Tisnado, V. J. 2015.
Predicción de los sólidos solubles
totales, pH y acidez titulable de
naranjas (Citrus sinensis L. var.
Valencia) mediante imágenes
hiperespectrales. Informe de tesis
para obtener el título de: Ingeniero
Agroindustrial.