Percepnet & Freixenet
portada | percepciones | ciencia | tecnología | industria | noticias | directorio | suscripción

THE TECHNOLOGY SECTION OF PERCEPNET PROVIDES RESEARCH PAPERS, NEWS AND CONTRIBUTIONS ON TECHNOLOGICAL DEVELOPMENTS AND INNOVATIONS
Identificación de diferentes tipos de aceite de oliva mediante una nariz electrónica con sensores comerciales y algoritmos de procesado de señal
[Identification of different olive oil samples using commercial sensor-based electronic nose and signal processing algorithms]

Jesús Brezmes1, Pere Cabré2, Sergi Rojo1, Eduard Llobet1, Xavier Vilanova1, Xavier Correig1
1 Universitat Rovira i Virgili , Departamento de Ingeniería Electrónica, Eléctrica y Automática, Tarragona
2 Consultor independiente en control de calidad alimentaria, Reus

Resumen
En este artículo se presenta una nariz electrónica específicamente diseñada para clasificar diferentes muestras de aceite de oliva. El instrumento está basado en una matriz de sensores comerciales de óxido de estaño, un sistema de muestreo por espacio de cabeza y un ordenador personal que controla la medida y procesa los resultados con algoritmos específicos. Para evaluar el sistema se seleccionaron diez muestras de aceite de procedencia y calidad diferente. Cada una de las muestras se midió con el aparato nueve veces. En un proceso de validación cruzada, el sistema fue capaz de identificar correctamente un 78% de las muestras medidas entre las diez opciones posibles. Desde el punto de vista de calidad, el sistema fue capaz de discernir entre muestras defectuosas y satisfactorias con un 97% de acierto. La obtención de estos resultados es debida, en gran medida, a los algoritmos de procesado de señal experimentales integrados en el sistema.

Palabras clave: nariz electrónica, olfato electrónico, aceite de oliva, redes neuronales, fuzzy artmap, selección de variables

Introducción

En estos últimos años hemos asistido a una profunda reestructuración en la industria alimentaria. Durante la mayor parte del siglo XX los esfuerzos en investigación y desarrollo fueron encaminados a optimizar la producción desde un punto de vista cuantitativo. Actualmente, la existencia de excedentes de producción y la excesiva competencia ha propiciado un cambio de mentalidad en el que se prima la calidad por encima de la cantidad. Por ese motivo, el control de calidad es una actividad que esta adquiriendo una importancia capital en la industria alimentaria.

En el caso del aceite de oliva, su valoración, control de calidad y la catalogación de sus características organolépticas permiten potenciar una imagen de producto de calidad garantizada. En la actualidad, este trabajo de valoración y control lo realizan paneles de cata que, según las recomendaciones del COI (Consejo Oleícola Internacional), requiere de un mínimo de ocho catadores que deben realizar un máximo de tres catas al día. Estas recomendaciones no se suelen seguir en la práctica, debido a los altos costes asociados a la contratación de panelistas y el bajo ritmo de resultados que se pueden obtener (valoración de tres muestras por panel y día). Además, existen aspectos, como el lugar de origen de los panelistas, que hacen muy difícil realizar una valoración objetiva de aceites de diferentes regiones. En definitiva, un sistema de análisis de aromas automatizado, repetitivo y objetivo podría constituir una herramienta de ayuda que complementaría la tarea realizada por los panelistas, minimizando de esta manera los problemas mencionados anteriormente.

En este sentido, la nariz electrónica se perfila como un serio candidato a cumplir esta función dado que, frente a los clásicos instrumentos de análisis químicos, los sistemas de olfato electrónico realizan una valoración conjunta del aroma del aceite imitando el sistema olfativo humano.

Teniendo en cuenta la importancia que tiene la producción de oliva en nuestro país, no es de extrañar que diferentes grupos de investigación hayan explorado la posibilidad de utilizar narices electrónicas para identificar muestras de aceite de oliva. Entre estos grupos se encuentran investigadores de la Universidad de Salamanca, el Instituto de la Grasa de Sevilla, el IVIA (Instituto Valenciano de Investigaciones Agrarias) de Valencia o la Universidad de Valladolid.[1-2]

La mayoría de los trabajos presentados hasta la fecha utilizan narices electrónicas comerciales con sensores poliméricos o de óxidos metálicos. Hay que destacar que, en la mayoría de los casos, la discriminación se realiza entre muestras artificialmente adulteradas. El aspecto diferencial de nuestro trabajo radica en la utilización de un número elevado de muestras (diez en total) en las que sólo dos se han adulterado artificialmente. Además, la nariz electrónica es un prototipo diseñado en nuestro laboratorio al que se le han incorporado novedosos algoritmos de procesado de señal que mejoran ostensiblemente los resultados obtenidos.

Diseño de la nariz electrónica

El concepto de nariz electrónica como sistema inteligente no apareció realmente hasta 1982. Una definición generalmente aceptada de un sistema de olfato electrónico es: "instrumento que comprende una agrupación de sensores químicos con sensibilidades parcialmente solapadas junto a un sistema de reconocimiento de patrones, capaz de analizar y reconocer aromas simples o complejos".[3]

De la definición se deduce que la misión de este instrumento no es analizar cuantitativamente aromas complejos (determinar qué compuestos químicos los integran y en qué cantidades se encuentran), sino obtener información cualitativa del conjunto. En resumen, obtener, analizar y reconocer huellas olfativas de aromas complejos, valorando en su conjunto los componentes de la muestra aromática a analizar o clasificar, imitando de esta forma el funcionamiento del sistema olfativo humano.

Una nariz electrónica suele estar constituida por tres módulos diferenciados: El equipo de muestreo (que se encarga de acondicionar la muestra y dirigir los volátiles hacia los sensores), la matriz de sensores semiconductores (generalmente poliméricos o de óxidos metálicos) y el sistema informático que se encarga de gestionar el proceso de medida y procesar posteriormente los datos para obtener los resultados deseados [figura 1].

Desde el punto de vista operativo, la mayoría de narices electrónicas (las denominadas de aprendizaje supervisado) tienen dos fases de funcionamiento claramente diferenciadas. En una primera etapa, conocida como fase de entrenamiento o calibración, el sistema aprende a partir de una serie de medidas en las que el usuario debe indicar al sistema la respuesta correcta que se espera que dé el sistema. De esta forma la nariz electrónica deduce las relaciones existentes entre la respuesta de su agrupación de sensores y las características de la muestra a través de los volátiles que desprende. Posteriormente, en la fase de explotación o evaluación del sistema el usuario se limita a introducir las muestras y la nariz electrónica realiza la clasificación y/o cuantificación ateniéndose a las reglas inferidas en la fase de aprendizaje.

La figura 1 muestra el esquema de la nariz diseñada para la monitorización del aceite de oliva. Se puede observar que el módulo de muestreo está constituido por un muestreador de espacio de cabeza comercial y una botella de aire seco para dar presión y arrastrar los aromas del aceite hacia las cámaras de los sensores. Por otro lado, para esta nariz se utilizaron un total de 12 sensores de óxidos metálicos comerciales (Serie 8 Taguchi y serie SP FIS), repartidos en dos cámaras conectadas en serie. La figura 2 muestra dicha disposición y la figura 3 muestra un detalle de los sensores de una de las cámaras. Finalmente se puede observar en el esquema la presencia de dos ordenadores que se encargan de gestionar el proceso de medida y procesar posteriormente los datos.

Metodología experimental

La tabla 1 especifica las muestras de aceite utilizadas en los experimentos. Como se puede comprobar, dichas muestras pertenecen a diferentes zonas geográficas con calidades que van desde aceite virgen extra hasta defectos como el rancio, capacho o avinado. Cuatro de las diez muestras se pueden considerar defectuosas, a criterio de un grupo de catadores experimentados, siendo las dos últimas muestras alteradas artificialmente.

La rutina diaria era realizar un total de once medidas (diez aceites más una medida de calibración con etanol). En el estudio se midieron con la nariz las diez muestras un total de nueve veces cada una, con lo que el conjunto de datos obtenido contenía 90 medidas. Los viales que se utilizaron contenían 10 ml de muestra y el ciclo de medida era de 90 minutos con diez de inyección.

Tabla 1: Muestras de aceite utilizadas en el estudio

Número
de muestra

Variedad

Campaña

Defectos

1

Arbequina (DOP Siurana)

98/99

Ninguno

2

Empeltre (Terra Alta)

99/00

Capacho y otros

3

Picual (Terra Alta)

00/01

Ninguno

4

Arbequina (DOP Siurana)

98/99

Ninguno

5

Arróniz (Navarra)

00/01

Capacho y otros

6

Arróniz (Navarra)

00/01

Ninguno

7

Empeltre (Navarra)

00/01

Ninguno

8

Arbequina (DOP Siurana)

00/01

Ninguno

9

Ref. 2 + 30% patrón avinado

 

Avinado

10

Ref. 2 + 30% patrón rancio

 

Rancio

Resultados

Los sensores utilizados basan su funcionamiento en un cambio de resistencia ante la presencia de diferentes volátiles. De cada uno de los sensores se extraen cinco parámetros, por lo que cada medida queda descrita inicialmente por 60 variables. Utilizando un novedoso criterio de selección de variables[4] se mejoraron los resultados ostensiblemente. La figura 1 muestra un diagrama de proyección PCA (análisis de componentes principales), en el que se puede ver cómo las medidas realizadas sobre muestras sin defectos quedan a la izquierda y las defectuosas a la derecha [figura 4].

De todas formas, de cara a identificar las diferentes muestras se utilizó un algoritmo de inteligencia artificial de aprendizaje supervisado. En concreto, se utilizó una versión modificada[5,6] del algoritmo fuzzy artmap, que se aplicó siguiendo un proceso de validación cruzada de orden 1. Bajo esta filosofía, una vez realizadas las 90 medidas, se utilizan 89 para entrenar a la red neuronal y la ultima se reserva para evaluar su funcionamiento. Este proceso se realiza 90 veces, de forma que cada una de las medidas se incluye 89 veces en el conjunto de entrenamiento y una como medida de validación.

Sin realizar una selección previa de variables, el máximo éxito en la identificación fue del 62%. Utilizando sólo cinco de las 60 posibles variables (siguiendo un criterio basado en poder de resolución) el éxito en la identificación llegó al 78%. La tabla 2 muestra la matriz de confusión, en la que las columnas representan categorías reales y las filas clasificaciones hechas por la nariz. Así por ejemplo, la muestra 2 se ha clasificado correctamente siete veces y confundido con la 9 en un par de ocasiones.

Tabla 2: Matriz de confusiones

 

Categoría real

Respuesta de la nariz

 

1

2

3

4

5

6

7

8

9

10

1

9

0

0

0

0

0

0

1

0

0

2

0

7

0

0

0

0

0

0

1

0

3

0

0

9

0

0

0

0

0

0

0

4

0

0

0

9

0

0

1

0

0

0

5

0

0

0

0

7

0

0

0

2

0

6

0

0

0

0

0

4

3

0

0

0

7

0

0

0

0

0

5

4

0

1

0

8

0

0

0

0

0

0

0

8

0

0

9

0

2

0

0

2

0

1

0

5

0

10

0

0

0

0

0

0

0

0

0

9

Aunque pueda parecer que un 78% de acierto no es un gran logro, un análisis más detallado a la matriz de confusiones permite explicar por qué algunas muestras no se clasificaron correctamente. Por ejemplo, las muestras 2 y 9 proceden del mismo aceite y en ambos casos existen defectos; la muestra 5 tiene defectos comunes con la 9; las muestras 6 y 7 proceden de la misma región, y en este caso no se puede asegurar la pureza al 100 % de cada variedad y finalmente, la muestra 1 es de la misma variedad que la muestra 8. Por otro lado, un resultado muy importante lo constituye el hecho de que, excepto en dos análisis, las muestras defectuosas están bien separadas de las no defectuosas, por lo que se puede afirmar que en un 97% de los casos el sistema detecta correctamente si la muestra es de calidad o tiene defectos importantes.

Conclusiones

En este artículo se ha presentado una nariz diseñada específicamente para monitorizar muestras de aceite de oliva. Como novedad, se han incorporado sendos algoritmos de procesado para mejorar resultados, uno para realizar una selección previa de variables y otro para realizar una clasificación objetiva de resultados. En el intento de identificar las muestras se han conseguido resultados esperanzadores, ya que las muestras no clasificadas correctamente son de origen o naturaleza parecida. Lo más interesante de este estudio es la facilidad con la que la nariz detecta la presencia de defectos en las muestras analizadas.

Bibliografía

[1] García, D.L. et al.: «Detection of vinegary defect in virgin olive oils by metal oxide sensors», J. Agric. Food. Chem 2002; 50: 1809-1814.

[2] Guadarrama, A. et al.: «Array of sensors based on conducting polymers for the quality control of the aroma of the virgin olive oil», Sensors and Actuators B 200; 69: 276-282.

[3] Gardner, J.W. y Barlett, P.N.: «A brief history of electronic noses», Sensors and Actuators B 1994; 18-19: 211-220.

[4] Brezmes, J. et al.: «Discrimination between different samples of olive oil using variable selection techniques and modified Fuzzy ARTmap neural networks» (aceptado en la conferencia
ISOEN 2002, 9th International Symposium on Olfaction and Electronic Noses.

[5] Carpenter. G.A.: «Fuzzy Artmap: a neural network architecture for incremental supervised learning of analog multidimensional maps», IEEE Transactions on Neural Networks 1992; 3 (5): 698-713.

[6] Brezmes, J. et al.: «Evaluation of three modified Fuzzy ARTmap algorithms to be used by an electronic nose» (aceptado en la conferencia ISOEN 2002, 9th International Symposium on Olfaction and Electronic Noses).


 

[+TECNOLOGÍA]
30/07/02
 
 
 
 
 
Arriba
portada | percepciones | ciencia | tecnología | industria | noticias | directorio | suscripción
©Rubes Editorial
[Créditos]