|
|
|
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).
|
|
