Name: Un sistema de visión artificial para la evaluación del comportamiento de fusión del helado (Video) | JoVE Journal
Uploaded: 2024-10-04T12:40:00.000+00:00
Duration: 8 min 2 s
Description: Aprende a evaluar el comportamiento de fusión del helado mediante un sistema de visión artificial. Este método detecta variaciones sutiles en la retención de forma y tamaño durante la fusión, superando la sensibilidad de los métodos gravimétricos tradicionales.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

1. Configuración experimental y procedimientos para los ensayos de fusión
<ol><li>Preparación de muestras de helado<ol><li>Elige tazas transparentes de volumen y forma fijas, con tapa. Corta dos tiras largas de papel de horno de unos 2 cm de ancho y, con la ayuda de cinta de papel, fíjalas a las paredes interiores de la taza para formar una cruz en la parte inferior. Comience a llenar la taza con la muestra de helado usando una espátula. NOTA: Antes de comenzar, asegúrese de que el helado tenga una temperatura en el rango de -7 °C a -12 °C para que pueda extenderse dentro de la taza. Preste atención a no crear espacios vacíos durante el llenado de la taza revisando regularmente la transparencia de la taza.</li>
		<li>Cuando la taza esté llena, retire suavemente el exceso de helado con la espátula, creando una superficie lisa y plana. Cierre el vaso con la tapa y almacene la muestra a -30 °C durante al menos 24 h.</li>
		<li>Antes del análisis, acondicionar la muestra a -16 °C durante 24 h.</li>
	</ol></li>
	<li>Configuración de la prueba de fusión y adquisición de imágenes<ol><li>Ajuste un armario termostático a 20 ± 1 °C. Inserte una báscula digital en el gabinete y conéctela a una computadora con software para el registro del peso en función del tiempo.</li>
		<li>Coloque un cilindro graduado en la báscula digital y reinicie el peso. Sobre el cilindro, coloque un embudo colgante para ayudar a recoger el helado derretido. La configuración del ensayo de fusión se muestra en la Figura 2. NOTA: El embudo debe estar suspendido sobre el cilindro para evitar exceder la escala completa de la báscula digital. Para evitar la inestabilidad del embudo durante el posicionamiento de la muestra al comienzo del análisis, debe fijarse al estante del gabinete sobre el cilindro.</li>
		<li>Coloque una cámara con un trípode frente a la puerta del gabinete a una altura y distancia definidas para tener el mejor encuadre confiable de la muestra. NOTA: Asegúrese de que la cámara esté bien alineada con la muestra de helado para evitar errores de paralaje al procesar la imagen.</li>
	</ol></li>
	<li>Prueba de fusión<ol><li>Prepare una pantalla de malla de alambre metálica equipada con una referencia de tamaño. Saca el vaso de helado del congelador, retira la tapa y empieza a poner suavemente una espátula entre el helado y las paredes del vaso para separar la muestra del recipiente. NOTA: La taza de helado debe retirarse del congelador solo cuando se completen los pasos anteriores (hasta el paso 1.2.3) para evitar el derretimiento antes del registro de datos.</li>
		<li>Mientras separa la muestra de helado de las paredes de la taza, mantenga el papel de hornear pegado a la superficie del helado.</li>
		<li>Cuando toda la muestra de helado se haya separado de las paredes de la taza, tire suavemente de los extremos del papel de hornear para extraer el helado y colóquelo sobre la pantalla de malla de alambre metálica junto con las tiras de papel de hornear. Luego, retire con cuidado las tiras de papel de hornear de la superficie del helado. NOTA: Preste atención a no alterar la forma del helado al realizar los pasos 1.3.1-1.3.3.</li>
		<li>Coloque la pantalla de malla de alambre metálico con la muestra de helado en el embudo del gabinete. Usando la cámara digital en el trípode, tome la primera foto (t0) de la muestra de helado con la puerta del gabinete abierta, prestando atención para disparar también la referencia de tamaño. Cierre la puerta del armario y comience a registrar los datos gravimétricos cada minuto con el software conectado a la báscula. NOTA: No utilice flash para evitar sombras en la imagen, y utilice un fondo muy contrastado para mejorar la segmentación del helado. Verifique el enfoque de la imagen adquirida; Si la imagen está desenfocada, tome inmediatamente una nueva.</li>
		<li>Registre los datos gravimétricos durante 90 minutos (un registro por minuto) y tome una fotografía de la muestra de helado (consulte el paso 1.3.4) cada 15 minutos (para un total de 7 imágenes).</li>
	</ol></li>
</ol><img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/66114/66114fig02.jpg"> Figura 2: Configuración de la prueba de fusión. La figura muestra cómo configurar la prueba de fusión en el gabinete termostático: coloque un cilindro de vidrio graduado en una báscula digital para recoger y pesar el helado derretido. La muestra de helado se coloca en una pantalla de malla de alambre metálico en un embudo suspendido sobre el cilindro. <a href="https://www.jove.com/files/ftp_upload/66114/66114fig02large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>
2. Procesamiento de imágenes para el cálculo de índices de fusión
<ol><li>Tratamiento de imágenes<ol><li>Descargue las imágenes digitales de la tarjeta de memoria de la cámara y guárdelas como archivos .tiff o .jpg sin compresión.</li>
		<li>Utilice los comandos Abrir &gt; archivo del software de análisis de imágenes para abrir las imágenes de helado. Comience a procesar la primera imagen (t0), corrigiendo la rotación si es necesario (comandos: Editar &gt; Rotar).</li>
		<li>Utilice la referencia de tamaño adquirida en cada imagen (ver pasos 1.3.1. y 1.3.4.) para calibrar espacialmente la imagen (comandos: Medir &gt; Calibración &gt; Imagen de &gt; Espacial), convirtiendo los píxeles en milímetros (Figura complementaria 1).</li>
		<li>Seleccione el área rectangular de interés (AOI), incluyendo la muestra de helado y evitando el borde de la pantalla de malla metálica (comandos: Editar &gt; Nuevo AOI &gt; Rectangular). Recorte el AOI y conviértalo en una escala de grises (profundidad de color, 8) utilizando los comandos Editar &gt; Encubierto a &gt; Escala de grises 8 (Figura complementaria 2).</li>
		<li>Aplique el filtro Mejor ajuste que ajusta automáticamente el brillo y el contraste (comandos: Mejorar &gt; Ecualizar &gt; Mejor ajuste).</li>
		<li>Vaya a la ventana Medir &gt; Conteo/Tamaño del software y abra la ventana Medir para seleccionar los siguientes parámetros: Área, Altura de la caja y Ancho de la caja. A continuación, haga clic en Aceptar para cerrar esta ventana (Figura complementaria 3).</li>
		<li>Seleccione la medición manual (marque Manual en la ventana Conteo/Tamaño ) y haga clic en Seleccionar rangos para establecer los valores del histograma para segmentar exactamente la forma brillante del helado. Cierre la ventana Segmentación (Figura complementaria 4).</li>
		<li>Haga clic en Recuento en la ventana Recuento/Tamaño del software para medir los tres parámetros seleccionados en el paso 2.1.6. Si se cuentan objetos brillantes que no sean la muestra de helado, utilice un umbral de área para filtrar los objetos (comandos: Medir &gt; Seleccionar medidas &gt; Área; ajustar los rangos de inicio y fin). Para ver los resultados de la medición, haga clic en Ver &gt; datos de medición (Figura complementaria 5). Utilice Archivar &gt; datos en el portapapeles para copiar los resultados de la medición y pegarlos en una hoja de cálculo de software de gestión de datos.</li>
		<li>Repita los pasos de 2.1.2 a 2.1.8 para cada imagen recopilada durante el derretimiento del helado.</li>
	</ol></li>
	<li>Evaluación de índices de fusión NOTA: A partir de ahora, los parámetros de tamaño medidos a partir de las imágenes de helado se indicarán de la siguiente manera: A, área; H: altura de la caja; W, ancho de la caja (Figura complementaria 6).<ol><li>Utilizando los datos H y W calculados en el paso anterior 2.1 en los diferentes tiempos t durante la fusión (0 min, 15 min, 30 min, 45 min, 75 min y 90 min), calcule el índice de retención de la forma (Rt) de acuerdo con la ecuación 1: <img alt="Equation 1" src="/files/ftp_upload/66114/66114eq01.jpg" style="margin: auto;">(1)</li>
		<li>De acuerdo con la ecuación 2 y la ecuación 3, refiérase a los datos de R y A calculados en cada momento con el índice correspondiente en el tiempo 0 (R0 y A0) y represente los resultados obtenidos en función del tiempo, como se muestra en la Figura 3A, B. La tendencia de At en función del tiempo está relacionada con la tasa de fusión del helado. <img alt="Equation 2" src="/files/ftp_upload/66114/66114eq02.jpg" style="margin: auto;">(2) <img alt="Equation 3" src="/files/ftp_upload/66114/66114eq03.jpg" style="margin: auto;">(3)</li>
	</ol></li>
</ol>Figura complementaria 1: Calibración espacial de la imagen. (A) Vaya a la ventana Medir &gt; Calibración &gt; Espacial del software de análisis de imágenes. Seleccione Nuevo y, a continuación, marque Imagen para abrir la ventana Escalado . Se indica la longitud de referencia en la unidad para convertir píxeles (por ejemplo, milímetros). (B) Superponga con cuidado la barra verde con la parte de referencia correspondiente a la longitud indicada y haga clic en Aceptar. <a href="https://www.jove.com/files/ftp_upload/66114/Figure%201S.zip" target="_blank">Haga clic aquí para descargar este archivo.</a>
Figura complementaria 2: Recorte de AOI y conversión en una escala de grises. (A) Conversión del área de interés (AOI) en escala de grises y (B) la imagen resultante. <a href="https://www.jove.com/files/ftp_upload/66114/Figure%202S.zip" target="_blank">Haga clic aquí para descargar este archivo.</a>
Figura complementaria 3: Selección de los parámetros a medir. En la ventana Seleccionar medición , se pueden seleccionar los parámetros a medir; Para la evaluación de Ice Cream Meltdown, se debe seleccionar el área, el ancho de la caja y la altura de la caja. <a href="https://www.jove.com/files/ftp_upload/66114/Figure%203S.zip" target="_blank">Haga clic aquí para descargar este archivo.</a>
Figura complementaria 4: Segmentación de la muestra de helado. En la ventana "Segmentación" es posible seleccionar los rangos de histograma a considerar para cubrir exactamente el área de la forma del helado. <a href="https://www.jove.com/files/ftp_upload/66114/Figure%204S.zip" target="_blank">Haga clic aquí para descargar este archivo.</a>
Figura complementaria 5: Filtrado de objetos y la función Count. Las líneas rojas resaltan los objetos brillantes reconocidos. Al aplicar la función de recuento y abrir la ventana "Ver, Datos de medición", se mostrarán los resultados de los parámetros seleccionados (A). Para filtrar solo la forma del helado, es posible seleccionar un rango de área mínima y máxima en la ventana "Seleccionar medición", contando así solo los parámetros de un objeto (B). <a href="https://www.jove.com/files/ftp_upload/66114/Figure%205S.zip" target="_blank">Haga clic aquí para descargar este archivo.</a>
Figura suplementaria 6: Índice de retención de forma (R). Se muestran la altura de la caja (Ht, línea punteada roja) y el ancho de la caja (Wt, línea continua negra) utilizados para el cálculo del índice de retención de forma (R). <a href="https://www.jove.com/files/ftp_upload/66114/Figure%206S.zip" target="_blank">Haga clic aquí para descargar este archivo.</a>
<img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/66114/66114fig03.jpg"> Figura 3: Curvas de retención de forma y área. Ejemplo de una curva de retención de forma (A) y (B) área, en la que se trazan los valores medios de Rt/R0 y At/A0 a lo largo del tiempo; Las barras de error corresponden a los valores de desviación estándar obtenidos por las réplicas de análisis. <a href="https://www.jove.com/files/ftp_upload/66114/66114fig03large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>
3. Elaboración de datos gravimétricos
<ol><li>Al final de la prueba de fusión (90 min), guarde la hoja de cálculo con el peso de la muestra fundida (gramos) por cada minuto del análisis obtenido por el software conectado a la báscula digital.</li>
	<li>Abra la hoja de cálculo de peso en un software de gestión de datos para crear un gráfico del peso derretido (gramos) en función del tiempo (minutos), obteniendo así la curva de fusión de la muestra de helado.</li>
	<li>Seleccione los datos en la porción lineal de la curva de fusión y calcule la línea de regresión de mínimos cuadrados, registrando la ecuación 4 y el coeficiente de regresión (R2). <img alt="Equation 4" src="/files/ftp_upload/66114/66114eq04.jpg" style="margin: auto;">(4)</li>
	<li>El valor de pendiente de la línea de regresión (m) es la tasa de fusión del helado (gramos/minuto). Calcule el tiempo de inicio de la fusión (ts; minuto) como la intersección con el eje x (cuando y = 0) de la siguiente manera: <img alt="Equation 5" src="/files/ftp_upload/66114/66114eq05.jpg" style="margin: auto;">(5)</li>
</ol><img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/66114/66114fig04.jpg"> Figura 4: Curva gravimétrica. Ejemplo de una curva de fusión de un helado obtenida por el método gravimétrico. La curva original se muestra en rojo; Las series de datos seleccionadas en la parte lineal se muestran en verde; La línea de regresión calculada se muestra en puntos negros. También se muestra la ecuación y el coeficiente de determinación (R2) de la línea de regresión. <a href="https://www.jove.com/files/ftp_upload/66114/66114fig04large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>
NOTA: Para tener resultados confiables que se analizarán estadísticamente, repita todo el procedimiento de prueba de fusión y procesamiento de imágenes al menos tres veces para cada muestra.

<meta charset="utf8"></head><body>Estudio del comportamiento de derretimiento del helado mediante un sistema de visión artificial

<ol><li>Marshall, R. T., Arbuckle, W. S. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aMarshall%2C+RT+%22Ice+Cream%22">Ice Cream</a>. , Chapman and Hall. New York. (1996).</li>
<li>Goff, H. D., Hartel, R. W. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aGoff%2C+HD+%22Ice+Cream%22">Ice Cream</a>. , Springer. Boston. (2013).</li>
<li>Metilli, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Investigating+the+microstructure+of+soft%2C+microporous+matter+with+synchrotron+X-ray+tomography%5BTitle%5D)+AND+%22Materials+Characterization%22%5BJournal%5D)">Investigating the microstructure of soft, microporous matter with synchrotron X-ray tomography.</a> Materials Characterization. 180, 111408(2021).</li>
<li>Liu, X., Sala, G., Scholten, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Structural+and+functional+differences+between+ice+crystal-dominated+and+fat+network-dominated+ice+cream%5BTitle%5D)+AND+%22Food+Hydrocolloids%22%5BJournal%5D)">Structural and functional differences between ice crystal-dominated and fat network-dominated ice cream.</a> Food Hydrocolloids. 138, 108466(2023).</li>
<li>Alamprese, C., Foschino, R., Rossi, M., Pompei, C., Savani, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Survival+of+Lactobacillus+johnsonii+La1+and+influence+of+its+addition+in+retail-manufactured+ice+cream+produced+with+different+sugar+and+fat+concentrations%5BTitle%5D)+AND+%22International+Dairy+Journal%22%5BJournal%5D)">Survival of Lactobacillus johnsonii La1 and influence of its addition in retail-manufactured ice cream produced with different sugar and fat concentrations.</a> International Dairy Journal. 12 (2-3), 201-208 (2002).</li>
<li>Alamprese, C., Foschino, R. Technology and Stability of Probiotic and Prebiotic Ice Cream. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aAlamprese%2C+C+%22Probiotic+and+Prebiotic+Foods%3A+Technology%2C+Stability+and+Benefits+to+Human+Health%22">Probiotic and Prebiotic Foods: Technology, Stability and Benefits to Human Health</a>. , Nova Science Publishers, Inc. Hauppauge, NY. Chapter 11 (2011).</li>
<li>Golnabi, H., Asadpour, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Design+and+application+of+industrial+machine+vision+systems%5BTitle%5D)+AND+%22Robotics+and+Computer-Integrated+Manufacturing%22%5BJournal%5D)">Design and application of industrial machine vision systems.</a> Robotics and Computer-Integrated Manufacturing. 23 (6), 630-637 (2007).</li>
<li>Patel, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((DBGC%3A+Dimension-based+generic+convolution+block+for+object+recognition%5BTitle%5D)+AND+%22Sensors%22%5BJournal%5D)">DBGC: Dimension-based generic convolution block for object recognition.</a> Sensors. 22 (5), 1780(2022).</li>
<li>Bhatt, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((CNN+variants+for+computer+vision%3A+History%2C+architecture%2C+application%2C+challenges+and+future+scope%5BTitle%5D)+AND+%22Electronics%22%5BJournal%5D)">CNN variants for computer vision: History, architecture, application, challenges and future scope.</a> Electronics. 10 (20), 2470(2021).</li>
<li>Zhu, L., Spachos, P., Pensini, E., Plataniotis, K. N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Deep+learning+and+machine+vision+for+food+processing%3A+A+survey%5BTitle%5D)+AND+%22Current+Research+in+Food+Science%22%5BJournal%5D)">Deep learning and machine vision for food processing: A survey.</a> Current Research in Food Science. 4, 233-249 (2021).</li>
<li>Donhowe, D. P., Hartel, R. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Recrystallization+of+ice+in+ice+cream+during+controlled+accelerated+storage%5BTitle%5D)+AND+%22International+Dairy+Journal%22%5BJournal%5D)">Recrystallization of ice in ice cream during controlled accelerated storage.</a> International Dairy Journal. 6 (11-12), 1191-1208 (1996).</li>
<li>Velásquez-Cock, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Influence+of+cellulose+nanofibrils+on+the+structural+elements+of+ice+cream%5BTitle%5D)+AND+%22Food+Hydrocolloids%22%5BJournal%5D)">Influence of cellulose nanofibrils on the structural elements of ice cream.</a> Food Hydrocolloids. 87, 204-213 (2019).</li>
<li>Moriano, M. E., Alamprese, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Honey%2C+trehalose+and+erythritol+as+sucrose-alternative+sweeteners+for+artisanal+ice+cream.+A+pilot+study%5BTitle%5D)+AND+%22LWT-Food+Science+%26+Technology%22%5BJournal%5D)">Honey, trehalose and erythritol as sucrose-alternative sweeteners for artisanal ice cream. A pilot study.</a> LWT-Food Science & Technology. 75, 329-334 (2017).</li>
<li>Loffredi, E., Moriano, M. E., Masseroni, L., Alamprese, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Effects+of+different+emulsifier+substitutes+on+artisanal+ice+cream+quality%5BTitle%5D)+AND+%22LWT-Food+Science+%26+Technology%22%5BJournal%5D)">Effects of different emulsifier substitutes on artisanal ice cream quality.</a> LWT-Food Science & Technology. 137, 110499(2021).</li>
<li>Loffredi, E., Alamprese, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Optimisation+of+a+blend+of+emulsifier+substitutes+for+clean-label+artisanal+ice+cream%5BTitle%5D)+AND+%22LWT-Food+Science+%26+Technology%22%5BJournal%5D)">Optimisation of a blend of emulsifier substitutes for clean-label artisanal ice cream.</a> LWT-Food Science & Technology. 173, 114338(2023).</li>
<li>Moriano, M. E., Alamprese, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Organogels+as+novel+ingredients+for+low+saturated+fat+ice+creams%5BTitle%5D)+AND+%22LWT-Food+Science+%26+Technology%22%5BJournal%5D)">Organogels as novel ingredients for low saturated fat ice creams.</a> LWT-Food Science & Technology. 86, 371-376 (2017).</li>
</ol>

El CVS propuesto permite calcular los índices de retención de forma y área de las muestras de helado durante la fusión, además de visualizar el proceso de fusión. Se puede acoplar con el método gravimétrico tradicional aplicado para evaluar el comportamiento de fusión del helado5, para obtener resultados relacionados con el aspecto del helado. Esto es muy importante porque los consumidores evalúan su calidad también en función de la apariencia visual del producto, y la capacidad de mantener la forma durante el derretimiento está relacionada con la composición y la estructura del helado 1,3. La aplicación de este sistema en las industrias alimentarias puede mejorar el control de calidad, así como la investigación y el desarrollo de nuevas formulaciones.
El ejemplo de los resultados obtenidos para la fusión de tres muestras de helado diferentes para los edulcorantes utilizados demostró que el CVS propuesto es sensible a las diferentes composiciones (Tabla 1 y Tabla 2), incluso más que el método gravimétrico, que no fue capaz de resaltar diferencias significativas entre muestras (Tabla 3). La sensibilidad del índice de retención de forma a la formulación de helados también fue demostrada en nuestros trabajos previos 13,14,15,16. Debido a la alta sensibilidad del método propuesto, puede incluso sustituir al procedimiento gravimétrico.
Aparte de la preparación de la muestra de helado, los pasos más críticos en el CVS desarrollado están relacionados con una buena captura de imagen y segmentación7. Referir los datos de Rt y At a los valores iniciales calculados en el tiempo 0 evita posibles resultados engañosos debido a los diferentes experimentos establecidos entre réplicas. Sin embargo, los errores de paralaje durante la adquisición de imágenes podrían dar lugar a una sobreestimación del área de la muestra durante la fusión, especialmente si las imágenes recogidas en un solo ensayo no son consistentes debido a un cambio de posición de la cámara de una adquisición a otra. Por lo tanto, se debe prestar gran atención a la configuración del procedimiento de adquisición de imágenes, asegurándose de que la pantalla de malla de alambre metálico con la muestra en la parte superior esté perfectamente alineada con el objetivo de la cámara, y definiendo y asegurando cuidadosamente la posición de la cámara frente al gabinete termostático. Del mismo modo, una mala segmentación de la imagen puede llevar a una sobreestimación o subestimación del área del helado, pero también de H y W, lo que resulta en índices de retención de forma sin sentido. En este caso, la mayor fuente de error está representada por posibles picos en el borde de la porción de helado colocados en la malla de alambre, o burbujas que aparecen en la superficie del helado durante el derretimiento (Figura 7), que deben eliminarse de la forma brillante antes de medir el área de la caja y la caja W y H. Esto se puede solucionar mediante el uso de la función Dividir objeto del software de análisis de imágenes. Un fondo de alto contraste también es útil para una mejor segmentación de la imagen7. El color de fondo debe elegirse en función del color de la muestra de helado, y es deseable una alta saturación de color para un mejor contraste.
<img alt="Figure 7" class="xfigimg" src="/files/ftp_upload/66114/66114fig07.jpg"> Figura 7: Posibles fuentes de error en la segmentación de la forma del helado. Las flechas rojas indican posibles picos y burbujas en la forma del helado que pueden llevar a un cálculo incorrecto del área, la altura y el ancho. Haga <a href="https://www.jove.com/files/ftp_upload/66114/66114fig07large.jpg" target="_blank">clic aquí para ver una versión más grande de esta figura.</a>
Si las imágenes están bien recogidas y procesadas, el CVS es aún más sensible y preciso que la metodología gravimétrica. De hecho, en los ejemplos mostrados, los coeficientes de variación para los análisis gravimétricos oscilaron entre el 4% y el 20%, por lo que todos los datos promedio no fueron significativamente diferentes (ANOVA, p &gt; 0,05). Por el contrario, para los índices CVS, los valores del coeficiente de variación oscilaron entre 0,1% y 13%, revelando diferencias significativas entre las tres muestras de helado durante la fusión (Tabla 1 y Tabla 2). La reducción en la velocidad de fusión causada por el eritritol probablemente esté relacionada con la formación de cristales de azúcar amorfos durante la congelación del helado y la menor solubilidad de este edulcorante en comparación con la sacarosa y el sucromalt, lo que representa una mayor cantidad de agua congelada en el producto final13. Otras aplicaciones exitosas del CVS propuestas aquí se pueden encontrar en nuestros estudios previos 13,14,15,16.
Cuando se logra una buena estandarización del procedimiento de procesamiento de imágenes, el procesamiento automático de imágenes se puede configurar utilizando la función de grabación de macros del software de análisis de imágenes, lo que hace que el proceso de elaboración sea mucho más rápido. Por supuesto, siempre es necesaria una revisión precisa de los datos por parte del operador para evitar artefactos y datos erróneos. Además, se pueden realizar la elaboración de las curvas de retención de forma y área para calcular los parámetros cinéticos y sustituir el método gravimétrico.
El protocolo también se puede aplicar a otros productos alimenticios para los que la tasa de fusión y el índice de retención de la forma son importantes, como mousses y espumas (por ejemplo, crema de leche batida y albúmina de huevo). El punto más importante es la autosuficiencia de los productos, mientras que la temperatura durante las pruebas de fusión se puede adaptar al producto específico.

El helado es un sistema multifásico en el que las fases líquida, sólida y gaseosa están estrictamente conectadas. La fase líquida continua envuelve burbujas de aire y cristales de hielo, y contiene grasas parcialmente cristalizadas, proteínas coloidales, sales, azúcares (eventualmente cristalizados) y estabilizadores. La composición del helado varía en función de las solicitudes del mercado local y de las posibles normativas. Aunque la tecnología de procesamiento afecta las características del helado final, cada componente juega un papel importante en la definición de la calidad del producto1. El comportamiento de fusión es uno de los índices de calidad más importantes del helado, considerando los fenómenos que ocurren tanto durante el consumo como en la boca. Con la penetración del calor en el helado, los cristales de hielo se derriten y el agua se difunde y se mezcla con la fase sérica, que puede drenar a través de la estructura restante2. Un producto de fusión rápida no es deseable para comer cómodamente, pero también para garantizar una mayor resistencia al choque térmico. Sin embargo, los productos de fusión lenta también indican algunos defectos en la formulación1. Se sabe que la microestructura del helado es responsable de las propiedades de fusión3, pero hasta ahora se han publicado resultados contrastantes, que muestran que el conocimiento sobre la influencia de los factores microestructurales en la fusión es aún limitado4. Por lo tanto, se necesitan más estudios para dilucidar el mecanismo de fusión, que también es crucial en el diseño de nuevas formulaciones3.
El comportamiento de fusión generalmente se evalúa por métodos gravimétricos y se expresa en términos de tiempo de inicio y tasa de fusión5. Una porción determinada de helado se coloca sobre una malla de alambre en un gabinete de temperatura controlada y se registra el peso del producto derretido. De la curva peso-tiempo, se pueden destacar tres fases: la fase de retraso durante la cual se produce la penetración del calor, la fase de fusión rápida con la fase de suero diluido que fluye a través de la estructura del helado a la velocidad máxima, y la fase estacionaria, donde la mayor parte del producto ha goteado2.
Con el método gravimétrico, se pueden reconocer productos de fusión lenta y rápida; Sin embargo, el aspecto del helado durante el derretimiento también es importante, porque la retención de la forma está relacionada con una buena composición y estructura del producto6. Así, un procedimiento basado en un sistema de visión artificial (CVS) puede apoyar la metodología gravitacional ya existente al permitir el estudio de la apariencia del producto durante la fusión. Los CVS pueden adquirir numerosos atributos alimenticios3 (por ejemplo, tamaño, peso, forma, textura y color) con detalles precisos que no pueden ser observados por el ojo humano. Estos sistemas suelen estar formados por cámaras digitales y programas informáticos de procesamiento de imágenes7. De hecho, un protocolo basado en CVS incluye dos pasos principales: 1) adquisición de imágenes y 2) procesamiento de imágenes. Se pueden aplicar varios niveles de procesamiento de imágenes7, desde los más simples hasta los más complejos, como los métodos de aprendizaje profundo para el desarrollo de Inteligencia Artificial 8,9. Recientemente se ha prestado gran atención a los CVS en el sector alimentario y se ha desarrollado un gran número de aplicaciones para la inspección de seguridad alimentaria, el control del procesamiento de alimentos, la detección de objetos extraños y otros campos. Son rápidos, eficientes y no destructivos, por lo que representan herramientas válidas para proporcionar a los consumidores alimentos inocuos y de alta calidad10.
En el campo del helado, se sugirió un método de análisis de imágenes para estudiar la recristalización del hielo mediante microscopía óptica11. Más recientemente, se procesaron imágenes de tomografía computarizada de rayos X para analizar la microestructura 3D de materias blandas-porosas, incluido el helado3. Sin embargo, la elaboración de imágenes digitales simples de dispositivos de carga acoplada (CCD) puede presentar varias ventajas en términos de facilidad de adquisición y representación del aspecto del helado tal como lo perciben los consumidores. Algunos autores muestran imágenes de helado durante la fusión12, pero, hasta donde sabemos, la extracción de índices numéricos de las imágenes fue reportada por primera vez por Moriano y Alamprese13.
Por lo tanto, el protocolo aquí propuesto, basado en el trabajo de Moriano y Alamprese13, ilustra un CVS simple que se puede aplicar para apoyar la metodología gravitacional ya existente para el estudio del comportamiento de fusión del helado. En la Figura 1 se ilustra un diagrama de bloques del método propuesto. El uso de este sistema permite el cálculo de dos índices de fusión relacionados con la retención de la forma y la tasa de fusión. En particular, el artículo describe por primera vez la configuración experimental detallada y el procedimiento para la adquisición de imágenes digitales durante el derretimiento del helado y los pasos de procesamiento de imágenes. Además, se informa que los resultados obtenidos de los helados producidos con diferentes edulcorantes (es decir, sacarosa, sucrotmalt y eritritol) muestran el potencial del método.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/66114/66114fig01.jpg"> Figura 1: Diagrama de bloques de las metodologías propuestas. Resumen de los pasos generales para el Sistema de Visión por Computador propuesto y el método gravimétrico para estudiar el comportamiento de fusión del helado. <a href="https://www.jove.com/files/ftp_upload/66114/66114fig01large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>

<table><tbody><tr><td>Gabinete</td><td>Cavallo s.r.l.</td><td>FTX700</td><td>Ubicación para la prueba de fusión</td></tr><tr><td>Cámara digital</td><td>Sony Group Corp</td><td>DSC-S650</td><td></td></tr><tr><td>Báscula digital</td><td>Gibertini Elettronica</td><td>EU-C 4002 LCD</td><td></td></tr><tr><td>ImagePro Plus 7.0</td><td>Media Cybernetics, Inc N</td><td>/A</td><td>Software de elaboración de análisis de imágenes</td></tr><tr><td>Microsoft Excel</td><td>Microsoft</td><td>N/A</td><td>Elaboración de datos y gráficos</td></tr><tr><td>Scalecom</td><td>Gibertini Elettronica</td><td>N/A Adquisición</td> de <td>software de báscula digital</td></tr><tr><td>Trípode</td><td>Manfratto</td><td>#055</td><td></td></tr></tbody></table>

un sistema de visión artificial para la evaluación del comportamiento de fusión del helado

A Computer Vision System for the Assessment of Ice Cream Melting Behavior

Como ejemplo de los resultados propuestos de CVS, se muestran los resultados de los análisis de fusión para tres formulaciones diferentes de helado, en comparación con los datos obtenidos del método gravimétrico. En particular, se estudió el comportamiento de fusión de helados elaborados con diferentes edulcorantes (es decir, sacarosa, sucrosal y eritritol).
La Tabla 1 y la Figura 5A muestran los resultados del índice de retención de forma (Rt/R0) para las tres muestras de helado durante la fusión. Se observó una retención de forma similar para todas las muestras hasta 45 min; luego, la muestra elaborada con sacarosa perdió su forma más rápido que los otros productos, resultando en un Rt/R0 significativamente menor según el análisis de varianza de una vía (ANOVA), seguido de la prueba de Diferencia Mínima Significativa (LSD) (p &lt; 0.05). Solo la muestra que contenía eritritol mantuvo su forma hasta el final del ensayo, dando valores medibles de Rt/R0.
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody><tr><td></td>
			<td colspan="2">SACAROSA</td>
			<td colspan="2">SUCROMALT</td>
			<td colspan="2">ERITRITOL</td>
		</tr><tr><td>Tiempo (min)</td>
			<td>At/A0</td>
			<td>S.D.</td>
			<td>At/A0</td>
			<td>S.D.</td>
			<td>At/A0</td>
			<td>S.D.</td>
		</tr><tr><td>0</td>
			<td>1.00</td>
			<td>-</td>
			<td>1.00</td>
			<td>-</td>
			<td>1.00</td>
			<td>-</td>
		</tr><tr><td>15</td>
			<td>0,91A</td>
			<td>0.01</td>
			<td>0,93A</td>
			<td>0.02</td>
			<td>0,92A</td>
			<td>0.04</td>
		</tr><tr><td>30</td>
			<td>0,76A</td>
			<td>0.04</td>
			<td>0,82A</td>
			<td>0.02</td>
			<td>0,84A</td>
			<td>0.04</td>
		</tr><tr><td>45</td>
			<td>0,56A</td>
			<td>0.04</td>
			<td>0.66AB</td>
			<td>0.02</td>
			<td>0,74b</td>
			<td>0.03</td>
		</tr><tr><td>60</td>
			<td>0,32A</td>
			<td>0.01</td>
			<td>0,46b</td>
			<td>0.02</td>
			<td>0,62C</td>
			<td>0.01</td>
		</tr><tr><td>75</td>
			<td>0,13A</td>
			<td>0.01</td>
			<td>0,24b</td>
			<td>0.02</td>
			<td>0,52C</td>
			<td>0.02</td>
		</tr><tr><td>90</td>
			<td>s.f.</td>
			<td>-</td>
			<td>s.f.</td>
			<td>-</td>
			<td>0.40</td>
			<td>0.01</td>
		</tr><tr><td colspan="7">s.f., no detectable</td>
		</tr></tbody></table>Tabla 1: Valores medios y de desviación estándar de los índices de retención de forma para las tres muestras de helado producidas con diferentes edulcorantes. Diferentes letras minúsculas en la misma fila indican valores medios significativamente diferentes (p &lt; 0,05).
<img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/66114/66114fig05.jpg"> Figura 5: Curvas de retención de forma y área para las tres muestras de helado producidas con diferentes edulcorantes. (A) Curva de retención de forma y (B) curvas de retención de área. La línea rosa representa la muestra de sacarosa, considerada como referencia; La línea amarilla representa la muestra de Sucromalt y la línea azul representa la muestra de eritritol. <a href="https://www.jove.com/files/ftp_upload/66114/66114fig05large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>
La muestra con eritritol también mostró una menor tasa de fusión, como lo demuestran los índices de fusión At/A0 (Tabla 2 y Figura 5B). A partir de los 45 min, la muestra de eritritol presentó la retención de área significativamente (p &lt; 0,05), seguida de los helados que contenían sucromalt y sacarosa, respectivamente.
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody><tr><td></td>
			<td colspan="2">SACAROSA</td>
			<td colspan="2">SUCROMALT</td>
			<td colspan="2">ERITRITOL</td>
		</tr><tr><td>Tiempo (min)</td>
			<td>Rt/R0</td>
			<td>S.D.</td>
			<td>Rt/R0</td>
			<td>S.D.</td>
			<td>Rt/R0</td>
			<td>S.D.</td>
		</tr><tr><td>0</td>
			<td>1.00</td>
			<td>-</td>
			<td>1.00</td>
			<td>-</td>
			<td>1.00</td>
			<td>-</td>
		</tr><tr><td>15</td>
			<td>0,98A</td>
			<td>0.04</td>
			<td>0,97A</td>
			<td>0.01</td>
			<td>0,93A</td>
			<td>0.02</td>
		</tr><tr><td>30</td>
			<td>0,94A</td>
			<td>0.05</td>
			<td>0,94A</td>
			<td>0.02</td>
			<td>0,89A</td>
			<td>0.02</td>
		</tr><tr><td>45</td>
			<td>0,80A</td>
			<td>0.03</td>
			<td>0,89A</td>
			<td>0.02</td>
			<td>0,84A</td>
			<td>0.02</td>
		</tr><tr><td>60</td>
			<td>0,64A</td>
			<td>0.04</td>
			<td>0,78b</td>
			<td>0.01</td>
			<td>0,76b</td>
			<td>0.03</td>
		</tr><tr><td>75</td>
			<td>0,54A</td>
			<td>0.03</td>
			<td>0,65A</td>
			<td>0.01</td>
			<td>0,60A</td>
			<td>0.07</td>
		</tr><tr><td>90</td>
			<td>s.f.</td>
			<td>-</td>
			<td>s.f.</td>
			<td>-</td>
			<td>0.45</td>
			<td>0.06</td>
		</tr><tr><td colspan="7">s.f., no detectable</td>
		</tr></tbody></table>Tabla 2: Valores medios y de desviación estándar de los índices de retención de área para las tres muestras de helado producidas con diferentes edulcorantes. Diferentes letras minúsculas en la misma fila indican valores medios significativamente diferentes (p &lt; 0,05).
Los resultados también fueron confirmados por el análisis gravimétrico, cuyos datos se reportan en la Tabla 3 en términos de tiempo de inicio de fusión (tS) y velocidad de fusión (gramos/minuto). Sin embargo, en este caso no se encontraron diferencias significativas al aplicar el ANOVA (p &gt; 0,05).
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody><tr><td></td>
			<td colspan="2">SACAROSA</td>
			<td colspan="2">SUCROMALT</td>
			<td colspan="2">ERITRITOL</td>
		</tr><tr><td></td>
			<td>significar</td>
			<td>S.D.</td>
			<td>significar</td>
			<td>S.D.</td>
			<td>significar</td>
			<td>S.D.</td>
		</tr><tr><td>ts (mín.)</td>
			<td>15.3A</td>
			<td>1.4</td>
			<td>16.4A</td>
			<td>1.4</td>
			<td>17.2A</td>
			<td>2.6</td>
		</tr><tr><td>Velocidad de fusión (g/min)</td>
			<td>2.67A</td>
			<td>0.26</td>
			<td>2.29A</td>
			<td>0.09</td>
			<td>1,96A</td>
			<td>0.41</td>
		</tr></tbody></table>Tabla 3: Valores medios y de desviación estándar de los índices de fusión calculados por los métodos gravimétricos para las tres muestras de helado producidas con diferentes edulcorantes. ts, hora de inicio de la fusión. Diferentes letras minúsculas en la misma fila indican valores medios significativamente diferentes (p &lt; 0,05).
La Figura 6 muestra algunas imágenes procesadas (paso 2.1) adquiridas durante las pruebas de fusión (paso 1.3) de las tres muestras de helado; Es posible notar la buena retención de la forma de todas las muestras y la tasa de fusión más baja del helado hecho con eritritol, que no se derritió por completo después de 90 min.
<img alt="Figure 6" class="xfigimg" src="/files/ftp_upload/66114/66114fig06.jpg"> Figura 6: Fusión de las tres muestras de helado. Imágenes adquiridas cada 15 minutos durante la fusión de las tres muestras de helado producidas con diferentes edulcorantes. Imágenes procesadas de las tres muestras de helado durante la fusión. <a href="https://www.jove.com/files/ftp_upload/66114/66114fig06large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>

Un sistema de visión artificial para la evaluación del comportamiento de fusión del helado

Melting behavior is one of the most important quality indices of ice cream. It is usually evaluated by gravimetric methods and expressed in terms of ...

a-computer-vision-system-for-assessment-ice-cream-melting

Research

Investigación

JoVE Journal

Engineering

Ingeniería

Hemos demostrado que las lesiones pigmentadas malignas con la actividad metabólica de generar cantidades cuantificables de calor y la medición de la respuesta transitoria térmica de la piel a una excitación de enfriamiento permite la identificación cuantitativa de melanoma y otros cánceres de piel (vs. no-proliferación nevus) a una edad temprana etapa de la enfermedad.

Visualización y detección cuantitativa de cáncer de piel utilizando imágenes térmica dinámica

Proteínas de unión de hielo (IBP), también conocidas como proteínas anticongelantes, inhibir el crecimiento del hielo y son un aditivo prometedor para su uso en la crioconservación de tejidos. La principal herramienta utilizada para investigar los IBP es el osmómetro nanolitros. Hemos desarrollado un hogar diseñado etapa de enfriamiento montado en un microscopio óptico y se controla utilizando una rutina de costumbre-construido LabVIEW. El osmómetro nanoliter descrito aquí manipulado la...

LabVIEW operado Novela Osmometer nanolitros de Investigaciones de hielo de fijación con proteínas

Se presentan métodos experimentales para la investigación de procesos de enfriamiento en estado sólido y la caracterización de las propiedades del material elastocalórico de las aleaciones con memoria de forma (SMA). Se ha diseñado un banco de pruebas hecho a medida para el control y la supervisión exhaustiva de los procesos de enfriamiento elastocalórico. Además, proporciona una plataforma de validación para enfoques de modelado acoplados termomecánicamente.

Métodos experimentales para procesos de enfriamiento Elastocaloric Investigación de memoria de forma basada y validación del modelo

Se desarrolló una fuente de imágenes de espectrometría de masas (MSI) operada a presión atmosférica mediante el acoplamiento de la desorción láser de infrarrojo medio y la postionización por electrospray. La matriz de hielo exógeno se utilizó como matriz absorbente de energía para facilitar la desorción resonante del material relacionado con los tejidos. Este manuscrito proporciona un protocolo paso a paso para realizar IR-MALDESI MSI en ratones neonatos de cuerpo entero.

Todo el cuerpo de Espectrometría de Masas de imágenes por infrarrojos asistida por matriz de desorción láser de ionización electrospray (IR-MALDESI)

Este documento describe la identificación de proteínas de unión de hielo a partir de plantas tolerantes a la congelación a través de la evaluación de la actividad de inhibición de hielo-recristalización y posterior aislamiento de IBP nativas utilizando purificación hielo-afinidad.

Identificación de proteínas vegetales de hielo de unión a través de la evaluación de la inhibición de hielo-recristalización y Aislamiento Uso de purificación de hielo-afinidad

Presentamos un protocolo para la detección óptica en tiempo real de las proteínas solo como se secretan de las células vivas. Esto se basa en Microscopia interferométrica dispersión (iSCAT), que puede ser aplicada a una variedad de configuraciones y sistemas biológicos diferentes.

Etiqueta-libre la proyección de imagen de solo proteínas secretada desde las células viven por medio de la iSCAT microscopía

En este documento se presenta un protocolo para el diseño de la carga útil espacial, el experimento espacial sobre convección termocapilar y análisis de datos experimentales e imágenes.

Experimento espacial de convección termocapilar en el satélite recuperable SJ-10

Presentamos un protocolo para estudiar la formación de hidratos en presencia de tensioactivos no iónicos en la interfaz de una gota de agua sumergida en ciclopentano. El protocolo consiste en la construcción de un regulador de temperatura programable y de bajo costo. El sistema de control de temperatura se combina con técnicas de visualización y mediciones de presión interna.

Estudio de los efectos de surfactante en la cristalización de hidratos en interfaces aceite-agua utilizando un dispositivo de peltier modular integrado de bajo costo

Se propone una metodología experimental basada en mediciones térmicas y reológicas para caracterizar el proceso de curado de adhesivos con el fin de obtener información útil para la selección de adhesivos industriales.

Evaluación del curado de sistemas adhesivos mediante ensayos reológicos y térmicos

Esta publicación muestra la aplicación de la difracción de rayos X y la calorimetría diferencial de barrido como estándares de oro para investigar el estado sólido de los excipientes a base de lípidos (LBE). Comprender la alteración del estado sólido en las EBL y su efecto sobre el rendimiento de los productos farmacéuticos de las mismas es el factor clave para la fabricación de formas farmacéuticas robustas basadas en lípidos.

Un paquete de herramientas analíticas establecidas para investigar la alteración en estado sólido de excipientes basados en lípidos

En este documento, presentamos un nuevo método automatizado para evaluar la agudeza visual en bebés y niños pequeños mediante el uso de un sistema de seguimiento ocular.

Un método automatizado para evaluar la agudeza visual en bebés y niños pequeños utilizando un sistema de seguimiento ocular

Aprende a evaluar el comportamiento de fusión del helado mediante un sistema de visión artificial. Este método detecta variaciones sutiles en la retención de forma y tamaño durante la fusión, superando la sensibilidad de los métodos gravimétricos tradicionales.

Un sistema de visión artificial para la evaluación del comportamiento de fusión del helado

Explorar más videos