Method Article

아이스크림 용융 거동 평가를 위한 컴퓨터 비전 시스템

DOI:

10.3791/66114

⸱

October 4th, 2024

 , 
1Department of Food, Environmental and Nutritional Sciences (DeFENS), Università degli Studi di Milano

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

여기에서는 다상 식품 시스템의 용융 거동을 결정하기 위해 컴퓨터 비전 시스템(CVS)을 기반으로 하는 프로토콜을 제시합니다.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

녹는 거동은 아이스크림의 가장 중요한 품질 지표 중 하나입니다. 일반적으로 중량 측정 방법으로 평가되며 시작 시간과 용융 속도로 표현됩니다. 그러나 녹는 동안 아이스크림의 측면도 중요한데, 형태 유지는 제품의 좋은 구조와 관련이 있기 때문입니다. 여기에서 제안된 프로토콜은 형상 유지 및 용융 속도와 관련된 두 가지 새로운 용융 지수를 계산하기 위해 이미 존재하는 중력 방법론을 지원하는 데 사용할 수 있는 컴퓨터 비전 시스템(CVS)을 보여줍니다. 아이스크림이 녹는 모습은 15분마다 촬영하여 총 90분 동안 촬영합니다. 그 후, 아이스크림 면적, 높이 및 너비를 계산하기 위해 의도적으로 개발된 이미지 처리 방법을 사용하여 디지털 이미지를 정교화합니다. 시간 0에서의 비율(Rt/R0)이라고 하는 각 용융 시간에서의 높이와 너비의 비율은 아이스크림의 형태 유지를 나타내는 지표이며, 시간 0에서의 면적(At/A0)을 나타내는 서로 다른 용융 시간에서의 면적은 용융 속도와 관련이 있습니다. 이 컴퓨터 비전 시스템을 사용하면 매우 민감하고 신뢰할 수 있는 결과를 얻을 수 있으며 아이스크림뿐만 아니라 휘핑 우유 크림 또는 계란 알부민과 같은 다양한 식품 매트릭스에도 적용할 수 있습니다.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

아이스크림은 액체, 고체 및 기체 상이 엄격하게 연결된 다상 시스템입니다. 연속적인 액상은 기포와 얼음 결정을 감싸고 있으며 부분적으로 결정화된 지방, 콜로이드 단백질, 염, 당(결국 결정화됨) 및 안정제를 포함합니다. 아이스크림 구성은 현지 시장의 요청과 가능한 규정에 따라 다릅니다. 가공 기술이 최종 아이스크림의 특성에 영향을 미치지만, 각 구성 요소는 제품 품질을 정의하는 데 중요한 역할을 합니다1. 녹는 작용은 아이스크림의 가장 중요한 품질 지표 중 하나이며, 섭취 중과 입 안에서 발생하는 현상을 고려합니다. 열이 아이스크림에 침투하면 얼음 결정이 녹고 물이 확산되어 혈청 상태와 혼합되어 나머지 구조를 통해 배출 될 수 있습니다2. 빠르게 녹는 제품은 편안한 식사뿐만 아니라 더 높은 열 충격 저항을 보장하는 데에도 바람직하지 않습니다. 그러나, 천천히 녹는 생성물은 또한 제형1에서 몇몇 결함을 나타낸다. 아이스크림 미세구조가 용융 특성3에 책임이 있는 것으로 알려져 있지만, 현재까지 상반된 결과가 발표되어 미세구조 요인이 용융에 미치는 영향에 대한 지식은 여전히 제한적임을 보여준다4. 따라서, 멜트다운 메커니즘을 밝히기 위해서는 더 많은 연구가 필요하며, 이는 새로운 제형의 설계에도 중요하다3.

용융 거동은 일반적으로 중량 측정 방법으로 평가되며 용융 시작 시간 및 속도5로 표현됩니다. 아이스크림의 주어진 부분은 온도 조절 캐비닛의 철망에 놓이고 녹은 제품의 무게가 등록됩니다. 중량-시간 곡선에서 세 가지 단계를 강조할 수 있습니다: 열 침투가 발생하는 지연 단계, 묽은 혈청 단계가 최대 속도로 아이스크림 구조를 통해 흐르는 빠른 용융 단계, 대부분의 제품이 뚝뚝 떨어지는 고정상 단계2.

중량 측정 방법을 사용하면 천천히 용융되고 빠르게 용융되는 제품을 인식할 수 있습니다. 그러나, 멜트다운 중 아이스크림의 측면도 중요한데, 그 이유는 형태 유지가 제품의 양호한 조성 및 구조와 관련이 있기 때문이다6. 따라서 컴퓨터 비전 시스템(CVS)을 기반으로 하는 절차는 용융 중 제품의 외관을 연구할 수 있도록 함으로써 기존의 중력 방법론을 지원할 수 있습니다. CVS는 인간의 눈으로 관찰할 수 없는 정확한 세부 사항으로 수많은 식품 특성3(예: 크기, 무게, 모양, 질감 및 색상)을 획득할 수 있습니다. 이러한 시스템은 일반적으로 디지털 카메라와 이미지 처리 소프트웨어(7)로 구성된다. 실제로 CVS를 기반으로 하는 프로토콜에는 1) 이미지 획득과 2) 이미지 처리의 두 가지 주요 단계가 포함됩니다. 다양한 수준의 이미지 처리가 적용될 수 있으며7, 가장 단순한 것부터 인공 지능 개발을 위한 딥 러닝 방법(deep learning method)8,9과 같은 복잡한 것까지 가능하다. 최근 식품 부문에서 CVS에 큰 관심이 쏠리고 있으며, 식품 안전 검사, 식품 가공 모니터링, 이물질 검출 및 기타 분야를 위한 많은 응용 프로그램이 개발되고 있습니다. 그들은 빠르고 효율적이며 비파괴적이므로 소비자에게 고품질의 안전한 식품을 제공하는 유효한 도구를 나타냅니다10.

아이스크림 분야에서는 광학 현미경에 의한 얼음 재결정화를 연구하기 위해 이미지 분석 방법을 제안하였다11. 보다 최근에는 X선 컴퓨터 단층 촬영 이미지를 처리하여 아이스크림3을 포함한 연성 다공성 물질의 3D 미세 구조를 분석했습니다 3. 그러나, 간단한 디지털 CCD(Charge Coupled Device) 이미지의 정교화는 소비자가 인식하는 아이스크림 측면의 획득 용이성 및 렌더링의 용이성 측면에서 몇 가지 이점을 제공할 수 있습니다. 일부 저자들은12가 녹는 동안의 아이스크림 이미지를 보여주지만, 우리가 아는 한, 이미지에서 수치 지수를 추출한 것은 Moriano와 Alamprese13에 의해 처음으로 보고되었다.

따라서 Moriano와 Alamprese13의 연구를 기반으로 여기에서 제안된 프로토콜은 아이스크림 용해 거동 연구를 위한 기존의 중력 방법론을 지원하기 위해 적용할 수 있는 간단한 CVS를 보여줍니다. 제안된 방법의 블록 다이어그램이 그림 1에 나와 있습니다. 이러한 시스템을 사용하면 형상 유지 및 용융 속도와 관련된 두 가지 용융 지수를 계산할 수 있습니다. 특히, 이 논문은 아이스크림 멜트다운 중 디지털 이미지 획득을 위한 자세한 실험 설정 및 절차와 이미지 처리 단계를 처음으로 설명합니다. 게다가, 다른 감미료(즉, 자당, 수크로말트 및 에리스리톨)로 생산된 아이스크림에서 얻은 결과는 이 방법의 잠재력을 보여주는 것으로 보고되었습니다.

figure-introduction-1
그림 1: 제안된 방법론의 블록 다이어그램. 제안된 컴퓨터 비전 시스템에 대한 일반적인 단계와 아이스크림 용융 거동을 연구하기 위한 중량 측정 방법에 대한 요약입니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. 용융 시험을 위한 실험 설정 및 절차

  1. 아이스크림 샘플 준비
    1. 뚜껑이 있는 고정된 부피와 모양의 투명한 컵을 선택하십시오. 너비가 약 2cm 인 베이킹 페이퍼 두 개의 긴 줄무늬를 자르고 종이 테이프를 사용하여 컵의 내벽에 고정하여 바닥에 십자가를 만듭니다. 주걱을 사용하여 컵에 아이스크림 샘플을 채우기 시작합니다.
      알림: 시작하기 전에 아이스크림의 온도가 컵 안에 펴질 수 있도록 -7 °C에서 -12 °C 사이인지 확인하십시오. 컵을 채우는 동안 빈 공간이 생기지 않도록 컵 투명도를 정기적으로 확인하여 주의하십시오.
    2. 컵이 가득 차면 주걱으로 여분의 아이스크림을 부드럽게 잡아당겨 매끄럽고 평평한 표면을 만듭니다. 뚜껑으로 컵을 닫고 샘플을 -30°C에서 최소 24시간 동안 보관합니다.
    3. 분석하기 전에 샘플을 -16°C에서 24시간 동안 컨디셔닝합니다.
  2. 용융 시험 설정 및 이미지 획득
    1. 자동 온도 조절 캐비닛을 20 ± 1 °C로 설정합니다. 캐비닛에 디지털 저울을 삽입하고 시간 함수로 무게를 등록하기 위한 소프트웨어가 있는 컴퓨터에 연결합니다.
    2. 눈금이 매겨진 실린더를 디지털 저울에 놓고 무게를 재설정합니다. 실린더 위에 매달린 깔때기를 놓아 녹은 아이스크림을 모으는 데 도움을 줍니다. 용융 시험의 설정은 그림 2에 나와 있습니다.
      알림: 깔때기는 디지털 스케일의 전체 스케일을 초과하지 않도록 실린더 위에 매달려 있어야 합니다. 분석을 시작할 때 샘플을 배치하는 동안 깔때기의 불안정성을 방지하려면 실린더 위의 캐비닛 선반에 고정해야 합니다.
    3. 캐비닛 도어 앞에 삼각대가 있는 카메라를 정의된 높이와 거리로 설정하여 샘플의 가장 신뢰할 수 있는 프레이밍을 보장합니다.
      참고: 이미지를 처리할 때 시차 오류를 방지하기 위해 카메라가 아이스크림 샘플과 잘 정렬되어 있는지 확인하십시오.
  3. 용융 시험
    1. 크기 참조가 장착된 금속 와이어 메쉬 스크린을 준비합니다. 냉동실에서 아이스크림 컵을 꺼내 뚜껑을 제거하고 아이스크림과 컵 벽 사이에 주걱을 부드럽게 넣어 용기에서 샘플을 분리하기 시작합니다.
      알림: 아이스크림 컵은 데이터 등록 전에 멜트다운을 방지하기 위해 이전 단계(1.2.3단계까지)가 완료된 경우에만 냉동실에서 제거해야 합니다.
    2. 컵 벽에서 아이스크림 샘플을 분리하는 동안 베이킹 페이퍼가 아이스크림 표면에 붙어 있도록 합니다.
    3. 전체 아이스크림 샘플이 컵 벽에서 분리되면 베이킹 페이퍼 끝을 부드럽게 당겨 아이스크림을 빼내고 베이킹 페이퍼 줄무늬와 함께 금속 철망 스크린에 놓습니다. 그런 다음 아이스크림 표면에서 베이킹 페이퍼 줄무늬를 조심스럽게 제거합니다.
      알림: 1.3.1-1.3.3단계를 수행할 때 아이스크림 모양을 변경하지 않도록 주의하십시오.
    4. 아이스크림 샘플이 있는 금속 와이어 메쉬 스크린을 캐비닛의 깔때기에 놓습니다. 삼각대의 디지털 카메라를 사용하여 캐비닛 도어를 연 상태에서 아이스크림 샘플의 첫 번째 사진(t0)을 찍고 크기 참조도 촬영하도록 주의합니다. 캐비닛 도어를 닫고 저울에 연결된 소프트웨어를 사용하여 매분 중량 측정 데이터를 기록하기 시작합니다.
      참고: 이미지의 그림자를 피하기 위해 플래시를 사용하지 말고 아이스크림 세분화를 개선하기 위해 매우 대비되는 배경을 사용하십시오. 획득한 사진의 초점을 확인하십시오. 이미지의 초점이 맞지 않으면 즉시 새 이미지를 촬영하십시오.
    5. 90분(분당 한 번 등록) 동안 중량 측정 데이터를 기록하고 15분마다(총 7장의 사진) 아이스크림 샘플(1.3.4단계 참조)의 사진을 찍습니다.

figure-protocol-1
그림 2: 용융 테스트 설정. 그림은 자동 온도 조절 캐비닛에서 용융 시험을 설정하는 방법을 보여줍니다. 눈금이 매겨진 유리 실린더를 디지털 저울에 올려 녹은 아이스크림을 수집하고 무게를 측정합니다. 아이스크림 샘플은 실린더 위에 매달린 깔때기의 금속 와이어 메쉬 스크린에 놓입니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

2. 용융 지수 계산을 위한 이미지 처리

  1. 이미지 처리
    1. 카메라 메모리 카드에서 디지털 이미지를 다운로드하여 압축하지 않고 .tiff 또는 .jpg 파일로 저장합니다.
    2. 이미지 분석 소프트웨어의 파일 > 열기 명령을 사용하여 아이스크림 이미지를 엽니다. 첫 번째 이미지(t0) 처리를 시작하고 필요한 경우 회전을 수정합니다(명령: 편집 > 회전).
    3. 각 그림에서 얻은 크기 참조(1.3.1. 및 1.3.4단계 참조)를 사용하여 이미지를 공간적으로 보정하고(명령: Measure > Calibration > Spatial > Image) 픽셀을 밀리미터 단위로 변환합니다(보충 그림 1).
    4. 아이스크림 샘플을 포함하여 직사각형 관심 영역(AOI)을 선택하고 금속 와이어 메쉬 화면의 가장자리를 피합니다(명령: 편집 > 새 AOI > 직사각형). AOI를 자르고 Edit > Covert to > Grey Scale 8 (보충 그림 2) 명령을 사용하여 그레이 스케일 (색상 깊이, 8)로 변환합니다.
    5. 밝기와 대비를 자동으로 조정하는 최적 맞춤 필터를 적용합니다(명령: Enhance > Equalize > Best Fit).
    6. 소프트웨어의 Measure > Count/Size 창으로 이동하여 Measure 창을 열어 Area, Box Height 및 Box Width 매개변수를 선택합니다. 그런 다음 OK(확인 )를 클릭하여 이 창을 닫습니다(보충 그림 3).
    7. 수동 측정을 선택하고(Count/Size 창에서 Manual(수동) Select Ranges(범위 선택)를 클릭하여 히스토그램 값을 설정하여 아이스크림의 밝은 모양을 정확하게 분할합니다. 세그멘테이션(Segmentation) 창을 닫습니다(보충 그림 4).
    8. 소프트웨어의 Count/Size 창에서 Count를 클릭하여 2.1.6단계에서 선택한 세 개의 매개변수를 측정합니다. 아이스크림 샘플 이외의 밝은 물체가 계산되는 경우 면적 임계값을 사용하여 개체를 필터링합니다(명령: 측정 > 영역 > 측정 선택, 시작 및 끝 범위 조정). View > 측정 데이터를 클릭하여 측정 결과를 확인합니다(보충 그림 5). File > Data to Clipboard를 사용하여 측정 결과를 복사하고 데이터 관리 소프트웨어의 스프레드시트에 붙여넣습니다.
    9. 아이스크림 붕괴 중에 수집된 각 이미지에 대해 2.1.2에서 2.1.8까지의 단계를 반복합니다.
  2. 용융 지수 평가
    알림: 이제부터 아이스크림 이미지에서 측정된 크기 매개변수는 다음과 같이 표시됩니다. H, 상자 높이; W, 상자 너비(보충 그림 6).
    1. 이전 단계 2.1에서 계산한 H 및 W 데이터를 용융 중 서로 다른 시간(0분, 15분, 30분, 45분, 75분, 90분)에서 계산하여 방정식 1에 따라 형상 유지 지수(RT)를 계산합니다.
      figure-protocol-2(1)
    2. 수학식 2 및 수학식 3에 따라 각 시간에서 계산된 R 및 A 데이터를 시간 0(R0 및 A0)의 해당 인덱스로 참조하고 얻은 결과를 그림 3A, B와 같이 시간 함수로 플롯합니다. 시간의 함수로 나타나는 A의 추세 는 아이스크림의 녹는 속도와 관련이 있습니다.
      figure-protocol-3(2)
      figure-protocol-4(3)

보충 그림 1: 이미지 공간 보정. (A) 이미지 분석 소프트웨어의 Measure > Calibration > Spatial 창으로 이동합니다. New(새로 만들기)를 선택한 다음, Image(이미지 )에 플래그를 지정하여 Scaling 창을 엽니다. 픽셀을 변환하는 단위의 기준 길이(예: 밀리미터)가 표시됩니다. (B) 녹색 막대를 표시된 길이에 해당하는 기준 부분과 조심스럽게 겹치고 OK를 클릭합니다. 이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 그림 2: AOI를 자르고 그레이스케일로 변환. (A) AOI(Area of Interest)를 그레이스케일로 변환하고 (B) 결과 이미지를 변환합니다. 이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 그림 3: 측정할 파라미터 선택. Select Measurement 창에서 측정할 파라미터를 선택할 수 있습니다. 아이스크림 멜트다운 평가를 위해서는 면적, 상자 너비 및 상자 높이를 선택해야 합니다. 이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 그림 4: 아이스크림 샘플의 세분화. "Segmentation" 창에서 아이스크림 모양의 영역을 정확히 포함하는 것으로 간주되는 히스토그램 범위를 선택할 수 있습니다. 이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 그림 5: 개체 필터링 및 Count 함수. 빨간색 선은 인식된 밝은 물체를 강조 표시합니다. count 기능을 적용하고 "View, Measurement data" 창을 열면 선택한 매개변수의 결과가 표시됩니다(A). 아이스크림 모양만 필터링하려면 "측정 선택" 창에서 최소 및 최대 면적 범위를 선택할 수 있으므로 한 개체(B)의 매개변수만 계산할 수 있습니다. 이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 그림 6: 형상 유지 지수(R). 형상 유지 지수(R) 계산에 사용된 상자 높이(Ht, 빨간색 점선) 및 상자 너비(Wt, 검은색 실선)가 표시됩니다. 이 파일을 다운로드하려면 여기를 클릭하십시오.

figure-protocol-5
그림 3: 형상 및 면적 유지 곡선. 아이스크림 (A) 모양 및 (B) 면적 유지 곡선의 예로, 시간 경과에 따라 RT/R0 및 At/A0 평균값이 표시됩니다. 오차 막대는 해석 반복실험에서 얻은 표준 편차 값에 해당합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

3. 중량 측정 데이터의 정교화

  1. 용융 시험(90분)이 끝나면 디지털 저울에 연결된 소프트웨어로 얻은 분석의 분당 용융된 샘플의 무게(그램)가 포함된 스프레드시트를 저장합니다.
  2. 데이터 관리 소프트웨어에서 중량 스프레드시트를 열어 시간(분)의 함수로 용융된 중량(그램)의 플롯을 생성하여 아이스크림 샘플의 용융 곡선을 얻습니다.
  3. 용융 곡선의 선형 부분에서 데이터를 선택하고 방정식 4와 회귀 계수 (R2)를 등록하여 최소 제곱 회귀선을 계산합니다.
    figure-protocol-6(4)
  4. 회귀선의 기울기 값(m)은 아이스크림 녹는 속도(그램/분)입니다. 다음과 같이 용융 시작 시간(ts; minute)을 x절편( y = 0일 때)으로 계산합니다.
    figure-protocol-7(5)

figure-protocol-8
그림 4: 중량 측정 곡선. 중량 측정 방법으로 얻은 아이스크림 용해 곡선의 예. 원래 곡선은 빨간색으로 표시됩니다. 선형 부분에서 선택된 일련의 데이터는 녹색으로 표시됩니다. 계산된 회귀선은 검은색 점으로 표시됩니다. 회귀선의 방정식과 결정 계수(R2)도 표시됩니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

참고: 통계적으로 분석할 수 있는 신뢰할 수 있는 결과를 얻으려면 각 샘플에 대해 용융 시험 및 이미지 처리의 전체 절차를 최소 3회 복제하십시오.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

제안된 CVS 출력의 예로, 세 가지 다른 아이스크림 제형에 대한 멜트다운 분석 결과가 중량 측정 방법에서 얻은 데이터와 비교되어 표시됩니다. 특히, 다른 감미료(즉, 자당, 수크로말트, 에리스리톨)로 만든 아이스크림의 녹는 거동을 연구했습니다.

표 1 및 그림 5A 는 용융 중 3개의 아이스크림 샘플에 대한 형상 유지 지수(R, t/R0)의 결과를 보여줍니다. 45분까지 모든 샘플에 대해 유사한 형태 유지가 관찰되었습니다. 그런 다음, 자당으로 만든 샘플은 다른 제품보다 더 빨리 형태를 잃어 일원 분산 분석(ANOVA)에 따라Rt/R0 가 현저히 낮아졌고, 이어서 최소 유의차 (LSD) 검정(p < 0.05)이 뒤따랐습니다. 에리스리톨을 함유한 샘플만이 임상시험이 끝날 때까지 형태를 유지하여 측정 가능한 R, t/R0 값을 제공했습니다.

자당수크로몰트에리스리톨
시간(분)티 / 에이0사우스다코타티 / 에이0사우스다코타티 / 에이0사우스다코타
01.00-1.00-1.00-
150.91암페어0.010.93암페어0.020.92암페어0.04
300.76암페어0.040.82암페어0.020.84암페어0.04
450.56암페어0.040.66아브0.020.74나0.03
600.32암페어0.010.46나0.020.62씨0.01
750.13암페어0.010.24나0.020.52씨0.02
90노스다코타-노스다코타-0.400.01
n.d., 감지할 수 없음

표 1: 서로 다른 감미료로 생산된 3개의 아이스크림 샘플에 대한 형태 유지 지수의 평균 및 표준 편차 값. 같은 행의 소문자가 다르면 평균값이 크게 다르다는 것을 나타냅니다(p < 0.05).

figure-results-1
그림 5: 서로 다른 감미료로 생산된 3개의 아이스크림 샘플에 대한 모양 및 면적 유지 곡선. (A) 형상 및 (B) 면적 유지 곡선. 분홍색 선은 참조로 간주되는 자당 샘플을 나타냅니다. 노란색 선은 Sucromalt 샘플을 나타내고 파란색 선은 Erythritol 샘플을 나타냅니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

에리스리톨이 함유된 샘플은 또한 At/A0 용융 지수(표 2 및 그림 5B)에 의해 입증된 바와 같이 더 낮은 용융 속도를 보여주었습니다. 45분 이후부터 에리스리톨 샘플은 유의하게(p < 0.05) 가장 높은 면적 머무름을 보였으며 그 다음으로 수크로몰트와 자당을 함유한 아이스크림이 그 뒤를 이었습니다.

자당수크로몰트에리스리톨
시간(분)Rt/R0사우스다코타Rt/R0사우스다코타Rt/R0사우스다코타
01.00-1.00-1.00-
150.98암페어0.040.97암페어0.010.93암페어0.02
300.94암페어0.050.94암페어0.020.89암페어0.02
450.80암페어0.030.89암페어0.020.84암페어0.02
600.64암페어0.040.78나0.010.76나0.03
750.54암페어0.030.65암페어0.010.60암페어0.07
90노스다코타-노스다코타-0.450.06
n.d., 감지할 수 없음

표 2: 서로 다른 감미료로 생산된 3개의 아이스크림 샘플에 대한 면적 유지 지수의 평균 및 표준 편차 값. 같은 행의 소문자가 다르면 평균값이 크게 다르다는 것을 나타냅니다(p < 0.05).

그 결과는 중량 분석에 의해서도 확인되었는데, 그 데이터는 용융 시작 시간(ts) 및 용융 속도(그램/분)에 관하여 표 3에 보고되어 있다. 그러나 이 경우 ANOVA를 적용하면 유의한 차이가 발견되지 않았습니다(p > 0.05).

자당수크로몰트에리스리톨
의미하다사우스다코타의미하다사우스다코타의미하다사우스다코타
ts (분)15.3암페어1.416.4암페어1.417.2암페어2.6
녹는 속도 (g/min)2.67암페어0.262.29암페어0.091.96암페어0.41

표 3: 서로 다른 감미료로 생산된 3개의 아이스크림 샘플에 대해 중량 측정 방법으로 계산한 용융 지수의 평균 및 표준 편차 값. ts, 용융 시작 시간. 같은 행의 소문자가 다르면 평균값이 크게 다르다는 것을 나타냅니다(p < 0.05).

그림 6 은 3개의 아이스크림 샘플의 용융 시험(1.3단계)에서 획득한 일부 처리된(2.1단계) 사진을 보여줍니다. 모든 샘플의 형태 유지력이 양호하고 90분 후에도 완전히 녹지 않은 에리스리톨로 만든 아이스크림의 가장 낮은 용융 속도를 확인할 수 있습니다.

figure-results-2
그림 6: 아이스크림 샘플 3개의 멜트다운. 서로 다른 감미료로 생산된 3개의 아이스크림 샘플이 녹는 동안 15분마다 획득한 사진. 녹는 동안 3개의 아이스크림 샘플의 처리된 이미지. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

제안된 CVS를 사용하면 용융 과정을 시각화하는 것 외에도 용융 중 아이스크림 샘플의 모양 및 면적 유지 지수를 계산할 수 있습니다. 이는 아이스크림(5)의 용융 거동을 평가하기 위해 적용되는 전통적인 중량 측정 방법과 결합되어 아이스크림의 양상과 관련된 결과를 얻을 수 있다. 이는 소비자가 제품의 시각적 외관을 기반으로 품질을 평가하기 때문에 매우 중요하며, 용융 중에도 모양을 유지하는 능력은 아이스크림 1,3의 구성 및 구조와 관련이 있습니다. 이 시스템을 식품 산업에 적용하면 품질 관리는 물론 새로운 제형의 연구 개발을 개선할 수 있습니다.

사용된 감미료에 대해 다른 3개의 아이스크림 샘플의 용융에 대해 얻은 결과의 예는 제안된 CVS가 샘플 간의 유의한 차이를 강조할 수 없는 중량 측정 방법(표 3)보다 더 다른 조성에 민감하다는 것을 보여주었습니다(표 1 및 표 2). 아이스크림 제형에 대한 형상 유지 지수의 민감도는 당사의 선행 연구 13,14,15,16에서도 입증되었습니다. 제안된 방법의 높은 감도로 인해 중량 측정 절차를 대체할 수도 있습니다.

아이스크림 샘플 준비 외에도 개발된 CVS에서 가장 중요한 단계는 우수한 이미지 캡처 및 세분화와 관련이 있습니다7. R, t 및At 데이터를 시간 0에서 계산된 초기 값으로 참조하면 반복실험 간에 설정된 다른 실험으로 인해 발생할 수 있는 잘못된 결과를 방지할 수 있습니다. 그러나 이미지 획득 중 시차 오류는 용융 중 샘플 면적을 과대평가하는 결과를 초래할 수 있으며, 특히 한 획득에서 다른 획득으로 카메라의 위치 변경으로 인해 단일 시도에서 수집된 이미지가 일관되지 않은 경우 더욱 그렇습니다. 따라서 이미지 획득 절차를 설정하고, 샘플이 맨 위에 있는 금속 와이어 메쉬 스크린이 카메라 대물렌즈와 완벽하게 정렬되도록 하고, 자동 온도 조절 캐비닛 앞의 카메라 위치를 신중하게 정의하고 고정하는 데 큰 주의를 기울여야 합니다. 마찬가지로, 잘못된 이미지 분할은 아이스크림 영역뿐만 아니라 H와 W에 대한 과대 또는 과소 추정으로 이어질 수 있으며, 이로 인해 형상 유지 지수가 무의미해질 수 있습니다. 이 경우, 더 높은 오차 원인은 철망에 놓인 아이스크림 부분의 가장자리에 있을 수 있는 스파이크 또는 용융 중 아이스크림 표면에 나타나는 기포(그림 7)로 표시되며, 이는 상자 면적과 상자 W 및 H를 측정하기 전에 밝은 모양에서 제거해야 합니다. 이 문제는 이미지 분석 소프트웨어의 개체 분할 기능을 사용하여 해결할 수 있습니다. 고대비 배경은 더 나은 이미지 분할에도 유용하다7. 배경색은 아이스크림 샘플의 색상에 따라 선택해야 하며 더 나은 대비를 위해 높은 채도가 바람직합니다.

figure-discussion-1
그림 7: 아이스크림 모양 분할에서 발생할 수 있는 오류 원인. 빨간색 화살표는 아이스크림 모양의 스파이크와 거품이 있을 수 있음을 나타내며 이로 인해 면적, 높이 및 너비가 잘못 계산될 수 있습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

이미지가 잘 수집되고 처리되면 CVS는 중량 측정 방법보다 훨씬 더 민감하고 정밀합니다. 실제로, 표시된 예에서 중량 측정 분석의 변동 계수 범위는 4%에서 20% 사이였으며, 모든 평균 데이터는 크게 다르지 않았습니다(ANOVA, p > 0.05). 반대로, CVS 지수의 경우 변동 계수 값의 범위는 0.1%에서 13%까지였으며, 이는 용융 중 3개의 아이스크림 샘플 간에 유의한 차이를 나타냈습니다(표 1 및 표 2). 에리스리톨에 의한 용융 속도의 감소는 아마도 아이스크림 동결 중 비정질 설탕 결정의 형성과 관련이 있을 수 있으며, 최종 제품에서 더 많은 양의 동결수를 차지하는 자당 및 수크로말트에 비해 이 감미료의 용해도가 낮기 때문일 수 있다(13). 여기에서 제안된 CVS의 다른 성공적인 적용은 이전 연구 13,14,15,16에서 찾을 수 있습니다.

이미지 처리 절차의 표준화가 잘 이루어지면 이미지 분석 소프트웨어의 매크로 기록 기능을 사용하여 자동 이미지 처리를 설정할 수 있으므로 정교화 프로세스가 훨씬 빨라집니다. 물론 아티팩트와 잘못된 데이터를 방지하기 위해 작업자의 정확한 데이터 수정이 항상 필요합니다. 또한, 형상 및 면적 유지 곡선의 정교화를 수행하여 역학 매개변수를 계산하고 중량 측정 방법을 대체할 수 있습니다.

이 프로토콜은 무스 및 폼(예: 휘핑크 우유 크림 및 계란 알부민)과 같이 용융 속도 및 형상 유지 지수가 중요한 다른 식품에도 적용할 수 있습니다. 가장 중요한 점은 제품의 자체 스탠딩이며, 용융 시험 중 온도는 특정 제품에 맞게 조정할 수 있습니다.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

저자는 밝힐 것이 없습니다.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
캐비닛Cavallo s.r.l.FTX700용융 테스트 위치
디지털 카메라Sony Group CorpDSC-S650
디지털 스케일Gibertini ElettronicaEU-C 4002 LCD
ImagePro Plus 7.0Media Cybernetics, IncN/A이미지 분석 정교화 소프트웨어
Microsoft ExcelMicrosoftN/A데이터 및 그래픽 정교화
ScalecomGibertini ElettronicaN/A디지털 스케일 소프트웨어 수집
삼각대Manfratto#055

References

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

Reprints and Permissions

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Computer Vision SystemIce Cream Melting BehaviorMelting RateShape RetentionGravimetric MethodImage ProcessingMelting IndicesFood ProductsQuality AssessmentMeltdown MechanismDigital ImagesHeight width RatioArea Calculation