Methodenartikel

Een computervisiesysteem voor de beoordeling van het smeltgedrag van ijs

2.8K weergaven

⸱

DOI:

10.3791/66114

⸱

4 oktober 2024

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

In dit artikel

Samenvatting

Hier presenteren we een protocol op basis van een computer vision system (CVS) om het smeltgedrag van meerfasige voedselsystemen te bepalen.

Samenvatting

Smeltgedrag is een van de belangrijkste kwaliteitsindices van ijs. Het wordt meestal beoordeeld door gravimetrische methoden en uitgedrukt in termen van starttijd en smeltsnelheid. Het aspect van ijs tijdens het smelten is echter ook belangrijk omdat vormvastheid gekoppeld is aan een goede structuur van het product. Het hier voorgestelde protocol illustreert een computer vision-systeem (CVS) dat kan worden gebruikt ter ondersteuning van de reeds bestaande zwaartekrachtmethodologie om twee nieuwe smeltindices te berekenen die verband houden met vormbehoud en smeltsnelheid. Foto's van ijs tijdens het smelten worden elke 15 minuten gemaakt voor een totaal van 90 minuten. Daarna worden digitale afbeeldingen uitgewerkt met behulp van een speciaal ontwikkelde beeldverwerkingsmethode om het ijsgebied, de hoogte en de breedte te berekenen. De verhouding tussen hoogte en breedte bij elke smelttijd, aangeduid als de verhouding op tijdstip 0 (Rt/R0), is een index van het vormbehoud van ijs, terwijl de oppervlakte op de verschillende smelttijden die wordt verwezen naar de oppervlakte op tijdstip 0 (At/A0) gerelateerd is aan de smeltsnelheid. Dit computervisiesysteem maakt het mogelijk om zeer gevoelige en betrouwbare resultaten te verkrijgen en kan niet alleen op ijs worden toegepast, maar ook op verschillende voedselmatrices, zoals opgeklopte melkroom of ei-albumine.

Inleiding

IJs is een meerfasig systeem waarin vloeibare, vaste en gasfasen strikt met elkaar verbonden zijn. De continue vloeibare fase omhult luchtbellen en ijskristallen en bevat gedeeltelijk gekristalliseerde vetten, colloïdale eiwitten, zouten, suikers (uiteindelijk gekristalliseerd) en stabilisatoren. De samenstelling van het ijs varieert afhankelijk van de lokale markt, de vraag en mogelijke regelgeving. Hoewel de verwerkingstechnologie van invloed is op de kenmerken van het uiteindelijke ijs, speelt elk bestanddeel een belangrijke rol bij het bepalen van de productkwaliteit1. Smeltgedrag is een van de belangrijkste kwaliteitsindices van ijs, rekening houdend met verschijnselen die zich zowel tijdens consumptie als in de mond voordoen. Bij het binnendringen van warmte in het ijs smelten ijskristallen en diffundeert het water en vermengt het zich met de serumfase, die door de resterende structuur kan wegvloeien2. Een snelsmeltend product is ongewenst om comfortabel te eten, maar ook om een hogere hittebestendigheid te garanderen. Langzaam smeltende producten duiden echter ook op enkele defecten in de formulering1. Het is bekend dat de microstructuur van ijs verantwoordelijk is voor smelteigenschappen3, maar tot nu toe zijn er contrasterende resultaten gepubliceerd, waaruit blijkt dat de kennis over de invloed van microstructurele factoren op het smelten nog beperkt is4. Er zijn dus meer studies nodig om het meltdown-mechanisme op te helderen, dat ook cruciaal is bij het ontwerpen van nieuwe formuleringen3.

Het smeltgedrag wordt meestal geëvalueerd met behulp van gravimetrische methoden en uitgedrukt in termen van starttijd en smeltsnelheid5. Een bepaalde portie ijs wordt op een gaas in een kast met gecontroleerde temperatuur geplaatst en het gewicht van het gesmolten product wordt geregistreerd. Uit de gewichtstijdcurve kunnen drie fasen worden afgemaakt: de lag-fase waarin warmtepenetratie optreedt, de snelsmeltfase waarbij de verdunde serumfase met maximale snelheid door de ijsstructuur stroomt, en de stationaire fase, waarin het grootste deel van het product eruit is gedruppeld2.

Met de gravimetrische methode kunnen langzaam en snel smeltende producten worden herkend; Maar ook het aspect van ijs tijdens meltdown is belangrijk, want vormbehoud is gekoppeld aan een goede samenstelling en structuur van het product6. Zo kan een procedure op basis van een computer vision system (CVS) de reeds bestaande zwaartekrachtmethodologie ondersteunen door het mogelijk te maken het uiterlijk van het product tijdens het smelten te bestuderen. CVS's kunnen tal van voedselkenmerken3 (bijv. grootte, gewicht, vorm, textuur en kleur) verwerven met nauwkeurige details die niet door het menselijk oog kunnen worden waargenomen. Dergelijke systemen zijn meestal gemaakt van digitale camera's en beeldverwerkingssoftware7. Een protocol op basis van CVS's omvat namelijk twee hoofdstappen: 1) beeldacquisitie en 2) beeldverwerking. Er kunnen verschillende niveaus van beeldverwerking worden toegepast7, van de eenvoudigste tot de meer complexe, zoals deep-learningmethoden voor de ontwikkeling van kunstmatige intelligentie 8,9. Er is de laatste tijd veel aandacht besteed aan CVS's in de voedingssector en er is een groot aantal toepassingen ontwikkeld voor inspectie van voedselveiligheid, monitoring van voedselverwerking, detectie van vreemde voorwerpen en andere gebieden. Ze zijn snel, efficiënt en niet-destructief en vertegenwoordigen dus geldige hulpmiddelen om consumenten veilig voedsel van hoge kwaliteit te bieden10.

Op het gebied van ijs werd een beeldanalysemethode voorgesteld om de herkristallisatie van ijs door optische microscopie te bestuderen11. Meer recentelijk werden röntgencomputertomografiebeelden verwerkt om de 3D-microstructuur van zacht-poreuze stoffen,waaronder ijs, te analyseren. De uitwerking van eenvoudige digitale Charge Coupled Device (CCD)-afbeeldingen kan echter verschillende voordelen opleveren in termen van gemak bij het verwerven en weergeven van het ijsaspect zoals dat door de consument wordt waargenomen. Sommige auteurs tonen afbeeldingen van ijs tijdens het smelten12, maar voor zover wij weten, werd de extractie van numerieke indices uit de afbeeldingen voor het eerst gerapporteerd door Moriano en Alamprese13.

Daarom illustreert het hier voorgestelde protocol, gebaseerd op het werk van Moriano en Alamprese13, een eenvoudig CVS dat kan worden toegepast ter ondersteuning van de reeds bestaande zwaartekrachtmethodologie voor de studie van het smeltgedrag van ijs. Een blokdiagram van de voorgestelde methode wordt geïllustreerd in figuur 1. Het gebruik van een dergelijk systeem maakt het mogelijk om twee smeltindices te berekenen die verband houden met vormbehoud en de smeltsnelheid. In het bijzonder beschrijft het artikel voor het eerst de gedetailleerde experimentele opzet en procedure voor digitale beeldacquisitie tijdens het smelten van ijs en de beeldverwerkingsstappen. Bovendien worden de resultaten verkregen van ijsjes geproduceerd met verschillende zoetstoffen (d.w.z. sucrose, sucromalt en erythritol) gerapporteerd om het potentieel van de methode aan te tonen.

figure-introduction-1
Figuur 1: Blokschema van de voorgestelde methodologieën. Samenvatting van de algemene stappen voor het voorgestelde Computer Vision System en de gravimetrische methode voor het bestuderen van het smeltgedrag van ijs. Klik hier om een grotere versie van deze figuur te bekijken.

Protocol

1. Experimentele opzet en procedures voor smeltproeven

  1. Voorbereiding van ijsmonsters
    1. Kies transparante bekers met een vast volume en vorm, met deksels. Knip twee lange stroken bakpapier van ongeveer 2 cm breed af en bevestig ze met behulp van plakband aan de binnenwanden van de beker om onderaan een kruis te vormen. Begin de beker te vullen met het ijsmonster met behulp van een spatel.
      NOTITIE: Voordat u begint, moet u ervoor zorgen dat het ijs een temperatuur heeft tussen -7 °C en -12 °C, zodat het in de beker kan worden uitgesmeerd. Let erop dat er geen lege ruimtes ontstaan tijdens het vullen van de bekers door regelmatig de transparantie van de beker te controleren.
    2. Als de beker vol is, trek je het overtollige ijs voorzichtig weg met de spatel, zodat er een glad en vlak oppervlak ontstaat. Sluit de beker af met het deksel en bewaar het monster minimaal 24 uur bij -30 °C.
    3. Conditioneer het monster vóór de analyse gedurende 24 uur bij -16 °C.
  2. Opzet van de smeltproef en beeldacquisitie
    1. Stel een thermostaatkast in op 20 ± 1 °C. Plaats een digitale weegschaal in de kast en sluit deze aan op een computer met software voor de registratie van het gewicht als functie van de tijd.
    2. Plaats een maatcilinder op de digitale weegschaal en reset het gewicht. Plaats een hangende trechter over de cilinder om het gesmolten ijs op te vangen. De opzet van de smeltproef is weergegeven in figuur 2.
      NOTITIE: De trechter moet over de cilinder worden opgehangen om te voorkomen dat de volledige schaal van de digitale weegschaal wordt overschreden. Om instabiliteit van de trechter tijdens het positioneren van het monster aan het begin van de analyse te voorkomen, moet deze aan de kastplank boven de cilinder worden bevestigd.
    3. Plaats een camera met een statief voor de kastdeur op een bepaalde hoogte en afstand om de beste betrouwbare kadrering van het monster te hebben.
      NOTITIE: Zorg ervoor dat de camera goed is uitgelijnd met het ijsmonster om parallaxfouten bij het verwerken van het beeld te voorkomen.
  3. Smeltproef
    1. Bereid een metalen gaasscherm voor dat is uitgerust met een maatreferentie. Haal de ijsbeker uit de vriezer, verwijder het deksel en begin voorzichtig een spatel tussen het ijs en de wanden van de beker te plaatsen om het monster van de container los te maken.
      NOTITIE: De ijsbeker mag pas uit de vriezer worden gehaald als de vorige stappen (tot stap 1.2.3) zijn voltooid om smelten te voorkomen voordat de gegevens zijn geregistreerd.
    2. Terwijl u het ijsmonster losmaakt van de wanden van de kopjes, houdt u het bakpapier op het oppervlak van het ijs geplakt.
    3. Wanneer het hele ijsmonster is losgekomen van de wanden van de kopjes, trekt u voorzichtig aan de uiteinden van het bakpapier om het ijs te extraheren en legt u het samen met de strepen van het bakpapier op het metalen gaasscherm. Verwijder vervolgens voorzichtig de strepen van het bakpapier van het ijsoppervlak.
      OPMERKING: Let erop dat u de vorm van het ijs niet verandert bij het uitvoeren van stappen 1.3.1-1.3.3.
    4. Plaats het metalen gaasscherm met het ijsmonster op de trechter in de kast. Maak met de digitale camera op het statief de eerste foto (t0) van het ijsmonster met de kastdeur open, let erop dat u ook de maatreferentie fotografeert. Sluit de kastdeur en begin elke minuut met het registreren van de gravimetrische gegevens met de software die op de weegschaal is aangesloten.
      OPMERKING: Gebruik geen flits om schaduwen in de afbeelding te voorkomen en gebruik een zeer contrasterende achtergrond om de segmentatie van ijs te verbeteren. Controleer de focus van de verkregen foto; Als het beeld onscherp is, neem dan onmiddellijk een nieuw beeld.
    5. Registreer de gravimetrische gegevens gedurende 90 minuten (één registratie per minuut) en maak elke 15 minuten een foto van het ijsmonster (zie stap 1.3.4) (voor een totaal van 7 foto's).

figure-protocol-1
Figuur 2: Opstelling smeltproef. De afbeelding laat zien hoe u de smeltproef in de thermostaatkast instelt: Zet een glazen cilinder met schaalverdeling op een digitale weegschaal om het gesmolten ijs te verzamelen en te wegen. Het ijsmonster wordt op een metalen gaasscherm op een trechter gelegd die over de cilinder is opgehangen. Klik hier om een grotere versie van deze figuur te bekijken.

2. Beeldverwerking voor de berekening van smeltindexen

  1. Beeldverwerking
    1. Download de digitale afbeeldingen van de geheugenkaart van de camera en sla ze op als .tiff- of .jpg-bestanden zonder compressie.
    2. Gebruik de opdrachten Bestand > Openen van de beeldanalysesoftware om de ijsafbeeldingen te openen. Begin met het verwerken van de eerste afbeelding (t0) en corrigeer de rotatie indien nodig (opdrachten: Bewerken > Roteren).
    3. Gebruik de groottereferentie die in elke afbeelding is verkregen (zie stappen 1.3.1. en 1.3.4.) om de afbeelding ruimtelijk te kalibreren (commando's: Measure > Calibration > Spatial > Image), waarbij pixels in millimeters worden geconverteerd (aanvullende figuur 1).
    4. Selecteer het rechthoekige gebied van interesse (AOI), inclusief het ijsmonster en vermijd de rand van het metalen gaasscherm (opdrachten: Bewerken > Nieuwe AOI > Rechthoekig). Snijd de AOI bij en converteer deze naar een grijsschaal (kleurdiepte, 8) met behulp van de commando's Edit > Covert to > Grey Scale 8 (aanvullende afbeelding 2).
    5. Pas het filter ' Best passend ' toe waarmee de helderheid en het contrast automatisch worden aangepast (opdrachten: Verbeteren > Egaliseren > Best Passen).
    6. Ga naar het venster Meten > Aantal/Grootte van de software en open het venster Meten om de volgende parameters te selecteren: Gebied, Dooshoogte en Doosbreedte. Klik vervolgens op OK om dit venster te sluiten (aanvullende afbeelding 3).
    7. Selecteer de handmatige meting (markeer Handmatig in het venster Telling/Grootte ) en klik op Bereiken selecteren om de histogramwaarden in te stellen om de heldere vorm van het ijs precies te segmenteren. Sluit het segmentatievenster (aanvullende afbeelding 4).
    8. Klik op Tellen in het venster Aantal/Grootte van de software om de drie parameters te meten die in stap 2.1.6 zijn geselecteerd. Als andere heldere objecten dan het ijsmonster worden meegeteld, gebruik dan een oppervlaktedrempel om de objecten te filteren (opdrachten: Meten > Metingen selecteren > Gebied; begin- en eindbereik aanpassen). Bekijk de resultaten van de meting door te klikken op Bekijken > Meetgegevens (aanvullende figuur 5). Gebruik File > Data to Clipboard om de meetresultaten te kopiëren en in een spreadsheet met gegevensbeheersoftware te plakken.
    9. Herhaal de stappen van 2.1.2 tot 2.1.8 voor elke afbeelding die tijdens het smelten van het ijs is verzameld.
  2. Evaluatie van smeltindexen
    OPMERKING: Vanaf nu worden de grootteparameters gemeten op basis van de ijsafbeeldingen als volgt aangegeven: A, gebied; H, hoogte van de doos; W, doosbreedte (aanvullende figuur 6).
    1. Door gebruik te maken van de H- en W-gegevens die in de vorige stap 2.1 zijn berekend op de verschillende tijdstippen t tijdens het smelten (0 min, 15 min, 30 min, 45 min, 75 min en 90 min), berekent u de vormbehoudindex (Rt) volgens vergelijking 1:
      figure-protocol-2(1)
    2. Verwijs volgens vergelijking 2 en vergelijking 3 naar de R- en A-gegevens die op elk moment zijn berekend naar de overeenkomstige index op tijdstip 0 (R0 en A0) en plot de verkregen resultaten als functie van de tijd zoals weergegeven in figuur 3A, B. De trend van At als functie van de tijd is gerelateerd aan de smeltsnelheid van ijs.
      figure-protocol-3(2)
      figure-protocol-4(3)

Aanvullende afbeelding 1: Ruimtelijke kalibratie van het beeld. (A) Ga naar het venster Meten > Kalibratie > Spatial van de beeldanalysesoftware. Selecteer Nieuw en markeer vervolgens Afbeelding om het venster Schalen te openen. De referentielengte in de eenheid om pixels te converteren (bijv. millimeters) wordt aangegeven. (B) Overlap de groene balk voorzichtig met het referentiegedeelte dat overeenkomt met de aangegeven lengte en klik op OK. Klik hier om dit bestand te downloaden.

Aanvullende afbeelding 2: AOI bijsnijden en omzetten in grijstinten. (A) Conversie van het interessegebied (AOI) naar de grijswaarden en (B) de resulterende afbeelding. Klik hier om dit bestand te downloaden.

Aanvullende figuur 3: Selectie van de te meten parameters. In het venster Meting selecteren kunnen de te meten parameters worden geselecteerd; Voor de evaluatie van de smelting van het ijs moeten het gebied, de doosbreedte en de dooshoogte worden geselecteerd. Klik hier om dit bestand te downloaden.

Aanvullende figuur 4: Segmentatie van het ijsmonster. In het venster "Segmentatie" is het mogelijk om het histogrambereik te selecteren dat in aanmerking moet worden genomen om precies het gebied van de ijsvorm te dekken. Klik hier om dit bestand te downloaden.

Aanvullende afbeelding 5: Objecten filteren en de functie Tellen. De rode lijnen markeren de herkende heldere objecten. Door de telfunctie toe te passen en het venster "Weergave, Meetgegevens" te openen, worden de resultaten van de geselecteerde parameters weergegeven (A). Om alleen de vorm van het ijs te filteren, is het mogelijk om in het venster "Meting selecteren" een minimum- en een maximumbereik te selecteren, waardoor alleen de parameters van één object (B) worden geteld. Klik hier om dit bestand te downloaden.

Aanvullende figuur 6: Vormvastindex (R). De hoogte van het vak (Ht, rode stippellijn) en de breedte van het vak (Wt, zwarte ononderbroken lijn) die worden gebruikt voor de berekening van de vormretentie-index (R) worden weergegeven. Klik hier om dit bestand te downloaden.

figure-protocol-5
Figuur 3: Curven voor vorm- en gebiedsbehoud. Voorbeeld van een ijs (A) vorm en (B) gebiedsretentiecurves, waarin de gemiddelde waarden Rt/R0 en At/A0 in de loop van de tijd worden uitgezet; Foutbalken komen overeen met de standaarddeviatiewaarden die zijn verkregen door de analyse repliceert. Klik hier om een grotere versie van deze figuur te bekijken.

3. Uitwerking van gravimetrische gegevens

  1. Aan het einde van de smeltproef (90 min) slaat u de spreadsheet op met het gewicht van het gesmolten monster (gram) per minuut van de analyse die is verkregen door de software die is aangesloten op de digitale weegschaal.
  2. Open de gewichtsspreadsheet in een gegevensbeheersoftware om een grafiek te maken van het gesmolten gewicht (gram) als functie van de tijd (minuten), en zo de smeltcurve van het ijsmonster te verkrijgen.
  3. Selecteer gegevens in het lineaire gedeelte van de smeltcurve en bereken de kleinste kwadratenregressielijn, waarbij vergelijking 4 en de regressiecoëfficiënt (R2) worden geregistreerd.
    figure-protocol-6(4)
  4. De hellingswaarde van de regressielijn (m) is de smeltsnelheid van het ijs (gram/minuut). Bereken de begintijd van het smelten (ts; minuut) als het x-snijpunt (wanneer y = 0) als volgt:
    figure-protocol-7(5)

figure-protocol-8
Figuur 4: Gravimetrische curve. Voorbeeld van een smeltcurve van ijs verkregen met behulp van de gravimetrische methode. De originele curve is weergegeven in rood; de geselecteerde gegevensreeksen in het lineaire gedeelte worden in groen weergegeven; De berekende regressielijn wordt weergegeven in zwarte stippen. De vergelijking en de bepalingscoëfficiënt (R2) van de regressielijn worden ook weergegeven. Klik hier om een grotere versie van deze figuur te bekijken.

OPMERKING: Om betrouwbare resultaten te hebben die statistisch moeten worden geanalyseerd, moet u de hele procedure van smeltproef en beeldverwerking ten minste drie keer voor elk monster repliceren.

Resultaten

Als voorbeeld van de voorgestelde CVS-outputs worden de resultaten van meltdown-analyses voor drie verschillende ijsformuleringen getoond, vergeleken met gegevens verkregen uit de gravimetrische methode. In het bijzonder werd het smeltgedrag van ijsjes gemaakt met verschillende zoetstoffen (d.w.z. sucrose, sucromalt en erythritol) bestudeerd.

Tabel 1 en figuur 5A tonen de resultaten van de vormvastheidsindex (Rt/R0) voor de drie ijsmonsters tijdens het smelten. Vergelijkbare vormvastheid werd waargenomen voor alle monsters tot 45 minuten; vervolgens verloor het monster gemaakt met sucrose sneller zijn vorm dan de andere producten, wat resulteerde in een significant lagere Rt/R0 volgens de one-way analysis of variantie (ANOVA), gevolgd door de Least Significant Difference (LSD) -test (p < 0,05). Alleen het monster dat erythritol bevatte, behield zijn vorm tot het einde van de proef, wat meetbare Rt/R0-waarden opleverde.

SACHAROSESUCROMALTERYTHRITOL
Tijd (min)At/A0z.d.At/A0z.d.At/A0z.d.
01.00-1.00-1.00-
150,91een0.010,93a0.020,92a0.04
300,76a0.040,82a0.020,84a0.04
450,56a0.040.66ab0.020,74miljard0.03
600,32EEN0.010,46miljard0.020,62°C0.01
750,13een0.010,24miljard0.020,52c0.02
90n.d.-n.d.-0.400.01
n.d., niet detecteerbaar

Tabel 1: Gemiddelde en standaarddeviatiewaarden van vormvastheidsindices voor de drie ijsmonsters die met verschillende zoetstoffen zijn geproduceerd. Verschillende kleine letters in dezelfde rij geven gemiddelde waarden aan die significant verschillen (p < 0,05).

figure-results-1
Figuur 5: Vorm- en oppervlaktebindingscurven voor de drie ijsmonsters die met verschillende zoetstoffen zijn geproduceerd. (A) Vorm- en (B) Oppervlakteretentiecurves. De roze lijn vertegenwoordigt het sucrosemonster, dat als referentie wordt beschouwd; De gele lijn staat voor het sucromalt-monster en de blauwe lijn voor het erythritol-monster. Klik hier om een grotere versie van deze figuur te bekijken.

Het monster met erythritol vertoonde ook een lagere meltdown-snelheid, zoals blijkt uit de At/A0 smeltindices (Tabel 2 en Figuur 5B). Vanaf 45 minuten vertoonde het erythritolmonster de significant (p < 0,05) hoogste gebiedsretentie, gevolgd door de ijsjes die respectievelijk sucromalt en sucrose bevatten.

SACHAROSESUCROMALTERYTHRITOL
Tijd (min)Rt/R0z.d.Rt/R0z.d.Rt/R0z.d.
01.00-1.00-1.00-
150,98a0.040,97a0.010,93a0.02
300,94a0.050,94a0.020,89een0.02
450,80a0.030,89een0.020,84a0.02
600,64een0.040,78miljard0.010,76miljard0.03
750,54een0.030,65A0.010,60a0.07
90n.d.-n.d.-0.450.06
n.d., niet detecteerbaar

Tabel 2: Gemiddelde en standaarddeviatiewaarden van de oppervlakteretentie-indices voor de drie ijsmonsters die met verschillende zoetstoffen zijn geproduceerd. Verschillende kleine letters in dezelfde rij geven gemiddelde waarden aan die significant verschillen (p < 0,05).

De resultaten werden ook bevestigd door de gravimetrische analyse, waarvan de gegevens in tabel 3 zijn opgenomen in termen van starttijd van het smelten (tS) en smeltsnelheid (gram/minuut). In dit geval werden echter geen significante verschillen gevonden bij toepassing van de ANOVA (p > 0,05).

SACHAROSESUCROMALTERYTHRITOL
bedoelenz.d.bedoelenz.d.bedoelenz.d.
ts (min)15,3een1.416.4een1.417.2een2.6
Smeltsnelheid (g/min)2,67een0.262.29een0.091,96een0.41

Tabel 3: Gemiddelde en standaarddeviatiewaarden van de smeltindices berekend met behulp van gravimetrische methoden voor de drie consumptie-ijsmonsters die met verschillende zoetstoffen zijn geproduceerd. ts, smeltende starttijd. Verschillende kleine letters in dezelfde rij geven gemiddelde waarden aan die significant verschillen (p < 0,05).

Figuur 6 toont enkele bewerkte (stap 2.1) foto's die zijn verkregen tijdens smeltproeven (stap 1.3) van de drie ijsmonsters; Het is mogelijk om het goede vormbehoud van alle monsters en de laagste smeltsnelheid van ijs gemaakt met erythritol op te merken, dat na 90 minuten nog niet volledig was gesmolten.

figure-results-2
Figuur 6: Meltdown van de drie ijsmonsters. Foto's die elke 15 minuten worden gemaakt tijdens het smelten van de drie ijsmonsters die met verschillende zoetstoffen zijn geproduceerd. Bewerkte beelden van de drie ijsmonsters tijdens het smelten. Klik hier om een grotere versie van deze figuur te bekijken.

Discussie

Het voorgestelde CVS maakt het mogelijk om de vorm- en oppervlakteretentie-indexen van ijsmonsters tijdens het smelten te berekenen, naast het visualiseren van het smeltproces. Het kan worden gekoppeld aan de traditionele gravimetrische methode die wordt toegepast om het smeltgedrag van ijste beoordelen 5, om resultaten te verkrijgen die verband houden met het aspect van het ijs. Dit is erg belangrijk omdat consumenten de kwaliteit ervan ook beoordelen op basis van het visuele uiterlijk van het product, en het vermogen om de vorm te behouden tijdens het smelten is gekoppeld aan de samenstelling en structuur van ijs 1,3. De toepassing van dit systeem in de voedingsindustrie kan de kwaliteitscontrole verbeteren, evenals het onderzoek naar en de ontwikkeling van nieuwe formuleringen.

Het voorbeeld van de resultaten die werden verkregen voor de meltdown van drie ijsmonsters die verschillend waren voor de gebruikte zoetstoffen, toonde aan dat de voorgestelde CVS gevoelig is voor de verschillende samenstellingen (tabel 1 en tabel 2), zelfs meer dan de gravimetrische methode, die niet in staat was om significante verschillen tussen monsters aan het licht te brengen (tabel 3). De gevoeligheid van de vormbindingsindex voor de formulering van ijs werd ook aangetoond in onze eerdere werken 13,14,15,16. Vanwege de hoge gevoeligheid van de voorgestelde methode kan deze zelfs de gravimetrische procedure vervangen.

Afgezien van de voorbereiding van het ijsmonster, hebben de meest kritische stappen in het ontwikkelde CVS betrekking op een goede beeldopname en segmentatie7. Door Rt - enA-t-gegevens te verwijzen naar de beginwaarden die op tijdstip 0 zijn berekend, worden mogelijke misleidende resultaten voorkomen als gevolg van verschillende experimenten die tussen replicaten zijn opgezet. Parallaxfouten tijdens beeldacquisitie kunnen echter leiden tot een overschatting van het monstergebied tijdens het smelten, vooral als de beelden die in een enkele proef zijn verzameld niet consistent zijn als gevolg van een positieverandering van de camera van de ene acquisitie naar de andere. Er moet dus veel aandacht worden besteed aan het instellen van de beeldacquisitieprocedure, ervoor zorgen dat het metalen gaasscherm met het monster erop perfect is uitgelijnd met het cameraobjectief, en het zorgvuldig definiëren en beveiligen van de camerapositie voor de thermostaatkast. Evenzo kan een slechte beeldsegmentatie leiden tot over- of onderschatting van het ijsgebied, maar ook van H en W, wat resulteert in nietszeggende vormvastheidsindices. In dit geval wordt de hogere bron van fouten weergegeven door mogelijke spikes aan de rand van het ijsgedeelte die op het gaas zijn geplaatst, of belletjes die tijdens het smelten op het oppervlak van het ijs verschijnen (figuur 7), die uit de heldere vorm moeten worden verwijderd voordat de doosoppervlakte en de doos W en H worden gemeten. Dit kan worden opgelost met behulp van de functie Object splitsen van de beeldanalysesoftware. Een contrastrijke achtergrond is ook handig voor een betere beeldsegmentatie7. De achtergrondkleur moet worden gekozen op basis van de kleur van het ijsmonster en een hoge kleurverzadiging is wenselijk voor een beter contrast.

figure-discussion-1
Figuur 7: Mogelijke bronnen van fouten in de segmentatie van de ijsvorm. De rode pijlen geven mogelijke spikes en bubbels op de ijsvorm aan die kunnen leiden tot een verkeerde berekening van oppervlakte, hoogte en breedte. Klik hier om een grotere versie van deze figuur te bekijken.

Als de beelden goed worden verzameld en verwerkt, is het CVS nog gevoeliger en nauwkeuriger dan de gravimetrische methodologie. In de getoonde voorbeelden varieerden de variatiecoëfficiënten voor de gravimetrische analyses immers tussen 4% en 20%, waardoor alle gemiddelde gegevens niet significant verschilden (ANOVA, p > 0,05). Integendeel, voor de CVS-indices varieerde de variatiecoëfficiënt van 0,1% tot 13%, wat significante verschillen tussen de drie ijsmonsters tijdens het smelten aan het licht bracht (tabel 1 en tabel 2). De vermindering van de smeltsnelheid veroorzaakt door erythritol houdt waarschijnlijk verband met de vorming van amorfe suikerkristallen tijdens het invriezen van ijs en de lagere oplosbaarheid van deze zoetstof in vergelijking met sucrose en sucromalt, wat goed is voor een grotere hoeveelheid bevroren water in het eindproduct13. Andere succesvolle toepassingen van de CVS die hier worden voorgesteld, zijn te vinden in onze eerdere studies 13,14,15,16.

Wanneer een goede standaardisatie van het beeldverwerkingsproces is bereikt, kan de automatische beeldverwerking worden ingesteld met behulp van de Macro-Recording-functie van de beeldanalysesoftware, waardoor het uitwerkingsproces veel sneller gaat. Natuurlijk is een nauwkeurige gegevensrevisie door de operator altijd nodig om artefacten en verkeerde gegevens te voorkomen. Bovendien kan de vorm- en oppervlakteretentiecurven worden uitgewerkt om kinetische parameters te berekenen en de gravimetrische methode te vervangen.

Het protocol kan ook worden toegepast op andere voedingsproducten waarvoor de smeltsnelheid en vormvastheid belangrijk zijn, zoals mousses en schuimen (bijv. opgeklopte melkroom en ei-albumine). Het belangrijkste punt is de zelfstand van de producten, terwijl de temperatuur tijdens smeltproeven kan worden aangepast aan het specifieke product.

Openbaarmakingen

De auteurs hebben niets te onthullen.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
CabinetCavallo s.r.l.FTX700Locatie voor de smelttest
Digitale cameraSony Group CorpDSC-S650
Digitale weegschaalGibertini ElettronicaEU-C 4002 LCD
ImagePro Plus 7.0Media Cybernetics, IncN/ABeeldanalyse-elaboratiesoftware
Microsoft ExcelMicrosoftN/AGegevens- en grafische bewerking
ScalecomGibertini ElettronicaN/ADigitale weegschaalsoftware-acquisitie
StatiefManfratto#055

Referenties

  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).

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

Vormbehoudsmeltingsnelheidgravimetrische analysebeeldverwerkingdigitale beeldvormingoppervlaktemetingvergelijking van zoetstoffen

Gerelateerde artikelen