Cuantificación inteligente de adulteraciones en cacao en polvo mediante espectroscopía NIR

• Calle, J. L. ^[1] ; Nur Millatina, N. R. ^[2] ; Barea-Sepulveda, M. ^[1] ; Ferreiro-González, M. ^[1] ; Setyaningsih, W. ^[2] ; Palma, M. ^[1]
  1. [1] Universidad de Cádiz

     Universidad de Cádiz

     Cádiz, España

     
  2. [2] Universidad de Gadjah Mada
• Localización: XLV Jornadas de viticultura y enología de la Tierra de Barros ; V Congreso Agroalimentario de Extremadura: Almendralejo, 2 al 5 de mayo de 2023 / coord. por Carmen Fernández-Daza Álvarez, 2024, ISBN 84-7930-113-9, págs. 222-237
• Idioma: español
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    La adulteración del cacao en polvo es un problema común en la industria alimentaria, el cual ha sido agravado debido a la creciente y alta demanda de este producto. Por ello, el presente estudio tiene como objetivo desarrollar una metodología que utilice la espectroscopia de infrarrojo cercano (NIRs) junto con algoritmos de machine learning (ML) para cuantificarlas adulteraciones en el cacao en polvo de manera fiable y automatizada. Para ello, las muestras de cacao puras se adulteraron a distintos porcentajes en un rango de 0.5-40%utilizando varios sustitutivos. En el análisis exploratorio se observó una clara tendencia de agrupación de las muestras en función del tipo de adulterante, así como del porcentaje empleado. El análisis supervisado permitió crear modelos de ML con rendimientos muy satisfactorios, tanto para la cuantificación como para la identificación del adulterante. Los mejores resultados se obtuvieron para el modelo de bosque aleatorio (RF) y las máquinas de vectores de soporte (SVM) los cuales identificaban correctamente el 100% de los adulterantes. Respecto a la cuantificación, el mejor resultado se obtuvo parala regresión de vectores de soporte (SVR), con un coeficiente de determinación (R2) superior a 0.99 y una raíz de error cuadrático medio (RMSE) inferior a 1. Estos resultados indican que los modelos son muy precisos, y por ello se ha desarrollado una aplicación web en la que pueden ser utilizados, facilitando así la caracterización de las muestras a cualquier usuario.

  • English

    The adulteration of cocoa powder is a common problemin the food industry, which has been aggravated due to theincreasing and high demand for this product. Therefore, thepresent study aims to develop a methodology using nearinfrared spectroscopy (NIRs) coupled with machine learning(ML) algorithms to quantify adulterations in cocoa powder ina reliable and automated way. For this purpose, pure cocoasamples were adulterated at different percentages in the rangeof 0.5-40% using various substituents. In the exploratoryanalysis, it was observed that the samples tended to clusterbased on both the type and percentage of adulterant used. Thesupervised analysis allowed the creation of ML models withvery satisfactory performances for both quantification andadulterant detention. The best results were obtained for therandom forest (RF) model and the support vector machines(SVM) which correctly identified 100% of the adulterants. In thequantification, the best result was obtained for support vectorregression (SVR) model with a coefficient of determination(R2) higher than 0.99 and a root mean square error (RMSE)lower than 1. The results indicate that the models are highlyaccurate. As a result, a web application has been developedto make these models accessible to users, which facilitates thecharacterization of the samples.