Nuevas técnicas para la mejora de los procesos de elaboración de la aceituna de mesa estilo sevillano
- Autores: José Miguel Madueño Luna
- Directores de la Tesis: Rafael Enrique Hidalgo Fernández (dir. tes.), Antonio Madueño Luna (codir. tes.)
- Lectura: En la Universidad de Córdoba (ESP) ( España ) en 2021
- Idioma: español
- Tribunal Calificador de la Tesis: Isabel Luisa Castillejo González (presid.), Alberto Lucas Pascual (secret.), Emilio Ramírez Juidías (voc.)
- Programa de doctorado: Programa de Doctorado en Ingeniería Agraria, Alimentaria, Forestal y del Desarrollo Rural Sostenible por la Universidad de Córdoba y la Universidad de Sevilla
- Materias:
- Enlaces
- Tesis en acceso abierto en: Helvia
- Resumen
1. Introducción o motivación de la tesis La medida de la impedancia eléctrica ha demostrado ser útil para medir propiedades y características de productos agroalimentarios: calidad de frutos, contenido de humedad y capacidad de germinación en semillas o la resistencia de los frutos a las heladas. En el caso de aceitunas se ha usado para determinar contenido de grasa y el momento óptimo de recolección.
Una manera de caracterizar el estado de las aceitunas previo a su deshuesado sería realizando una medida de su impedancia eléctrica de una muestra representativa. Como se va a demostrar con el presente estudio, la impedancia eléctrica de la pulpa de la aceituna no está afectada sólo por la variedad o el tipo de procesamiento industrial (aceitunas verdes “Estilo Sevillano” o negras “Estilo Californiano”), sino también por la temperatura. Por ello caracterizar este parámetro eléctrico versus temperatura (en especial entre 7°C y 0°C) para un procesamiento industrial dado permitiría reconocer a través de la impedancia eléctrica sí las aceitunas son aptas para el deshuesado.
2.Contenido de la investigación El objetivo general que se plantea con el presente trabajo es desarrollar un sistema de medida de la impedancia eléctrica adaptado a aceituna de mesa haciendo uso del SoC AD5933. Para ello se van a llevar a cabo dos tareas: • Modelización de la impedancia mediante redes neuronales para dos variedades de aceitunas (“Gordal Sevillana” y “Hojiblanca”) cocidas en sosa cáustica y fermentadas en salmuera (proceso industrial conocido como “Estilo Sevillano”).
• Clasificación mediante redes neuronales de cada variedad a tres temperaturas (25°C, 7°C y 0°C).
Para ello se va a desarrollar: • Un dispositivo específico con el SoC AD5933, que incluirá la interface de comunicaciones I2C, un generador externo DDS basado en una FPGA XC3S250E-4VQG100C para poder realizar un barrido completo desde 1 Hz a 100 kHz y dos multiplexores analógicos ADG706 para fijar el rango de impedancia a medir. Este dispositivo está controlado por un microcontrolador ARM CORTEX M3 de 32 bits AT91SAM3X8E trabajando a 84 MHz.
• El software para el control del sistema empleando como lenguaje de programación Matlab.
• Comunicación IoT para generar una base de datos con los resultados de los ensayos.
3.Conclusión Con este trabajo se ha podido comprobar que: • Tanto la aceituna en verde como la procesada presentan un perfil de impedancia equivalente a un modelo R-C sin componente inductivo con una fase en torno a 330 ° en aceitunas verdes y 310 ° en aceitunas en salmuera.
• Con aceitunas verdes y procesadas, se puede observar un perfil de impedancia característico para cada variedad a cada temperatura. Es a baja frecuencia donde las diferencias se acentúan más.
• Con aceitunas verdes en alta frecuencia, los mínimos relativos observados son similares a los descritos por modelos clásicos como el de Hayden, lo que no ocurre con las aceitunas procesadas en salmuera.
• Con las aceitunas procesadas en salmuera, el valor de impedancia de los componentes R y X se reduce en 20 veces, debido al efecto de la salmuera.
• Los modelos desarrollados con redes neuronales como fitnet para representar la evolución de la impedancia permiten obtener un modelo de tipo R versus X con solo 5 neuronas en la capa oculta.
• Se ha comprobado que redes neuronales como patternnet y 8 neuronas en la capa oculta, permiten distinguir entre los 6 casos estudiados (2 variedades y 3 temperaturas) tanto en aceitunas verdes como procesadas.
• El uso de un sencillo sistema IoT basado en Dropbox permite obtener muestras en campo y en la fábrica para su posterior estudio utilizando la combinación de un portátil con conexión 4G y el prototipo desarrollado. Por otro lado, para alcanzar estos resultados se ha optado por el diseño de un hardware propio que nos ha permitido obtener las máximas prestaciones del SoC AD5933:
4. Bibliografía 1. Bourne, M.C. Effect of Temperature on Firmness of Raw Fruits and Vegetables. J. Food Sci. 1982, 47, 440–444, doi:10.1111/j.1365-2621.1982.tb10099.x.
2. Bourne, M.C.; Comstock, S.H. Effect of Temperature on Firmness of Thermally Processed Fruits and Vegetables. J. Food Sci. 1986, 51, 531–533, doi:10.1111/j.1365-2621.1986.tb11179.x.
3. Bourne, M.C. Food Texture and Viscosity: Concept and Measurement; Academic Press:, Harcourt place, 32 James Road, London NW1 7BY, UK 2002; ISBN 9780080491332.
4. Kılıçkan, A.; Güner, M. Physical properties and mechanical behavior of olive fruits (Olea europaea L.) under compression loading. J. Food Eng. 2008, 87, 222–228, doi:10.1016/j.jfoodeng.2007.11.028.
5. Gutierrez Rubio, J. Maquina Enfriadora de Aceitunas; ES 1 003 639 U, 1988. Available online: http://www.oepm.es/pdf/ES/0000/000/01/00/36/ES-1003639_U.pdf (accessed on 15 September 2020).
6. Leiva, D.; Tapia, F. Elaboración de Aceitunas Con Bajo Contenido de Sodio. In Producción de Aceitunas con Bajo Contenido de Sodio (“Light”); Instituto de Investigaciones Agropecuarias, Centro Regional de Investigación Intihuasi: La Serena, Chile, 2015. Available online: http://biblioteca.inia.cl/medios/biblioteca/boletines/NR40474.pdf. (accessed on 13 September 2020) 7. Gómez, A.H.S.; García, P.; Navarro, L.R. Elaboration of table olives. Grasas Aceites 2006, 57, 86–94.
8. Hlaváčová, Z. Low frequency electric properties utilization in agriculture and food treatment. Res. Agric. Eng. 2003, 49, 125–136, doi:10.17221/4963-RAE.
9. Mitchell, F.R.G.; Alwis, A.A.P.D. Electrical conductivity meter for food samples. J. Phys. E 1989, 22, 554–556, doi:10.1088/0022-3735/22/8/004.
10. Nelson, S.O. Dielectric properties of agricultural products-measurements and applications. IEEE Trans. Electr. Insul. 1991, 26, 845–869, doi:10.1109/14.99097.
11. Repo, T.; Paine, D.H.; Taylor, A.G. Electrical impedance spectroscopy in relation to seed viability and moisture content in snap bean (Phaseolus vulgaris L.). Seed Sci. Res. 2002, 12, 17–29, doi:10.1079/SSR200194.
12. AD5933; Analog Devices: Norwood, MA, USA, 2005. Available online: http://www.analog.com/media/en/technical-documentation/data-sheets/AD5933.pdf. (accessed on 15 September 2020).
13. Rodríguez Gómez, R.; Cruz Hurtado, J. Sistema de medición y análisis de impedancia. Ing. Electrónica Automática Comun. 2015, 36, 56–66.
14. Okada, K.; Sekino, T. Agilent Impedance Measurement Handbook; A guide to measurement technology and techniques; Agilent Technologies: Santa Clara, CA, USA, 2009.
15. Tegam. The LCR Meter as an Impedance Analyzer. Available online: http://www.tegam.com/wp-content/uploads/2015/10/AN303.pdf. (accessed on 15 September 2020).
16. Keysight 4395A Network/Spectrum/Impedance Analyzer. Available online: http://www.keysight.com/en/pd-1000000864%3Aepsg%3Apro-pn-4395A/network-%0Aspectrum-impedance-analyzer?cc=ES&lc=eng (accessed on 15 September 2020).
17. Keysight 4194A Impedance/Gain-Phase Analyzer. Available online: https://www.keysight.com/en/pd-1000003398%3Aepsg%3Apro-pn-4194A/impedance-gain-phase-analyzer?cc=ES&lc=eng. (accessed on 05 September 2020).
18. Juping, G.; Long, J.; Shenbei, Q.; Xinjian, W.; Zhike, X. Researching on the automatic impedance measurement system. In Proceedings of the Eighth International Conference on Electrical Machines and Systems, Nanjing, China, 27–29 September 2005.
19. Ingenieria Eléctrica Fravedsa. Available online: http://ingenieriaelectricafravedsa.blogspot.com.es/2014/11/puente-schering.html. (accessed on 15 September 2020).
20. Wikipedia. Maxwell Bridge. Available online: https://en.wikipedia.org/wiki/Maxwell_bridge. (accessed on 18 September 2020).
21. Ibrahim, K.M.; Abdul-Karim, M.A.H. Digital Impedance Measurement by Generating Two Waves. IEEE Trans. Instrum. Meas. 1985, IM-34, 2–5, doi:10.1109/TIM.1985.4315245.
22. Taha, S.M.R. Digital measurement of the polar and rectangular forms of impedances. IEEE Trans. Instrum. Meas. 1989, 38, 59–63, doi:10.1109/19.19999.
23. Steber, G.R. A Low Cost RF Impedance Analyzer. Nuts and Volts, February 2008, pp. 38–41. Available online: https://www.nutsvolts.com/magazine/article/a_low_cost_rf_impedance_analyzer (accessed on 15 September 2020).
24. Castelló, J.; Espí, J.; García, R.; Esteve, V. Analizador de Impedancia/Ganancia-Fase para PC. Revista Española de Electrónica, 2001, pp. 70–75.
25. Justicia, M.; Madueño, A.; Ruiz-Canales, A.; Molina, J.M.; López, M.; Madueño, J.M.; Granados, J.A. Low-frequency characterisation of mesocarp electrical conductivity in different varieties of olives (Olea europaea L.). Comput. Electron. Agric. 2017, 142, 338–347, doi:10.1016/j.compag.2017.09.021.
26. Weaver, G.M.; Jackson, H.O. Electric impedance, an objective index of maturity in peach. Can. J. Plant Sci. 1966, 46, 323–326.
27. Ezeike, G.O.I. A resistive probe moisture sensor for tropical root crops and vegetables. J. Agric. Eng. Res. 1987, 37, 15–26, doi:10.1016/0021-8634(87)90128-4.
28. Montoya Lirola, M. Estudio de la Conductividad Eléctrica Como Índice de Madurez en Frutos Climatéricos y su Evolución Durante la Conservación Frigorífica en Atmosfera Normal y Modificada. Ph.D. Thesis, UNED, Madrid, Spain, 1992. Available online: https://dialnet.unirioja.es/servlet/tesis?codigo=40951 (accessed on 15 September 2020).
29. Van Gerven, M.; Bohte, S. Editorial: Artificial Neural Networks as Models of Neural Information Processing. Front. Comput. Neurosci. 2017, 11, doi:10.3389/fncom.2017.00114.
30. De Jódar Lázaro, M.; Madueño Luna, A.; Lucas Pascual, A.; Martínez, J.M.M.; Canales, A.R.; Madueño Luna, J.M.; Segovia, M.J.; Sánchez, M.B. Deep learning in olive pitting machines by computer vision. Comput. Electron. Agric. 2020, 171, 105304, doi:10.1016/j.compag.2020.105304.
31. Lucas Pascual, A.; Madueño Luna, A.; de Jódar Lázaro, M.; Molina Martínez, J.M.; Ruiz Canales, A.; Madueño Luna, J.M.; Justicia Segovia, M. Analysis of the Functionality of the Feed Chain in Olive Pitting, Slicing and Stuffing Machines by IoT, Computer Vision and Neural Network Diagnosis. Sensors 2020, 20, 1541, doi:10.3390/s20051541.
32. The MathWorks Inc. Function Fitting Neural Network (Fitnet). Available online: https://es.mathworks.com/help/deeplearning/ref/fitnet.html. (accessed on 15 September 2020).
33. The MathWorks Inc. Pattern Recognition Network (Patternnet). Available online: https://es.mathworks.com/help/deeplearning/ref/patternnet.html;jsessionid=370562d44f3c46b93a717f92677f. (accessed on 18 September 2020).
34. Lougheed, E.C.; Miller, S.R.; Ripley, B.D.; Cline, R.A. Electrical impedance of daminozide- and calcium-treated McIntosh apples. Experientia 1981, 37, 835–837, doi:10.1007/BF01985666.
35. Jackson, P.J.; Harker, F.R. Apple Bruise Detection by Electrical Impedance Measurement. HortScience 2000, 35, 104–107, doi:10.21273/HORTSCI.35.1.104.
36. Stout, D.G.; Hall, J.W.; McLaughlin, N.B. In vivo plant impedance measurements and characterization of membrane electrical properties: The influence of cold acclimation. Cryobiology 1987, 24, 148–162, doi:10.1016/0011-2240(87)90017-4.
37. Stout, D.G. Effect of Cold Acclimation on Bulk Tissue Electrical Impedance. Plant Physiol. 1988, 86, 283–287, doi:10.1104/pp.86.1.283.
38. Bauchot, A.D.; Harker, F.R.; Arnold, W.M. The use of electrical impedance spectroscopy to assess the physiological condition of kiwifruit. Postharvest Biol. Technol. 2000, 18, 9–18, doi:10.1016/S0925-5214(99)00056-3.
39. NXP Semiconductors. I2C Bus. Available online: http://www.interfacebus.com/Design_Connector_I2C.html (accessed on 14 September 2020).
40. Xilinx Inc. Spartan-3E Fpga Available online: https://www.digikey.es/es/datasheets/xilinxinc/xilinx-inc-ds312. (accessed on 15 September 2015).
41. ADG706 Analog Multiplexer; Analog Devices, Norwood, MA, USA, 2005. Available online: https://www.analog.com/media/en/technical-documentation/data-sheets/ADG706_707.pdf. (accessed on 15 September 2020).
42. Microchip ARM Cortex-M3. Available online: https://www.microchip.com/wwwproducts/en/ATSAM3X8E (accessed on 16 September 2020).
43. The MathWorks Inc. Matlab Software. Available online: https://es.mathworks.com/products/matlab.html (accessed on 11 September 2020).
44. Dropbox. Available online: https://www.dropbox.com/. (accessed on 19 September 2020).
45. Rappoport, H. Botánica y Morfología. In El Cultivo del Olivo; Mundi-Prensa: Madrid, Spain, 2008; pp. 35–60.
46. Ferreira, J. Explotaciones Olivareras Colaboradoras; Number 5; Ministerio de Agricultura: Madrid, Spain, 1979.
47. Garrido, A.; García, P.; Brrenes, M. Olive fermentations. In Biotechnology: A Multivolume Comprehesive Treatise; Reed, H.J., Nagodawitana, T.W., Eds.; Wiley-VCH Verlag GmbH, 1995; pp. 593–625.
48. Estrada, J.M. La Aceituna de Mesa: Nociones Sobre sus Características,Elaboración y Cualidades; Fundacion Para El Fomento y Promocion de la Aceituna de Mesa: Sevilla, Spain; Diputación de Sevilla: Sevilla, Spain, 2011. Available online: http://www.besana.es/sites/default/files/libroaceitunamaqueta080411.pdf. (accessed on 15 September 2020).
49. Garrido, A.; García, P.; López, A.; Arroyo, F.N. Processing Technology in Olive Oil and Table Olive. International Olive Council, Madrid, 2006. Available online: https://pdfs.semanticscholar.org/5999/f039244e30eda8538c20a2f2b47092c4f55e.pdf. (accessed on 17 September 2020).
50. Stockham, T.G. High-speed convolution and correlation. In Proceedings of the Spring Joint Computer Conference on XX—AFIPS ’66 (Spring), Boston, MA. USA, April 26–28 1966; ACM Press: New York, NY, USA, 1966; p. 229.
51. Chen, C.J.; Liu, J.T.; Chang, S.J.; Lee, M.W.; Tsai, J.Z. Development of a portable impedance detection system for monitoring the growth of mouse L929 cells. J. Taiwan Inst. Chem. Eng. 2012, 43, 678–684, doi:10.1016/j.jtice.2012.04.008.
52. Schwarzenberger, T.; Wolf, P.; Brischwein, M.; Kleinhans, R.; Demmel, F.; Lechner, A.; Becker, B.; Wolf, B. Impedance sensor technology for cell-based assays in the framework of a high-content screening system. Physiol. Meas. 2011, 32, 977–993, doi:10.1088/0967-3334/32/7/S18.
53. Wang, M.H.; Kao, M.F.; Jang, L.S. Single HeLa and MCF-7 cell measurement using minimized impedance spectroscopy and microfluidic device. Rev. Sci. Instrum. 2011, 82, 064302, doi:10.1063/1.3594550.
54. Helen Berney, H.; O’Riordan, J.J. Impedance Measurement Monitors Blood Coagulation. Analog Dialogue 2008, 42, 2–4.
55. Broeders, J.; Duchateau, S.; van Grinsven, B.; Vanaken, W.; Peeters, M.; Cleij, T.; Thoelen, R.; Wagner, P.; de Ceuninck, W. Miniaturised eight-channel impedance spectroscopy unit as sensor platform for biosensor applications. Phys. Status Solidi A 2011, 208, 1357–1363, doi:10.1002/pssa.201001199.
56. Seoane, F.; Ferreira, J.; Sanchéz, J.J.; Bragós, R. An analog front-end enables electrical impedance spectroscopy system on-chip for biomedical applications. Physiol. Meas. 2008, 29, S267–S278, doi:10.1088/0967-3334/29/6/S23.
57. Bogónez-Franco, P.; Bayés-Genís, A.; Rosell, J.; Bragós, R. Performance of an implantable impedance spectroscopy monitor using ZigBee. J. Phys. Conf. Ser. 2010, 224, 012163, doi:10.1088/1742-6596/224/1/012163.
58. Ferreira, J.; Seoane, F.; Lindecrantz, K. AD5933-based electrical bioimpedance spectrometer. Towards textile-enabled applications. In Proceedings of the Annual International Conference of the IEEE Engineering in Medicine and Biology Society, Boston, MA, USA, 30 August–3 September 2011; IEEE: Piscataway, NY, USA, 2011; pp. 3282–3285.
59. Margo, C.; Katrib, J.; Nadi, M.; Rouane, A. A four-electrode low frequency impedance spectroscopy measurement system using the AD5933 measurement chip. Physiol. Meas. 2013, 34, 391–405, doi:10.1088/0967-3334/34/4/391.
60. Melwin, A.; Rajasekaran, K. Implementation of Bioimpedance Instrument Kit in ARM7. Int. J. Adv. Res. Comput. Sci. Softw. Eng. 2013, 3,5, 1271–1273.
61. Hoja, J.; Lentka, G. Interface circuit for impedance sensors using two specialized single-chip microsystems. Sens. Actuators A Phys. 2010, 163, 191–197, doi:10.1016/j.sna.2010.08.002.
62. Hoja, J.; Lentka, G. A Family of New Generation Miniaturized Impedance Analyzers for Technical Object Diagnostics. Metrol. Meas. Syst. 2013, 20, 43–52, doi:10.2478/mms-2013-0004.
63. Grimnes, S.; Martinsen, O.G. Bioimpedance and Bioelectricity Basics, 3rd ed.; Elsevier Academic Press: Amsterdam, 1000AE, Netherlands 2014; ISBN 9780124115330.
64. Chabowski, K.; Piasecki, T.; Dzierka, A.; Nitsch, K. Simple Wide Frequency Range Impedance Meter Based on AD5933 Integrated Circuit. Metrol. Meas. Syst. 2015, 22, 13–24, doi:10.1515/mms-2015-0006.
65. Simic, M. Realization of Complex Impedance Measurement System Based on the Integrated Circuit AD5933. In Proceedings of the 21st Telecommunications Forum Telfor (TELFOR), Belgrade, Serbia, 26–28 November 2012; IEEE: Piscataway, NY, USA, 2013; pp. 573–576.
66. Simić, M. Complex Impedance Measurement System for the Frequency Range from 5 kHz to 100 kHz. Key Eng. Mater. 2015, 644, 133–136, doi:10.4028/www.scientific.net/KEM.644.133.
67. Simic, M. Realization of digital LCR meter. In Proceedings of the International Conference and Exposition on Electrical and Power Engineering (EPE), Iasi, Romania, 16–18 October 2014; IEEE: Piscataway, NY, USA, 2014; pp. 769–773.
68. Madueño, J.M. Papers Appendix. Available online: https://www.dropbox.com/sh/wg1hmyxdgt558nc/AACPWe1XJi_tYcJoFzVihv3Ya?dl=0 (accessed on 15 September 2020).
69. Hayden, R.I.; Moyse, C.A.; Calder, F.W.; Crawford, D.P.; Fensom, D.S. Electrical Impedance Studies on Potato and Alfalfa Tissue. J. Exp. Bot. 1969, 20, 177–200, doi:10.1093/jxb/20.2.177.
70. Wu, L.; Ogawa, Y.; Tagawa, A. Electrical impedance spectroscopy analysis of eggplant pulp and effects of drying and freezing-thawing treatments on its impedance characteristics. J. Food Eng. 2008, 87, 274–280, doi:10.1016/j.jfoodeng.2007.12.003.
71. The MathWorks Inc. Network Performance. Available online: https://es.mathworks.com/help/deeplearning/ref/perform.html (accessed on 14 September 2020).
