Clasificación de calidad sensorial de sopaipillas mediante visión computacional

Abstract

El objetivo principal de este estudio fue desarrollar y optimizar una fórmula de sopaipillas a través de la evaluación de la calidad sensorial y por medio de la aplicación de visión computacional, con el fin de encontrar el mejor clasificador que permita reconocer distintos grados de calidad y predecir características sensoriales. Para ello, en primera instancia, se seleccionó y entrenó un panel sensorial para la evaluación de sopaipillas, quedando el panel compuesto por 10 jueces. Se usó un diseño central rotacional compuesto, con el fin de obtener una superficie de respuesta, cuyas variables experimentales fueron cantidad de zapallo (5,5 a 27% del total de masa) y temperatura de fritura (150 a 190°C). Las variables de respuesta correspondieron a los atributos sensoriales color, apariencia/forma, aroma, sabor y textura, evaluados mediante un test de valoración de calidad de 9 puntos, con una tabla diseñada especialmente para sopaipillas. Se estandarizó la humedad de la masa previo a la fritura de todas las formulaciones, hasta llegar a un 40±2% (b.h.). También, a través de ensayos preliminares, se ajustó el tiempo de fritura de las formulaciones para obtener un producto con un 23±2% de humedad (b.h.). Se optimizaron en forma individual las variables de respuesta color, aroma, sabor y textura a través de la metodología de superficie de respuesta, y se realizó una optimización múltiple de los atributos, obteniendo finalmente una formulación optimizada de sopaipilla con 27% de zapallo, frita a una temperatura de 170°C durante 3 minutos. Mediante un sistema de visión computacional se obtuvo las imágenes digitales de las distintas formulaciones de sopaipillas, extrayendo sus características de intensidad de color. La categoría de calidad obtenida sensorialmente fue asignada a las fotografías de las formulaciones correspondientes y luego se realizó la clasificación automática. Los mejores resultados se obtuvieron con el clasificador qda (análisis discriminante cuadrático), el cual permite clasificar las muestras en sus grados de calidad, obteniendo un porcentaje de aciertos entre 91,3 y 98,7% con un promedio de 95%, lo que indica una muy buena predicción de las variables sensoriales a través de la visión computacional

The purpose of this study was to develop and optimize a formulation of sopaipillas through sensory quality evaluation, and the use of computer vision to find the best classifier that allows to distinguish different degrees of quality and to predict sensorial characteristics. To achieve this, firstly a panel was selected and trained for the evaluation of sopaipillas obtaining a panel of 10 assessors. A central composite rotational design was used to obtain a response surface, and its experimental variables were the amount of pumpkin (5.5 to 27% of the total dough) and frying temperature (150°C to 190°C). The response variables corresponded to the sensory attributes color, appearance/shape, aroma, flavor, and texture, all evaluated using a 9 point quality scoring test, with a scorecard especially designed for sopaipillas. The moisture of the dough was standardized before frying, reaching 40±2% (w.b.). Likewise, through preliminary trials, the frying time of the formulations was adjusted to obtain a final product with moisture of 23±2% (w.b.). The response variables color, aroma, flavor and texture were optimized individually using response surface methodology, and a multiple optimization of the attributes was carried out, obtaining an optimized sopaipilla formulation with 27% of pumpkin fried at a temperature of 170°C for 3 minutes. Through a system of computer vision, digital images of the sopaipilla formulations were obtained, extracting its color intensity characteristics. The sensory quality category was assigned to the corresponding photographs of the formulations and then an automatic classification was carried out. The best results were obtained with the qda classifier (Quadratic Discriminant Analysis), which allows classification of the samples according to its quality degrees, with a success rate between 91.3 and 98.7% with an average of 95%, which indicates a very good prediction of the sensorial variables through computer vision