Aplicación de visión computacional para estimar la formación de acrilamida e hidroximetilfurfural en galletas saladas

Abstract

Las galletas saladas son un alimento versátil, ampliamente consumido por un amplio grupo de la población debido a su sabor variado, larga vida útil y costo relativamente bajo. Sin embargo, su tratamiento térmico provoca cambios químicos a través de reacciones como el pardeamiento no enzimático (reacción de Maillard y caramelización); los cuales, además de favorecer el desarrollo de atributos sensoriales atractivos, pueden también promover simultáneamente la formación de compuestos potencialmente tóxicos o “neocontaminantes”, como la acrilamida (AA) y el 5-hidroximetilfurfural (HMF), que afectan negativamente la inocuidad alimentaria. Entre los métodos de laboratorio tradicionales para detectar estos dos neocontaminantes en alimentos se encuentran la cromatografía de gases conectada a la espectrometría de masas y la cromatografía líquida conectada al detector DAD, respectivamente. Estos métodos son destructivos y requieren de mano de obra especializada. Por lo tanto, en este estudio se aplicó la técnica de visión computacional para estimar la formación de AA y HMF en galletas saladas procesadas a altas temperaturas, mediante el procesamiento digital de imágenes utilizando el software Matlab R2016 y Toolbox de procesamiento de imágenes. Los modelos predictivos obtenidos por visión computacional para estimar estos neocontaminantes utilizaron los resultados de AA y HMF cuantificados mediante métodos tradicionales de laboratorio. Además, estos modelos predictivos fueron evaluados estadísticamente mediante el error medio de una estimación mediante el procedimiento “leave-one-out”, que consistió en una validación cruzada con 25 tratamientos. Los contenidos de AA y HMF se obtuvieron previamente al elaborar las galletas saladas a diferentes tratamientos térmicos: (i) temperatura (160°, 170°, 180°, 190° y 200°C); (ii) tiempo (15, 20, 25, 30 y 35 min). La temperatura afectó significativamente (p<0.05) el contenido de AA y HMF; alcanzando las concentraciones más altas a 200 °C y 35 min, 829 y 105416 μg/kg, respectivamente. Por otro lado, los modelos de visión computacional generados obtuvieron un error de estimación bajo de 3,10% y 3,28%, para AA y HMF respectivamente y no se encontraron diferencias significativas (p<0,05) entre los métodos tradicionales (GC/MS y HPLC/DAD) y la visión computacional para la cuantificación de los neocontaminantes previamente mencionados. Además, la correlación de los métodos de determinación y la estimación por visión computacional fue bastante alta, 0,990 y 0,986, para AA y HMF respectivamente. Además, los modelos predictivos de estimación obtuvieron excelentes desempeños al ser evaluados mediante validación cruzada “leave-one-out”; donde el modelo para estimar AA obtuvo un desempeño del 98,09 %, mientras que el modelo para estimar HMF obtuvo el 96,78%. Finalmente, se realizó la evaluación sensorial a 3 muestras de galletas saladas que presentaron bajo, intermedio y alto contenido de AA y HMF, sin exceder el límite máximo de 400 μg/kg para el caso de AA recomendado por la Unión Europea (de esta forma se seleccionaron muestras horneadas a 180°, 190°, 200°C y 25 min). Las características sensoriales de las galletas saladas se vieron afectadas por la temperatura; ya que se encontraron diferencias significativas (p ≤ 0.05) en los atributos sensoriales de las muestras y los consumidores tuvieron preferencia por la muestra horneada a 180 °C y 25 min. Los resultados reportados en este estudio confirman que es posible aplicar la técnica de visión computacional para estimar la formación de AA y HMF en galletas saladas de manera más rápida que los métodos tradicionales.

Salted cookies are a versatile food, extensively consumed by a wide range of the population due to their desired flavor, long shelf life and relatively low cost. However, its heat treatment causes chemical changes through reactions such as non-enzymatic browning (Maillard reaction and caramelization); which, in addition to favors the development of attractive sensory attributes, but also promote simultaneously the formation potential toxic compounds or of neo-contaminants, such as acrylamide (AA) and 5-hydroxymethylfurfural (HMF), which negatively affect food safety. Among the traditional laboratory methods to detect these neo-contaminants in foods are gas chromatography connected to mass spectrometry and liquid chromatography connected to the DAD detector, respectively. These methods are destructive and require specialized labor. Therefore, in this study, it was applied the technique of computer vision to estimate the formation of AA and HMF in salted cookies processed at high temperatures, through digital image processing using Matlab R2016 software and its image processing toolbox. The predictive models obtained by computer vision to estimate these neo-contaminants used the results of AA and HMF quantified by traditional laboratory methods. Furthermore, these predictive models were statistically evaluated using the mean error of an estimate using the “leave-one-out” procedure, consisting of a cross-validation with 25 treatments. The contents of AA and HMF were previously obtained by preparing the salted cookies at different heat treatments: (i) temperature (160°, 170°, 180°, 190° and 200°C); (ii) time (15, 20, 25, 30 and 35 min). The temperature significantly affected (p<0.05) the content of AA and HMF; reaching the highest concentrations at 200 °C and 35 min, 829 and 105416 μg/kg, respectively. On the other hand, the computer vision models generated obtained a low estimation error of 3,10% and 3,28%, for AA and HMF respectively; no significant differences (p<0.05) were found between traditional methods (GC/MS and HPLC/DAD) and computer vision. Additionally, the correlation of the determination methods and the estimation by computer vision is very strong, 0,990 and 0,986 for AA and HMF respectively. In addition, the predictive estimation models obtained excellent performances when evaluated through “leave-one-out” cross validation; where the model to estimate AA obtained a performance of 98.09%, while the model to estimate HMF obtained 96.78%. Finally, the sensory evaluation was carried out on 3 samples of salted cookies that presented low, intermediate and high content of AA and HMF, without exceeding the maximum limit of 400 μg/kg in the case of AA; in this way, samples baked at 180°, 190°, 200°C and 25 min were selected. The sensory characteristics of salted cookies were affected by temperature; since significant differences (p ≤ 0.05) were found in the sensory attributes of the samples and consumers had a preference for the sample baked at 180 °C and 25 min. The results reported in this study confirm that it is possible to apply the computer vision technique to estimate the formation of AA and HMF in salted cookies faster than traditional methods.