Predicción de la frescura de Sciaena
deliciosa “lorna” utilizando imágenes hiperespectrales
Prediction of the
freshness of Sciaena delicious "lorna" using hyperspectral
images
Yordy Guzmán-Bermúdez1;
Anthony Lozano-Gallardo1; Royer Gonzales-Rubio1; Jeffrey
Méndez2; Jorge Correa-La Torre1; Raúl Siche2,* 
1 Facultad de Ciencias Biológicas, Universidad Nacional de
Trujillo, Av. Juan Pablo II s/n, Ciudad Universitaria, Trujillo, Perú.
2 Facultad de Ciencias Agropecuarias, Universidad Nacional de
Trujillo, Av. Juan Pablo II s/n, Ciudad Universitaria, Trujillo, Perú.
*Autor
correspondiente: rsiche@unitru.edu.pe (R. Siche)
DOI:
http://dx.doi.org/10.17268/agroind.sci.2019.01.13
RESUMEN
El
objetivo de esta investigación fue encontrar un modelo basado en imágenes
hiperespectrales para predecir la frescura de Sciaena deliciosa. En la
investigación se utilizaron muestras de Sciaena deliciosa “lorna” que
luego de capturadas, fueron colocadas en un cooler con hielo y transportadas al
laboratorio para su respectivo análisis. Para el análisis sensorial se utilizó
el esquema sensorial propuesto por Imarpe (Perú) para especies grasas. Respecto
a las imágenes hiperespectrales, cada espécimen fue colocado en el equipo para
analizar el humor vítreo del ojo y obtener la huella espectral correspondiente.
Para el índice de refracción se extrajo el humor vítreo de ojo y colocado en el
refractómetro para cuantificar el grado de alteración. Todos estos resultados
fueron correlacionados para predecir la frescura, buscando el modelo más
adecuado. El modelo de predicción obtenido para la frescura de pescado tuvo un
R2 = 0,6359, valor adecuado para considerarlo como un modelo de
posible uso práctico.
Palabras clave: Índice de refracción;
humor vítreo; imagen hiperespectral; Sciaena deliciosa “lorna”.
ABSTRACT
The
aim of this research was to find a model based on hyperspectral images to
predict the freshness of Sciaena delicious. In the investigation,
samples of Sciaena deliciosa “lorna” were used, which after being
captured, were placed in a cooler with ice and transported to the laboratory
for their respective analysis. For the sensory analysis the sensory scheme
proposed by Imarpe (Peru) for fatty species was used. Regarding hyperspectral
images, each specimen was placed in the equipment to analyze the vitreous humor
of the eye and obtain the corresponding spectral footprint. For the refractive
index, the vitreous humor of the eye was removed and placed in the
refractometer to quantify the degree of alteration. All these results were
correlated to predict freshness, looking for the most appropriate model. The
prediction model obtained for the freshness of fish had an R2 =
0.6359, adequate value to consider it as a model of possible practical use.
Keywords: Refractive
index; vitreous humor; hyperspectral image; Sciaena deliciosa "lorna".
1. Introducción
El mar peruano es uno de
los más productivos a nivel mundial en lo concerniente a su amplia diversidad
en flora y fauna, caracterizada mayormente por los recursos pesqueros que están
catalogados como recursos pesqueros artesanales e industriales que van a
sustentar el PBI del país, así como también el consumo humano directo, por lo
que se hace necesario mantener su frescura y de este modo contribuir a mejorar
la calidad e inocuidad alimentaria aplicando métodos de conservación y sistemas
de calidad tales como HACCP, BPM, guías laborales para evitar accidentes de
trabajo, así como también, guías ambientales (Armendaris,
2013; Mortimore y Wallace, 2001).
La FAO, a escala mundial en
el 2010, reporta que las pescas marítimas y la acuicultura produjeron 148
millones de tonelada de pescado para consumo humano, la cual se traduce a 18,6
kg per cápita (Barrantes, 2013), por lo que se
hace necesario mantener su frescura toda vez que son recursos altamente
perecederos en el tiempo debido a su composición químico-bromatológica que da
lugar a alteraciones por efecto del oxígeno ambiental, actividad bacteriana y
acción enzimática, entre otros.
Para determinación de
frescura de pescado, al estado fresco, refrigerado y congelado, existen los
métodos físicos, sensoriales, bioquímicos y microbiológicos, cada uno de ellos
con sus respectivos procedimientos (Anzaldúa, 2005;Cáceda, 2003; Duflos et
al., 2002).
Las investigaciones de frescura
de pescado aplicando esquemas de puntuación son importantes en la industria por
su practicidad y rapidez basados principalmente en los datos sensoriales del
analista que son subjetivos y que deben ser corroborados con otras pruebas
físicas. Vásquez y García (2013) reportan que el análisis sensorial aplicado al
paiche congelado y envasado al vacío, aplicando la prueba del análisis
descriptivo cuantitativo (UDA), que el mejor tratamiento estuvo constituido con
el 25% de NaCl y 10 ºC de temperatura del proceso, en sus atributos de textura
y apreciación general del producto.
En la aplicación de los
métodos físicos existen diferentes determinaciones tales como determinación del
pH, medición de la resistencia eléctrica e índice de refracción del líquido
ocular (Ludorff, 1998), definiéndose este
último método como la relación entre la velocidad de una luz monocromática en
el aire y su velocidad en la sustancia considerada, y es la división entre los
senos de los ángulos de incidencia y refracción, cuando la luz pasa del aire a
la sustancia (Alvarado y Aguilera, 2016).
Se han estudiado los
métodos físicos de determinación de frescura de pescado tales como el de Azabache (2017) en
recursos pesqueros procedente de la pesca artesanal del Puerto Salaverry y las
Delicias, concluyendo que los peces sometidos al medio ambiente tenían un mayor
valor del índice de refracción que los peces sometidos al enfriamiento con
hielo, y por lo tanto su alteración es más rápida. Así mismo, Yapar y Yetim (1999)
estudiaron la determinación de frescura de la anchoveta por medio del índice de
refracción en el fluido ocular, señalando que los valores encontrados podrían
ser utilizados para evaluar la frescura de anchoveta.
Vásquez y García
(2013)
investigaron sobre la obtención de un producto mínimamente procesado a partir
de la especie Arapaima gigas (paiche) congelada y empacada al vacío y
reportando valores de índice de refracción que fueron desde 1,3350 hasta 1,3365
correspondiente a una calidad de pescado excelente.
En los últimos años, en la
industria alimenticia se han ido creando distintas técnicas y/o métodos
instrumentales cuya finalidad es evaluar la calidad del producto alimentario.
Una de las técnicas que ha
tenido un desarrollo favorable ha sido la aplicación y estudio de las imágenes
hiperespectrales (Vejarano et al., 2017),
técnica que sería de gran beneficio si se aplica a peces y otros alimentos
marinos para proporcionar productos de alta calidad para la salud y el comercio
internacional. Dicha técnica trabaja bajo la función de crear imágenes (mapas)
espaciales del alimento a analizar utilizando la variación espectral, los
cuales son denominados como datacubos o hipercubos. Dichos datacubos no son más
que bases de datos que almacenan información tridimensional (dos dimensiones
espaciales y una tercera la dimensión espectral). La dimensión espectral se
representa por cada pixel; estos datacubos fusionan el estudio de las imágenes
convencionales con la espectroscopia visible (VIS) y el infrarrojo cercano
(NIR) (Barreto et al., 2018; Cheng y Sun, 2014; Elmasry y Sun, 2010)
En el enfoque alimentario,
los estudios se centran a especies hidrobiológicas, especialmente a peces
óseos; ya que el pescado siendo magro o graso es altamente perecedero; por lo
cual se hace necesario analizar la frescura del pescado antes de hacer llegar
dicho producto al consumidor a fin de garantizar la frescura e inocuidad
alimentaria.
Así, el objetivo del
presente estudio fue obtener un modelo de predicción del índice de refracción
del humor vítreo del ojo, como indicador de frescura, basado en imágenes hiperespectrales.
2. Material y métodos
2.1 Material biológico
Sciaena deliciosa “lorna”
se distribuye desde Puerto Pizarro (Perú) hasta Antofagasta (Chile)
observándose mayor concentración entre Chimbote y Pisco (Culquichicón et al., 2012).
Las muestras fueron
colectadas de la pesca artesanal del Puerto Chicama, para lo cual se utilizó
espinel de playa. Los ejemplares fueron colocados en un cooler con hielo y
llevadas al laboratorio para el análisis correspondiente. En lo concerniente al
análisis sensorial (Figura 1) las muestras se
colocaron en un cooler con hielo y se aplicó el esquema sensorial del IMARPE
citado en Correa y Gonzáles (2016).
Para la toma de las
imágenes hiperespectrales, se separó la cabeza del cuerpo del ejemplar y se
colocó en la placa del sistema de captura hiperespectral, marca Headwall
Photonix modelo 1003B-00572 procediendo a hacer la captura de cada ojo a una
distancia focal de 0,35 m, enfoque de F/2.8, velocidad de 2,00 mm/s y en el
rango de posición de 60 mm hasta 150 mm, obteniendo el número de frames por
imagen de 440 (Figura 2).
Figura 1. Análisis sensorial de Sciaena deliciosa “lorna”. (a) Superficie
y consistencia, (b) Ojos, (c) Agallas, (e) Cavidad abdominal.
Figura 2. Captura de las imágenes hiperespectrales del ojo.
En el índice de refracción
se extrajo los ojos de los ejemplares para luego diseccionar, extraer el humor
vítreo y hacer la lectura en el refractómetro digital marca KRUSS, modelo
DR305-95. Los valores Brix fueron transformados a valores de índice de refracción
aplicando una fórmula de transformación.
Para la perecibilidad del
recurso se tomaron los valores del índice de refracción en función al número de
días que se llevó a cabo el experimento en el rango de luz visible; así mismo,
se trató de valorar los componentes del humor vítreo utilizado la longitud de
onda en relación a la brillantez en el espectro infrarrojo.
Para el tratamiento de
datos se utilizó el software MatLab v.10, el programa estadístico PLS y MS
Excel.
2.2 Procesamiento de imagen y análisis espectral
Las imágenes espectrales de
las muestras de Humor Vítreo se adquirieron en el modo de reflectancia mediante
el empleo de un sistema de imagen hiperespectral de barrido de laboratorio. Los
principales componentes de este sistema son (Figura 4)
una cámara Link (CL, Technology, USA) y lentes objetivos (Ajuste de apertura de
la lente a f/2.4 para sensores Hyperspec de alta eficiencia). Un sistema de
iluminación (Model 21DC, Headwall inc., USA) de lámparas QTH de alta intensidad
ajustable (dependiendo del sensor y del rango espectral) con impacto de luz a
45º; una plataforma de transporte móvil automático (DMX-J-SA-17, Arcus
Technology Inc., USA); un procesador Think Pad Intel Inside CORE i7 (Lenovo
Inc., USA) con software que permite la adquisición y posterior obtención de
datos (software Hyperspec III, USA) que nos posibilita establecer ciertos
parámetros para la captura de la imagen, por ejemplo el número de líneas a
tomar, tiempo de captura, la velocidad del motor, el modo de combinación y la
gama de longitud de onda. Además de poder regular la intensidad de luz que
emitan las lámparas para la mejor captura de la imagen.
El procedimiento de
adquisición de las imágenes y posterior tratamiento se explica a continuación (Figura 6).
Adquisición de imágenes hiperespectrales
Con las muestras de S.
deliciosa, la colocamos en la plataforma móvil para capturar la imagen,
configuramos a una velocidad de 2,0 mm/s. Con una distancia entre el lente y la
superficie de la plataforma de 35 cm, la fuente de iluminación tiene una
inclinación de 45° y una apertura de diafragma de 6,5 mm, con una iluminación
equivalente a 450 lux. Cada imagen está compuesta de 320 x 440 sensores o
bandas espectrales y fueron captadas desde la posición inicial de 90 mm hasta
150 mm. Se capturó 2 tomas por ejemplar, una toma de cada ojo (Figura 5).
En total fueron 80 imágenes
hiperespectrales que fueron tomadas y utilizadas para un posterior análisis y
proceso de modelación.
Dichos valores nos servirán
para corregir las imágenes hiperespectrales para lo cual aplicamos la siguiente
ecuación:
Donde R:
Imagen hiperespectral corregida en modo reflectancia relativa; Is:
Imagen hiperespectral corregida en unidad de reflectancia relativa; ID:
Imagen en negro; IW: Imagen de referencia en blanco.
2.5 Suavizado de espectro
Para mejorar la información
espectral del ROI, suavizamos las imágenes con el algoritmo de Savitzky-Golay,
basándonos en el modelo utilizado por Sun (2010).
Tanto la imagen como los
datos obtenidos del equipo de imágenes hiperespectrales presentan “ruido" para
el completo análisis e interpretación de la curva espectral; y además contienen
información de la muestra y de la plataforma de movimiento; es necesario
pre-procesar y seleccionar una región de interés para análisis mucho más
certeros. Para estos los archivos de datos de cada una de las muestras se
importaron mediante un algoritmo al software de Matlab R2016a. Todo el
pre-procesamiento y selección de ROI se realizó usando scripts internos junto a
Hypertools.
Luego de realizar distintas
pruebas y comparaciones entre cada uno de los pre-procesamientos e
interactuando entre ellos; se logró determinar que aquellos que nos muestran un
espectro mucho más sencillo de analizar son: SNV (Variables normales estándar)
para linealizar todas las curvas obtenidas de la imagen, Smoothing (D = 5, P = 1)
para eliminar el ruido y suavizar las curvas del espectro y Derivadas (D = 5, P
= 2, G = 1) para acercar la curva y así poder detonar mejor los picos que se
forman.
En cuanto a la selección de
la región de interés (ROI) se compararon distintas máscaras, las cuales tienen
como función determinar esta área, eligiendo al final la máscara de K-mean
clustering (1), de esta manera la imagen se segmentó en base a un patrón de
colores, a fin de diferenciar las zonas a analizar; en caso no ser homogénea se
realiza la prueba manual para la obtención de las longitudes de onda.
Por último, se
determinó un promedio de los espectros de reflectancia relativa de cada uno de
los pixeles que integran el ROI. Estos datos se exportaron a Microsoft Excel
para la aplicación de análisis multivariados.
2.6 Eliminación banda ruidos
Esta parte representa al
criterio del autor para modelar su posterior análisis con el fin de obtener un
menor sesgo y una mayor precisión.
Figura 6. Diagrama del procedimiento de
adquisición y procesamiento de las imágenes hiperespectrales.
2.7 Modelado mediante mínimos cuadrados parciales (PLS o
PLSR)
a. Modelado PLSR
b. Selección de las
longitudes de onda óptimas
c. Nuevo modelado PLSR
d. Validación del modelado
PLSR
Se utilizó el
modelo lineal multivariado de regresión de mínimos cuadrados parciales (PLSR)
para desarrollar el modelo de calibración, Cross-validación y predicción. El
modelo resultante se representa según la ecuación:
Dónde: Y: Matriz de
mediciones independientes; X: Matriz de datos predictores (80 muestras x 161
longitudes de onda); b: Matriz de los coeficientes β de regresión,
obtenidos mediante el análisis PLSR; e: Matriz de información residual no explicada
por las variables latentes. Los resultados del análisis de los datos
multivariados fueron calculados mediante algoritmos definidos en el software
Matlab R2016a. Este análisis se determina el número de variables latentes, la
variable latente donde el error es mínimo y finalmente como resultado final los
coeficientes β de regresión. A continuación, se validó el modelo
multivariado. Para lo cual empleamos el método de Cross-validación, donde se
toma solo un conjunto de 30% de las muestras de la calibración y a continuación
se pudo establecer un modelo PLSR, para las muestras restantes que no fueron
consideradas en la calibración, conocidas como muestras de predicción.
Las
imágenes hiperespectrales obtenidas tienden a representar una alta
dimensionalidad con redundancia y multicolinealidad entre las diversas bandas
de longitud de onda contigua, lo que genera dificultad para el consiguiente
proceso de calibración, ya que consume tiempo y afecta la velocidad de cálculo
relacionada con el procesamiento de las imágenes hiperespectrales. Por lo
tanto, es necesario encontrar el número mínimo de longitudes de onda que llevan
la información más valiosa, que puede ser igual o más eficiente que el rango de
longitud de onda completa y proporcionar resultados de predicción
satisfactorios. Por eso, para la simplificación del modelo de PLS, se
seleccionó las bandas de onda óptimas, este es un método utilizado para
disminuir el “ruido” que puedan contener los datos espectrales, se aplica
seleccionando los picos que estén formados notoriamente, debido a que si se
consideran los puntos centrales existe una gran posibilidad de tomar datos
irrelevantes para nuestro estudio, afectando los resultados.
3. Resultados y discusión
El análisis sensorial a
través del tiempo muestra oscilación en la valoración de puntos con una
clasificación que va de óptimo hasta no apto (Tabla 1).
Tabla 1
Puntuación
promedio del análisis sensorial de Sciaena deliciosa “lorna”
|
Días
|
Valoración por puntos
|
Clasificación
|
|
1
|
32
|
Óptimo
|
|
2
|
31
|
Óptimo
|
|
3
|
26
|
Bueno
|
|
4
|
19
|
No apto
|
En el análisis
hiperespectral del humor vítreo del ojo se observan los valores en las
longitudes de ondas que dan lugar a los coeficientes beta (picos mayores) (Tabla 2), las cuales reflejan la probable composición
química del humor vítreo del ojo.
Tabla 2
Relación
del índice de refracción y Coeficientes beta en Imágenes hiperespectrales
|
Longitud de Onda (nm)
|
Coeficiente beta
|
|
1001,04
|
0,0208
|
|
1043,73
|
0,0185
|
|
1081,67
|
0,0236
|
|
1290,37
|
0,0344
|
|
1636,61
|
0,04
|
La Figura 7 muestra
los valores experimentales y predichos del índice de refracción del humor
vítreo del ojo según el modelo PLSR.
Figura 7. Beta
coeficientes del modelo PLSR (relación índice de refracción con imágenes
hiperespectrales).
En
el análisis hiperespectral del humor vítreo del ojo se observan los valores en
las longitudes de ondas que dan lugar a los coeficientes Beta (Picos mayores),
referentes al análisis sensorial (Tabla 3, Figura 10),
las cuales reflejan la probable composición química del humor vítreo del ojo (Figura 8).
Tabla 3
Longitud de onda de los picos mayores de los posibles
componentes químicos del humor vítreo (análisis sensorial vs. Imágenes
hiperespectrales)
|
Longitud de Onda (nm)
|
Coeficiente beta
|
|
996,3
|
59,4665
|
|
1100,6
|
60,1525
|
|
1271,4
|
63,9096
|
|
1342,5
|
156,1213
|
|
1442,2
|
65,0904
|
Figura 8.
Modelo predictivo de la frescura de Sciaena deliciosa “lorna” en relación
al Índice de Refracción.
La
Figura 9 muestra los valores experimentales y
predichos del análisis sensorial del pescado según el modelo PLSR.
Figura 9.
Análisis del coeficiente de correlación (relación análisis sensorial con
imágenes hiperespectrales).
Figura 10.
Beta coeficientes del modelo PLSR (relación análisis sensorial con imágenes
hiperespectrales).
Al
aplicar el mapa de colores se puede observar la perecibilidad del humor vítreo
en transcurso del tiempo (Figura 11 y 12).
Figura 11. Comparación de la degradación del humor vítreo
mediante la aplicación de cluster. 
Figura 12.
Longitud de onda de la variación de los cluster.
Tabla 4
Valores del índice de refracción en función del tiempo
|
Día
|
Promedio por día
|
Desviación estándar (Sx)
|
Valoración cualitativa
|
|
1
|
1,3275 ± 0,0001
|
0,0005
|
Muy buena
|
|
2
|
13277 ± 0,0001
|
0,0005
|
Muy buena
|
|
3
|
13281 ± 0,0002
|
0,0009
|
Muy buena
|
|
4
|
1.3296 ± 0,0002
|
0,0010
|
Muy buena
|
Figura 13. Variación del índice de refracción en función del tiempo.
Figura 14.
Intensidad de reflectancia vs longitud de onda para los tratamientos
experimentales, relación entre el primer día de muestreo y el último día.
Al
analizar el Tabla 1 observamos que la
puntuación sensorial promedio por día para Sciaena deliciosa “lorna”
osciló entre 32 y 19 puntos consiguiendo la clasificación de óptimo los dos
primeros días, bueno en el tercer día y no apto en el cuarto día, cuando estos
ejemplares se encontraban al estado refrigerado, lo que es aceptable ya que
este recurso es una especie grasa que se altera rápidamente por acción del
oxígeno ambiental, actividad bacteriana y la actividad enzimática lo cual va a
dar lugar a la formación de otros metabolitos secundarios que van a actuar
sobre las características organolépticas de los especímenes alterándolas tal
como lo reporta Caceda (2003), para el caso de Scomber japonicus “Caballa”
alcanzando calidades de excelente, bueno, regular y malo en 5 días, pero con
una proporción de hielo de 2:1 lo cual alargaría ligeramente el tiempo de
frescura.
Los
valores promedios del Índice de refracción de los días analizados del humor
vítreo del ojo de S. deliciosa “lorna” oscilaron desde 1,3275 hasta 1,3296
y que al valorarlas según las tablas establecidas por Ludorff
(1998), son calificados como muy buenas, por lo
que se puede deducir que este método óptico es algo más preciso que el
sensorial, que es subjetivo y podría ser una alternativa de uso para determinar
frescura de pescado, pero que la cuantificación podría variar en función al
tipo de especie, tal es el caso de la anchoveta que fue estudiada por Yapar y Yetin (1999),
encontrándose valores de índice de refracción desde 1,3314 hasta 1,3347 con una
calificación de excelente debido a que posiblemente la composición químico
bromatológica de este recurso es diferente al que analizamos, podrían haberse
producido otros componentes que darían lugar a la modificación de opacidad del
ojo del pescado y por lo tanto variando la lectura del índice de refracción (Tabla 4).
Con
respecto a la perecibilidad de S. deliciosa “lorna” se puede notar que
los valores del índice de refracción se incrementan con el tiempo (Figura 13) lo cual implica el desmejoramiento de la
calidad y que también queda reflejado en el mapa de colores donde se observan
la variación del color del ojo como consecuencia de la degradación que sufren
los componentes del humor vítreo y que también se notan en los diferentes picos
de los clusters para la escala de colores (Figura 14)
Analizando
los valores del Índice de determinación (R2) en las imágenes
hiperespectrales, para el caso del humor vítreo (Tabla
2), se obtuvieron picos elevados que fueron considerados como sus
componentes químicos (Figura 7) los cuales
dieron lugar a los coeficientes beta que fueron utilizados en la ecuación
lineal para determinar el valor de índice de determinación. Asimismo, notamos
que con respecto al índice de refracción se consiguieron datos predictivos
aceptables de R2 = 0,6359 (Figura 8),
que es algo menor al reportado por Ivorra et al.
(2015) con R2 = 0,927, pero referido
a la pupila de Sparus aurata “dorada” debido a que la información
espectral extraída resulta más precisa al tener menor variabilidad entre las
muestras y poderse ajustar mejor a un modelo PLSR. Así mismo, se realizó un
modelo predictivo paralelo de análisis sensorial encontrándose un R2 =
0,8322.
Con
respecto al análisis sensorial vs imágenes hiperespectrales (Tabla 3) también se observa picos que indicarían la
variación de los diferentes componentes químicos y que el modelo PLSR lo
visualiza encontrándose que R2 = 0,8322, valor mayor al conseguido
en el análisis comparativo con el índice de refracción (Figura 9 y 10); probablemente
debido a que la calidad de la frescura en la muestras analizadas no sufrieron
muchos cambios superficiales en la cavidad abdominal, textura, olor, ojos y branquias.
4. Conclusiones
La
valoración del análisis sensorial de Sciaena deliciosa “lorna” fue muy
buena. El modelo predictivo de la frescura del pescado al aplicar imágenes
Hiperespectrales fue aceptable con un R2 = 0,6359. El valor del
índice de refracción del humor vítreo del ojo de Sciaena deliciosa “lorna”
estuvo dentro de las normas establecidas para determinar frescura de pescado. La
perecibilidad de pescado en función al tiempo fue de cuatro días y puesta en
manifiesto a través de la escala de colores del humor vítreo del ojo.
Referencias bibliográficas
Alvarado, J.;
Aguilera, J. 2016. Métodos para medir propiedades físicas e industrias
de alimentos. Universidad
Técnica de Ambato. Ecuador. pág. 347-368.
Anzaldùa, A. 2005. La
evaluación sensorial de los alimentos en la teoría y la práctica. Editorial
Acribia. Zaragoza, España. 198 pp.
Armendaris, J. 2013.
Gestiòn de la calidad y de la seguridad e higiene alimentarias. Edición
Paraninfo. SA. Madrid, España. 1ª Ed. 288 pp.
Azabache, R. 2017.
Evaluación refractométrica del Humor Vítreo en peces procedentes de la pesca
artesanal del Puerto Salaverry y Playa Las Delicias. Tesis para optar el título
de biólogo pesquero. Universidad Nacional de Trujillo. Facultad de Ciencias Biológicas.
Departamento de Pesquería.
Barrantes, T. 2013.
Estudio retrospectivo de la prevalencia de histamina en especies procedentes de
la pesca en territorio costarricense durante los años 2008 al 2012 reportados
por el laboratorio nacional de servicio veterinario (LANASEVE). Universidad
para la Cooperación Internacional. Trabajo de Máster en gerencia de programas
sanitarios en inocuidad de alimentos. San José, Costa Rica.
Barreto, A.;
Cruz-Tirado, J.P.; Siche, R.; Quevedo, R. 2018. Determination of starch content
in adulterated fresh cheese using hyperspectral imaging. Food Bioscience 21:
14-19.
Cáceda, C.
2003. Evaluación de la frescura de Scombre japonicus caballa en hielo.
Universidad Nacional Jorge Basadre. Facultad de Ciencias. Tacna, Perú.
Cheng, J.H.;
Sun, D.W. 2014. Hyperspectral imaging as an effective tool for quality analysis
and control of fish and other seafood: Current resarh potential
applications.trends in food sciencie and technology 37: 78-91.
Correa, J.; Gonzáles, F.
2016. Manual de tecnología pesquera. Universidad Nacional de Trujillo. Fac. de
Ciencias Biológicas. Departamento de Pesquería. Cátedra de Tecnología Pesquera.
115 pp.
Culquichicón, Z.;
Tresierra, A.; Solano, A.; Atoche, D. 2012. Crecimiento, mortalidad y tasa de
explotación de Sciaena deliciosa durante 2001 a 2003 y 2009 a 2012. REBIOL
32(2): 108-117.
Duflos, G.;
Fur, B.; Mulak, V.; Becel, P.; Malle, P. 2002. Comparison of methods of
differentiating between fresh and frozen-thawed fish of fillest. Journal of the
Science of Food and Agriculture. 82: 1341 – 1345
Elmasry, G.;
Wen, D.W. 2010. Mest Quality Assessment using a hyperspectral imaging system.
In:Hyperspectral Imaging of Food Quality analysis and control. 175-240 pp.
Ivorra, E.;
Sánchez, A.; Verdú, S.; Grau, R. 2015. Estimación de la frescura de Sparus aurata
(dorada) mediante técnicas hiperespectrales en el rango del SW – NIR. Comité
Español de Automática de la IFAC (CEA-IFAC).
Ludorff, M. 1998. El
pescado y los productos de la pesca. Ed. Acribia. Zaragoza, España. 309 pp.
Mortimore, S.; Wallace,
C. 2001. HACCP enfoque práctico. Ed. Acribia. Zaragoza, España.
Sun, D. 2010. Hyperespectral
imagin for food quality Analysis and Control. Dublin: Elsevier.
Vásquez, D.; García, R.
2013. Obtención de un producto mínimamente procesado a partir de la especie Arapaima
gigas (paiche) congelada y empacada al vacío. Conoc. amaz. 4(1): 15-28.
Vejarano, R.; Siche, R.;
Tesfaye, W. 2017. Evaluation of biological contaminants in foods by
hyperspectral imaging: A review. International journal of food properties 20
(sup2), 1264-1297.
Yapar, A.; Yetim, H.
1999. Determination of anchovy freshness by refractive index of eye fluid.
Food Research International 31(10): 693-695.
