Índice de carotenoides de pimiento morrón (Capsicum annuum) basado en la medición de color, utilizando imágenes hyperespectrales y digitales

Authors

  • Adamary Paredes Universidad Nacional Pedro Ruiz Gallo.
  • Jennifer Peche Universidad Nacional Pedro Ruiz Gallo.
  • Noemí León Universidad Nacional Pedro Ruiz Gallo. http://orcid.org/0000-0001-5001-1558

DOI:

https://doi.org/10.17268/sci.agropecu.2019.04.10

Keywords:

pimiento morrón, índice de carotenoides, análisis de imagen, visión computacional.

Abstract

El objetivo del estudio fue evaluar métodos no destructivos basados en la medición de color en cinco grados de madurez (100% verde (M1), 10% a 30% de madurez (M2), 40% a 60% de madurez (M3), 70% a 90% de madurez (M4) y 100% maduro (M5) de pimiento morrón mediante el uso de imágenes hyperespectrales en rango visible (Vis) desde 380 a 750 nm (37 bandas espectrales) e imágenes digitales (RGB) y su conversión al espacio de color CIELAB. Los pimientos fueron recolectados en diferentes grados de madurez desde el color verde hasta el rojo completamente, los parámetros de calidad de clorofila y carotenoides totales fue determinado mediante método espectofotometrico y su contenido fue correlacionado con los datos espectrales y de espacio de color CIELAB. El Indice espectral (CRI700) mostró una correlación positiva de 0,915 (p< 0,01) con respecto al contenido de carotenoides y una correlación negativa de -0,972 respecto al contenido de clorofila y la variable a* (verde – rojo) con el contenido de carotenoides mostró una correlación positiva de 0,949 (p < 0,01) y negativa de -0,968 con clorofila. Concluyendo que estos métodos permitirían analizar muestras intactas de pimiento morrón en distintos grados de madurez.

Author Biographies

Adamary Paredes, Universidad Nacional Pedro Ruiz Gallo.

Jennifer Peche, Universidad Nacional Pedro Ruiz Gallo.

Noemí León, Universidad Nacional Pedro Ruiz Gallo.

References

Asnin, L.; Park, S. W. 2015. Isolation and analysis of bioactive compounds in Capsicum peppers. Critical Reviews in Food Science and Nutrition 55(2): 254-289.

Aredo, V.; Velásquez, L.; Siche, R. 2017. Prediction of beef marbling using Hyperspectral Imaging (HSI) and Partial Least Squares Regression (PLSR). Scientia Agropecuaria 8(2): 169-174.

Baenas, N.; Belović, M.; Ilic, N.; Moreno, D. A.; García-Viguera, C. 2019. Industrial use of pepper (Capsicum annum L.) derived products: Technological benefits and biological advantages. Food Chemistry 274: 872-885.

Biehler, E.; Mayer, F.; Hoffmann, L; Krause, E.; Bohn, T. 2010. Comparison of three spectrophotometric methods for carotenoid determination in frequently consumed fruits and vegetables. Journal of Food Science 75: 55-61.

Caporaso, N.; Whitworth, M. B.; Grebby, S.; Fisk, I. D. 2018. Rapid prediction of single green coffee bean moisture and lipid content by hyperspectral imaging. Journal of Food Engineering, 227: 18-29.

Costa, C; Antonucci, F.; Aguzzi, J; Sun, D-W; Menesatti, P. 2011. Shape analysis of agricultural products: a review of recent research advances and potential application to computer vision. Food and Bioprocess Tech-nology 4: 673-692.

Costa, G.B.; Fernandes, D.D.S.; Almeida, V.E.; Araújo, T.S.P.; Melo, J.P.; Diniz, P.H.; Véras, G. 2015. Digital image-based classification of biodiesel. Talanta 39: 50-55.

Cueto, M.; Farroni, A.; Schoenlechner, R.; Schleining, G.; Buera, P. 2017. Carotenoid and color changes in traditionally flaked and extruded products. Food Chemistry 229: 640-645.

Dereje, A. 2003. Screening Capsicum annuum germaplasm for variability in ascorbic acid, total soluble solids and dry matter content, Jerusalen: The Hebrew University of Jerusalem.

El-Hendawy, S; Al-Suhaibani, N; Salem, A E; Rehman, S.U.; Schmidhalter, U. 2015. Spectral reflectance indices as a rapid and nondestructive phenotyping tool for estimating different morphophysiological traits of contrasting spring wheat germplasms under arid conditions. Turkish Journal of Agriculture and Forestry 39: 572-587.

Feng, C.-H.; Makino, Y.; Oshita, S.; García Martín, J.F. 2018. Hyperspectral imaging and multispectral imaging as the novel techniques for detecting defects in raw and processed meat products: Current state-of-the-art research advances. Food Control 84: 165-176.

Fray, A.; Keceli, M. A.; Ökmen, B.; Sigva, H. Ö.; Yemenicioglu, A.; Doganlar, S. 2008. Water soluble Antioxidant potential of Turkish pepper cultivars. HortScience 43: 631–636.

Gitelson, A.A.; Zur, Y.; Chivkunova, O.B.; Merzlyak, M.N. 2002. Assessing carotenoid content in plant leaves with reflectance spectroscopy. Photochem. Photobiol. 75, 272–281.

Gonzáles, I. 2010. Caracterización química del color de diferentes variedades de guayaba (Psidium guajava L.) colombiana. Tesis de Magister en Ciencias Química. Universidad Nacional de Colombia. Bogotá. Colombia. 84 pp.

Kilcrease, J.; Rodriguez-Uribe, L.; Richins, R. D.; Arcos, J. M. G.; Victorino, J.; O’Connell, M. A. 2015. Correlations of carotenoid content and transcript abundances for fibrillin and carotenogenic enzymes in Capsicum annum fruit pericarp. Plant Science 232: 57-66.

Leme, D.; Alves da Silva, S.; Groenner B.; Meira, F.; Fonseca, R. 2019. Recognition of coffee roasting degree using a computer vision system. Computers and Electronics in Agriculture 156: 312–317.

León, N.; Abderrahim, M.; Nuñez, L.; Arribas, S. M.; Condezo, L. 2016. Prediction of fermentation index of cocoa beans (Theobroma cacao L.) based on color measurement and artificial neural networks. Talanta 161: 31-39.

León, N.; Aguilar. S.; Quispe, J.; Mamani, W.; Alfaro, S.; Condezo, L. 2019. A green analytical assay for the quantitation of the total saponins in quinoa (Chenopodium quinoa Willd.) based on macro lens-coupled smartphone. Talanta 204: 576-585.

Lichtenthaler, H. 1987. Chlorophylls and carotenoids: pigments of photosynthetic biomembranes. Methods in Enzymology. Current Protocols in Food Analytical Chemistry, Issue 148: 350-382.

Loizzo, M. R.; Pugliese, A.; Bonesi, M.; Menichini, F.; Tundis, R. 2015. Evaluation of chemical profile and antioxidant activity of twenty cultivars from Capsicum annuum, Capsicum baccatum, Capsicum chacoense and Capsicum chinense: A comparison between fresh and processed peppers. LWT - Food Science and Technology 64(2): 623-631.

Lu, R.; Mendoza, F. 2015. Basics of Image Analysis. En: Hyperspectral Imaging Technology in Food and Agriculture. New York: Springer 404 pp.

Minguez, M.; Pérez, A.; Hornero, D. 2005. Pigmentos carotenoides en frutas y vegetales mucho más que simples “colorantes” naturales. CTC Alimentation 26: 108-113.

Patsilinakos, A.; Ragno, R.; Carradori, S.; Petra-lito, S.; Cesa, S. 2018. Carotenoid content of Goji berries: CIELAB, HPLC-DAD analyses and quantitative correlation. Food Chemistry 268: 49-56.

Resonon Inc. 2016. SpectrononPro Manual. Estados Unidos: Release 5.0.

Sanaeifar, A.; Bakhshipour, A.; Guardia, M. 2016. Prediction of banana quality indices. Talanta 48: 54-61.

Siche, R.; Vejarano, R.; Aredo, V.; Velasquez, L.; Saldaña, E.; Quevedo, R. 2016. Evaluation of Food Quality and Safety with Hyperspectral Imaging (HSI). Food Engineering Reviews 8(3): 306-322.

Schmilovitch, Z.; Ignat, T.; Alchanatis, V.; Gatker, J.; Ostrovsky, V.; Felföldi, J. 2014. Hyperspectral imaging of intact bell peppers. biosystems engineering 117: 83-93.

Vásquez, A. 2015. Estimación de las coordenadas CIEL*a*b* en concentrados de tomate utilizando imágenes digitales. Tesis de Magister en Ingeniería Agroindustrial. Universidad Nacional de Colombia. Palmira, Colombia. 153 pp.

Velásquez, L.; Cruz-Tirado, J.P.; Siche, R.; Quevedo, R. 2017. An application based on the decision tree to classify the marbling of beef by hyperspectral imaging. Meat Science 133: 43-50.

Vidal, M.; Garcia-Arrona, R.; Bordagarey, A.; Ostra, M.; Albizu, G. 2018. Simultaneous determination of color additives tartrazine and allura red in food productions by digital image analysis. Talanta 184: 58-64.

Xie, J.; Yao, S.; Ming, J.; Deng, L.; Zeng, K. 2019. Variations in chlorophyll and carotenoid contents and expression of genes involved in pigment metabolism response to oleocellosis in citrus fruits. Food Chemistry 272: 49-57.

Zhou, X.; Huang, W.; Kong, W.; Ye, H.; Dong, Y.; Casa, R. 2017. Assessment of leaf caro-tenoids content with a new carotenoid index: Development and validation on experimental and model data. International Journal of Applied Earth Observation and Geoinformation 57: 24-35.

Received February 15, 2019.

Accepted December 21, 2019.

Corresponding author: noemileon26@gmail.com (N. León).

Published

2019-12-26

How to Cite

Paredes, A., Peche, J., & León, N. (2019). Índice de carotenoides de pimiento morrón (Capsicum annuum) basado en la medición de color, utilizando imágenes hyperespectrales y digitales. Scientia Agropecuaria, 10(4), 531-539. https://doi.org/10.17268/sci.agropecu.2019.04.10

Issue

Section

Original Articles

Similar Articles

You may also start an advanced similarity search for this article.