TECNOLOGIA NO INVASIVA PARA LA DETERMINACIONAUTOMATICA DEL CONTENIDO TOTAL DE

POLIFENOLES EN EL ACEITE DE OLIVA VIRGEN

D. M. Martınez Gila, J. Beltran Ortega, J. Gamez Garcıa y J. Gomez OrtegaGrupo de Robotica, Automatica y Vision por Computador

Universidad de Jaen, Campus Las Lagunillas s/n, ES-23071, Jaen (Espana)dmgila@ujaen.es

Resumen

La calidad del aceite de oliva virgen (AOV)esta regulada por normativa Europea y permite eti-quetar al aceite como lampante, virgen o virgen ex-tra en funcion del valor de una serie de parame-tros quımicos y organolepticos. Estos parametrosestan relacionados con la estabilidad del AOV ycon sus caracterısticas sensoriales mas que con lapresencia de componentes beneficiosos para la sa-lud humana. Es por ello que en los ultimos anosse haya incrementado el numero de trabajos queestudian la presencia de este tipo de componen-tes minoritarios en el AOV. Los polifenoles sonun grupo de este tipo de componentes minorita-rios. En este trabajo se estudia la relacion entrela respuesta espectral en el infrarrojo cercano delAOV y su contenido en polifenoles. La seleccionde las componentes espectrales que mejor correla-cionan con este tipo de compuestos podrıa ser elprimer paso para la implementacion de un sensorNIR (near-infrared) on-line de bajo coste con elobjetivo de ser incorporado en el proceso de ex-traccion el AOV. Ademas en este trabajo se ha es-tudiado la influencia de la turbidez del AOV sobrelas estimaciones obtenidas con los modelos de re-gresion. Para realizar el estudios se han empleado63 muestras de AOV y los resultados de los anali-sis quımicos realizados por un laboratorio externo.El modelo de regresion que mejor resultado obtuvofue el FSMLR con un pre-filtrado de caracterısti-cas basado en ANOVA, con el cual se alcanzo unRMSECV de 75 ppm, un coeficiente R2 de 0.94 yun RPD de 4.76.

Palabras clave: Tecnologıas No Invasivas;Monitorizacion; Espectroscopıa NIR; Proceso deElaboracion del Aceite de Oliva

1. INTRODUCCION

La calidad del AOV esta regulada por la normaCE 61/2011 y esta relacionada con el grado deacidez y su estado de oxidacion, el cual es medi-do a traves del ındice de peroxidos y los ındicesde absorcion K232, K270 y ∆K [1]. Estos parame-tros, que son usados para el etiquetado comercial

del AOV, no incluyen otros marcadores analıticos,como son los compuestos fenolicos, los tocoferolesy los carotenoides entre otros, que estan relacio-nados con las propiedades del AOV que son be-neficiosas para la salud. Por otro lado, conocer elporcentaje de concentracion de este tipo de com-puestos puede ser interesante para el consumidora la hora de seleccionar el producto a comprar ypara los productores como estrategia de comercia-lizacion del producto.

El proceso de elaboracion del AOV consta de va-rias fases, que son principalmente el proceso demolienda, el proceso de batido, el proceso de ex-traccion y la fase de limpieza del aceite [2]. Otrasfases como son los procesos de filtrado no se inclu-yen siempre en el proceso y dependen del objetivode elaboracion (calidad o cantidad). Las relacio-nes entre las variables tecnologicas del proceso ylos marcadores analıticos que se mencionaron enel parrafo anterior han sido estudiadas en traba-jos recientes [3] [4]. El ajuste de estas variables conel objetivo de maximizar la presencia de los com-ponentes saludables requiere de la monitorizacionon-line de estos componentes a nivel de planta.

Los compuestos fenolicos son una categorıa de es-te tipo de componentes minoritarios beneficiosospara la salud humana [5]. Hoy en dıa, los metodosempleados para la determinacion de este tipo decompuestos estan basados en cromatografıa lıqui-da y gaseosa. Estos metodos requieren de la prepa-racion de la muestra, consumen bastante tiempo,son caros y requieren de personal cualificado.

El objetivo de este trabajo esta centrado en dospuntos. El primero consiste en la seleccion de laslongitudes de onda del espectro que estan mejorrelacionadas con el contenido de polifenoles totalesde las muestras de AOV bajo estudio. Esta rela-cion podrıa reducir el coste del equipo NIR y lostiempos de adquisicion y de procesado. El segun-do objetivo esta relacionado con la evaluacion dela influencia de la turbidez del aceite en los re-sultados de prediccion a partir de los modelos decalibracion obtenidos.

El artıculo se organiza en cinco apartados: En elapartado 2 se revisa el estado del arte de la tecni-

Actas de las XXXVI Jornadas de Automática, 2 - 4 de septiembre de 2015. Bilbao ISBN 978-84-15914-12-9 © 2015 Comité Español de Automática de la IFAC (CEA-IFAC) 1

ca; En el apartado 3 se explica la solucion que se vaa emplear para alcanzar los objetivos propuestos;A continuacion, el apartado 4 muestra la platafor-ma de experimentacion empleada y los algoritmosmatematicos utilizados para obtener los resulta-dos; Por otro lado, en el apartado 5 se explicanlos resultados obtenidos; Finalmente, en el apar-tado 6 se exponen las conclusiones del trabajo.

2. ESTADO DEL ARTE

El empleo de la espectroscopıa vibracional en elinfrarrojo cercano (NIR) como tecnologıa rapidapara la determinacion de la calidad del AOV ya hasido probada en varios trabajos de investigacion.Por ejemplo, en [6] los autores usaron la espectros-copıa NIR para estimar el contenido en compo-nentes minoritarios y los atributos sensoriales demuestras de AOV. En el estudio se estimo el conte-nido total de fenoles y el contenido en oleuropeinaa traves de correlaciones por mınimos cuadradosparciales (PLS), obteniendo un coeficientes de co-rrelacion de 0.90 y 0.88 respectivamente. Por otrolado, en [7] a partir de la respuesta NIR de dife-rentes muestras de AOV se obtuvieron diferentescurvas de calibracion para la estimacion de su ca-lidad. Del mismo modo, en [8] la tecnologıa NIR yel metodo de regresion PLS se empleo como meto-do de estimacion de componentes minoritarios yparametros de calidad del AOV comparando estavez dos espectrometros NIR diferentes. La deter-minacion de compuestos fenolicos empleando NIRtambien ha sido aplicada a otros productos comose puede ver en [9] y [10] donde ademas han iden-tificado las componentes del espectro que mejorcuantifican el compuesto molecular.

En relacion a la aplicacion del NIR on-line en plan-ta tambien se han registrado algunos trabajos. En[11] aparece una recopilacion de todos ellos. Noobstante la influencia que sobre el espectro puedantener las variables relacionadas con el propio esta-do del aceite (temperatura, humedad, turbidez, ...)no han sido tan estudiadas. Variables que ademasevolucionan durante la campana y que pueden darlugar a errores de prediccion elevados o, en el me-jor de los casos, a continuas recalibraciones deldispositivo. Este hecho junto con el todavıa ele-vado precio de los dispositivos NIR ha hecho quesu porcentaje de implantacion en fabricas sea aunmuy bajo.

3. NUESTRA PROPUESTA

El flujo de trabajo que se ha seguido para el estu-dio de la relacion entre el contenido de polifenolesdel AOV y su respuesta espectral en el infrarrojocercano se muestra en la figura 1.

Adquisición del espectro

Preprocesado

DIFFSNV MSC

Configuración delvector de características

Tmn

T'mn

Xmk

Modelos de regresióny validación

Figura 1: Diagrama de bloques del flujo de trabajoque se ha seguido.

En primer lugar se obtuvo la respuesta espectralde las muestras de AOV a traves de medidas entransflectancia, configurando en la sonda un pasooptico fijo (5 mm). La fuente de iluminacion seajusto segun el grado de turbidez de cada mues-tra (ver seccion 4.3). Tras la captura de los espec-tros se compuso la matriz Tm,n, en la que m esel numero de muestras y n es el numero de lon-gitudes de onda que depende de la resolucion delequipo NIR. A continuacion los espectros captu-rados de cada una de las muestras se procesaronpara eliminar efectos indeseados sobre las senalescapturadas (ver seccion 4.4). A partir de estos da-tos se configuro el vector de caracterısticas de lasmuestras segun se expone en el apartado 4. Porultimo se obtuvo el modelo de calibracion a par-tir de la matriz Xm,k y de los resultados de la-boratorio, donde k son las longitudes de onda se-leccionadas por el metodo que se describira en elsiguiente apartado 4. Los resultados de prediccionse obtuvieron empleando validacion cruzada leave-one-out (LOOCV).

4. MATERIALES Y METODOS

Esta seccion presenta las caracterısticas de lasmuestras de AOV que se emplearon, la configura-cion de la plataforma de experimentacion, ası co-mo los algoritmos utilizados para obtener los re-sultados.

4.1. MUESTRAS DE AOV

Las muestras de aceite de oliva se obtuvieron di-rectamente de fabrica, tras la fase de centrifuga-cion vertical y sin ser filtradas. Para incrementarla varianza en el contenido en polifenoles de las di-

Actas de las XXXVI Jornadas de Automática, 2 - 4 de septiembre de 2015. Bilbao ISBN 978-84-15914-12-9 © 2015 Comité Español de Automática de la IFAC (CEA-IFAC) 2

ferentes muestras de AOV se modificaron las va-riables de proceso (tipo de molino, temperaturade batido, tiempo de batido y adicion de agua endecanter). Ademas esto mismo permitio obtenermuestras de aceite con diferentes grados de turbi-dez. El set inicial de muestras estuvo formado por33 muestras, 11 por cada grado de turbidez. Paraampliar la base de muestras se prepararon nuevascon diferentes concentraciones a partir de mezclasde las originales. El aceite de oliva utilizado fue detipo monovarietal, siendo Picual la variedad prin-cipal.

El analisis del contenido total de polifenoles delas muestras originales fue encargado al laborato-rio del Departamento de Biotecnologıa y Micro-biologıa de Alimentos del Instituto de la Grasa(CSIC). De forma resumida, el procedimiento em-pleado fue el siguiente: 0.6 gramos de aceite deoliva se extrajeron utilizando 3*0.6 mililitros deDMF; la muestra se lavo con hexano y se burbu-jeo N2 sobre esta para eliminar residuos de he-xano. Finalmente la muestra se paso a traves deun filtro con tamano de poro de 0,22µm y se in-yecto en el cromatografo. Para mas detalle ver lareferencia [12].

4.2. PLATAFORMA EXPERIMENTAL

La plataforma experimental configurada para laadquisicion de los espectros de las muestras deAOV es la que aparece en la Figura 2.

Esta formada por el FT-NIR de la marcaARCoptix R⃝ NIR con rango espectral que abarcadesde los 900 nm hasta los 2600 nm y con una reso-lucion espectral de 8cm−1. La fuente halogena em-pleada fue la HL-2000-HP-232R de OceanOptix R⃝con 20W de potencia nominal. La sonda disponede un cabezal con paso optico que permite realizarmedidas en transflectancia.

Los espectros se adquirieron a temperatura am-biente y el numero de capturas por muestra seestablecio en 10. El espectro resultante asociado acada muestra fue el promedio de las 10 capturas.

4.3. PROCESO DE ADQUISICION DEESPECTROS CON AJUSTE DEGANANCIA

La turbidez de las muestras de aceite de oliva sedebe en mayor medida a las micro-gotas de agua ya las impurezas en suspension que contienen [13].La potencia lumınica que recibe el sensor NIR de-pende entre otras cosas de la turbidez de la mues-tra y se puede explicar facilmente con un balancede potencia clasico (Eq. 1).

2

1

3

Figura 2: Plataforma experimental configurada. Elelemento etiquetado con el numero 1 es el sensorNIR, la etiqueta 2 indica la fuente de iluminaciony la etiqueta 3 es la sonda de transflectancia.

Pr(υ) = Pt(υ)− Pabs(υ)− L(υ) (1)

donde υ indica longitud de onda, Pr es la potenciarecibida por el sensor NIR, Pt es la potencia trans-mitida por la fuente halogena, Pabs es la potenciaabsorbida por la muestra y L son las diferentesperdidas causadas por los conectores, juntas, fibraoptica y otros dispositivos como multiplexores enel caso de un sistema multipunto.

Para ajustar la potencia Pt de cada muestra se si-guio un proceso iterativo. Primero se escogio unalongitud de onda de referencia para mantenerconstante en esta la absorcion de todas las mues-tras. Se selecciono υ = 1600nm dado que segunla literatura y nuestra experiencia se trata de lafrecuencia con menos ındice de absorcion. Las 63muestras se dividieron en tres grupos segun sugrado de turbidez. Para cada grupo, se apunto lapotencia mınima recibida y este fue el valor dereferencia de cada grupo. Para el resto de mues-tras del grupo, la Pt de la fuente halogena seajusto manualmente para alcanzar la potencia re-ferencia Pref del grupo. En la Tabla 1 se puedeobservar la potencia referencia Pref para los dife-rentes grupos de muestras considerados.

Actas de las XXXVI Jornadas de Automática, 2 - 4 de septiembre de 2015. Bilbao ISBN 978-84-15914-12-9 © 2015 Comité Español de Automática de la IFAC (CEA-IFAC) 3

Tabla 1: Muestras empleadas en los experimentosGT No de muestras Pr std(Pr) Min. ppm Max. ppm

1 21 202.39 2.53 1017 2169

2 21 301.74 2.37 1017 2169

3 21 403.75 3.38 1017 2169

GT, grado de turbidez para muestras (1) turbias, (2) con grado intermedio de turbidez y (3) poco turbias;Pr, es la potencia media recibida para cada grupo; std(Pr), es la desviacion estandar ; Min. ppm, es laconcentracion mınima en ppm; Max. ppm, es la concentracion maxima en ppm.

4.4. PROCESADO DE ESPECTROS

En primer lugar los espectros se trataron aplican-do algoritmos de preprocesado para corregir per-turbaciones acopladas a las senales ası como rui-do. No es tarea trivial la seleccion del algoritmo depreprocesado que mejor se ajusta a nuestro pro-blema antes de obtener los modelos de regresion.Es por ello que en la literatura se suele seleccio-nar experimentalmente aplicando diferentes algo-ritmos y comprobando la bondad del modelo. Ennuestro caso se comprobaron tres: Standard Nor-mal Variate (SNV) [14], Multiplicative Scatter Co-rrection (MSC) [15] y metodos basados en la pri-mera y segunda derivada. Finalmente los mejoresresultados se obtuvieron con el algoritmo MSC.

El preprocesamiento MSC es un metodo de trans-formacion de senales empleado para compensarefectos aditivos y multiplicativos en el espectro.Elimina no solo efectos ocasionados por variacio-nes en tamanos de las partıculas de la muestra aanalizar, sino tambien por el ruido inducido porla fuente de iluminacion que no aporta ningunainformacion relacionada con la composicion fısicay quımica de la muestra. La expresion 2 muestrala ecuacion de transformacion.

xik(new) =xik(old)− ai

bi(2)

donde xik(old) y xik(new) son los ındices de trans-flectancia para cada una de las i muestras en lask longitudes de onda, antes y despues de la trans-formacion. Las constantes ai y bi son estimadaspor regresion de mınimos cuadrados entre los es-pectros xik y el valor medio de todas las muestrasx para cada una de las longitudes de onda k (Eq.3).

xik = ai + bix+ eik (3)

El error eik del modelo corresponde con toda aque-lla informacion del espectro de las muestras que no

puede ser explicada con el ajuste de las variablesa y b, es decir, con la informacion relacionada conla composicion quımica de las diferentes muestras.

Tras el preprocesado el numero de variables pre-dictoras por muestra fue 821, cantidad relaciona-da con la resolucion del sensor FT-NIR empleado.En la literatura aparecen bastantes artıculos quetrabajan directamente con todo el espectro paraestimar propiedades del AOV a partir de metodosde regresion basados en mınimos cuadrados par-ciales (PLS) [16]. Uno de los objetivos de este tra-bajo es encontrar aquellas longitudes de onda delespectro que permita identificar diferentes concen-traciones de polifenoles. Por ello el espectro (821caracterısticas) se filtro estudiando la varianza delconjunto de datos (ANOVA). Para este estudio seseleccionaron 10 muestras del conjunto, las 5 conel contenido en polifenoles mas alto y las 5 conel mas bajo. Despues de aplicar el analisis de va-rianza se obtuvieron dos parametros F − value yp − value para cada longitud de onda. El primerparametro, F − value, esta relacionada con la dis-tancia euclıdea entre muestras de distintas clasesfrente a la distancia entre muestras de la mismaclase y el segundo parametro, p − value, con lasignificatividad del primer parametro. Los resul-tados del analisis estan representados en la Figura3. Las longitudes de onda significantes (p− valueinferior a 0.05) se seleccionaron como candidataspara formar parte del vector de caracterısticas delas muestras, mientras que el resto de componen-tes se eliminaron del vector. Observando la Figura3 se puede ver como la banda de frecuencias loca-lizada entre los 1700 y los 1820 nm alcanza valoresde p− value inferiores a 0.008, lo que quiere decirque la informacion que aporta esta banda permi-te identificar correctamente a cada una de las dosclases de muestras. Otros trabajos coinciden enque esta banda identifica la presencia de este ti-po de componentes para otro tipo de productos,aportando ademas que esta coincide con el primersobre tono de la vibracion tipo ”stretching”de la

Actas de las XXXVI Jornadas de Automática, 2 - 4 de septiembre de 2015. Bilbao ISBN 978-84-15914-12-9 © 2015 Comité Español de Automática de la IFAC (CEA-IFAC) 4

800 1000 1200 1400 1600 1800 2000 22000

0.5

1

Wavelengths (nm)

pvalue

800 1000 1200 1400 1600 1800 2000 22000

10

20

Fstatistic

0.05

Figura 3: Resultado del analisis ANOVA para todas muestras y para todas las longitudes de onda cap-turadas (ver en color).

a1 a2 a3 a4 ak. . .

1680 1700 1720 1740 1760 1780 1800 1820 1840 1860 18800

0.05

nm

p-value

1680 1700 1720 1740 1760 1780 1800 1820 1840 1860 18800

20

F-statistic

1680 1700 1720 1740 1760 1780 1800 1820 1840 1860 18800

50

100

150

Transflectanceunits

nm

Â1,k=

Figura 4: Configuracion del vector de caracterısticas para la primera muestra del conjunto de datos A1,k.

molecula OH y con la vibracion del grupo fun-cional hidroxilos [17]. En definitiva, el numero delongitudes de onda con p − value inferior a 0.008fue 22 y con ellas se construyo el vector de carac-terısticas en orden decreciente segun F − value.Este proceso se explica graficamente en la Figura4.

Por otro lado se comprobo los resultados obtenidosaplicando el algoritmo descrito con los obtenidospor el metodo de regresion por mınimos cuadradosparciales (PLS). El algoritmo PLS es un metodosupervisado y trata de buscar la combinacion devariables predictoras que maximizan la varianzadel conjunto de datos al mismo tiempo que ob-tienen el mejor coeficiente de correlacion con lasvariables respuestas [16].

4.5. MODELOS DE REGRESION

La amplitud de los picos de absorcion en el espec-tro del infrarrojo cercano de las muestras de AOVesta relacionada con la absorbancia de las molecu-las que se encuentran en el camino del haz de luzincidente sobre la muestra. La relacion entre larespuesta espectral por absorbancia y la concen-tracion de moleculas en la muestra la describe laley de Beer 4 [18].

A = εcl (4)

donde A es la absorbancia, ε es la absorbanciamolar del tipo de molecula, c es la concentracionde moleculas en el haz de luz incidente sobre lamuestra, y l es el paso optico.

Dado que la relacion entre la absorbancia y elnumero de moleculas es lineal, se ha empleado un

Actas de las XXXVI Jornadas de Automática, 2 - 4 de septiembre de 2015. Bilbao ISBN 978-84-15914-12-9 © 2015 Comité Español de Automática de la IFAC (CEA-IFAC) 5

metodo de regresion lineal multiple (MLR) [19]para evaluar la correlacion entre el vector de carac-terısticas construido en el apartado anterior y elcontenido de polifenoles de las muestras de AOV.En concreto se ha empleado MLR con el metodode inclusion de caracterısticas ”Fordward Stepwi-se”(FS) basado en validacion cruzada leave-one-out (LOOCV).

Sea la variable Xn,m la matriz de valores de ab-sorbancia de las muestras, con n el numero demuestras y m el numero de longitudes de ondaconsideradas, el algoritmo consiste en un proce-so iterativo con k iteraciones, que consta de lossiguientes pasos:

Paso 1: si k > m finaliza, si no ir al paso 2.

Paso 2: Xn,k = {An,1, ..., An,k}, donde An,k

es el vector con los valores de absorbancia delas n muestas para las k longitudes de onda.

Paso 3: evaluacion del modelo MLR con va-lidacion LOOCV. El modelo sera Yn−1 =

Xn−1,kβk + εn−1 donde Yn−1 es el valor totalde polifenoles para las n− 1 muestras evalua-das obtenido por procedimientos quımicos, βk

son los coeficientes del modelo and εn−1 sonlos errores de ajuste. El modelo se ajusta pormınimos cuadrados. El error de validacion dela iteracion numero k se obtienen a partir dela ecuacion 5.

RMSECV (k) =

√∑ni=1(yiv − yi)2

n− 1(5)

donde yiv es la concentracion de polifenolespredicha.

Paso 4: volver al paso 1.

5. RESULTADOS

Como se ha mencionado se obtuvo el espectro delos tres conjuntos de muestras con diferentes gra-dos de turbidez (GT). De aquı en adelante nos re-feriremos a GT1 al conjunto de muestras con gradode turbidez bajo, GT2 medio y GT3 alto.

La Tabla 2 muestra la raız del error de validacioncruzada (RMSECV) en ppm para los diferentesalgoritmos de preprocesamiento probados y pa-ra los diferentes modelos de regresion utilizados.Ademas aparecen los resultados cuando los mode-los se validan con muestras de diferentes gradosde turbidez.

Los modelos de regresion se entrenaron con mues-tras de tipo GT1 y se validaron con muestras de

tipo GT1, GT2 y GT3 con el objetivo de evaluar lainfluencia que sobre el modelo tiene la turbidez delaceite. Observando la Tabla 2 los resultados em-peoraron cuando el modelo se valido con muestrasdel grupo 2 y 3. Efecto que tambien ocurre cuandose aplicaron diferentes algoritmos de preprocesa-do. A la vista de los resultados se puede deducirque el control de la ganancia de la fuente de ilumi-nacion es una accion importante a considerar aunempleando algoritmos de preprocesamiento.

1200 1400 1600 1800 2000

1100

1200

1300

1400

1500

1600

1700

1800

1900

2000

2100

Target values

ValuesobtainedbythePLSRmodel

: R=0.86679

Polyphenol content (ppm)

Fit

Y = T

Figura 5: Valores predichos frente a concentracio-nes obtenidas por procedimientos quımicos em-pleando PLSR.

1200 1400 1600 1800 2000

1100

1200

1300

1400

1500

1600

1700

1800

1900

2000

2100

Target values

ValuesobtainedbytheFSMLRmodel

: R=0.97801

Polyphenol content (ppm)

Fit

Y = T

Figura 6: Valores predichos frente a concentracio-nes obtenidas por procedimientos quımicos em-pleando FSMLR.

Ademas en la misma tabla se pueden apreciar di-

Actas de las XXXVI Jornadas de Automática, 2 - 4 de septiembre de 2015. Bilbao ISBN 978-84-15914-12-9 © 2015 Comité Español de Automática de la IFAC (CEA-IFAC) 6

Tabla 2: Tabla de resultados

GT1 GT2 GT3

PA Filteringmet-hod

Regressionalgorithm

N.◦

wvlsNC RMSECV

(ppm)R2 RPD NC RMSECV

(ppm)R2 RPD NC RMSECV

(ppm)R2 RPD

MSC ANOVA OFSMLR 22 19 75.11 0.94 4.76 2 261.43 0.23 1.36 1 266.12 0.36 1.34

SNV ANOVA OFSMLR 19 1 276.31 0.37 1.29 2 262.29 0.03 1.36 2 294.21 0.08 1.21

DIFF ANOVA OFSMLR 20 1 392.94 0.53 0.91 1 359.80 0.07 0.99 1 352.58 0.07 1.01

MSC - PLSR 821 6 175.67 0.73 2 6 193.38 0.68 1.84 6 212.87 0.60 1.67

SNV - PLSR 821 6 176.06 0.73 2.03 6 193.33 0.12 1.84 6 212.53 0.12 1.68

DIFF - PLSR 821 2 248.59 0.54 1.43 1 265.72 0.04 1.34 1 325.63 0.06 1.09

ferencias en los resultados de validacion entre elalgoritmo PLSR y el FSMLR. El modelo PLSR esuno de los algoritmos mas empleado en la litera-tura cuando las variables predictoras son valoresde absorbancia en el infrarojo cercano. Aplicandoeste metodo se obtuvo en el mejor de los casos unerror de validacion de 175 ppm, un coeficiente deregresion (R2) de 0.73 (Figura 5) y un valor deRPD de 2. Cuando los espectros de las muestrasse filtraron y se ordenaron segun el procedimientopropuesto los resultados mejoraron. En este casoel error de validacion se redujo a 75 ppm, el coe-ficiente de regresion aumento a 0.94 (Fig. 6) y unvalor RPD de 4.76. El parametro RPD significa -esidual Predictive Error 2da una idea de la bondaddel modelo.

Por otro lado, los mejores resultados de prediccionse obtuvieron empleando 19 longitudes de onda(en la banda de los 1690 y 1870 nm) como vectorde caracterısticas.

6. CONCLUSIONES

Los resultados obtenidos han permitido la identi-ficacion de una serie de longitudes de onda en elespectro NIR que correlacionan con el contenidode polifenoles de muestras de aceite de oliva. Conlas longitudes de onda que se seleccionaron segunel metodo propuesto se obtuvo un error de vali-dacion cruzada de 75 ppm cuando se empleo elalgorıtmo de regresion FSMLR. El coeficiente R2

fue de 0.94 y el RPD fue de 4.76. Ademas se puedeconcluir que la variabilidad de las muestras oca-sionada por diferencias de turbidez puede afectara las medidas NIR y a los resultados de predic-cion, y que el ajuste de la ganancia de la fuentede iluminacion puede mitigar tal efecto.

Para trabajos futuros se plantea el estudio de otrasvariables que tambien puedan condicionar las me-didas en proceso, como es el caso de la tempera-tura del AOV o su contenido en humedad.

Agradecimientos

El trabajo ha estado parcialmente financiado porel proyeto de investigacion DPI2011-27284 y elproyecto AGR-6616. El trabajo de investigaciondel autor Diego Manuel Martınez Gila se encuen-tra financiado por una beca de investigacion FPIde la Junta de Andalucıa.

Referencias

[1] I. O. Council, Sensory analysis of olive oil- Method - Organoleptic assisment of virginolive oil, 1987.

[2] L. Civantos, Obtencion del aceite de oliva vir-gen, 1999.

[3] A. Gomez-Rico, A. M. Inarejos-Garcia,M. Desamparados Salvador, and G. Fregapa-ne, “Effect of malaxation conditions on phe-nol and volatile profiles in olive paste andthe corresponding virgin olive oils (olea eu-ropaea l. cv. cornicabra),” Journal of Agri-cultural and Food Chemistry, vol. 57, no. 9,pp. 3587–3595, 2009.

[4] M. Servilli, “Influence of technological factorsin virgin olive oil,” OLIVAE, no. 118, pp. 47–54, 2012.

[5] J. Lopez-Miranda, F. Perez-Jimenez, andE. e. a. Ros, “Olive oil and health: Summaryof the ii international conference on olive oil,”In Nutrition, Metabolism and CardiovascularDiseases, no. 20, pp. 284–294, 2010.

[6] A. M. Inarejos-Garcia, S. Gomez-Alonso, andM. D. Fregapane, G. et Salvador, “Evaluationof minor components, sensory characteristicsand quality of virgin olive oil by near infra-red (nir) spectroscopy,” Food Research Inter-national, vol. 50, no. 1, pp. 250–258, 2013.

Actas de las XXXVI Jornadas de Automática, 2 - 4 de septiembre de 2015. Bilbao ISBN 978-84-15914-12-9 © 2015 Comité Español de Automática de la IFAC (CEA-IFAC) 7

[7] R. J. Mailer, “Rapid evaluation of oli-ve oil quality by nir reflectance spectros-copy,” Journal of the American Oil Che-mists’Society, vol. 81, no. 9, pp. 823–827,2004.

[8] M. Manley and K. Eberle, “Rapid evaluationof olive oil quality by nir reflectance spectros-copy,” Journal of Near Infrared Spectroscopy,vol. 14, no. 1, pp. 111–126, 2006.

[9] C. Xiong, C. Liu, W. Pan, F. Ma, C. Xiong,L. Qi, F. Chen, X. Lu, J. Yang, andL. Zheng, “Non-destructive determination oftotal polyphenols content and classification ofstorage periods of iron buddha tea using mul-tispectral imaging system,” Food Chemistry,vol. 176, pp. 130–136, 2015.

[10] M.-S. Lee, Y.-S. Hwang, J. Lee, and M.-G. Choung, “The characterization of caffei-ne and nine individual catechins in the lea-ves of green tea (camellia sinensis l.) by near-infrared reflectance spectroscopy,” Food Che-mistry, vol. 158, pp. 351–357, 2014.

[11] M. Casale and R. Simonetti, “Review: Nearinfrared spectroscopy for analysing oliveoils,” Journal of Near Infrared Spectroscopy,vol. 22, no. 2, p. 59–80, 2014.

[12] C. Romero and M. Brenes, “Analysis of to-tal contents of hydroxytyrosol and tyrosol inolive oils,” Journal of Agricultural and FoodChemistry, vol. 60, no. 36, pp. 9017–9022,2012.

[13] B. Gordillo, L. Ciaccheri, A. G. Mignani,M. Lourdes Gonzalez-Miret, and F. J. Here-dia, “Influence of turbidity grade on color andappearance of virgin olive oil,” Journal of theAmerican Oil Chemists Society, vol. 88, no. 9,pp. 1317–1327, 2011.

[14] R. J. Barnes, M. S. Dhanoa, and S. J. Lister,“Standard normal variate transformation andde-trending of near-infrared diffuse reflectan-ce spectra,” Applied Spectroscopy, vol. 43,no. 5, 1989.

[15] P. Geladi, D. MacDougall, and H. Mar-tens, “Linearization and scatter-correctionfor near-infrared reflectance spectra of meat,”Applied Spectroscopy, vol. 39, no. 3, pp. 491–500, 1985.

[16] H. Wold, Partial least square. Wiley, 1985.

[17] D. Cozzolino, I. Murray, A. Chree, andJ. Scaife, “Multivariate determination of freefatty acids and moisture in fish oils by par-tial least-squares regression andnear-infrared

spectroscopy,” Food Science and Technology,vol. 38, pp. 821–828, 2005.

[18] J. Workman and L. Weyer, Practical Gui-de and Spectral Atlas for Interpretive Near-Infrared Spectroscopy, Second Edition. CRCPress, 2012.

[19] R. Brereton, Principal component regressionin: Chemometrics, Data Analysis for the La-boratory and Chemical Plant. Wiley andSons, 2003.

Actas de las XXXVI Jornadas de Automática, 2 - 4 de septiembre de 2015. Bilbao ISBN 978-84-15914-12-9 © 2015 Comité Español de Automática de la IFAC (CEA-IFAC) 8