Summary

Um sistema de visão computacional para a avaliação do comportamento de derretimento de sorvetes

Published: October 04, 2024
doi:

Summary

Aqui, apresentamos um protocolo baseado em um sistema de visão computacional (CVS) para determinar o comportamento de fusão de sistemas alimentares multifásicos.

Abstract

O comportamento de derretimento é um dos índices de qualidade mais importantes do sorvete. Geralmente é avaliado por métodos gravimétricos e expresso em termos de tempo de início e taxa de fusão. No entanto, o aspecto do sorvete durante a fusão também é importante porque a retenção da forma está ligada a uma boa estrutura do produto. O protocolo aqui proposto ilustra um sistema de visão computacional (CVS) que pode ser usado para suportar a metodologia gravitacional já existente para calcular dois novos índices de fusão relacionados à retenção de forma e taxa de fusão. Fotos de sorvete durante o derretimento são tiradas a cada 15 minutos para um total de 90 minutos. Posteriormente, as imagens digitais são elaboradas usando um método de processamento de imagem desenvolvido propositadamente para calcular a área, altura e largura do sorvete. A razão entre altura e largura em cada tempo de fusão, referida à razão no tempo 0 (Rt/R0), é um índice da retenção da forma do sorvete, enquanto a área nos diferentes tempos de fusão referida à área no tempo 0 (At/A0) está relacionada à taxa de fusão. Este sistema de visão computacional permite a obtenção de resultados altamente sensíveis e confiáveis, podendo ser aplicado não só em sorvetes, mas também em diferentes matrizes alimentares, como chantilly ou albumina de ovo.

Introduction

O sorvete é um sistema multifásico no qual as fases líquida, sólida e gasosa estão estritamente conectadas. A fase líquida contínua envolve bolhas de ar e cristais de gelo e contém gorduras parcialmente cristalizadas, proteínas coloidais, sais, açúcares (eventualmente cristalizados) e estabilizadores. A composição do sorvete varia de acordo com as solicitações do mercado local e possíveis regulamentações. Embora a tecnologia de processamento afete as características do sorvete final, cada constituinte desempenha um papel importante na definição da qualidade do produto1. O comportamento de derretimento é um dos mais importantes índices de qualidade do sorvete, considerando fenômenos que ocorrem tanto durante o consumo quanto na boca. Com a penetração do calor no sorvete, os cristais de gelo derretem e a água se difunde e se mistura com a fase sérica, que pode drenar pela estrutura restante2. Um produto de fusão rápida é indesejável para uma alimentação confortável, mas também para garantir uma maior resistência ao choque térmico. No entanto, produtos de fusão lenta também indicam alguns defeitos na formulação1. Sabe-se que a microestrutura do sorvete é responsável pelas propriedades de fusão3, mas resultados contrastantes foram publicados até o momento, mostrando que o conhecimento sobre a influência de fatores microestruturais na fusão ainda é limitado4. Assim, mais estudos são necessários para elucidar o mecanismo de fusão, o que é crucial também no desenho de novas formulações3.

O comportamento de fusão é geralmente avaliado por métodos gravimétricos e expresso em termos de tempo de início e taxa de fusão5. Uma determinada porção de sorvete é colocada em uma tela de arame em um gabinete de temperatura controlada e o peso do produto derretido é registrado. A partir da curva peso-tempo, três fases podem ser destacadas: a fase de latência durante a qual ocorre a penetração do calor, a fase de fusão rápida com a fase de soro diluído fluindo através da estrutura do sorvete na taxa máxima e a fase estacionária, onde a maior parte do produto pingou2.

Com o método gravimétrico, produtos de fusão lenta e rápida podem ser reconhecidos; No entanto, o aspecto do sorvete durante o colapso também é importante, pois a retenção da forma está ligada a uma boa composição e estrutura do produto6. Assim, um procedimento baseado em um sistema de visão computacional (CVS) pode apoiar a metodologia gravitacional já existente, permitindo o estudo da aparência do produto durante a fusão. Os CVSs podem adquirir vários atributos alimentares3 (por exemplo, tamanho, peso, forma, textura e cor) com detalhes precisos que não podem ser observados pelo olho humano. Tais sistemas são geralmente feitos de câmeras digitais e software de processamento de imagem7. De fato, um protocolo baseado em CVSs inclui duas etapas principais: 1) aquisição de imagem e 2) processamento de imagem. Vários níveis de processamento de imagem podem ser aplicados7, desde os mais simples até os mais complexos, como métodos de aprendizado profundo para desenvolvimento de Inteligência Artificial 8,9. Recentemente, foi dada grande atenção aos CVSs no setor de alimentos, e um grande número de aplicações foi desenvolvido para inspeção de segurança alimentar, monitoramento de processamento de alimentos, detecção de objetos estranhos e outros campos. São rápidos, eficientes e não destrutivos, representando ferramentas válidas para fornecer aos consumidores alimentos seguros e de alta qualidade10.

Na área de sorvetes, um método de análise de imagens foi sugerido para estudar a recristalização do gelo por microscopia óptica11. Mais recentemente, imagens de tomografia computadorizada de raios-X foram processadas para analisar a microestrutura 3D de matérias porosas moles, incluindo sorvete3. No entanto, a elaboração de imagens digitais simples de Charge Coupled Device (CCD) pode apresentar várias vantagens em termos de facilidade de aquisição e renderização do aspecto sorvete percebido pelos consumidores. Alguns autores mostram imagens de sorvete durante o derretimento12, mas, até onde sabemos, a extração de índices numéricos das imagens foi relatada pela primeira vez por Moriano e Alamprese13.

Portanto, o protocolo aqui proposto, baseado no trabalho de Moriano e Alamprese13, ilustra um CVS simples que pode ser aplicado para apoiar a metodologia gravitacional já existente para o estudo do comportamento de derretimento de sorvetes. Um diagrama de blocos do método proposto é ilustrado na Figura 1. O uso de tal sistema permite o cálculo de dois índices de fusão relacionados à retenção da forma e à taxa de fusão. Em particular, o artigo descreve pela primeira vez a configuração experimental detalhada e o procedimento para aquisição de imagem digital durante o derretimento do sorvete e as etapas de processamento da imagem. Além disso, os resultados obtidos com sorvetes produzidos com diferentes adoçantes (ou seja, sacarose, sucromalt e eritritol) são relatados para mostrar o potencial do método.

Figure 1
Figura 1: Diagrama de blocos das metodologias propostas. Resumo das etapas gerais para o Sistema de Visão Computacional proposto e o método gravimétrico para estudar o comportamento de derretimento do sorvete. Clique aqui para ver uma versão maior desta figura.

Protocol

1. Configuração experimental e procedimentos para ensaios de fusão Preparação de amostras de sorveteEscolha copos transparentes de volume e formato fixos, com tampas. Corte duas tiras compridas de papel manteiga com cerca de 2 cm de largura e, com a ajuda de fita adesiva, fixe-as nas paredes internas do copo para formar uma cruz no fundo. Comece a encher o copo com a amostra de sorvete usando uma espátula.NOTA: Antes de começar, certifique-se…

Representative Results

Como exemplo dos resultados CVS propostos, são mostrados os resultados das análises de fusão para três formulações diferentes de sorvetes, em comparação com os dados obtidos pelo método gravimétrico. Em particular, o comportamento de derretimento de sorvetes feitos com diferentes adoçantes (ou seja, sacarose, sucromalt e eritritol) foi estudado. A Tabela 1 e a Figura 5A mostram os resultados do índice …

Discussion

O CVS proposto permite o cálculo dos índices de retenção de forma e área de amostras de sorvete durante a fusão, além de visualizar o processo de fusão. Pode ser acoplado ao método gravimétrico tradicional aplicado para avaliar o comportamento de fusão do sorvete5, para obter resultados relacionados ao aspecto do sorvete. Isso é muito importante porque os consumidores avaliam sua qualidade também com base na aparência visual do produto, e a capacidad…

Disclosures

The authors have nothing to disclose.

Materials

Cabinet Cavallo s.r.l. FTX700 Location for the melting test
Digital camera Sony Group Corp DSC-S650
Digital scale Gibertini Elettronica EU-C 4002 LCD
ImagePro Plus 7.0 Media Cybernetics, Inc N/A Image analysis elaboration software
Microsoft Excel Microsoft N/A Data and graphical elaboration
Scalecom Gibertini Elettronica N/A Digital scale software acquisition
Tripod Manfratto #055

References

  1. Marshall, R. T., Arbuckle, W. S. . Ice Cream. , (1996).
  2. Goff, H. D., Hartel, R. W. . Ice Cream. , (2013).
  3. Metilli, L., et al. Investigating the microstructure of soft, microporous matter with synchrotron X-ray tomography. Materials Characterization. 180, 111408 (2021).
  4. Liu, X., Sala, G., Scholten, E. Structural and functional differences between ice crystal-dominated and fat network-dominated ice cream. Food Hydrocolloids. 138, 108466 (2023).
  5. Alamprese, C., Foschino, R., Rossi, M., Pompei, C., Savani, L. Survival of Lactobacillus johnsonii La1 and influence of its addition in retail-manufactured ice cream produced with different sugar and fat concentrations. International Dairy Journal. 12 (2-3), 201-208 (2002).
  6. Alamprese, C., Foschino, R. Technology and Stability of Probiotic and Prebiotic Ice Cream. Probiotic and Prebiotic Foods: Technology, Stability and Benefits to Human Health. , (2011).
  7. Golnabi, H., Asadpour, A. Design and application of industrial machine vision systems. Robotics and Computer-Integrated Manufacturing. 23 (6), 630-637 (2007).
  8. Patel, C., et al. DBGC: Dimension-based generic convolution block for object recognition. Sensors. 22 (5), 1780 (2022).
  9. Bhatt, D., et al. CNN variants for computer vision: History, architecture, application, challenges and future scope. Electronics. 10 (20), 2470 (2021).
  10. Zhu, L., Spachos, P., Pensini, E., Plataniotis, K. N. Deep learning and machine vision for food processing: A survey. Current Research in Food Science. 4, 233-249 (2021).
  11. Donhowe, D. P., Hartel, R. W. Recrystallization of ice in ice cream during controlled accelerated storage. International Dairy Journal. 6 (11-12), 1191-1208 (1996).
  12. Velásquez-Cock, J., et al. Influence of cellulose nanofibrils on the structural elements of ice cream. Food Hydrocolloids. 87, 204-213 (2019).
  13. Moriano, M. E., Alamprese, C. Honey, trehalose and erythritol as sucrose-alternative sweeteners for artisanal ice cream. A pilot study. LWT-Food Science & Technology. 75, 329-334 (2017).
  14. Loffredi, E., Moriano, M. E., Masseroni, L., Alamprese, C. Effects of different emulsifier substitutes on artisanal ice cream quality. LWT-Food Science & Technology. 137, 110499 (2021).
  15. Loffredi, E., Alamprese, C. Optimisation of a blend of emulsifier substitutes for clean-label artisanal ice cream. LWT-Food Science & Technology. 173, 114338 (2023).
  16. Moriano, M. E., Alamprese, C. Organogels as novel ingredients for low saturated fat ice creams. LWT-Food Science & Technology. 86, 371-376 (2017).

Play Video

Cite This Article
Loffredi, E., Alamprese, C. A Computer Vision System for the Assessment of Ice Cream Melting Behavior. J. Vis. Exp. (212), e66114, doi:10.3791/66114 (2024).

View Video