Aplicación de la tecnología de espectroscopia de infrarrojo cercano (NIRS) a la clasificación por calidad del corcho en plancha

Transcripción

1 6CFE01-553

2 2/13 Aplicación de la tecnología de espectroscopia de infrarrojo cercano (NIRS) a la clasificación por calidad del corcho en plancha PRADES LÓPEZ, C. 1, GARCÍA OLMO, J. 2, ROMERO PRIETO, T. 3, GARCÍA DE CECA, J.L. 4 y LÓPEZ LUQUE, R. 5 1 Departamento de Ingeniería Forestal. E.T.S. Ingenieros Agrónomos y Montes. Universidad de Córdoba 2 Unidad de Espectroscopía NIR / MIR. Servicio Central de Investigación. Universidad de Córdoba 3 ENSOLAR, Energía Solar y Proyectos Agroforestales S.L.Córdoba 4 Centro de Investigación Forestal CIFOR. Instituto Nacional de Investigación y Tecnología Agraria y Alimentaria INIA 5 Departamento de Física Aplicada. E.T.S. Ingenieros Agrónomos y Montes. Universidad de Córdoba Resumen La determinación de la calidad del corcho en plancha continúa basándose en un método tradicional y manual realizado por escogedores expertos. El objetivo de este estudio es evaluar el potencial de la tecnología NIRS para la caracterización del corcho en plancha por calidades y predecir su contenido de humedad y porosidad. Se utiliza un colectivo de 176 muestras clasificadas en 8 clases de calidad procedentes de Andalucía. Los espectros se obtuvieron con Espectrofotómetro NIRSystems 6500 SY II, mediante sonda de reflectancia remota a través de fibra óptica. De cada muestra se obtuvieron 6 espectros (secciones tangencial y transversal). Las calibraciones desarrolladas para la calidad no poseen una precisión muy alta, si bien la conversión de 8 clases en 3, mejora el coeficiente de determinación (r 2 =0,45 a r 2 =0,47). Las ecuaciones obtenidas para humedad y porosidad presentan una precisión aceptable, r 2 = 0,66 para humedad en la sección tangencial y r 2 = 0,69 para porosidad en la sección transversal A pesar de que los Errores Técnicos de Valoración Cruzada (ETVC) son mayores que los Errores Técnicos de Laboratorio (ETL), los resultados son esperanzadores considerando la heterogeneidad y variabilidad de un producto natural como el corcho y la dificultad de objetivar su clasificación. Palabras clave Quercus suber L, control de calidad, humedad, porosidad, análisis de imagen. 1. Introducción El corcho es la corteza del alcornoque (Quercus suber L.) y corcho en plancha es la denominación que se aplica al corcho extraído del alcornoque que no ha experimentado ningún tipo de transformación, a excepción de una cocción en agua, tras la cual se almacena y se seca en condiciones controladas de humedad y temperatura hasta su recorte y clasificación. La importancia de la clasificación de las planchas de corcho al inicio del proceso de transformación radica en que establece su destino para la elaboración de tapones u otros productos y determina el perfil de calidad del tapón natural, producto que proporciona el mayor valor añadido a la industria del corcho (SILVA et al. 2005). La clasificación del corcho en plancha en la industria y organismos del sector se basa en un procedimiento que combina dos variables: el calibre y el aspecto. El calibre o espesor del corcho es un parámetro cuantitativo y teóricamente objetivo que influye significativamente en las propiedades mecánicas del corcho (PEREIRA, 2007).

3 3/13 El aspecto es indicativo de la aptitud que presenta el corcho para la fabricación de tapón. Su determinación se basa en el criterio de operarios experimentados que clasifican las planchas de corcho visualmente en función de los factores que influyen en su crecimiento. El número de clases de aspecto varía entre las ocho o nueve clases empleadas por organismos oficiales y las cuatro o cinco clases utilizadas en la industria, denominándose refugo al corcho no apto para la fabricación del tapón. La influencia del operador en la clasificación ha sido objeto de estudio y aunque se puede constatar una cierta consistencia también se detectan diferencias acentuadas entre operadores y en clasificaciones individuales (GARCÍA DE CECA, 2001), pudiéndose concluir que este sistema adolece de falta de rigor científico. El principal indicador del aspecto del corcho, y en consecuencia de la calidad, es la porosidad. La porosidad se debe a la presencia de los canales lenticulares o poros que atraviesan el corcho en dirección radial (LAWTON, 1980), entendiéndose en un sentido amplio cuando considera también la presencia y extensión de ciertos defectos. Se evalúa mediante el coeficiente de porosidad y presenta una gran variabilidad incluso en diferentes zonas de la misma plancha (PEREIRA, 2007). Existen técnicas automáticas para la clasificación del aspecto del corcho basadas en la medición de la porosidad mediante análisis de imagen que en la actualidad se aplican a tapones y discos (GONZÁLEZ-ADRADOS & PEREIRA, 1996). En el caso del corcho en plancha, el análisis es más complejo y debido a la dificultad de automatización, su aplicación es manual por lo que de momento no tiene aplicación industrial (BENKIRANE et al. 2001) La reducción de las clases de calidad a tres mejora claramente los resultados del análisis de imagen en corcho en plancha y en tapón (COSTA & PEREIRA, 2005). La tecnología NIRS se está aplicando con resultados satisfactorios al control de calidad de muchos productos agrarios y forestales (FURUMOTO et al. 1999; WILLIAMS & NORRIS, 2001; SCHIMLECK & WORKMAN, 2004). No existen referencias sobre la aplicación al corcho de la espectroscopia de infrarrojo cercano (longitud de onda entre 400 y nm), ya sea para detectar grupos funcionales, moléculas ó cuantificar determinados componentes, pero sí hay diversos estudios que modelizan y asignan longitudes de onda concretas para los principales compuestos de la madera (FAIX & BOTTCHER, 1992). El contenido de humedad es una variable cuya medición es necesaria en todas las etapas del proceso de transformación. La espectroscopia en el infrarrojo cercano se ha revelado como una técnica sensible y adecuada para su determinación en materiales celulares, existiendo precedentes claros en madera que demuestran la relación entre el contenido de humedad y la absorbancia (JIANG & HUANG, 2006). Aspectos como los cambios de temperatura influyen en la absorción de las bandas por lo que deben ser tenidos en cuenta en las calibraciones (BLANCO & VALDES, 2004). En los materiales anisótropos otro factor a considerar es la mejor sección para obtener los espectros: radial, transversal o tangencial. En madera sólida de roble, los mejores resultados para humedad se obtuvieron en las caras transversal y radial, correspondiendo la mayor absorbancia a la sección transversal y detectándose dos picos de absorción para los grupos OH, en 1450 y 1940 nm (DEFO et al. 2007) Las industrias que trabajan con este material en las primeras etapas de su transformación, preparan y clasifican las planchas de corcho estableciendo su aptitud para la

4 4/13 fabricación del tapón natural y determinando el valor añadido de la materia prima. En la actualidad, la industria del corcho se enfrenta a distintos retos, entre los que cabe destacar la mejora de la calidad para competir con los productos sustitutivos que amenazan su posición de liderazgo en el tapado de vinos, y atender a las demandas, cada vez más exigentes, de los sistemas de aseguramiento de la calidad en el sector vinícola. 2. Objetivos El objetivo de este estudio de viabilidad es la puesta a punto de una metodología para la caracterización del corcho en plancha mediante la aplicación de técnicas no destructivas, de bajo coste y fácil implantación industrial como son la tecnología NIRS y el análisis de imagen. Se evalúa el potencial de la tecnología NIRS para introducir criterios objetivos en la identificación de las distintas calidades de corcho en plancha, estimar la porosidad utilizando el análisis de imagen como método de referencia y determinar el contenido de humedad de las planchas. 3. Metodología 3.1. Preparación y clasificación de las muestras Se partió de un total de 176 muestras o calas de corcho crudo de dos procedencias, Córdoba y Málaga, y con un tamaño variable entre 15x15 y 20x20 cm. Están formados respectivamente por 112 y 64 calas que se recortaron de planchas de corcho de dimensiones comerciales seleccionadas aleatoriamente en la pila tras su extracción, de manera que fueran representativas de la distribución de clases de calidad en la industria del corcho. La preparación consistió en la inmersión de las muestras de corcho en agua pura hirviendo durante 1 hora, dejándolas reposar a continuación durante 24 h en ambiente húmedo (humedad relativa media 66%) y con poca luz, con la finalidad de que se estabilizaran, perdieran parte del agua absorbida y adquirieran la consistencia adecuada para su recorte, dejando las secciones transversal y radial limpias para su posterior clasificación visual. La clasificación en ocho clases de aspecto, de primera (1ª) a séptima (7ª) y refugo, se realizó siguiendo el método tradicional. Las 8 clases se simplificaron a 3 agrupando las clases 1ª, 2ª, 3ª y 4ª en taponable bueno (clase 1), clases 5ª y 6ª en taponable flaco (clase 2) y clase 7ª y refugo en no taponable (clase 3) Porosidad Para el cálculo de la porosidad se midió el Coeficiente de Porosidad (CP), definido como la medida del área no ocupada por tejido suberoso típico, es decir, porcentaje de área ocupada por los poros, grietas, galerías de insectos y cambios de coloración (GONZÁLEZ- ADRADOS et al. 2000). De cada muestra se realizaron dos mediciones para cada sección, transversal y tangencial, en toda su superficie. La metodología desarrollada para medir la porosidad de las muestras de corcho está basada en el análisis colorimétrico de imagen. El hardware necesario consta de ordenador personal con sistema operativo Windows 95 o posterior y escáner de sobremesa. El método propuesto parte de la obtención de imágenes de alta resolución (600 ppp) mediante el

5 5/13 escaneado de las caras planas de las muestras de corcho, obteniendo archivos en formato Bitmap Metafile con resolución de 24 millones de colores. La imagen escaneada guarda una relación muy precisa y constante entre tamaño de pixel y dimensiones reales de la imagen. Cada pixel tendrá asociada dos coordenadas espaciales y las de color (DI ZENZO, 1983), que se basan en la superposición de tres colores aditivos básicos rojo (coordenada R), verde (coordenada G) y azul (coordenada B). Las coordenadas de color presentan errores sistemáticos y para corregirlos la calibración se estructura en dos pasos: a.- Escaneado de las tablas colorimétricas certificadas de Munsell b.- Obtención de ecuaciones predictivas, de correlación entre los valores colorimétricos certificados y los obtenidos por el escáner fijando los coeficientes a, b, c, e, f, g, h, i, j, k, l por el método de mínimos cuadrados. Donde Ra, Ga, Ba indican los valores corregidos y Rs, Gs, Bs los valores obtenidos por el escáner. Estas ecuaciones se aplican a las imágenes de las muestras escaneadas para obtener lo ficheros gráficos en formato Bitmap Metafile con valores de RGB corregidos. Para determinar las superficies asociadas a poros dentro de la imagen se hace necesario acudir a un algoritmo de segmentación. El análisis cluster es un método de segmentación de un conjunto de datos en n grupos de individuos similares que se ha aplicado con éxito en ciencias como la medicina e ingeniería. Dentro del análisis cluster el método de las K-medias resulta el más utilizado (WU & YANG, 2002; FERRI & VIDAL, 1992) Humedad R a d R gg jb Ga b ers hgs kbs B c f R ig lb a s s s a s s s La humedad se calculó de acuerdo con las especificaciones de la norma UNE , mediante la expresión: m1 m2 H % m1 m3 Donde, m 1 es la masa, en gramos, del recipiente y de la muestra de ensayo antes del secado, m 2 es la masa, en gramos, del recipiente y de la muestra tras el secado y m 3 es masa, en gramos, del recipiente. Tras medir m 1, inmediatamente se obtuvieron los espectros de infrarrojo cercano en el mismo laboratorio y en condiciones de temperatura estables (24 ºC). El Error Típico Estándar de Laboratorio (ETL) se calculó para dos repeticiones y N muestras para cada una de las variables de referencia. ETL 3.4. Instrumentación y recogida de espectros Las muestras se escanearon con una sonda remota de fibra óptica (NR-6539-A) conectada a un espectrofotómetro Foss-NIRSystems 6500 equipado con 2 detectores: uno para 400 a 1098 nm (denominada región VIS) y otra para 1100 a nm (denominada N i 1 y i1 - y 2N i2 2

6 6/13 región NIR). Los espectros se recogieron en la modalidad de reflectancia, cada 2 nm desde 400 a nm, utilizando software WinISI II versión 1.50 (Infrasoft International, Port Matilda, PA, USA). Las planchas de corcho se colocaron sobre la sonda cubriendo toda la ventana de análisis (5x5 cm), obteniendo espectros en 3 posiciones diferentes de la plancha, tanto en la sección transversal como en la tangencial (Figura 1). Para el análisis de los datos espectrales se consideró el espectro medio de las 3 posiciones para cada plancha. El tiempo de obtención de cada espectro es inferior a 5 minutos. La repetibilidad espectral se estimó mediante el cálculo del estadístico RMS (SHENK & WESTERHAUS, 1995). Figura 1. Zonas donde se obtuvieron los espectros en la sección tangencial (a) y transversal (b) de la plancha de corcho 3.5. Análisis quimiométrico cuantitativo La recogida de espectros y el análisis quimiométrico se realizaron con el software WinISI II (Ver. 1.50). Previamente a la calibración y para evaluar la calidad de los datos espectrales, se utilizó el algoritmo CENTER que realiza un Análisis de Componentes Principales (PCA) y calcula la distancia de cada uno de los espectros al centro del espacio definido por toda la población (distancia H de Mahalanobis), de tal forma que cuando esta distancia es superior a tres para una muestra determinada, el software la clasifica como anómala espectral (SHENK & WESTERHAUS, 1995). Para la obtención de las ecuaciones se utilizó el método de regresión por mínimos cuadrados parciales modificado (MPLS) y se estudió el uso de corrección scatter (corrección de la radiación dispersa) mediante el algoritmo Standard Normal Variate and Detrend (SNV&DT). Las ecuaciones se desarrollaron en distintos rangos del espectro de 400- nm, y se aplicaron diferentes combinaciones de tratamiento matemático de derivadas en distintos rangos espectrales. Los tratamientos de derivación incluidos en el programa WinISI se representan por cuatro dígitos, donde el primero representa el orden de la derivada, el segundo, denominado gap corresponde a la longitud del segmento de derivación en nanómetros, el tercero el número de nanómetros utilizados en el primer suavizado y el cuarto indica el segundo suavizado (SHENK & WESTERHAUS, 1995). Los anómalos químicos (estadístico T > 2.5) y los anómalos espectrales (H>3) fueron excluidos de la calibración. Anómalos químicos son aquellas muestras que presentan una gran diferencia entre el valor de referencia o de laboratorio y el valor predicho por el modelo NIRS mientras que anómalos espectrales son aquellas muestras cuyos espectros son

7 7/13 significativamente distantes del centro de los espectros del colectivo de calibración, proyectado en un espacio de Componentes Principales (SHENK & WESTERHAUS, 1995). Con el objetivo de incluir en esta etapa, de puesta a punto de una nueva metodología, toda la variabilidad tanto espectral como química del colectivo de calibración, se optó por validar las ecuaciones obtenidas mediante validación cruzada. Las mejores ecuaciones se seleccionaron en función del menor valor del ETVC y el mayor valor del Coeficiente de Determinación para el colectivo de validación cruzada (r 2 ), considerados como los mejores estadísticos para determinar la capacidad predictiva de una ecuación (SHENK & WESTERHAUS, 1995). 4. Resultados 4.1. Caracterización del colectivo de muestras. En la Tabla 1 se resumen los valores de los parámetros obtenidos mediante los métodos de referencia, especificando la sección a que corresponden en el caso del Coeficiente de Porosidad. Los valores de aspecto y humedad son los mismos en ambas secciones, ya que participan de forma conjunta en su determinación. Tabla 1. Valores de las variables estudiadas PARÁMETRO N Rango Media DS ETL CV (%) Aspecto visual 8 clases Aspecto visual 3 clases CP Transversal (%) CP Tangencial (%) Contenido de humedad (%) DS: Desviación estándar; CP: Coeficiente de porosidad; ETL: Error estándar de laboratorio; CV: Coeficiente de variación En lo que se refiere al aspecto, el ETL obtenido para las dos series de mediciones realizadas (0.57), ratifica que incluso en clasificaciones realizadas por el mismo operador las diferencias son apreciables. La distribución de las muestras sigue el perfil general de la mayoría de los alcornocales en Andalucía, concentrándose la mayor parte de ellas en las clases quinta (5ª), sexta (6ª) y refugo. Al reducir las clases de aspecto visual a tres el ETL se reduce a Los datos del coeficiente de porosidad en ambas secciones reflejan una distribución muy parecida pero con valores medios superiores en la sección tangencial (Figura 2). Figura 2. Histograma de frecuencias del Coeficiente de Porosidad, en las secciones transversal y tangencial

8 8/13 En la distribución de valores del parámetro humedad se detectan dos muestras con valores extremos, mínimo 4.75% y máximo 14.5%, correspondiendo el valor máximo a la muestra de mayor tamaño. El resto de las muestras se encuentran en el rango de valores 6.02% %. Este intervalo podría considerarse amplio para muestras que están estabilizadas, pero se justifica por las diferentes humedades de equilibrio higroscópico de corcho y madera y por la presencia de inclusiones de tejido leñoso en el corcho. La humedad de equilibrio higroscópico en las condiciones ambientales del laboratorio en que se trabajó, con temperatura estable de 25ºC y humedad relativa ambiental, es aproximadamente del 6% para corcho y del 11% para madera. Las inclusiones de tejido leñoso son uno de los principales factores que influyen en la calidad del corcho, cuanto mayor es su grado de presencia peor es la calidad. Al relacionar las clases de aspecto visual con la humedad se confirma que cuanto peor es la calidad mayor es la humedad. La humedad media para las clases de aspecto 1, 2 y 3 fue respectivamente de 7.18, 7.61 y 7.80 y las desviaciones estándar 0.64, 0.76 y El valor del ETL para el parámetro humedad es similar al obtenido por otros autores en productos similares (SCHIMLECK & WORKMAN, 2004) Estudio espectral Los espectros NIR de las muestras de corcho, en las secciones transversal y tangencial, obtenidos mediante la modalidad de reflectancia remota (Figura 3), presentan las bandas de absorción NIR correspondientes a los grupos CH (alrededor de 1750, 2150, 2300 y 2360 nm) junto a otras debidas a la absorción de los enlaces NH y OH (1450 y 1930 nm). En la región del visible (400 a 800 nm), el espectro presenta un máximo de absorción a 450 nm debido al color de este tipo de muestras (WILLIAMS & NORRIS, 2001). Las diferencias existentes entre los espectros obtenidos en ambas secciones son mínimas en la región NIR existiendo una clara superposición de espectros. Los espectros presentan las mismas bandas en la zona del visible si bien la intensidad de las mismas - log(1/r) - es claramente menor en los espectros de la sección transversal (Figura 3). Se calculó la repetibilidad en la sección tangencial y transversal de las muestras seleccionadas y simultáneamente se evaluó la influencia de luz ambiental obteniendo espectros en la sección tangencial tanto con luz como sin luz. El valor de RMS medio en la sección tangencial con luz ambiental fue de µlog (1/R) mientras que dicho valor sin la influencia de la luz ambiental fue de µlog (1/R). Estos resultados muestran la similar repetibilidad espectral existente y por tanto la escasa influencia de la luz ambiental a la hora de obtener los espectros. El valor de RMS medio para la sección transversal de las muestras analizadas fue de µlog (1/R), ligeramente inferior al valor medio obtenido para la sección tangencial, presentando por tanto esta sección una mayor repetibilidad espectral debido a su mayor homogeneidad frente a la sección tangencial. Dichos resultados fueron empleados para detectar y eliminar espectros anómalos de una misma muestra y lograr una mayor repetibilidad espectral. Se establecieron valores de RMS límite de y µlog (1/R) en las secciones transversal y tangencial, respectivamente. Los espectros de muestras de corcho con valores de RMS superiores se repitieron el fin de detectar anómalos espectrales (SHENK & WESTERHAUS, 1995). Se detectó una muestra anómala en la sección tangencial que fue eliminada del colectivo de calibración.

9 9/ Mejores ecuaciones Figura 3. Espectro medio en las secciones transversal y tangencial a/ Aspecto Durante el desarrollo de la calibración para la estimación del aspecto en 8 clases a partir de los datos de la sección transversal, se observaron muestras con un valor del estadístico T de Student superior a 2.5, valor máximo para considerar a una muestra como anómala química. El origen de esta anomalía podría deberse a la presencia de inclusiones leñosas y ataques de Coroebus undatus. Una vez eliminadas estas muestras, se obtuvo una ecuación que explicó un 45% de la varianza inicial (r 2 =0.45) y que presentaba un error, estimado mediante SECV, de Si bien dichas ecuaciones, no presentan una elevada exactitud y precisión, si son adecuadas para estimar valores altos y bajos (SHENK & WESTERHAUS, 1995). Los bajos valores de los estadísticos de r 2 (0.09) obtenidos para la ecuaciones de aspecto en 8 clases a partir de los datos de la sección tangencial (Tabla 2) podrían explicarse por la gran heterogeneidad física que presenta el vientre del corcho y el hecho de que la sección tangencial solo aporta en la mayoría de los casos información complementaria en la clasificación visual, excepto en una pequeña fracción de la población en que aparecen determinadas anomalías que determinan la clasificación de la muestra. Considerando que la reducción de las clases de aspecto a tres mejora los resultados de la clasificación, tanto por el método tradicional, con un ETL que pasa de 0.57 a 0.27, como mediante análisis de imagen, se comprobó si sucedía lo mismo con NIRS en la sección transversal. Los mejores resultados para predecir el aspecto se consiguen al aplicar la segunda derivada (2, 5, 5, 1) y sin considerar la región del visible (Tabla 2), lo que parece indicar que la correlación entre los datos espectroscópicos y la calidad está más influenciada por compuestos químicos que absorben en la región NIR. También puede observarse que los valores de R 2 (proceso de calibración) y r 2 (proceso de validación cruzada) para 3 clases de calidad difieren en más de un 30%, lo que muestra la inestabilidad de las ecuaciones. Si el ajuste para el colectivo de calibración explica un 65% de la variación de los datos o varianza, esa cifra se reduce al 47% cuando la ecuación se aplica a muestras que no han intervenido en la calibración (mediante validación cruzada). Ello puede deberse a que el número de muestras sea insuficiente para correlacionar este parámetro físico complejo por lo que en un futuro habría que aumentar el número de muestras representativas de cada una de las clases de aspecto a evaluar. b/ Porosidad

10 10/13 La aplicación de método de segmentación de las K-medias a las zonas seleccionadas de la imagen nos permite la separación en cluster de los pixeles asociados a los poros (PAL & PAL, 1993). El programa de análisis de imagen desarrollado permite un conteo de pixeles clasificados como poros y proporciona la superficie asociada a cada uno de ellos, el número de poros por centímetro cuadrado y la caracterización estadística asociada a su superficie (medias y cuantiles). Tabla 2. Estadísticos de las mejores ecuaciones NIRS desarrolladas para estimar calidad visual (8 clases en las secciones transversal y tangencial y 3 clases en la sección transversal), porosidad y humedad en las secciones transversal y tangencial PARÁMETRO Aspecto visual 8 Clases 3 Clases Coeficiente de porosidad Contenido de humedad SECCIÓN Transv Tang Trans Transv Tang Transv Tang Derivada 2,5,5,1 2,5,5,1 2,5,5,1 2,5,5,1 0,0,1,1 2,5,5,1 1,10,5,1 Rango espectral N Media DS SEC R SECV r CV (%) ETL Los mejores resultados se han obtenido aplicando el tratamiento 2, 5, 5, 1 a los datos espectroscópicos en la sección transversal y el rango del espectro que ha aportado valores más adecuados para los diferentes estadísticos ha sido el comprendido entre 400 y nm, para ambas secciones (Tabla 2). El valor más elevado conseguido para r 2 en la sección transversal (0.69) estaría próximo al límite para considerar la ecuación como de buena precisión (SHENK & WESTERHAUS, 1995). Para la sección tangencial este valor es de 0.36, insuficiente para este parámetro. Es conveniente precisar que la curvatura que presenta esta sección interfiere en el análisis de imagen y en consecuencia en la determinación del coeficiente de porosidad a partir de las imágenes escaneadas. Se recomienda, por tanto, no utilizar esta sección para el desarrollo de ecuaciones de calibración NIRS de porosidad en el corcho en plancha. c/ Humedad La mejor ecuación NIRS para estimar humedad (Tabla 2) se obtuvo con el pretratamiento 2, 5, 5, 1 y la región de 400- nm, aunque las diferencias fueron muy pequeñas al variar el rango espectroscópico. Sin embargo, al eliminar la región del visible la precisión de las ecuaciones disminuye ligeramente. El valor de ETVC (0.44) en las mejores ecuaciones resulta un poco elevado respecto al valor de ETL (0.14). El coeficiente de determinación r 2 explica el 55 % de la variabilidad de los datos, por lo que la ecuación puede separar adecuadamente valores bajos, medios y altos (SHENK & WESTERHAUS, 1995).

11 11/13 En la sección tangencial (Tabla 2), el rango del espectro es más significativo, siendo recomendable la utilización del espectro completo. Los tratamientos que aportan valores más adecuados para el ETVC y el r 2 son el 1, 10, 5, 1. El valor más elevado para r 2 (0.68) es superior al de la sección transversal (0.55). El ETVC (0.36) es también mejor que el obtenido para la sección transversal (0.44), pero es 2 a 3 veces el valor de ETL. Sin embargo, los valores de CV (4.82% y 5.89%) se pueden considerar aceptables para la estimación de humedad en este producto. La ecuación está muy próxima a su consideración como de buena precisión (SHENK & WESTERHAUS, 1995). Para mejorarla sería conveniente equilibrar el colectivo de calibración con un número similar de muestras de cada clase de aspecto y ampliar el rango de humedades. A pesar de no haber conseguido la precisión y exactitud que cabría esperar, la posibilidad de mejorar los resultados induce a considerar que la tecnología NIRS puede ser un método eficaz en la estimación de la humedad. El número de muestras anómalas para los parámetros estudiados, calidad, procedencia y humedad, según los estadísticos H y T, oscila entre el 10 y el 20 % del número inicial de muestras del colectivo de calibración empleado, encontrándose esta cifra dentro del límite recomendado por (SHENK & WESTERHAUS, 1995). 5. Discusión Los resultados obtenidos de la calibración corroboran la falta de correspondencia entre la sección tangencial de una muestra y su clase de aspecto por lo que para la aplicación de la tecnología NIRS, es recomendable utilizar la sección transversal. La mejor ecuación obtenida corresponde a esta sección para tres clases de aspecto y aunque no aporta una precisión y exactitud suficiente para una clara diferenciación de calidades y el ETVC es mayor que el ETL, los resultados son esperanzadores considerando la heterogeneidad y variabilidad de este producto natural, por lo que se recomienda partir de colectivos de calibración más equilibrados y profundizar en el estudio de otros parámetros que conforman la calidad del corcho, de forma exhaustiva y separadamente. Para el parámetro porosidad se ha obtenido una ecuación, en la sección transversal, con un grado de precisión muy próximo al límite de buena precisión (SHENK & WESTERHAUS, 1995) y que se aproxima a los resultados obtenidos mediante el método de referencia. En la sección tangencial los resultados obtenidos han sido muy inferiores, por lo que se recomienda utilizar la sección transversal para el desarrollo de ecuaciones de calibración y ampliar el estudio a la sección radial. La mejor ecuación obtenida para el contenido de humedad está también muy próxima a su consideración como de buena precisión (SHENK & WESTERHAUS, 1995). Este resultado se considera mejorable en ambas secciones, a la vista y de los antecedentes bibliográficos en madera, ampliando el rango de humedades del colectivo de calibración. 6. Conclusiones El potencial de la tecnología NIRS para predecir contenido de humedad, propiedades mecánicas, composición química y otros parámetros ha sido ampliamente demostrada en productos forestales, como la madera. En este primer estudio de viabilidad relativo al corcho, las ecuaciones NIRS son lo suficientemente precisas para sugerir que ésta tecnología puede

12 12/13 ser una herramienta adecuada para mejorar el control de calidad, en combinación con otros instrumentos y controles manuales, que continuarán empleándose sin duda, dado el carácter natural del corcho, su heterogeneidad y la gran variabilidad que presentan sus propiedades. En el momento actual, no es posible utilizar el análisis de imagen para clasificar las planchas de corcho en la industria debido a las dificultades que presenta su automatización, por lo que la tecnología NIRS podría también ser la herramienta que permitiera introducir indirectamente el análisis de imagen en la clasificación de las planchas de corcho. La tecnología NIRS y el análisis de imagen son técnicas de fácil implantación y bajo coste, que pueden proporcionar información de manera simultánea sobre todas las variables estudiadas, calidad, porosidad y humedad. 7. Agradecimientos Este trabajo ha sido financiado parcialmente por el proyecto RTA C La Empresa de Gestión Medioambiental, S.A. (EGMASA) preparó y clasificó las planchas. Los datos NIRS se obtuvieron en la Unidad Espectroscopía NIR/MIR del SCAI (Universidad de Córdoba). Los autores desean agradecer a la Prof. Ana Garrido Varo (Universidad de Córdoba) los útiles comentarios aportados a este trabajo. 8. Bibliografía BENKIRANE, H.; BENSLIMANE, R.; HACHMI, M.; SESBOU, A.; Possible automatic cork quality control by artificial vision. Annals of Forest Science 58(4), BLANCO, M.; VALDES, D.; Influence of temperature on the predictive ability of near infrared spectroscopy models. J. Near Infrared Spectrosc 12(2), COSTA, A.; PEREIRA, H.; Quality characterization of wine cork stoppers using computer vision. J. Int. Sci.Vigne Vin. 39(4), DEFO, M.; TAYLOR, A.M.; BOND, B.; Determination of moisture content and density of fresh-sawn red oak lumber by near infrared spectroscopy. Forest Prod. J. 57(5), DI ZENZO, S.; Advances in image segmentation. Image Vision Comput. 1(4), FAIX, O.; BOTTCHER, J.H.; The influence of particle size and concentration in transmission and diffuse reflectance spectroscopy of wood. Holz Als Roh-Und Werkst. (50), FERRI, F.; VIDAL, E.; Colour image segmentation and labelling through multieditcondensing. Pattern Recognit. 13(8), FURUMOTO, H.; LAMPE, U.; MEIXNER, H.; ROTH, C.; Infra-Red analysis for the measurement of wood quality.. Holz Als Roh-Und Werkst 57(1),

13 13/13 GARCÍA DE CECA, J.L.; Factores que afectan a la calidad del corcho en planchas. Tesis Doctoral. Dpto. Economía y Gestión de las Explotaciones e Industrias Forestales. Universidad Politécnica. Madrid. GONZÁLEZ-ADRADOS, J.R.; LOPES, f.; PEREIRA, H.; Quality grading of cork planks with classification models based on defect characterisation. Holz Als Roh-Und Werkst. 58(1-2), GONZÁLEZ-ADRADOS, J.R.; PEREIRA, H.; Classification of defects in cork planks using image analysis. Wood Sci. Technol. (30), JIANG, Z.H.; HUANG, A.M.; Water in wood and its near infrared spectroscopic analysis. Spectrosc. Spect. Anal. 26(8), LAWTON, J.R.; Observations on the Structure of Epidermal-Cells, Particularly the Cork and Silica Cells, from the Flowering Stem Internode of Lolium-Temulentum L (Gramineae). Bot. J. Linn. Soc. 80(2), PAL, N.; PAL, S.; A review on image segmentation techniques. Pattern Recognit. 26(9), PEREIRA, H.; Cork: Biology, Production and Uses, ed. Elsevier. Elsevier SCHIMLECK, L.; WORKMAN, J.R.; Analysis of Timber and Paper., in near infrared spectroscopy in agriculture, J.W. Craig A. Roberts, Jr. and James B. Reeves III, Editor. Agronomy, Crop Science and Soil Science Societies of America: NY, EEUU. p SHENK, J.S.; WESTERHAUS, M.O.; Routine Operation, Calibration, Development and Network System Management Manual, ed. N.S. Inc. Silver Spring, MD, USA SILVA, S.P.; SABINO, M.A.; FERNANDES, E.M.; CORRELO, V.M.; BOESEL; L.F.; REIS, R.L.; Cork: properties, capabilities and applications. Int. Mater. Rev. 50(6), UNE Corcho en planchas, bornizo, rebusca, refugo y recortes. Determinación de humedad. AENOR. Madrid WILLIAMS, P.; NORRIS, K.; Near-Infrared Technology in the Agricultural and Food Industries. 2nd Edition ed WU, K.; YANG, M.; Alternative c-means clustering algorithms. Patter Recognit. 35(10),