Detection of blends and prediction of natural pigments in vegetable oils using a low-cost color sensor | Detecção de misturas e predição de pigmentos naturais em óleos vegetais usando um sensor de cor de baixo custo

In this study, the potential of using a color sensor to identify different mixtures of vegetable oils and predict levels of natural pigments in avocado oil was evaluated. The objectives were to authenticate avocado oil against blends containing canola, sunflower, corn, olive and soybean oils, as well as to explore the use of color sensing to predict total carotenoid and chlorophyll content in avocado and olive oils, in addition to their total spectrophotometric color (TSC). The study involved RGB interference under two types of lighting: UV (395 nm) and white light. Classification methods such as Linear Discriminant Analysis (LDA) and Least Squares Support Vector Machine (LS-SVM), as well as Multiple Linear Regression (MLR) and LS-SVM were used for detection and quantification of mixtures. To predict total pigment levels, MLR and LS-SVM were employed using different color parameters (RGB, HSV or L*a*b*). In general, the LS-SVM models outperformed those of MLR and LDA, demonstrating good prediction capacity without evidence of random adjustments, both for the study involving mixtures and for those involving pigments. In the study with mixtures, the LS-SVM model achieved R² greater than 0.9 in all cases, including external validation. Furthermore, using white light, the LS-SVM models produced root mean square error (RMSE) values varying between 1.17 and 3.07%, indicating good accuracy in quantifying mixtures. Such results were demonstrated by the color sensor in identifying mixtures of other vegetable oils in avocado oil, showing its potential as an efficient and low-cost alternative for vegetable oil authentication. In the study involving pigment content, different methods were used to determine the pigment content used as a reference for building the models. UV illumination has been shown to improve the predictive performance of total chlorophyll content when the response is based on solvent-free methods (IUPAC and AOCS methods). In other cases, white lighting proved more effective. Color data in the HSV system were more effective in predicting total chlorophylls when referenced to solvent-free methods (R² > 0.9 for external validation). RGB data is the most appropriate way to predict TSC and total chlorophylls referenced in methods that use solvent dilution (R² > 0.9 for external validation). Finally, total carotenoid content was best predicted using L*a*b* values as descriptors (R² of 0.8 for external validation). Therefore, low-cost methods based on a color sensor have proven to be a promising alternative for predicting pigments and TSC in vegetable oils, without the need for sample pretreatment or dilution in toxic solvents.

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)

CAPES-PrInt

Neste trabalho foi avaliado o potencial de usar um sensor de cor para identificar diferentes misturas de óleos vegetais e predizer níveis de pigmentos naturais em óleo de abacate. Os objetivos foram autenticar o óleo de abacate contra misturas contendo óleos de canola, girassol, milho, azeitona e soja, bem como explorar o uso do sensor de cor para predizer o conteúdo total de carotenoides e clorofila em azeites de abacate e oliva, além de sua cor espectrofotométrica total (CET). Os estudos envolveram medições de parâmetros RGB sob dois tipos de iluminação: UV (395 nm) e luz branca. Métodos de classificação, como Análise Discriminante Linear (LDA) e Máquina de Vetores de Suporte por Mínimos Quadrados (LS-SVM), assim como Regressão Linear Múltipla (MLR) e LS-SVM foram empregados para detecção e quantificação das misturas. Para predição de níveis totais de pigmentos foi utilizado MLR e LS-SVM usando diferentes parâmetros de cor (RGB, HSV ou L*a*b*). Em geral, os modelos LS-SVM superaram os de MLR e LDA, demonstrando boa capacidade de predição sem evidência de ajustes aleatórios, tanto para o estudo envolvendo misturas, quanto para o que envolveu pigmentos. No estudo com misturas, o modelo LS-SVM alcançou R² superior a 0,9 em todos os casos, inclusive na validação externa. Além disso, usando luz branca, os modelos LS-SVM produziram valores de raiz quadrada do erro-médio (RMSE) variando entre 1,17 e 3,07%, indicando boa acurácia na quantificação das misturas. Tais resultados demonstraram eficácia do sensor de cor na identificação de misturas de outros óleos vegetais em óleo de abacate, sugerindo seu potencial como uma alternativa eficiente e de baixo custo para autenticação de óleo vegetal. No estudo envolvendo o teor de pigmentos, diferentes métodos foram usados para determinar os teores de pigmentos usados como referência para a construção dos modelos. A iluminação UV demonstrou melhorar o desempenho preditivo do conteúdo total de clorofilas quando a resposta é baseada em métodos livres de solvente (métodos IUPAC e AOCS). Nos outros casos, a iluminação branca se mostrou mais apropriada. Dados de cor no sistema HSV foi mais afetivo para predizer clorofilas totais quando referenciadas em métodos livres de solvente (R² > 0,9 para validação externa). Dados RGB forma mais adequados para predizer CET e clorofilas totais referenciados em métodos que utilizam diluição com solvente (R² > 0,9 para validação externa). Finalmente, o conteúdo de carotenoides totais foi mais bem predito usando valores L*a*b* como descritores (R² de 0,8 para validação externa). Portanto, métodos de baixo custo baseados em um sensor de cor se mostrou uma alternativa promissora para a predição de pigmentos e CET em óleos vegetais, sem a necessidade de pré-tratamento da amostra ou diluição em solventes tóxicos.

Tecnológico

Meio ambiente

Tecnologia e produção

ODS 3: Saúde e bem-estar

ODS 9: Indústria, inovação e infraestrutura

ODS 12: Consumo e produção responsáveis