Mostrar el registro sencillo del ítem
Aplicación de técnicas de imágenes hiperespectrales en el infrarrojo cercano para la determinación de contaminación fúngica y deoxinivalenol en trigo
dc.rights.license | Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) | * |
dc.contributor.author | Bainotti, Maria Belén | |
dc.date.accessioned | 2023-03-02T18:18:48Z | |
dc.date.available | 2023-03-02T18:18:48Z | |
dc.date.issued | 2020-10-01 | |
dc.identifier.uri | https://repodigital.unrc.edu.ar/xmlui/handle/123456789/9999900001 | |
dc.description.abstract | Los grandes efectos nocivos para la salud de humanos y animales por consumo de alimentos contaminados con hongos micotoxigénicos y sus toxinas son un riesgo de seguridad alimentaria que involucra a todas las partes de la cadena alimentaria, por lo que es de vital importancia su gestión y control integrado. Con el fin de reducir este riesgo, la adquisición de imágenes hiperespectrales en el infrarrojo cercano (HSI-NIR) se considera una técnica emergente, rápida y prometedora capaz de reemplazar los métodos clásicos, costosos y destructivos, que requieren mucho tiempo para evaluar muestras de cereales contaminadas con deoxinivalenol (DON). En este trabajo final de máster se ha desarrollado la técnica de espectroscopía HSI-NIR con el objetivo de obtener métodos de alta precisión que permitan la cuantificación y clasificación del DON, así como también la determinación de ergosterol, en muestras de trigo y en granos individuales naturalmente contaminadas. Concretamente, se analizaron las dos determinaciones mediante cromatografía líquida de alta resolución (HPLC) como método de referencia y se obtuvieron imágenes hiperespectrales de cada una. Los datos espectrales se procesaron mediante un software de análisis multivariante. Los mejores modelos de predicción mediante regresión de mínimos cuadrados parciales (PLSR) revelaron que la técnica HSI-NIR es capaz de predecir la concentración de ergosterol en muestras de trigo con un RMSEP (error cuadrático medio de predicción) de 1,17 μg/kg y un R2 (coeficiente de determinación) de 0,89. A su vez, la mejor predicción de DON en muestras obtuvo un RMSEP de 501,36 μg/kg y R2 de 0,61 mientras que en granos individuales un RMSEP de 0,88 μg/kg y R2 de 0,88. La mejor precisión de clasificación obtenida mediante el modelo de análisis discriminante lineal (LDA) fue del 82,93% en muestras a granel y del 90,10% en granos individuales para dos categorías, según el nivel máximo de la UE (1250 μg/kg). También se evaluaron granos individuales según su sintomatología asociada a fusariosis de la espiga (FHB), con un 100% de clasificación. Los parámetros obtenidos en los diferentes modelos de predicción y clasificación confirman la posibilidad de aplicar la técnica HSI-NIR en la evaluación de granos de trigo, pero algunos no son lo suficientemente precisos, por lo que debe perfeccionarse, ajustarse a cada necesidad y considerarse un punto de partida para mejorar aún más los protocolos para la gestión de DON. | |
dc.format | application/pdf | es |
dc.language.iso | spa | es |
dc.publisher | Universitat de Lleida | es |
dc.rights.uri | https://creativecommons.org/licenses/by-nc-sa/4.0/ | * |
dc.subject | Blat | es |
dc.subject | Blat -- Malalties i plagues | es |
dc.subject | Conreus extensius | es |
dc.subject | Cereals | es |
dc.title | Aplicación de técnicas de imágenes hiperespectrales en el infrarrojo cercano para la determinación de contaminación fúngica y deoxinivalenol en trigo | es |
dc.type | info:eu-repo/semantics/masterThesis | es |
dc.type | info:ar-repo/semantics/tesis de maestría | es |
dc.type | info:eu-repo/semantics/acceptedVersion | es |
unrc.contributor.director | Femenias, Antoni | |
unrc.contributor.director | Marín Sillué, Sonia | |
unrc.degree.grantor | Universitat de Lleida | es |
unrc.degree.name | Máster en Gestió i Innovació en la Indústria Alimentária | es |
unrc.originInfo.place | Escola Técnica Superior d'Enginyeria Agrária | es |
Ficheros en el ítem
Este ítem aparece en la(s) siguiente(s) colección(ones)
-
Tesis de Maestría [119]