Detección de daños por congelación en limones usando Espectroscopía de impedancia electroquímica

Abstract

[ES] El limón es el cítrico más sensible al frío. Por lo tanto, es de vital importancia detectar y evitar temperaturas que puedan dañar el fruto tanto cuando aún está en el árbol como en su posterior comercialización. Con el fin de identificar rápidamente el daño por heladas en esta fruta, se utilizó la técnica de espectroscopia de impedancia electroquímica (EIS). Este sistema consiste en un dispositivo generador de señales asociado con un ordenador personal (PC) para controlar el sistema y un electrodo de acero inoxidable de doble aguja. Pruebas con un conjunto de frutas tanto al natural como posteriormente congelado-descongelado nos permitió diferenciar el comportamiento del valor de la impedancia en función de si la muestra había sido previamente congelada o no mediante un único análisis de componentes principales (PCA) y un análisis discriminante de mínimos cuadrados parciales (PLS-DA). Las redes neuronales artificiales (RNA) se utilizaron para generar un modelo de predicción capaz de identificar los frutos dañados tan solo 24 horas después de la se presentó el fenómeno del frío, con suficiente robustez y confiabilidad (CCR = 100%).

[EN] Lemon is the most sensitive citrus fruit to cold. Therefore, it is of capital importance to detect and avoid temperatures that could damage the fruit both when it is still in the tree and in its subsequent commercialization. In order to rapidly identify frost damage in this fruit, a system based on the electrochemical impedance spectroscopy technique (EIS) was used. This system consists of a signal generator device associated with a personal computer (PC) to control the system and a double-needle stainless steel electrode. Tests with a set of fruits both natural and subsequently frozen-thawed allowed us to differentiate the behavior of the impedance value depending on whether the sample had been previously frozen or not by means of a single principal components analysis (PCA) and a partial least squares discriminant analysis (PLS-DA). Artificial neural networks (ANNs) were used to generate a prediction model able to identify the damaged fruits just 24 hours after the cold phenomenon occurred, with sufficient robustness and reliability (CCR = 100%).