Miriam Medina García¹, Esteban A. Roca Nasser¹, Miguel A. Martínez Domingo², Alejandra Arroyo Cerezo¹, Eva M. Valero Benito², Ana M. Jiménez Carvelo*,^1
1 Departamento de Química Analítica, Facultad de Ciencias, Universidad de Granada, Av. Fuentenueva s.n., 18071 Granada, España.
² Departamento de Óptica, Facultad de Ciencias, Universidad de Granada, Av. Fuentenueva s.n., 18071 Granada, España.
* Corresponding author (E-mail: amariajc@ugr.es; Phone: +34 958 24 33 99)

Resumen

La creciente demanda de productos elaborados con harina integral, entre los que destaca el pan integral, junto con la ausencia de un método de análisis que permita verificar la composición del mismo en el laboratorio, convierte a la tarea de asegurar la información del etiquetado de este producto en un auténtico reto. En esta línea, el presente estudio ha desarrollado un método analítico que aplica imágenes hiperespectrales (HSI), una técnica analítica no invasiva, no destructiva y respetuosa con el medio ambiente que, en combinación con métodos de inteligencia artificial (IA) ha permitido llevar a cabo el análisis de datos, desarrollando una innovadora metodología denominada “cuantificación basada en recuento de píxeles previamente clasificados” (QPC) desarrollada en nuestro laboratorio, permite determinar el contenido de harina integral en pan. Los resultados del método permitieron predecir el porcentaje de harina integral en 48 panes con una desviación máxima de un 8 % del valor estimado, convirtiéndose en una herramienta con gran potencial para ser utilizada en el control de la conformidad de este producto.

Palabras clave

Pan integral; control de calidad alimentaria; imágenes hiperespectrales; inteligencia artificial.

1. Introducción

El pan está considerado como un alimento básico fundamental en la dieta del ser humano [1]. Este, en su forma más simple, se elabora con harina blanca de trigo, agua, azúcar, sal y levadura. Sin embargo, la creciente demanda de los consumidores por adquirir alimentos con alto valor nutricional [2] ha provocado la aparición de nuevas recetas que incluyen una extensa variedad de harinas, como harina integral o harinas procedentes de distintas variedades de cereales (espelta, avena, centeno, maíz, etc.) [3]. Entre estas recetas, el pan elaborado con harina integral ha ganado una gran reputación entre los consumidores, consecuencia directa de los beneficios saludables que proporciona.

La harina integral se obtiene a través de la molienda del grano completo de un cereal, incluyendo el germen, endospermo y salvado, lo que la convierte en una fuente rica en fibra, vitaminas, minerales y antioxidantes [4, 5], y le confiere un color pardo característico. Estas características han impulsado el incremento del consumo de productos integrales, siendo el pan integral uno de los más populares. Por este motivo, el establecimiento de normativas que regulen la composición de este producto, así como, la implementación de controles que garanticen la calidad y seguridad del mismo, se han convertido en una necesidad imperativa.

Actualmente, no existe ninguna normativa europea oficial que regule el contenido de harina integral en pan. En el caso particular de este producto, cada estado miembro tiene su propia normativa. Por ejemplo, en Alemania el contenido mínimo establecido de harina integral en pan para poder denominar a este producto como “pan integral” es del 90 %, mientras que en Dinamarca este porcentaje desciende al 30 % [6]. Sin embargo, en el caso de España, no se ha establecido un porcentaje mínimo, pero sí es necesario indicar en la etiqueta cuál es el contenido en harina integral [7]. Estas discrepancias, unidas a la inexistencia de un método analítico que permita verificar dicha composición una vez el pan integral ha sido elaborado (postproducción), dificultan enormemente el control de la conformidad del mismo y podría facilitar el fraude. Para mitigar dicha problemática este estudio propone utilizar técnicas analíticas basadas en imágenes hiperespectrales (HSI) en combinación con inteligencia artificial (IA) para verificar el porcentaje de harina integral en panes.

HSI es una técnica analítica rápida, no destructiva, no invasiva y respetuosa con el medio ambiente, basada en la captura de imágenes [8]. Una imagen, similar a una fotografía, es una representación bidimensional de la superficie de un sistema material que se obtiene cuando dicho sistema se somete a una radiación electromagnética con características específicas, normalmente luz visible o infrarroja. Una imagen se encuentra constituida por subdivisiones espaciales llamadas píxeles. Cada uno de estos píxeles contiene información relacionada con la composición y características del producto fotografiado.

Las imágenes más conocidas, obtenidas con luz visible, se definen como imágenes RGB (en inglés red, green, blue), las cuales pretenden imitar la percepción visual humana mediante una mezcla de las tres bandas correspondientes a los colores primarios: rojo, amarillo y azul (ver figura 1A) [9,10]. A diferencia de este tipo de imágenes, las imágenes hiperespectrales contienen información química en cientos de bandas espectrales (ver figura 1B). Como resultado, cada píxel contiene un registro de cientos de colores (espectro) característico e identificativo del punto que describe. Toda esta información se almacena en forma de estructura tridimensional de datos, con tantos elementos como píxeles y bandas espectrales se hayan medido.

Debido al elevado volumen de datos que contiene una imagen hiperespectral, es necesario aplicar modernos programas de ordenador propios de la ciencia de datos y la inteligencia artificial, que en el ámbito de la química analítica recibe el nombre de quimiometría. Entre ellas encontramos métodos de análisis y tratamiento de gran número de datos complejos [11].

De esta forma, se ha podido utilizar la técnica HSI en numerosas áreas, alcanzando un éxito considerable en el ámbito del control de calidad de alimentos, incluyendo su aplicación en estudios de evaluación de la calidad del pan. Por ejemplo, Olakanmi S. J. et al. 2024 pudieron determinar el contenido proteico de panes elaborados con harina de haba, la cual se emplea para aumentar el contenido proteico en el pan.

[12]. Amigo J.M. et al. 2021, estudiaron el proceso de envejecimiento del pan con el paso del tiempo
[13]. Verdú S. et al. 2016, desarrollaron un método analítico capaz de detectar panes que habían sido adulterados añadiendo a la harina de trigo otras harinas de menor coste [14].

En la literatura científica aún no aparece publicada ninguna metodología capaz de determinar el contenido de harina integral en pan. Con este fin, el presente estudio tuvo como objetivo desarrollar un método analítico basado en HSI en combinación con inteligencia artificial y un método ad-hoc de análisis de datos denominado “cuantificación basada en recuento de píxeles previamente clasificados” (QPC, del inglés, quantification based on pixel counting by classification), desarrollado en nuestro laboratorio [15]. Nuestra hipótesis se cimenta en el hecho de que las harinas blanca e integral presentan diferente composición y diferente color, por lo que pueden diferenciarse aplicando HSI.

QPC parte de la hipótesis de que una imagen o fotografía de un pan elaborado únicamente con un tipo de harina (integral o blanca) contiene píxeles que son todos similares. Sin embargo, aquellos panes que han sido elaborados con mezclas de ambos tipos de harina presentan píxeles diferentes (ver figura 2). Esto se debe a que la harina blanca se obtiene moliendo únicamente el germen del grano, por lo tanto, presentaría una composición uniforme en toda ella, lo que se definiría en química analítica como una matriz homogénea. La harina integral se obtiene moliendo todas las partes del grano. Al igual que ocurre con la harina blanca, esta presentaría una composición uniforme, aunque diferente a la que presenta la harina blanca ya que incluye componentes resultantes de moler el endospermo y el salvado. Estos componentes se encuentran en forma de partículas discernibles, uniformemente dispersas. Por lo contrario, en los panes elaborados con las mezclas de ambos tipos de harina, existirán píxeles conformados mayoritariamente por partículas propias de la harina blanca y otros píxeles donde se situarían las partículas de harina integral, confiriéndole heterogeneidad. Dichas partículas pueden ser detectadas mediante HSI y cuantificadas utilizando herramientas quimiométricas.

Dicha hipótesis fue confirmada en el artículo publicado por Medina-García, M., et al 2024, del cual forma parte el presente estudio, y donde pueden consultarse de forma detallada los aspectos técnicos de la metodología empleada para estudiar la homogeneidad espectral entre píxeles y los resultados obtenidos [15].

2. Materiales y métodos

2.1. Muestras de pan estudiadas

Se dispuso de un total de 159 muestras de pan: 59 de ellas elaboradas únicamente con harina blanca, 52 únicamente con harina integral y 48 utilizando diferentes proporciones (10 %, 30 %, 50 %, 70 % y 90 %) de harina blanca e integral (porcentajes expresados en g de harina integral/100 g de la harina total empleada en la elaboración del pan). De todas las muestras, 15 de ellas (7 elaboradas únicamente con harina blanca y 8 únicamente con harina integral) se elaboraron algunas semanas después y por un operador diferente, con objeto de comprobar que la metodología analítica era robusta y no se veía influenciada por el momento y la persona que elaborase el pan.

Los panes se elaboraron utilizando dos panificadoras domésticas (TAURUS, My Bread. Barcelona, España y Cecotec, Bread&Co, Valencia, España). Los ingredientes utilizados fueron agua (180 mL), azúcar (8 g), sal (3 g), harina (300 g), levadura (7 g) y aceite de oliva virgen extra (22 g). La harina empleada en la elaboración de cada muestra procedía de una o como máximo dos variedades de cereales incluyendo: trigo, avena, espelta y centeno. De cada pan, se desechó su corteza y se deshidrató la miga durante 1 h a 105 ºC utilizando una estufa de secado (JP Selecta, Barcelona, España). Seguidamente, se molió con una batidora de mano y se envasó al vacío en una bolsa de plástico. Todas las muestras se almacenaron en congelador, a -20 ºC, hasta 1 h antes de la toma de imágenes. En ese momento, cada muestra de miga molida se descongeló y colocó en una placa Petri, de 6 cm de diámetro y 1,5 cm de alto, hasta cubrirla.

2.2. Captura de imágenes de pan mediante HSI

Las imágenes se tomaron utilizando una cámara hiperespectral Resonon Pika L (Resonon Inc., Integrys, Mississauga, Canada), previamente calibrada, en modo reflectancia e iluminando con 4 lámparas halógenas situadas formando un ángulo de 45º aproximadamente. Esta cámara permitió capturar una imagen que abarcaba la región de la luz visible y parte de la región correspondiente al infrarrojo cercano (121 bandas). En las condiciones de trabajo, se lograron capturar simultáneamente 8 imágenes de otras tantas muestras de miga de pan (en una configuración de 2 × 4) en aproximadamente 4,5 segundos. La figura 3 muestra cómo se dispusieron todos los elementos del equipo involucrado en la captura de imágenes de pan mediante la técnica HSI.

2.3. Procesado de datos

El fichero conteniendo cada imagen 3D fue convertido a formato .mat, propio de MATLAB (R2019a versión, Mathworks Inc., Natick, MA, USA).Ya Una vez visualizada la imagen, utilizando MATLAB Hyperspectral Toolbox, se aplicaron dos etapas consecutivas de reducción del número de datos a fin de obtener un conjunto menor que fuese fácilmente computable. Para ello se extrajeron aleatoriamente 100 píxeles, evitando aquellos cercanos a los bordes, de modo que se obtuvo una matriz 2D de 100 × 121 elementos, es decir, un conjunto de 100 píxeles, cada uno de ellos incluyendo un espectro característico del tipo de harina que lo conforma.

En todos los casos, los espectros se escalaron previamente aplicando el método de la variable normal estándar (SNV) como preprocesado, lo que permitió corregir el desplazamiento de la línea base y las variaciones globales de intensidad de unos espectros a otros debido a la falta de reproducibilidad intrínseca durante la captura de imágenes.

2.4. Análisis de cribado

Como paso previo se llevó a cabo un análisis de similitud entre muestras aplicando métodos como el análisis de componentes principales (PCA) y la regresión parcial de mínimos cuadrados (PLS). Estos métodos utilizan algoritmos matemáticos para analizar y simplificar grandes conjuntos de datos. Su objetivo es buscar entre los datos numéricos disponibles, aquellos que contienen la información de las características más importantes con el fin de poder reconocer comportamientos similares entre grupos de datos, en nuestro caso concreto, los espectros de las diferentes muestras de pan. Estos métodos emplean gráficos que permiten visualizar el comportamiento de los datos de una forma sencilla e intuitiva.

En este caso, se aplicaron para estudiar el agrupamiento natural de los espectros obtenidos de las muestras de miga de pan elaboradas con harina blanca, integral y con mezclas de ambas, con el fin de identificar si los espectros presentaban un comportamiento similar en función de la ausencia o presencia de harina integral en la composición del pan.

2.5. Cuantificación basada en recuento de píxeles previamente clasificados (QPC)

La metodología QPC desarrollada en nuestro laboratorio y empleada por vez primera en el presente estudio puede resumirse en dos etapas: (1) clasificación y (2) cuantificación.

Los métodos de clasificación permiten agrupar las muestras en diferentes clases o categorías, atendiendo a las similitudes y diferencias en los conjuntos numéricos que las representan, en este caso los espectros. Estos métodos permiten “entrenar o “enseñar” a un modelo para reconocer las clases asignadas a las muestras, con el fin de que este modelo sea capaz de asignar muestras desconocidas con características similares a una de las clases. Nótese que el modelo actúa de forma parecida a como lo hace un cerebro, primero aprende practicando, y después toma decisiones ante nuevos hechos. El funcionamiento de este tipo de métodos se asemeja a la inteligencia humana, y por eso se les denomina inteligencia artificial.

2.5.1. Clasificación de las muestras de pan elaboradas con harina blanca o integral

En el caso particular de este estudio se elaboró un modelo de clasificación capaz de diferenciar muestras de pan elaboradas únicamente con harina blanca y muestras elaboradas únicamente con harina integral. Con este fin, se empleó el método de máquinas soportadas por vectores (SVM), y se utilizaron un total de 96 espectros promedio para construir el modelo (52 espectros promedio de muestras de pan elaboradas únicamente con harina blanca y 44 únicamente con harina integral). Estas muestras se dividieron en dos grupos: “Pan Integral” y “Pan Blanco”. El 70 % de las muestras se utilizó para entrenar el modelo y el 30 % restante para validarlo.

Dado que estos panes se habían elaborado bajo las mismas condiciones (mismo operador, corto espacio de tiempo, misma receta), se llevó a cabo una segunda validación del modelo, esta vez utilizando 15 muestras de pan que habían sido elaboradas por un operador distinto algunas semanas después.

2.5.2. Cuantificación del porcentaje de harina integral en panes elaborados con distintas proporciones de harina integral y harina blanca

Una vez entrenado y validado el modelo de clasificación, queda demostrado que es capaz de discriminar entre panes elaborados únicamente con harina blanca o con harina integral. La siguiente etapa consistía en determinar el porcentaje de harina integral en los 48 panes elaborados con mezclas de ambas. Para ello, los 100 píxeles de cada una de las muestras se sometieron, una a una, al método de clasificación antes descrito. El modelo permitirá clasificar cada píxel según su contenido en harina, en “Integral” o “Blanco”. El porcentaje de harina integral se determina directamente contando el número de píxeles clasificados como “Integral”.

3. Resultados

3.1. Análisis exploratorio/cribado: PCA y PLS

Tras llevar a cabo el PCA se representó el gráfico de puntuaciones que permite visualizar cómo se distribuyen las diferentes muestras de pan (ver figura 4A). Los rombos rojos representan las muestras de pan elaboradas únicamente con harina blanca, los cuadrados verdes representan las muestras elaboradas únicamente con harina integral y los triángulos azules, las muestras elaboradas con mezcla de ambas harinas.

Como se puede observar, la mayoría de las muestras elaboradas con harina blanca se sitúan en la mitad izquierda del gráfico, mientras que las muestras de elaboradas únicamente con harina integral se localizan a la derecha. Aquellas muestras elaboradas con distintas proporciones de ambas harinas se encuentran localizadas entre ambas regiones. Es importante destacar que dichas muestras no forman una agrupación separada del resto lo que indica que su comportamiento podría estar relacionado con el porcentaje en composición de una harina u otra.

Para verificar este comportamiento se llevó a cabo un segundo análisis, utilizando PLS sobre el mismo conjunto de muestras de pan. La figura 4B muestra el gráfico de distribución de las muestras. Las muestras con porcentaje nulo en harina integral se situaban a la izquierda del gráfico. Sin embargo, a medida que aumenta la concentración de harina integral en pan, las muestras tienden a desplazarse gradualmente hacia la derecha. Tras estos resultados se concluyó en construir un modelo de clasificación capaz de distinguir entre muestras elaboradas únicamente con harina blanca o harina integral.

3.2. Clasificación mediante SVM

SVM se utilizó como método no lineal de aprendizaje computacional para construir el modelo de clasificación de muestras de pan. En términos generales, el modelo de clasificación presentó errores por debajo al 20 %, que se reparte entre ambas clases.

La figura 5 representa el gráfico de clasificación de las muestras de pan de acuerdo con el tipo de harina empleada en su producción. En este gráfico se muestra a modo de ejemplo los resultados de clasificación para el conjunto de 15 muestras de pan elaboradas en condiciones de reproducibilidad (ver apartado 2.5.1).

La línea morada muestra el umbral establecido para separar las muestras que pertenecen a la clase “Integral” y a la clase “Blanco”. En la parte superior del umbral se disponen aquellas muestras que el modelo identifica como producidas a partir de harina integral y en la parte inferior aquellas que identifica como muestras elaboradas con harina blanca. Como puede observarse en este gráfico, tan solo 3 muestras de pan fueron erróneamente clasificadas.

3.3. Determinación del contenido de harina integral en pan

El modelo de clasificación desarrollado aplicando el método SVM se empleó para determinar el porcentaje de harina integral en pan analizando píxel a píxel de cada una de las 48 muestras de pan elaboradas con distintas proporciones de harina integral y blanca, siguiendo la metodología QPC.

La figura 6 muestra un ejemplo de la aplicación para determinar el porcentaje de un pan que fue elaborado con un 70% de harina integral. El modelo permitió clasificar los píxeles de la imagen tomada de la muestra como “Integrales” o “Blancos”. En este caso, un total de 76 píxeles fueron clasificados como “Integrales”. Esto indicaría que el 76 % de la harina empleada para la elaboración del pan fue harina integral. Este análisis se repitió para cada una de las muestras de pan.

La tabla 1 muestra el resultado obtenido para cada una de las 48 muestras de pan. Dichos resultados se evaluaron y contrastaron comparando el % de harina integral estimado por el modelo matemático, con el % real de harina integral empleado en la producción de las muestras, obteniendo valores de errores comprendidos entre el 6 % y el 8 %.

4. Conclusiones

En este estudio se desarrolló un método analítico rápido y respetuoso con el medio ambiente capaz de verificar el contenido en harina integral en pan utilizando técnicas basadas en imágenes hiperespectrales (HSI) en combinación con métodos de tratamiento de datos propios de la inteligencia artificial. Además, se aplica un método innovador, desarrollado en nuestro laboratorio, y denominado “Cuantificación basada en recuento de píxeles previamente clasificados” (QPC). Este método fue capaz de predecir el porcentaje de harina integral en pan con un error máximo del 8 % sobre el valor nominal, previamente conocido, independientemente del tipo de variedad de cereal de la harina con la que se elaboró, convirtiéndose así en una herramienta de alto potencial para paliar la actual ausencia de un método de control de calidad postproducción del pan.

Agradecimientos

AMJC agradece la ayuda (RYC2021-031993-I) financiada por MICIU/AEI/501100011033 y por “European Union NextGeneration EU/PRTR”. AAC agradece al Ministerio de Universidades la beca pre-doctoral FPU (FPU20/04711, Formación del Profesorado Universitario).

Tabla 1. Resultados de la predicción del contenido en harina integral para las muestras elaboradas con mezclas (harina integral y harina blanca).

Figura 1. (A) Ejemplo de imagen RGB de un pan; (B) Ejemplo de imagen hiperespectral de un pan

Figura 2. Representación de los píxeles que constituyen las imágenes hiperespectrales capturadas de panes elaborados únicamente con harina blanca, con harina integral o con mezclas de ambos tipos.

Figura 3. Configuración del equipo empleado para la captura de imágenes de pan mediante la técnica HSI: (1) Cámara hiperespectral Resonon Pika-L; (2) Lámparas halógenas; (3) Plataforma móvil; (4) muestras de pan; (5) Ordenador.

Figura 4. Gráfico de puntuaciones PCA y PLS and PLS usando el espectro promedio de muestras de pan etiquetadas como Pan Blanco, Pan Integral y Pan resultante de mezcla de harinas, de acuerdo al tipo de harina empleada en su elaboración. (A) Grafico de puntuaciones del PCA; (B) Gráfico de puntuaciones del PLS.

Figura 5. Gráfico de clasificación del 2º set de validación de muestras de pan tras aplicar SVM considerando dos clases: “Integral” y “Blanco”. Nota: La línea morada indica el umbral de discriminación establecido para separar la clase a la cual pertenecen las muestras “Pan Integral” vs “Pan Blanco”.

Figura 6. Ejemplo de la aplicación de la metodología QPC para cuantificar el contenido de harina integral en un pan elaborado con mezcla de harinas (integral y blanca).

Nota: La línea morada indica el umbral de discriminación establecido para separar la clase a la cual pertenecen las muestras “Pan Integral” vs las “Pan Blanco”.

Bibliografía

[[1]] Pico, J., Gómez, M., Bernal, J. & Bernal, J.L. Analytical methods for volatile compounds in wheat bread. Journal of Chromatography A. 1428, 55–71, 2016. https://doi.org/10.1016/j.chroma.2015.09.045

[[2]] Petrescu, D. C., Vermeir, I., Petrescu-Mag, R. M. Consumer understanding of food quality, healthiness, and environmental impact: a cross-national perspective. Int. J. Environ. Res. Public Health. 17(1), 169, 2020. https://doi.org/10.3390/ijerph17010169

[[3]] Edwards, W.P. Introduction. The Science of Bakery Products. 1–10, 2007. https://doi.org/10.1039/9781847557797.

[[4]] Doblado-Maldonado, A. F., Pike, O. A., Sweley, J. C., Rose, D. J. Key issues and challenges in whole wheat flour milling and storage. Journal of Cereal Science. 56(2), 119-126, 2012. https://doi.org/10.1016/j.jcs.2012.02.015.

[[5]] Ma, S., Wang, Z., Guo, X., Wang, F., Huang, J., Sun, B., & Wang, X. Sourdough improves the quality of whole-wheat flour products: mechanisms and challenges a review. Food Chemistry. 360, 2021. https://doi.org/10.1016/j.foodchem.2021.130038.

[[6]] Health Promotion Knowledge Gateway, 2022. Whole Grain. Knowledge for policy. Retrieved from https://knowledge4policy.ec.europa.eu/health-promotion-knowledge-gateway/whole-grain_en.  Acceso en julio de 2024.

[[7]] Real Decreto 308/2019, de 26 de abril, por el que se aprueba la norma de calidad para el pan. BOE 2019, 113, 50168-50175.

[[8]] Jiménez-Carvelo, A. M., Martin Torres, S., Cuadros-Rodríguez, L., González-Casado. A. Nontargeted fingerprinting approaches. Food Authentication and Traceability. 163-193, 2021. https://doi.org/10.1016/B978-0-12-821104-5.00010-6

[[9]]  Amigo, J. M.; Grassi, S. Configuration of hyperspectral and multispectral imaging systems. Hyperspectral Imaging. Data Handling in Science and Technology. 32, 17-34, 2019. https://doi.org/10.1016/B978-0-444-63977-6.00002-X

[[10]] Amigo, J. M. Hyperspectral and multispectral imaging: setting the scene. En Hyperspectral Imaging. Data Handling in Science and Technology. 32, 3-16, 2019. https://doi.org/10.1016/B978-0-444-63977-6.00001-8

[[11]] Basantia, N. C., Nollet, L. M., & Kamruzzaman, M. (Eds.). (2018). Hyperspectral Imaging Analysis and Applications for Food Quality. Data extraction and treatment (pp 45-56). CRC Press. https://doi.org/10.1201/9781315209203 

[[12]] Olakanmi, S., Jayas, D.S., Paliwal, J., Chaudhry, M.M.A., Findlay, C.R.J. quality characterization of fava bean-fortified bread using hyperspectral imaging. Foods., 13(2), 231, 2024. https://doi.org/10.3390/foods13020231

[[13]] Amigo, J. M., del Olmo, A. L., Engelsen, S. B., Engelsen, M. M. Staling of white wheat bread crumb and effect of maltogenic α-amylases. Part 3: spatial evolution of bread staling with time by near infrared hyperspectral imaging. Food Chem, 353, 129478. 2021. https://doi.org/10.1016/j.foodchem.2021.129478

[[14]] Verdú, S., Vásquez, F., Grau, R., Ivorra, E., Sánchez, A. J., Barat, J. M. Detection of adulterations with different grains in wheat products based on the hyperspectral image technique: the specific cases of flour and bread. Food Control. 62, 373-380, 2016. https://doi.org/10.1016/j.foodcont.2015.11.002

[[15]] Medina-García, M, Roca-Nasser, E.A., Martínez-Domingo, M.A., Valero, E.M., Arroyo-Cerezo, A., Cuadros-Rodríguez, L., Jiménez-Carvelo, A.M. Towards the establishment of a green and sustainable analytical methodology for hyperspectral imaging-based authentication of wholemeal bread. Food Control. 166, 110715, 2024. https://doi.org/10.1016/j.foodcont.2024.110715