ArticlePDF Available

Desarrollo y validación de un patrón visual para la evaluación del color de la carne de bovino en México

Authors:

Abstract

El objetivo fue desarrollar una escala visual para la evaluación del color en carne de bovino. Se analizaron 1,165 lomos, a las 24 h post mortem, en cuatro rastros de la República Mexicana. En cada muestra se evaluó el color con ayuda de un patrón visual y con un espectrofotómetro (escala CIELAB), tomándose una fotografía de cada lomo. Por el método visual se identificaron siete categorías, (de rojo muy pálido a rojo muy oscuro) y las variables instrumentales del color (L*, a*, b*, C* y h*) se usaron para generar modelos de predicción de las categorías visuales. La escala se construyó utilizando L* como único predictor, pues este modelo explicó >90 % de la variación observada. El patrón se ilustró con fotos de las muestras con valor de L* dentro del intervalo de confianza al 95% de la media en cada categoría, desde rojo muy pálido (48.1<L*<48.8) hasta rojo muy oscuro (32.7<L*<33.4). La diferencia total de color entre categorías fluctuó entre 2.8 y 5.5, lo que sugiere que éstas son diferenciables a simple vista. La escala se validó mediante pruebas con un panel sensorial entrenado y otro de consumidores. Los jueces entrenados calificaron correctamente las muestras en el 92.6 % de las evaluaciones. En carne con apariencia de corte oscuro (CO), el panel entrenado tuvo 100 % de aciertos y el de consumidores 85.3 %. El patrón visual propuesto se sustenta en mediciones instrumentales y mostró ser técnicamente viable para la evaluación del color en carne de bovino por personal entrenado y por consumidores.
479
https://doi.org/10.22319/rmcp.v11i2.5181
Artículo
Desarrollo y validación de un patrón visual para la evaluación del color
de la carne de bovino en México
Sara Salinas Labra a
María Salud Rubio Lozano b
Diego Braña Varela c
Rubén Danilo Méndez Medina b
Enrique Jesús Delgado Suárez b*
a Zoetis México.
b Universidad Nacional Autónoma de México, Facultad de Medicina Veterinaria y Zootecnia,
Ciudad de México, México.
c Elanco Animal Health.
* Autor de correspondencia: enriquedelgado.suarez@gmail.com
Resumen:
El objetivo fue desarrollar una escala visual para la evaluación del color en carne de bovino.
Se analizaron 1,165 lomos, a las 24 h post mortem, en cuatro rastros de la República
Mexicana. En cada muestra se evaluó el color con ayuda de un patrón visual y con un
espectrofotómetro (escala CIELAB), tomándose una fotografía de cada lomo. Por el método
visual se identificaron siete categorías, (de rojo muy pálido a rojo muy oscuro) y las variables
instrumentales del color (L*, a*, b*, C* y h*) se usaron para generar modelos de predicción
de las categorías visuales. La escala se construyó utilizando L* como único predictor, pues
este modelo explicó >90 % de la variación observada. El patrón se ilustró con fotos de las
muestras con valor de L* dentro del intervalo de confianza al 95% de la media en cada
categoría, desde rojo muy pálido (48.1<L*<48.8) hasta rojo muy oscuro (32.7<L*<33.4). La
diferencia total de color entre categorías fluctuó entre 2.8 y 5.5, lo que sugiere que éstas son
Rev Mex Cienc Pecu 2020;11(2):479-497
480
diferenciables a simple vista. La escala se validó mediante pruebas con un panel sensorial
entrenado y otro de consumidores. Los jueces entrenados calificaron correctamente las
muestras en el 92.6 % de las evaluaciones. En carne con apariencia de corte oscuro (CO), el
panel entrenado tuvo 100 % de aciertos y el de consumidores 85.3 %. El patrón visual
propuesto se sustenta en mediciones instrumentales y mostró ser técnicamente viable para la
evaluación del color en carne de bovino por personal entrenado y por consumidores.
Palabras clave: Carne de res, Bovino, Calidad, Color, Visual, Instrumental, Patrón.
Recibido: 05/12/2018
Aceptado: 30/07/2019
Introducción
El color de la carne fresca se encuentra dentro de los principales atributos de calidad que
influyen en la decisión de compra del consumidor(1,2). Es un hecho que los defectos en la
coloración de la carne causan cuantiosas pérdidas económicas, debido a que provocan
penalizaciones en su precio(3-5). Por ello, el color es uno de los principales atributos
empleados para evaluar la calidad de canales y de carne en países que son grandes
comercializadores, como Estados Unidos, Japón, Canadá y Australia(6-9). Estos esquemas de
valoración se realizan con la ayuda de escalas visuales, las cuales están altamente
correlacionadas con la decisión de compra del consumidor(10). Además, la detección
temprana de defectos en el color permite segregar la carne con apariencia indeseable y
redirigirla a procesos de manufactura en los que este atributo tiene menor relevancia(7).
La razón de que se desarrollen patrones visuales para el mismo fin en diferentes naciones,
radica en que el color de la carne es un fenómeno multifactorial. Por ejemplo, se conoce que
factores como la raza, el sistema de producción, la dieta, así como el manejo previo y
posterior a la matanza, los cuales varían de un país a otro, constituyen importantes fuentes de
variación en el color de la carne(11,12). Por tanto, el empleo de estas herramientas por parte de
la industria cárnica debe basarse en evidencias científicas generadas a partir del ganado local.
Lo anterior cobra especial relevancia en el ganado bovino, especie que suele presentar una
alta variación en sus atributos de calidad(13).
En México, la ganadería bovina de carne está entre las actividades pecuarias de mayor
importancia económica(14). Además, la carne de res goza de amplia popularidad en el país,
con un consumo per capita anual de 17.40 kg(15); sin embargo, no se cuenta con herramientas
científicamente sustentadas para la segregación de la carne según el color. La norma
Rev Mex Cienc Pecu 2020;11(2):479-497
481
mexicana de clasificación de canales incluye al color como uno de los atributos que
determinan el grado de calidad de éstas(16). Sin embargo, propone su evaluación a partir de
una escala de colores sólidos de apenas tres niveles, del sistema pantone, que asocia con
carne de color rojo-cereza, rojo intenso y rojo oscuro. Tal escala no es representativa de toda
la gama de tonalidades que puede tener la carne de bovino y tampoco describe la apariencia
asociada con defectos de calidad, como el corte oscuro (CO). Además, no toma en cuenta
que la superficie de la carne es irregular, con fibras musculares en diferentes direcciones,
presencia de tejido conectivo y grasa entreverada. Es por ello que el empleo de patrones
fotográficos se considera una mejor alternativa para la evaluación subjetiva del color de la
carne(17).
Aunque actualmente existen algunas iniciativas privadas y se han realizado varios estudios
de alcance regional(18-22), hasta el momento no se ha desarrollado un patrón visual que sirva
de referencia para la industria nacional. Tal carencia representa una desventaja comercial
para los productores locales, que pueden recibir penalizaciones en el precio de la carne con
base en valoraciones subjetivas por parte de sus clientes. Por tanto, el objetivo del presente
trabajo es desarrollar y validar un patrón para la evaluación visual del color de la carne de
bovino a escala industrial en México. Con ello, se espera contribuir al ordenamiento del
mercado, a mejorar la comunicación entre los distintos eslabones de la cadena de valor, así
como a generar un método de evaluación subjetivo del color de la carne, científicamente
sustentado, que subsane las deficiencias que presenta el sistema considerado en la
normatividad vigente
Material y métodos
Universo muestral
Se utilizó un plan de muestreo no probabilístico, en el que se aplicaron los siguientes criterios
para seleccionar los rastros que participaron en el estudio: 1) empresas ubicadas en alguna
de las tres zonas ecológico-ganaderas de México (árida y semi-árida, trópico húmedo y
trópico seco), 2) que las medias canales se cortaran entre la doceava y treceava costillas, 3)
que fuera un rastro Tipo Inspección Federal (TIF) y 4) que existieran las condiciones técnicas
de iluminación, espacio, acceso a los cortes primarios y área de cortes con temperatura de
refrigeración de 6-8 ºC para realizar los trabajos.
Con base en estos criterios, se seleccionaron cuatro rastros TIF, ubicados en Baja California,
Sinaloa, Querétaro y Tabasco, en los que se analizó un total de 1,165 muestras (Figura 1).
Como la carne fue sometida a un tiempo de oxigenación de 30 min antes de evaluar el color,
esto obligaba a trabajar a un ritmo mucho más lento en comparación con el flujo de proceso.
Por ello, no fue posible analizar todas las canales procesadas en un día. Entonces, se fijó
Rev Mex Cienc Pecu 2020;11(2):479-497
482
como meta tomar al menos 170 canales por rastro, que fue el tamaño de muestra mínimo
determinado, considerando un nivel de confianza del 95%, una precisión de 0.5 unidades en
las variables instrumentales del color y una varianza de 10.69, estimada a partir de pruebas
preliminares. Así, mediante la fórmula  

, se obtuvo un tamaño de muestra de 164, el
cual se redondeó a 170. Sin embargo, con el fin de obtener la mayor variación posible, en
cada establecimiento se analizaron todos los lomos que fue posible recolectar en un turno de
8 h durante un período de 3 o 4 días. Por ello, el tamaño de muestra real por rastro fluctuó
entre 172 y 405, según el volumen de matanza en cada establecimiento.
Figura 1: Número de muestras de lomo analizadas en rastros TIF de cuatro estados de la
República Mexicana entre noviembre de 2012 y julio de 2013
La población de animales de la que se obtuvieron los datos estaba constituida, en cerca de un
80 %, por machos enteros sin castrar y el porcentaje restante por hembras. Como la
investigación se realizó en rastros, no siempre fue posible conocer la edad al sacrificio. No
obstante, en una muestra de alrededor de 300 animales en que se disponía de este dato, el
86 % tenía 24 meses o menos. En general, cabe esperar que estas características fueran
predominantes en la muestra estudiada, tomando en cuenta reportes previos que documentan
la preponderancia de toros jóvenes en la población de matanza de bovinos de carne en
México(23).
Medición del color
Las mediciones de color, tanto visuales como instrumentales, se realizaron según los
lineamientos de la Asociación Americana de Ciencia de la Carne(24). Las lecturas se
realizaron a las 24 h post mortem, en el área de corte y deshuese de cada rastro TIF, con
temperatura ambiente controlada de 6 a 8 ºC. Para ello, se recolectaron los lomos completos
(músculo Longissimus dorsi), recién separados de la canal y con una temperatura no mayor
a 3 ºC. Las piezas así seleccionadas se dejaron reposar durante 30 min en una mesa de acero
Rev Mex Cienc Pecu 2020;11(2):479-497
483
inoxidable, con el área del ojo de la chuleta entre las costillas doceava y treceava expuesta al
aire, para permitir una óptima oxigenación de la mioglobina previo a las lecturas.
La evaluación visual del color se realizó bajo condiciones estandarizadas. Se utilizó como
fuente de luz una lámpara incandescente Osram de calidad fotográfica, con una intensidad
de 150 candelas (1,614 luxes) y una temperatura del color de 3,200 ºK, colocada en un ángulo
de 45º con respecto a la superficie de la chuleta. A cada chuleta evaluada se le tomó una foto
de alta resolución, con ayuda de un fotógrafo profesional, que empleó para este fin una
cámara Nikon D300S de 12 megapixeles, con lente Zoom de 24-70 f. 2.8 marca Sigma. Las
fotos se tomaron contra un fondo negro, para eliminar diferencias de color asociadas con la
superficie de la carne. Las fotografías se tomaron con el fin de contar con imágenes
ilustrativas de las diferentes tonalidades de la carne, mismas que podrían ser incluidas en la
escala visual de color que se estaba desarrollando. Posteriormente, el color se evaluó de
manera visual, con el patrón para carne de bovino de Estados Unidos (Figura 2), que consta
de ocho niveles(9). Esta actividad se realizó por un investigador experimentado en evaluación
de canales bajo el esquema norteamericano, con el fin de tener una referencia preliminar
sobre el número de categorías visuales que podrían presentarse en la muestra estudiada.
Figura 2: Escala visual para la evaluación del color en canales de bovinos desarrollada en
Estados Unidos de América(9)
Para las mediciones instrumentales se empleó un espectrofotómetro Hunter MiniScan EZ
modelo 4500L, con geometría 45/0 y un tamaño de apertura del puerto de 25 mm (Hunter
Associates Laboratory, Inc, Reston, Virginia, Estados Unidos). El instrumento se configuró
con iluminante A, observador a 10° y el componente especular excluido. Además, se operó
en modo remoto, por medio del programa OnColor QC Lite, versión 6 (CyberChrome, Inc.,
New Paltz, New York, Estados Unidos), para la captura de los datos en computadora. Se
realizaron calibraciones previo al inicio de las mediciones y posteriormente cada 100 lecturas
Rev Mex Cienc Pecu 2020;11(2):479-497
484
o después de 1 hora (lo que ocurriera primero), empleando la trampa negra y el azulejo blanco
suministrados por el fabricante. En cada chuleta se tomaron cuatro lecturas, las cuales se
promediaron para obtener los valores de luminosidad (L*), intensidad de rojo (a*), intensidad
de amarillo (b*), tonalidad (h*) e índice de satuación (C*) de cada chuleta en la escala
CIELAB. Junto con estos datos se recolectaron también las curvas espectrales, mismas que
constituyen la huella de color y que fueron necesarias para realizar la impresión profesional
de la escala.
Análisis de datos y conformación de la escala visual
Para el análisis estadístico se empleó el software Statgraphics XV Centurion para Windows
(Statpoint, Inc., The Plains, Virginia, Estados Unidos). Se compararon las medias de los
valores instrumentales del color entre las categorías de calidad asignadas visualmente. Para
ello, se realizó un análisis de varianza (ANOVA) de clasificación simple, mediante el
procedimiento de Modelos Lineales Generalizados (MLG). Como se tenía un número
diferente de observaciones por nivel, cuando se encontraron diferencias significativas, las
medias se discriminaron mediante el procedimiento de comparación múltiple de Bonferroni.
Para la construcción de la escala, se probaron distintos modelos de predicción, también con
el procedimiento MLG, utilizando la categoría visual como variable dependiente y diferentes
combinaciones de las variables instrumentales y sus interacciones como variables
explicativas (ver Cuadro S1 en información suplementaria). Entre los modelos generados, se
eligió el que explicara el mayor porcentaje de la variación observada entre categorías
visuales, que resultó ser el que utiliza L* como única variable explicativa. Por ello, se
construyeron los intervalos de confianza al 95% de L* dentro de cada categoría visual. Para
ilustrar la escala, se seleccionaron las fotos que correspondían a chuletas cuyos valores de L*
se encontraban dentro del intervalo de confianza de la media en cada categoría.
Por último, era necesario determinar si las categorías así definidas podrían ser diferenciables
de manera visual. Para este fin, se calculó la diferencia total de color (*, la cual se
define como la suma de las diferencias modulares de L*, a* y b* entre dos muestras: (*=
***). A mayor *, más fácil es distinguir la diferencia de color entre
dos muestras de manera visual. No obstante, por lo general muestras con valores de *>2
unidades se consideran fácilmente diferenciables a simple vista(25).
Experimento de validación preliminar
Con el fin de validar la escala visual previamente generada, el patrón se desafió a escala
industrial, bajo las condiciones que a continuación se describen. Se trabajó en un rastro que
no participó en el muestreo inicial. Para la validación, se conformó un panel sensorial
Rev Mex Cienc Pecu 2020;11(2):479-497
485
entrenado, con seis personas familiarizadas con el patrón de color propuesto. Entre los
candidatos a conformar el panel, los integrantes fueron seleccionados a partir de la prueba de
Farnsworth-Munsell (http://www.color-blindness.com/farnsworth-munsell-100-hue-color-
vision-test/#prettyPhoto), la cual permite descartar a las personas con deficiencias en la
apreciación del color. El panel se conformó únicamente con jueces que tuvieron un resultado
de deficiencia en la visión del color de “ninguna” o “ligera” (0 a 70 puntos). Se partió de un
grupo inicial de 20 candidatos, los cuales se seleccionaron con base en lineamientos
generalmente aceptados para la planificación y selección de jueces entrenados(26).
Como resultado de este proceso, el panel sensorial quedó conformado por seis integrantes,
con los cuales se realizaron seis sesiones de evaluación, en las que cada juez evaluó 6
muestras de carne (2 de carne de color normal (N), 2 de CO moderada y 2 de CO extrema),
para un total de 36 mediciones por juez. Para las evaluaciones se utilizó una escala
estructurada de 10 cm de longitud, acotada desde rojo muy pálido (L*=50) hasta rojo muy
oscuro (L*=30) y que fue previamente explicada a los jueces:
Según la escala visual desarrollada, la carne CO extrema tiene valores de L* entre 30 y 34;
la CO moderada, de 35-37 y la carne N, 38 o más. Se pidió a cada juez que marcara con una
cruz en la escala, para indicar el color que correspondía a la muestra evaluada. La posición
señalada por los jueces se midió con una regla para obtener el valor de L* estimado. Los
datos se analizaron mediante un análisis de varianza de 3 factores (juez, muestra, sesión y
sus interacciones). Esto permitió verificar que la única fuente de variación significativa en
las evaluaciones era la muestra. Por último, se realizó un análisis de correlación entre los
valores de L* estimados a partir de la calificación del color realizada por los jueces y los
valores de L* reales medidos con el espectrofotómetro. Para considerar la escala visual como
válida para evaluar el color de la carne de bovino, se requirió obtener un poder
discriminatorio significativo de los jueces, una correlación significativa de alta magnitud
entre los valores de L* reales de las muestras y los valores de L* estimados por los jueces,
así como un porcentaje de aciertos >80%, por parte de los jueces, al asignar la categoría de
color a cada muestra. En trabajos previos con jugo de naranja y con vinos, las diferencias
visuales de las muestras se han validado con un porcentaje de aciertos mucho menor del panel
sensorial (ej. >50%)(27,28). No obstante, en la presente investigación se utilizó un punto de
quiebre más alto, con el fin de determinar si la escala visual funcionaba para la mayor parte
de las personas, razón por la cual también se solicitó a un panel de personas no entrenadas
(n=6), que dictaminaran si existía diferencia entre muestras de carne N y CO. Ello con el fin
de comprobar la confiabilidad de la escala, en caso de ser utilizada por personas sin
entrenamiento en evaluación del color. Las muestras fueron seleccionadas y presentadas bajo
las mismas condiciones descritas anteriormente para el panel entrenado. No obstante, al panel
Rojo muy pálido
(L*=50)
Rojo muy oscuro
(L*=30)
Rev Mex Cienc Pecu 2020;11(2):479-497
486
no entrenado solamente se le presentaron pares de muestras y se pidió a los jueces que
eligieran la muestra que preferían según el color.
Resultados
Definición de categorías visuales y su relación con mediciones
instrumentales
La evaluación visual permitió identificar en la muestra estudiada siete de las ocho clases
representadas en el patrón norteamericano. Lo anterior debido a que ninguna de las muestras
tuvo apariencia similar a la categoría 5 (ligeramente rojo oscuro). La distribución de las
muestras en cada una de las siete clases identificadas se presenta en la Figura 3.
Figura 3: Distribución de muestras (n=1,165) en cada una de las categorías visuales
identificadas con ayuda del patrón norteamericano para la evaluación del color en carne de
bovino (la descripción de cada categoría es igual que en la Figura 2).
La proporción de carne asociada con defectos de calidad (categorías 7 y 8, que representan
diferentes grados de la apariencia CO) fue relativamente baja (7 %). Por el contrario, más del
70 % de las muestras se ubicó entre las categorías 2 a 4, apariencia que típicamente se asocia
con carne de calidad normal.
Por otra parte, el ANOVA resultó significativo (P<0.0001) para todas las variables
instrumentales del color (Cuadro 1). No obstante, L* fue la única que presentó diferencias
significativas entre las medias de todas las categorías. Además, el ANOVA de L* fue el único
que tuvo un alto coeficiente de determinación (R2=0.9171), mientras que en las otras
variables osciló entre 0.2744 y 0.4284.
Rev Mex Cienc Pecu 2020;11(2):479-497
487
Cuadro 1: Medias de mínimos cuadrados de las variables instrumentales del color en carne
de cada una de las categorías visuales identificadas en la muestra
Categorías visuales
EE1
R2
1
2
3
4
6
7
8
30
62
283
264
314
144
68
48.8a
46.7b
44.4c
42.1d
40.1e
37.7f
34.8g
0.94***
0.9171
27.4a
27.8a
27.5a
27.1ab
26.3b
25.1c
22.6d
2.04***
0.2744
20.1a
20.2a
19.1b
18.3c
17.3d
16.0e
13.5f
2.12***
0.3522
34.1a
34.3a
33.4ab
32.7b
31.5c
29.8d
26.3e
2.21***
0.3082
36.3a
35.9a
34.7b
33.9c
33.2d
32.4e
30.7f
1.41***
0.4284
1Error estándar del estimador.
a,b,c,d,e,f,g Medias con letras diferentes en una misma fila difieren (P<0.05).
***P<0.0001.
Aunque se probaron otros modelos de predicción (ver Cuadro S1 en información
suplementaria), ninguno de ellos mejoró el que se obtuvo con L* como única variable
explicativa y, por tanto, fueron descartados. Por ello, se utilizaron los intervalos de confianza
al 95% de la media de L* como criterio para seleccionar las fotos representativas de cada una
de las categorías visuales que conformaron la escala de color desarrollada (Figura 4). Un
rasgo notorio de esta última es que la apariencia de la carne en algunas categorías adyacentes
es muy parecida. Por ejemplo, las categorías 1 y 2 son representativas de carne pálida. De
igual forma, las categorías 3 y 4 son representativas del tono rojo-cereza brillante, que suele
ser el más atractivo para los consumidores en el punto de venta. Por ello, en un principio se
consideró fusionar ambos pares de categorías en una sola. Sin embargo, el *entre estos
pares de categorías fue de casi 3 unidades CIELAB, lo que indica que son claramente
diferenciables entre a simple vista. Por tanto, en lugar de fusionarlas, lo que se hizo fue
utilizar una denominación que permitiera al usuario identificar que ambas categorías están
asociadas con carne de tonalidad similar. Así, las categorías 1 y 2 fueron renombradas como
1A y 1B, respectivamente, mientras que 3 y 4 fueron denominadas 2A y 2B. Estos ajustes
obligaron a modificar también la denominación de las categorías restantes (5, 6 y 7),
quedando éstas como 3, 4 y 5, cuya apariencia es claramente diferenciable entre sí, con un
* entre estas clases mucho mayor (3.3 a 5.5 unidades CIELAB).
Rev Mex Cienc Pecu 2020;11(2):479-497
488
Figura 4: Escala visual para la evaluación del color de la carne de bovino en México
Los valores de L* que se indican corresponden al intervalo de confianza al 95% de la media para cada
categoría. En la parte inferior, se señalan las diferencias totales de color (*) entre categorías adyacentes.
Validación preliminar de la escala descriptiva en condiciones industriales
El primer criterio de validación de la escala de color fue que el panel sensorial detectara las
diferencias entre las muestras. En este sentido, se obtuvieron resultados satisfactorios, pues
tanto los jueces en lo individual, como el panel como grupo, mostraron un poder
discriminatorio suficiente (ANOVA significativo, P<0.0001) para detectar las diferencias
entre las muestras. Además, se comprobó que el único factor que incidía significativamente
(P=0.0002) en la puntuación de los jueces era la muestra (ver Cuadros S2 a S4 en información
suplementaria).
La correlación entre los valores reales de L* de las muestras y los asignados por los jueces
(Figura 5), que fue el segundo criterio de validación, fue significativa y de alta magnitud
(r=0.9338, P<0.0001). Estos resultados se corresponden con el porcentaje de aciertos por
parte de los jueces, tercer y último criterio de validación de la escala, los cuales, en promedio,
asignaron correctamente las muestras a la categoría visual del patrón en el 92.6 % de las
evaluaciones. En cuanto a detección de CO, la escala mostró un desempeño aun mejor, pues
las muestras que presentaban esta condición fueron correctamente asignadas en el 100 % de
los casos por todos los jueces. También se comprobó que es posible distinguir los diferentes
grados del defecto CO, ya que los jueces entrenados sólo confundieron la CO moderada con
la extrema en el 5 % de las evaluaciones. Por último, en la evaluación realizada por el panel
no entrenado, se comprobó la pertinencia de las categorías que describen el defecto CO. Lo
anterior en virtud de que en el 85.3 % de las evaluaciones realizadas por los panelistas no
entrenados, se prefirió el color de la carne N sobre la CO. En general, los resultados de las
pruebas sensoriales demuestran la viabilidad técnica de la escala de color propuesta, toda vez
que tanto personal entrenado como consumidores fueron capaces de utilizarlo para
dictaminar de manera correcta la apariencia de la carne.
Rev Mex Cienc Pecu 2020;11(2):479-497
489
Figura 5: Análisis de regresión entre L* estimada por el panel sensorial entrenado y L*
real de las muestras medido con el espectrofotómetro (n=108)
El modelo incluye los límites de predicción bilaterales. ***P<0.0001.
Discusión
En esta investigación se presenta el primer patrón visual para la evaluación del color de la
carne de bovino en México, sustentado científicamente con datos tomados en el ganado que
se produce en el país. La escala desarrollada contiene categorías que describen carne de
apariencia pálida, rojo-cereza, rojo fuerte, rojo oscuro y rojo muy oscuro. Estas tonalidades
son claramente diferenciables de manera visual y, además, muestran una alta correlación con
variables instrumentales del color, particularmente con L*. Esto coincide con lo observado
en estudios anteriores, en los que L* ha sido la variable mejor relacionada con la apariencia
visual de la carne(29,30).
En algunos estudios realizados en México, se ha utilizado la saturación del color (C*<30)
como uno de los criterios para identificar carne CO(3). Aunque en este estudio se utilizó un
instrumento y condiciones de medición diferentes, se observaron también valores de C*
inferiores a 30 en carne con apariencia de cortes oscuros. No obstante, C* sólo explicó cerca
del 30 % de las diferencias entre los distintos niveles de la escala, mientras que para L* el
coeficiente de determinación fue superior al 90 %. De hecho, la alta correlación entre L* y
la apariencia visual que se observó en este estudio sugiere que las mediciones instrumentales
se pueden usar ya sea para orientar a los evaluadores que utilizan la escala visual, o bien,
para sustituir el empleo de esta última en empresas que cuenten con tecnología instrumental
para medir el color.
Por otra parte, las categorías o clases incluidas en la escala se pueden asociar con
determinadas ventajas comerciales o con defectos de calidad. Por ejemplo, la carne
Rev Mex Cienc Pecu 2020;11(2):479-497
490
representada en las categorías 1A y 1B posee una apariencia similar a la que se describe en
carne pálida, suave y exudativa (PSE)(31). Este defecto se asocia con propiedades funcionales
deterioradas, especialmente con una reducida capacidad de retención de agua. Se sabe, no
obstante, que el fenómeno PSE ocurre con muy poca frecuencia en la especie bovina y por
lo general sólo se presenta cuando se aplica un enfriamiento muy lento de las canales(32). Aun
así, 46 unidades (3.9 %) de la muestra analizada presentaron una apariencia extremadamente
pálida y otras 150 (12.9 %) se clasificaron como moderadamente pálidas. Probablemente esto
se deba a deficiencias en la velocidad de enfriamiento de las canales, o a una muscularidad
excesiva que limite o retrase la pérdida de calor y promueva una caída más rápida del pH
muscular, condiciones que podrían ser comunes en muchos rastros TIF en México. No
obstante, investigaciones recientes sugieren que el color rojo claro es percibido como
indicador de calidad en carne de bovino por los consumidores mexicanos(33), lo que implica
que la carne fresca con esta apariencia no debe sufrir penalizaciones en precio.
Las siguientes dos categorías (2A y 2B), representan la apariencia típica (rojo-cereza
brillante) que los consumidores aprecian en la carne fresca(4). Al parecer, cabe esperar que
una buena parte de la carne de bovino que se produce en el país cumple con esta demanda,
ya que 60 % de las muestras analizadas presentaron estas tonalidades. Por tanto, la
identificación de este tipo de carne constituye un apoyo para explotar al máximo las ventajas
competitivas que ofrece su favorable apariencia para las ventas al detalle.
La categoría 3, por su parte, describe la carne que se encuentra en el límite de calidad
aceptable. Su apariencia es un poco más oscura, determinada por los valores más bajos de
L*, lo que la pone en desventaja con respecto al rojo-cereza, que se asocia con animales más
jóvenes. Es conocido que, a medida que los animales envejecen, la luminosidad de la carne
se reduce, lo que resulta en una apariencia más oscura de esta(34). No obstante, la categoría 3
guarda una diferencia total de color bastante segura (3-5 unidades CIELAB) con respecto a
las categorías que describen el defecto CO (4 y 5).
Por último, las categorías 4 y 5 son representativas del defecto CO, el cual provoca pérdidas
millonarias a la industria y es, por mucho, a escala global, el defecto de calidad de mayor
importancia en carne de bovino(7). Aunque se han descrito diferentes grados de la condición
CO (ej. clásica, ligera y atípica), estudios recientes han demostrado que todas ellas tienen en
común una apariencia oscura indeseable y atributos de calidad deteriorados(5,35), por lo que
ameritan penalización económica. En México, se ha estimado que el valor de las canales CO
se reduce en aproximadamente 85 USD(3). Aunque la proporción de unidades con apariencia
CO en la muestra analizada es aparentemente baja (7 %), el impacto económico de esta tasa,
si se presentara a escala nacional, puede representar millones de dólares, tomando en cuenta
que la matanza anual es de 4 millones de cabezas, tan solo en rastros TIF(36). Por ello, la
descripción de carne CO en la escala propuesta es de gran relevancia, puesto que provee las
bases para la detección temprana de este defecto, ofreciendo la posibilidad de segregar la
Rev Mex Cienc Pecu 2020;11(2):479-497
491
carne defectuosa y, además, gestionar los procesos asociados con la matanza, para reducir su
incidencia.
El cálculo de * demostró que las categorías representadas en la escala pueden ser
fácilmente diferenciadas de manera visual. En algunos estudios se ha sugerido que el ojo
humano puede percibir diferencias en el color a partir de valores de * >1(25), cifra muy
inferior a las que se observaron en este trabajo entre las categorías visuales propuestas (2.8-
5.5).
Por otra parte, la validación demostró la pertinencia de la estrategia seguida para desarrollar
la escala, con una alta correlación entre las evaluaciones del panel sensorial entrenado y la
variable predictiva utilizada (L*). Sin duda, esto contribuyó a que más del 90 % de los jueces
entrenados asignaran correctamente la categoría visual a las muestras evaluadas. De igual
forma, se comprobó que las categorías asociadas con CO, que es el principal defecto de
calidad en carne de bovino, son fácilmente identificadas tanto por personas entrenadas como
por consumidores. Ello abre la posibilidad de emplear la escala visual de forma generalizada
en el entorno industrial, como alternativa a las mediciones instrumentales, pues el uso de
estas últimas requiere inversiones económicas que están fuera del alcance de la mayor parte
de la industria.
No obstante lo analizado hasta el momento, se debe señalar que el presente estudio no
propone el uso del patrón visual como único criterio para determinar la calidad de la carne.
Aunque se ha documentado ampliamente que el color es un factor clave en la decisión de
compra por parte del consumidor, se sabe que éste no se correlaciona con la suavidad o con
la aceptación sensorial de la carne(4). Por tanto, si se pretende evaluar la calidad de las canales,
será preciso complementar la evaluación del color con la de otros atributos de calidad (ej. pH
final, madurez fisiológica de los animales, marmoleo, entre otros)(7). Adicionalmente, la
escala que aquí se presenta se basa en mediciones realizadas a las 24 h post mortem. Por
tanto, su aplicación en el contexto de la cadena de distribución podría no ser del todo
consistente, pues la temperatura de almacenamiento, el tipo de empaque, la bioquímica del
músculo, entre otros factores, pueden modificar el color de la carne y la estabilidad del
mismo(11,37).
Por otra parte, aunque es posible optar por el uso exclusivo de la medición instrumental para
evaluar el color, se deben tomar ciertas precauciones. En primer lugar, los valores de L*
típicos que se reportan para cada categoría se midieron con un espectrofotómetro cuya
configuración (apertura del puerto, geometría, iluminante, etc.) puede ser diferente a la de
otros equipos. Por tanto, el uso de otros instrumentos o configuraciones distintas a las aquí
empleadas pueden hacer variar los resultados.
Rev Mex Cienc Pecu 2020;11(2):479-497
492
A pesar de lo anterior, la escala desarrollada puede ser muy útil para estimar, desde los
rastros, si la apariencia de la carne pudiera repercutir positiva o negativamente en la decisión
de compra por parte de los clientes. Además, su empleo puede facilitar una comunicación
más eficiente, por el uso de un descriptor técnico objetivo, al momento de comercializar la
carne. Particularmente, la escala demostró funcionar muy bien en lo que respecta a la
identificación de carne con apariencia de corte oscuro, cuya temprana detección en los rastros
es de gran importancia económica.
Conclusiones e implicaciones
La escala descriptiva desarrollada en este estudio provee ilustraciones típicas de la apariencia
que puede tomar la carne de bovino en México, así como de los intervalos de L* asociados
con cada una de ellas. La concurrencia de criterios visuales e instrumentales en la herramienta
permite su puesta en práctica de manera versátil, ya sea con paneles sensoriales, con
mediciones instrumentales o mediante la combinación de ambos. La escala está concebida
como herramienta para la evaluación del color en el rastro, a las 24 h post mortem y ha
mostrado un excelente desempeño para la detección de carne con apariencia de corte oscuro
en pruebas de validación realizadas en el entorno industrial. En empresas que realicen
evaluación de canales, esta herramienta podría integrarse como un criterio más para definir
la calidad de las mismas.
Agradecimientos
Este estudio fue realizado con recursos del fondo sectorial SAGARPA-CONACYT, proyecto
109127. Los autores agradecen al profesor Melvin C. Hunt, por su asistencia técnica para la
revisión y puesta a punto de la metodología de trabajo empleada en el presente trabajo
Literatura citada:
1. Wulf D, Wise W. Measuring muscle color on beef carcass using the L*a*b* color space.
J Anim Sci 1999;77(9):2418-2427.
2. Mancini RA, Hunt MC. Current research in meat color. Meat Sci 2005;71(1):100-21.
3. Leyva-García IA, Figuerosa-Saavedra F, Sánchez-López E, Pérez-Linares C, Barreras-
Serrano A. Impacto económico de la presencia de carne DFD en una planta de sacrificio
Tipo Inspección Federal (TIF). Arch Med Vet 2012;44(1):39-42.
4. Troy DJ, Kerry JP. Consumer perception and the role of science in the meat industry. Meat
Sci 2010;86(1):214-226.
Rev Mex Cienc Pecu 2020;11(2):479-497
493
5. Prieto N, Lopez-Campos O, Suman SP, Uttaro B, Rodas-Gonzalez A, Aalhus JL.
Exploring innovative possibilities of recovering the value of dark-cutting beef in the
Canadian grading system. Meat Sci 2018;137(1):77-84.
6. Aus-Meat. Handbook of Australian meat, 7th ed. Australia: South Brisbane; 2005.
7. Aalhus JL, López-Campos Ó, Prieto N, Rodas-González A, Dugan MER, Uttaro B, Juárez
M. Review: Canadian beef grading Opportunities to identify carcass and meat quality
traits valued by consumers. Can J Anim Sci 2014;94(4):545-556.
8. JMGA. Japan Meat Grading Association. Beef carcass grading standard.
http://wagyu.org/breed-info/meat-grading/. Accessed May 5, 2018.
9. Tatum D. Beef grading. National Cattlemen’s Beef Association.
https://www.beefresearch.org/CMDocs/BeefResearch/PE_Fact_Sheets/Beef_Grading.
pdf. Accessed May 4, 2018.
10. Carpenter CE, Cornforth DP, Whittier D. Consumer preferences for beef color and
packaging did not affect eating satisfaction. Meat Sci 2001;57(4):359-363.
11. King DA, Shackelford SD, Wheeler TL. Relative contributions of animal and muscle
effects to variation in beef lean color stability. J Anim Sci 2011;89(5):1434-51.
12. King DA, Shackelford SD, Kuehn LA, Kemp CM, Rodriguez AB, Thallman RM,
Wheeler TL. Contribution of genetic influences to animal-to-animal variation in
myoglobin content and beef lean color stability. J Anim Sci 2010;88(3):1160-1167.
13. Chávez A, Pérez E, Rubio MS, Méndez RD, Delgado EJ, Díaz D. Chemical composition
and cooking properties of beef forequarter muscles of Mexican cattle from different
genotypes. Meat Sci 2012;91(2):160-164.
14. SAGARPA. ACUERDO por el que se dan a conocer las Reglas de Operación del
Programa de Fomento Ganadero de la Secretaría de Agricultura, Ganadería, Desarrollo
Rural, Pesca y Alimentación.
http://dof.gob.mx/nota_detalle.php?codigo=5327093&fecha=18/12/2013. Consultado
4 May, 2018.
15. FAOSTAT. Food Balance Sheets. Food and Agricultural Organization of the United
Nations, Statistics Division. http://faostat3.fao.org/download/FB/FBS/E. Accessed
May 6, 2018
16. SCFI. NMX-FF- 078-SCFI-2002. Productos pecuarios - carne de bovino en canal -
clasificación (cancela a la NMX-FF-078-1991). http://www.economia-
nmx.gob.mx/normas/nmx/2002/nmx-ff-078-scfi-2002.pdf. Consultado 5 May, 2018.
Rev Mex Cienc Pecu 2020;11(2):479-497
494
17. Girolami A, Napolitano F, Faraone D, Braghieri A. Measurement of meat color using a
computer vision system. Meat Sci 2013;93(1):111-118.
18. Pérez LC, Figueroa SF, Barreras SA. Relationship between management factors and the
occurrence of DFD meat in cattle. J Anim Vet Adv 2006;5(7):578-581.
19. Peréz LC, Figueroa-Saavedra F, Barreras-Serrano A. Management factors associated to
DFD meat in bovine on desertic climate. Arch Zoot 2008;57(220):545-547.
20. Torrescano UG, Sánchez EA, Vásquez PM, Paz PR, Pardo GD. Characterization of
bovine carcasses and meat from animals fattened in Central Sonora. Rev Mex Cienc
Pecu 2010;1(2):157-168.
21. Miranda-de la Lama GC, Leyva IG, Barreras-Serrano A, Perez-Linares C, Sánchez-
López E, et al. Assessment of cattle welfare at a commercial slaughter plant in the
northwest of Mexico. Trop Anim Health Prod 2012;44(3):497-504.
22. Zorrilla-Rios JM, Lancaster PA, Goad CL, Horn GW, Hilton GG, Galindo JG. Quality
evaluation of beef carcasses produced under tropical conditions of México. J Anim Sci
2013;91(1):477-482.
23. Mendez RD, Meza CO, Berruecos JM, Garces P, Delgado EJ, Rubio MS. A survey of
beef carcass quality and quantity attributes in Mexico. J Anim Sci 2009;87(11):3782-
3790.
24. AMSA. Meat color measurement guidelines. American Meat Science Association.
http://www.meatscience.org/publications-resources/printed-publications/amsa-meat-
color-measurement-guidelines. Accessed May 5, 2018.
25. Abril M, Campo MM, Onenc A, Sanudo C, Alberti P, Negueruela AI. Beef colour
evolution as a function of ultimate pH. Meat Sci 2001;58(1):69-78.
26. Costell E, Durán L. El análisis sensorial en el control de calidad de los alimentos. III.
Planificación, selección de jueces y diseño estadístico. Rev Agroquím Tecnol Aliment
1981;21(4):454-470.
27. Fernández-Vázquez R, Stinco CM, Hernanz D, Heredia FJ, Vicario IM. Colour training
and colour differences thresholds in orange juice. Food Qual Prefer 2013;30(2):320-327.
28. Martínez JA, Melgosa M, Pérez MM, Hita E, Negueruela AI. Note. Visual and
instrumental color evaluation in red wines. Food Sci Technol Int 2001;7(5):439-444.
29. Holman BWB, Mao Y, Coombs CEO, van de Ven RJ, Hopkins DL. Relationship between
colorimetric (instrumental) evaluation and consumer-defined beef colour acceptability.
Meat Sci 2016;121(1):104-106.
Rev Mex Cienc Pecu 2020;11(2):479-497
495
30. Goñi V, Indurain G, Hernández B, Beriain MJ. Measuring muscle color in beef using an
instrumental method versus visual color scales. J Muscle Foods 2008;19(2):209-221.
31. Adsitey F, Nurul H. Pale soft exudative (PSE) and dark firm dry (DFD) meats: causes
and measures to reduce these incidences - a mini review. Int J Food Res 2011;18:11-20.
32. Aalhus JL, Best DR, Murray AC, Jones SDM. A comparison of the quality characteristics
of pale, soft and exudative beef and pork. J Muscle Foods 1998;9:267-280.
33. Ngapo TM, Brana Varela D, Rubio Lozano MS. Mexican consumers at the point of meat
purchase. Beef choice. Meat Sci 2017;134:34-43.
34. Gagaoua M, Picard B, Monteils V. Associations among animal, carcass, muscle
characteristics, and fresh meat color traits in Charolais cattle. Meat Sci 2018;140:145-
156.
35. Holdstock J, Aalhus JL, Uttaro BA, Lopez-Campos O, Larsen IL, Bruce HL. The impact
of ultimate pH on muscle characteristics and sensory attributes of the longissimus
thoracis within the dark cutting (Canada B4) beef carcass grade. Meat Sci
2014;98(4):842-849.
36. SIAP. Resumen estatal pecuario, sector porcino. Producción, precio, valor y peso de
ganado en pie 2014. http://www.siap.gob.mx/ganaderia-resumen-estatal-pecuario/.
Consultado 5 May, 2018.
37. de Huidobro FR, Miguel E, Blazquez B, Onega E. A comparison between two methods
(Warner-Bratzler and texture profile analysis) for testing either raw meat or cooked
meat. Meat Sci 2005;69(3):527-36.
Rev Mex Cienc Pecu 2020;11(2):479-497
496
(Información suplementaria)
Cuadro S1: Modelos de predicción de la categoría visual, ensayados en una estrategia de
selección paso a paso, utilizando la categoría visual como variable dependiente y las
variables instrumentales del color y sus interacciones, como variables explicativas
(n=1165) en el procedimiento de Modelos Lineales Generalizados de Statgraphics XV
Centurion
Variables explicativas incluidas en el
modelo
ES1
P
R2
L*
0.40
<0.0001
0.9145
a*
1.22
<0.0001
0.2134
b*
1.13
<0.0001
0.3269
C*
1.18
<0.0001
0.2651
h*
1.05
<0.0001
0.4172
L*, a*, b*, C*, h*
0.40
<0.0001
0.9168
L*, a*, b*, C*
0.40
<0.0001
0.9153
L, a*, b* (L* x a* x b*)
0.40
<0.0001
0.9163
L*, a*, (L* x a*)
0.40
<0.0001
0.9165
L*, b*, (L* x b*)
0.40
<0.0001
0.9159
L*, C*, (L* x C*)
0.40
<0.0001
0.9160
L*, h*, (L* x h*)
0.40
<0.0001
0.9156
1Error estándar del estimador.
Cuadro S2: Valor F y nivel de significación estadística (P) del ANOVA realizado con los
datos de calificación del color emitidos por cada juez entrenado (n=36) en muestras de
carne con apariencia rojo pálida, normal, CO moderada y CO extrema
Juez
FANOVA
P
1
193.3
<0.0001
2
139.1
<0.0001
3
138.3
<0.0001
4
116.5
<0.0001
5
103.9
<0.0001
6
91.9
<0.0001
Rev Mex Cienc Pecu 2020;11(2):479-497
497
Cuadro S3: ANOVA realizado con los datos de calificación del color emitidos por el panel
sensorial entrenado en muestras de carne con apariencia rojo pálida, normal, CO moderada
y CO extrema
Fuente
Suma de
cuadrados
GL1
Cuadrado medio
Razón-F
Valor-P
Entre grupos
141.022
3
47.0074
639.52
0.0000
Intra grupos
7.64444
104
0.0735043
Total (Corr.)
148.667
107
1Grados de libertad.
Cuadro S4: ANOVA multifactorial1 para la calificación del color
Efecto
Razón-F
Valor-P
Juez
0.95
0.4491
Muestra
7.04
0.0002
Sesión
0.89
0.4919
Juez x Muestra
0.86
0.6126
Juez x Sesión
0.68
0.8701
Muestra x Sesión
1.03
0.4254
Juez x Muestra x Sesión
0.92
0.9860
ResearchGate has not been able to resolve any citations for this publication.
Article
Full-text available
The purpose of the present study was to characterize and compare bovine cattle slaughtered in Sonora relative to carcass physico-chemical, morphometric and yield characteristics. One hundred and sixty one (161) carcasses from steers and heifers of native cattle from two producers (A, B) were assessed, showing differences (P<0.05) for live, hot and cold weights, being higher for B, as well as yield (more than 60%). Cattle from both producers showed carcasses with rib eye areas of 80.7 cm2 for A and 82.2 cm2 for B, and average fat thickness of 9.4 and 9.0 mm, respectively. Shear force for meat showed high values in cattle of both producers, (8.5 and 7.9 kgf), and therefore tenderness can be classified as intermediate. Color showed no differences (P>0.05), for value a*, corresponding to fresh meat shades, but significant differences for L* and b* were observed, although no DFD (dark, firm and dry) meat was detected. In cattle of both producers, temperature in the semimembranous muscle was higher 45 min and 24 h post mortem, while the final pH ranged between 5.61 and 5.72. Morphometric measurements and compaction index, showed differences between cattle from both producers (P>0.05). Boning yields (P>0.05) showed differences for carcass weight, but no relationship between carcass weight and tissue composition in each fraction was found.
Article
Full-text available
Pale Soft Exudative (PSE) and Dark Firm Dry (DFD) meats are two of the major quality defects facing the meat industry. These defects reduce consumer acceptability, shelf life and yield of meat thus affecting profits tremendously. Breed, sex, species, pre-slaughter and post-slaughter handling of animals are among the main predisposing factors contributing to PSE and DFD in meats. Nowadays, strenuous efforts are being made by farmers, researchers and all stakeholders in the meat industry to reduce the incidence of PSE and DFD meats. Modern technologies to reduce these incidences in meats have included careful design of vehicles for transporting live animals to the abattoir, the design of abattoirs, stunning methods, and chilling processes. Various additives and/or ingredients have also been introduced to improve upon the processing qualities of PSE and DFD in processed meat products. In this review, PSE and DFD meats, the causes and measures to reduce these incidences are described.
Article
Full-text available
Beef value is in the eye, mouth or mind of the consumer; however, currently, producers are paid on the basis of carcass grade. In general, affluent consumers are becoming more discerning and are willing to pay for both credence and measureable quality differences. The Canadian grading system for youthful carcasses identifies both lean yield and quality attributes, whereas mature carcasses are broadly categorized. Opportunities exist to improve the prediction of lean meat yield and better identify meat quality characteristics in youthful beef, and to obtain additional value from mature carcasses through muscle profiling. Individual carcass identification along with development of database systems like the Beef InfoXchange System (BIXS) will allow a paradigm shift for the industry as traits of economic value can be easily identified to improve marketing value chains. In the near future, developing technologies (e.g., grade cameras, dual energy X-ray absorptiometry, and spectroscopic methods such as near infrared spectroscopy, Raman spectroscopy and hyperspectral imaging) will be successfully implemented on-line to identify a multitude of carcass and quality traits of growing importance to segments of the consuming population.
Article
This study examined if different color intensities of dark-cutting beef carcasses (Dark B4/Moderate B4) were similar in quality to normal (N) carcasses of a lower marbling score. The eating quality from abnormal (AB) dark-cutting carcasses (normal pH) was also evaluated to determine if AB should receive the same penalty as classic (CL) dark-cutting carcasses in the Canadian grading system. B4-grade carcasses, regardless of dark color intensity, exhibited increased toughness and greater off-flavor than N carcasses of a lower marbling score. Additionally, AB and borderline (BD) carcasses were tougher than N. The CL dark cutters, albeit similar in tenderness to N carcasses, had greater off-flavor and less beef flavor intensity. Downgrading B4 carcasses one quality grade based on the marbling score, with no further carcass demerits, is likely not sufficient, and further devaluations of dark cutters may be warranted. As well, AB and BD carcasses were of lower quality compared to N carcasses and, therefore, deserve some economic penalty.
Article
The relationship between instrumental colorimetric values (L*, a*, b*, the ratio of reflectance at 630 nm and 580 nm) and consumer perception of acceptable beef colour was evaluated using a web-based survey and standardised photographs of beef m. longissimus lumborum with known colorimetrics. Only L* and b* were found to relate to average consumer opinions of beef colour acceptability. Respondent nationality was also identified as a source of variation in beef colour acceptability score. Although this is a preliminary study with the findings necessitating additional investigation, these results suggest L* and b* as candidates for developing instrumental thresholds for consumer beef colour expectations.
Article
This study was aimed at training a panel of assessors to evaluate specifically orange juice colour, and to establish the colour difference threshold in orange juice for a trained and untrained panel. Panellists were first preselected using Farnsworth-Munsell 100-Hue Test and then trained with a specific method for orange juice colour. This training allowed assessors to evaluate visually orange juice samples in hue and intensity. The final selection of assessors was a panel of 8 trained observers with reproducibility and repeatability, and a significant discrimination among the samples (p<. 0.05). .On the other hand, commercial orange juices were evaluated both instrumentally by image analysis and visually by the trained panel, and the untrained panel. Instrumental colour measurements and visual evaluation were correlated. Values around 1.5 and 2.8 CIELAB units could be consider the threshold for colour differences between two orange juices for the trained and untrained panel, respectively.
Article
Canada B4 beef carcasses are penalized because the longissimus thoracis (LT) at the grade site (12-13th ribs) is darker than the color threshold for normal bright cherry-red beef. Previous studies have shown that not all B4 carcasses have pH>6.0; therefore, the relationship between LT pH and meat quality was investigated by collecting thirty half-carcasses comprised of the following: ten Canada AA (AA, control), ten B4 with LT pH>6.0 (CL, classic), and ten B4 with LT pH<6.0 (AT, atypical). LT from CL carcasses had the lowest mean lactate level, lowest glucidic potential and highest mean pH value. LT muscle from CL and AT carcasses was dark and had decreased purge, drip loss and cooking loss. Warner-Bratzler shear force values and sensory panel results showed that AT beef was toughest (P<0.0001), substantiating economic penalty. Causal mechanisms for AT carcasses may be inconsistent with traditional DFD theory because of close to normal final muscle pH.