Determinar parámetros fisicoquímicos a partir de una foto

Lonicera caerulea, conocida como la madreselva azul en España, es una fruta pequeña, cilíndrica y de color morado azulado intenso. Se encuentra sobre todo por las regiones más frías del hemisferio norte: Japón, China, Rusia, Canadá y los Estados Unidos. 
Si hay algo que diferencia a la selvamadre azul del resto de berries, no es su llamativo aspecto: es su capacidad de tolerar estreses extremos, como las muy bajas temperaturas. 
No solo eso, también tiene una capacidad antioxidante notable, ya que sus frutos están repletos de compuestos bioactivos: antocianinas, polifenoles, vitamina C… 
La localización de dichos compuestos bioactivos también es de interés, en vez de verse concentrados en la piel (lo típico para la mayoría de berries), están repartidos tanto por la piel como por la pulpa.
Por estas razones, la selvamadre azul es una fruta prometedora para el mercado del futuro, con usos previstos en alimentos ‘healthy’, en la industria nutraceútica, etc. 

Uno de los desafíos a los que se enfrentan la industria de la madreselva azul es la determinación de antocianinas y solidos solubles de manera rápida, precisa y no destructiva. Es por ello que investigadores de la Universidad de Hokkaido, Sapporo, en Japón se pusieron manos a la obra, con el objetivo de encontrar una técnica que les permitiese medir estos dos atributos sin destruir el fruto. 

Se escogió la técnica de predicción basado en las imágenes RGB de las berries. Esta técnica se basa en la toma de imágenes con equipos de uso cotidiano (en el estudio se utilizó un iPhone 8 para tomar las fotos), que un modelo de detección basado en deep learning posteriormente utilizará para predecir los atributos de la fruta. El modelo de detección se entrena correlacionando los atributos físicos (medidos en laboratorio con técnicas tradicionales) con las fotos de las frutas que han originado tales medidas. 

En la Universidad de Hokkaido, tras realizar las fotos, la determinación de sólidos solubles y antocianinas de manera tradicional y entrenar a los diferentes modelos de detección/predicción (usaron 3 modelos distintos, con la misma función, pero con pequeñas diferencias en cuanto a funcionamiento), se determinó que el contenido en antocianinas se predecía con mayor facilidad que el contenido en solidos solubles. El grupo investigador teorizó que se debía a que la concentración de antocianinas, al ser pigmentos, tienen una relación más directa con el aspecto de la fruta que la cantidad de sólidos solubles. 

De cara al futuro, los investigadores recomiendan aumentar el número de muestras y de cultivares analizados, para aumentar la capacidad predictiva para distintas variedades, además de crear un entorno de toma de foto estandarizado, especialmente de cara a la integración en la industria poscosecha. 

Fuente: Zhang, J., Li, J., Meng, X., Yang, Y., Lyu, Y., & Hoshino, Y. (2026). Feature extraction based on RGB images for rapid and non-destructive estimation of haskap fruit quality attributes. Postharvest Biology and Technology, 240, 114416.