Sensores e inteligencia artificial detectan daños poscosecha en manzanas

Los golpes sufridos durante la recolección, el transporte y la manipulación pueden deteriorar la calidad de las manzanas y reducir su valor comercial. Para mejorar la detección de estos daños, un estudio publicado en Food Control ha desarrollado un sistema no destructivo que combina datos de distintos sensores con modelos de aprendizaje automático.

La investigación, realizada con manzanas de la variedad Fuji, analizó cómo distintas alturas de caída —entre 0 y 120 centímetros— afectan a la calidad del fruto durante siete días de almacenamiento. Los investigadores midieron parámetros como la firmeza, los sólidos solubles, la pérdida de peso, el color, la superficie dañada y la valoración sensorial. También registraron propiedades dieléctricas y variables del entorno de almacenamiento, entre ellas las concentraciones de dióxido de carbono (CO₂) y compuestos orgánicos volátiles (COV).

Los impactos reducen la firmeza y aceleran el deterioro

Los resultados mostraron que el aumento de la altura de caída se relacionó con una mayor pérdida de peso y una disminución de la firmeza. En los frutos sometidos a impactos desde 120 centímetros, la firmeza se redujo un 24,96 % y la pérdida de peso alcanzó el 6,15 %. La puntuación sensorial descendió hasta 0,6, mientras que la superficie dañada aumentó de forma pronunciada.

Los sensores también detectaron cambios asociados al deterioro. A la altura máxima, la concentración de CO₂ fue 2,09 veces superior a la registrada en el grupo de control. Además, los parámetros dieléctricos mostraron respuestas diferenciadas según el grado de daño, con resultados especialmente estables a una frecuencia de 100 kHz.

Un modelo alcanza casi el 89 % de precisión

El equipo comparó cuatro modelos de aprendizaje automático: máquinas de soporte vectorial (SVM), máquina de aprendizaje extremo (ELM), redes de función de base radial (RBF) y una red neuronal de retropropagación (BPNN). Este último obtuvo el mejor resultado, con una precisión del 88,96 % en el conjunto de prueba y un coeficiente Kappa del 86,75 %.

La combinación de señales físicas y datos del entorno permitió clasificar los daños por impacto sin necesidad de cortar ni destruir los frutos. Además, durante una prueba de funcionamiento desatendido de 48 días, el sistema registró una tasa de éxito del 100 % en la carga de datos.

Los autores consideran que este enfoque puede servir de base para desarrollar herramientas objetivas y rápidas de evaluación de daños en las líneas poscosecha. Sin embargo, la precisión obtenida corresponde a las condiciones experimentales del estudio, por lo que será necesario comprobar el rendimiento del sistema en otros cultivares, entornos y ritmos de trabajo comerciales.

Fuente

Tang, T., Zhou, X., Li, Y., Wang, H., Gong, J., Wu, Y., He, Z., & Zhao, Y. (2026). Nondestructive perception of postharvest damage and storage deterioration analysis of apples based on multi-source sensing data and machine learning. Food Control. https://doi.org/10.1016/j.foodcont.2026.112671