Para preservar la calidad de la pera fresca después de la cosecha y entregar fruta de calidad durante todo el año, se necesita una cadena de suministro controlada y un almacenamiento a largo plazo. Sin embargo, durante el almacenamiento, pueden desarrollarse trastornos internos debido a condiciones de almacenamiento subóptimas que pueden no causar síntomas visibles externamente. Lo anterior hace que sea imposible detectar problemas de calidad utilizando los sistemas de clasificación de calidad comercial actuales de una manera fiable y no destructiva.
Los científicos de KU Leuven (Bélgica) han desarrollado una combinación de una máquina de vectores de soporte junto a un algoritmo de extracción de tomografía computarizada de rayos X, para detectar con éxito los trastornos internos en las peras Conferencia y Cepuna de forma no destructiva.
"Las clasificadoras pudieron distinguir las frutas defectuosas de las sanas con una precisión de clasificación que oscila entre un 90,2 y 95,1%, dependiendo de la variedad y el número de características utilizadas", según explican los científicos. "Además, se obtuvieron bajas tasas de falsos positivos y negativos, respectivamente entre 0 y 6,7%, y 5,7 y 13,3%. Las clasificadoras configuradas con los datos de la Conferencia se transfirieron efectivamente al cultivar Cepuna, lo que sugiere la posibilidad de generalizarse también a otros cultivares".
Continuar desarrollando tanto hardware como software para aumentar la velocidad de inspección y reducir los costes del equipo podría permitir que el método se implementase en aplicaciones industriales.
Fuente: Tim Van De Looverbosch, Md. Hafizur Rahman Bhuiyand, Pieter Verboven, Manuel Dierick, Denis Van Loo, Jan De Beenbouwer, Jan Sijbers, Bart Nicolaï, 'Nondestructive internal quality inspection of pear fruit by X-ray CT using machine learning', 2020, Food Control, Vol. 113, 107170.