Resumen
Este proyecto pretende desarrollar tecnologías ópticas avanzadas basadas en imágenes hiperespectrales y multiespectrales en línea para
mejorar la inspección de productos en la industria agroalimentaria, lo que permitirá a las empresas ofrecer productos de mayor valor que
sus competidores. La inspección externa tradicional mediante los actuales sistemas de visión artificial es insuficiente, ya que no pueden
detectar daños internos, medir propiedades de la fruta invisibles para el ojo humano ni detectar residuos químicos específicos. Las
imágenes hiperespectrales proporcionan información sobre las propiedades y daños internos o no visibles de la fruta. Sin embargo, el uso
de esta tecnología en la industria es mínimo, por no decir inexistente, debido a la complejidad y lentitud de la adquisición de medidas, la
necesidad de un análisis rápido de una gran cantidad de datos y la falta de solidez de los modelos estadísticos predictivos ante la
variabilidad de productos biológicos como la fruta, lo que dificulta su aplicación en líneas de inspección automatizadas.
La generación de conocimiento en este proyecto avanzará en la implementación de imágenes hiper/multiespectrales en la industria
agroalimentaria para la inspección de productos mediante el desarrollo de tecnología de adquisición y análisis de espectros en tiempo real
utilizando métodos de aprendizaje profundo. El proyecto se centra en el caqui y el níspero, frutas de especial relevancia para nuestra
producción local por su impacto económico y social (protegidas por denominaciones de origen), y la manzana por la importancia de la
producción en España y el interés mundial de esta fruta. Entre Los objetivos del proyecto son detectar o estimar propiedades como el
contenido en taninos, sólidos solubles, textura o madurez de las frutas objeto de estudio y detectar alteraciones como el pardeamiento
interno del caqui o la mancha púrpura del níspero. También está previsto realizar trabajos experimentales para avanzar en la detección de
residuos químicos en la fruta, algo que aún no se ha abordado en profundidad. Uno de los principales retos del proyecto es generar
modelos robustos capaces de predecir eficazmente la calidad interna de las frutas a pesar de su gran variabilidad en cuanto a
composición y propiedades. Estos modelos se implementarán en hardware de alto rendimiento para realizar predicciones en tiempo real
en una línea de inspección automática. Métodos de aprendizaje profundo como modelos de difusión generativa (GDM), codificadores
automáticos variacionales (VAE), redes antagonistas generativas (GAN), redes neuronales convolucionales profundas (DCNN) y
Transformers serán implementados por el subproyecto SP3 para generar muestras sintéticas, complementando la necesidad de un gran
número de muestras requeridas para entrenar modelos basados en aprendizaje profundo de manera efectiva y analizar los espectros
para alcanzar los objetivos. Todos los análisis espectrales se validarán utilizando ensayos destructivos tradicionales como referencia. Por
lo tanto, el objetivo principal de este subproyecto (SP2) es evaluar los problemas relacionados con los métodos no destructivos para
inspeccionar la fruta postcosecha mediante imágenes hiperespectrales Vis/NIR, incluyendo la creación de un prototipo para capturar
espectros en línea, y el desarrollo de metodologías basadas en deep learning para detectar daños invisibles, predecir propiedades
internas y detectar residuos de pesticidas.
