Información de Freshplaza destaca que investigador de Skoltech y sus colegas alemanes han desarrollado un algoritmo de clasificación basado en redes neuronales que puede utilizar los datos de un campo de manzanos para predecir cómo se comportarán las manzanas durante un almacenamiento prolongado. El trabajo se ha publicado en Computers and Electronics in Agriculture.
Antes de que las manzanas lleguen a nuestras mesas, deben almacenarse durante bastante tiempo y, en ese periodo, pueden desarrollar desórdenes fisiológicos como el pardeamiento de la carne o el escaldado superficial (manchas marrones o negras que aparecen en la piel de la fruta). Estos desórdenes contribuyen a la pérdida de una cantidad sustancial de producto, y se han dedicado muchos esfuerzos de investigación al desarrollo de métodos robustos para la predicción de desórdenes; una tarea que entraña gran dificultad debido a la multitud de factores involucrados, tanto en el campo como en las instalaciones de almacenamiento.
Pavel Osinenko, profesor asistente en Skoltech (que anteriormente trabajó en el Laboratorio de Control Automático y Dinámicas de Sistemas de la Universidad Tecnológica de Chemnitz), y sus colegas han recopilado tres años de datos en un huerto de manzanas Braeburn en Alemania, entre ellos datos meteorológicos e información captada por sensores no destructivos como espectroscopia visible y de infrarrojo cercano. La información recopilada incluye datos sobre contenido de clorofila, antocianinas, sólidos solubles y materia seca. El equipo ha recurrido también a evaluaciones de la calidad de la fruta postalmacenamiento (por ejemplo, a los consumidores les gustan las manzanas firmes, así que existe una métrica para este fin).
“El huerto experimental era bastante normal y, de hecho, la metodología desarrollada se puede aplicar al sector sin mucho esfuerzo”, dice Osinenko.
Los investigadores desarrollaron un algoritmo de clasificación basado en una red neuronal recurrente y lo entrenaron con los datos del huerto. El algoritmo acabó teniendo un éxito del 80% en la predicción del pardeamiento interno de las manzanas, el aspecto de las cavidades en la superficie y la firmeza de la fruta. “Sin lugar a dudas, es un éxito, pues estamos hablando de una solución automatizada que no requiere de expertos humanos. Por descontado, se necesitan más datos y más perfeccionamiento, pero como prueba de concepto, los resultados alcanzados son claramente prometedores”, apunta Osinenko.
Añade que, gracias al diseño predictivo de la metodología, los agricultores pueden usar la información de la clasificadora para conseguir unos mejores rendimientos. Y el equipo ya ha recibido muestras de interés para una posible colaboración con otros tipos de fruta e incluso hortalizas, pues es un planteamiento que también se les puede aplicar.