Imagen hiperespectral para el análisis de calidad de los alimentos

Khan y otros (2020) revisaron las imágenes hiperespectrales y su estado actual en el control de calidad de los productos alimenticios en tiempo real.

¿Qué son las imágenes hiperespectrales?

La tecnología de imágenes hiperespectrales es una tecnología híbrida que combina la imagen y la espectroscopia para generar un mapa espacial de variaciones espectrales. Con esta tecnología se genera un «hipercubo» tridimensional de datos de imágenes (x,y,λ) tomando una serie de imágenes espaciales bidimensionales (x,y) en función de la longitud de onda (λ) y superponiéndolas. Cada plano de imagen del hipercubo está compuesto de píxeles y mapea la absorbancia de luz de la muestra en una sola longitud de onda, λi. Los datos de las imágenes hiperespectrales pueden visualizarse de varias formas: como hipercubo tridimensional I (x,y,λ), como imagen espacial bidimensional I (x,y) y como colección de espectros I (λ) en posiciones de píxel (x,y). Los datos de estas imágenes alcanzan un gran volumen dependiendo del instrumento y de los píxeles de la cámara. Los datos resultantes son numerosos y su procesamiento exige buenas capacidades informáticas.

Imágenes hiperespectrales en el sistema alimentario

Las imágenes hiperespectrales se han utilizado en una amplia gama de aplicaciones de la industria alimentaria para supervisar la calidad de los alimentos naturales (por ejemplo, frutas y verduras, carne, cereales y frutos secos) y de alimentos procesados (por ejemplo, leche en polvo, queso, carne procesada, café, alimentos en polvo y frutas deshidratadas, etc.). Atienda a este vídeo de YouTube (sólo disponible en inglés) para descubrir cómo se utiliza para el control de calidad del queso.

Control de calidad de alimentos naturales

Se han empleado imágenes hiperespectrales (HIS) para controlar la calidad de alimentos naturales a escala de laboratorio e industrial. Esto incluye:

• Determinar el origen del salmón
• Predecir la calidad de la carne en términos de diversos atributos (como sensibilidad, frescura), para detectar atributos microbianos
• Determinar distintos atributos de calidad en frutas y hortalizas (por ejemplo, defectos superficiales de la manzana, maduración de plátanos y componentes químicos (contenido de humedad, acidez, contenido de azúcar y contenido sólido soluble))
• Evaluación de calidad de los cereales, por ejemplo, calidad del arroz
• Predicción del contenido de proteínas en el trigo
• Medición de la química interna (p. ej., medición de glucosa en las patatas o del contenido de proteínas y grasas en las carnes)

Control de calidad de alimentos procesados

Se han empleado imágenes hiperespectrales (HIS) para controlar la calidad de alimentos procesados. No obstante, esto se ha realizado principalmente a escala de laboratorio. En el caso de los alimentos procesados, se requieren algoritmos avanzados de aprendizaje automático y minería de datos para el control de calidad, dada la compleja relación entre el procesamiento y los atributos de calidad.

Las imágenes hiperespectrales de los alimentos procesados en el laboratorio han incluido:

• Determinar el contenido proteico de carne procesada
• Determinar el contenido de hierro de salchichas
• Evaluación de la calidad de rodajas de plátano deshidratado
• Diferenciar leches en polvo de distintas calidades y orígenes
• Detección de melamina en muestras de leche en polvo
• Determinar el contenido de almidón en distintos tipos de quesos
• Diferenciar entre distintas marcas de café

Existe una serie de lagunas de conocimiento en relación con las imágenes hiperespectrales para el control de calidad en tiempo real de los alimentos que pueden ser responsables de su limitado éxito en la industria alimentaria hasta la fecha, especialmente con alimentos procesados y en aplicaciones online. Hasta la fecha, las imágenes hiperespectrales en la industria alimentaria se suelen realizar como una técnica de visión artificial fuera de línea para realizar pruebas de calidad que reemplazan las pruebas sensoriales manuales existentes. En general, con más investigación en este campo aún emergente, el control de calidad en tiempo real en muchas industrias es una posible posibilidad futura.