Skip to main content

PONENCIA IVIA V JORNADA POSCOSECHA

Page 1

Tecnologías inteligentes para la inspección poscosecha: más allá de la visión artificial José Blasco Ivars Centro de Agrotecnologías Avanzadas Instituto Valenciano de Investigaciones Agrarias (IVIA)


José Blasco  Doctor en Informática  Profesor de investigación del Instituto Valenciano de Investigaciones Agrarias (IVIA)  30 años de experiencia en IVIA trabajando en sensores, datos y visión por computador en aplicaciones de campo y poscosecha  Líder del Grupo de Trabajo CIGR sobre Análisis de Imágenes y Espectroscopía para Productos y Procesos Agrícolas


Contenido

01 02 03 04

¿Por qué? ¿De dónde venimos? ¿Dónde estamos? ¿Hacia dónde vamos?


Por qué: La importancia de determinar la calidad


La importancia de determinar la calidad  Dotar a las empresas de herramientas que les permitan asegurar la calidad de sus productos, prolongar su vida útil y ser más competitivas


La importancia de determinar la calidad ¿Calidad? ¿Qué Calidad?  a) Características intrínsecas  Calidad externa: tamaño, color, forma y ausencia de daños físicos. Es el elemento inmediato de la opción de compra  Calidad organoléptica: valores como sabor o aroma, composición, daño interno  Seguridad: ausencia de residuos, contaminantes o agroquímicos  Salud y valor nutricional: presencia de fibra, sustancias antioxidantes, valores de efectos beneficiosos en términos de salud  Valores funcionales, comodidad en el consumo, facilidad para pelar y lavar

 b) Características extrínsecas  Valores añadidos en los procesos productivos, prácticas sostenibles, envasado, etiquetado, nuevos productos de la IV gama

 c) Características intangibles  Conservación, garantía, servicio, precio, etc.


Tecnología óptica no destructiva  Breve historia de la tecnología de inspección de productos hortofrutícolas  70s: A ojo  80s: Células ópticas: tonos de color  90s: Cámaras estándar: color, tamaño, forma  00s: Cámaras de mayor resolución y NIR: color, tamaño, forma, detección de defectos  10s: NIR, fluorescencia: defectos invisibles, identificación de defectos  20s: NIRS, Hiper, RX, THz: defectos invisibles, composición, textura, propiedades  25s: Inteligencia Artificial (IA)


Tecnología óptica no destructiva  Tecnologías no destructivas

Calidad externa

 Visión artificial  Colorímetros  Calibradores mecánicos / electrónicos        

Espectroscopia Imagen hiperespectral Rayos X Rayos T Tomografía axial computerizada (TAC) Resonancia magnética de imagen Sonido y ultrasonido Nariz artificial

Calidad interna


Tecnología óptica no destructiva  La apariencia de una fruta (la preferencia del consumidor) es una combinación de:  Atributos cromáticos (color)  Atributos geometricos (tamaño, forma)  Presencia de defectos (calidad)

 Los sistemas de inspección automática dependen de:

velocidad es un factor clave  Adquisición de una imagen de La calidad  Extración precisa de caracteristicas  Correcto análisis de los datos


Tecnología óptica no destructiva


Tecnología óptica no destructiva


Tecnología óptica no destructiva

Espectroscopía:  Cuando iluminamos un fruto: 1) 2) 3) 4)

Una parte se refleja Una parte se transmite Una parte se absorbe Una parte se dispersa

1 4

4

3

 Depende de:    

Estructura celular Contenido de agua / Agua libre La composición química La presencia de daños

D et

2 Detector

ec to r


Tecnología óptica no destructiva  Imagen Hiperespectral: Información espectral y espacial   

Gran número de bandas consecutivas Habilitar el análisis espectral (espectro completo de cada píxel) Equipamiento caro y complejo


Tecnología óptica no destructiva

2,5 Girasol (1)

2

Leche Desecada (2) Leche Líquida (3)

L o g 1 /R

Queso (4)

1,5

Maíz (5) Trigo Molido (5) Trigo Entero (6)

1

Grasas y Aceites (7)

0,5

0

400

600

800

1000

1200

1400

1600

1800

2000

2200

2400


Tecnología óptica no destructiva  Técnicas de quimiometría Muestras de entrenamiento para construer modelos Muestras de test para validar modelos

Espectros: individual / promedio Pretratamiento Selección

- Separación de poblaciones - Clasificación - Predicción


Tecnología óptica no destructiva  Aprendizaje automático 

Muestras etiquetadas + análisis destructivos

 Aprendizaje profundo 

Muestras etiquetadas


Estado actual


Estado actual Método tradicional destructivo (0h, 6h, 12h, 18, 24h)

Visualización de la predicción de taninos +

-


Estado actual


Estado actual  Naranjas / mandarinas (podredumbre, firmeza)  Limón (susceptibilidad a la podredumbre, azúcares, acidez, compuestos fenólicos, origen)  Níspero (daños, alteraciones fisiológicas, discriminación varietal, azúcares, acidez)  Caqui (astringencia, contenido de taninos, daños internos, textura, madurez)  Aguacate (materia seca, firmeza, concentración de nutrientes)  Granada (azúcares, acidez, daños internos)  Fruta de hueso (discriminación varietal, firmeza, madurez, daños internos)  Fresa (discriminación varietal, preferencia del consumidor, azúcares)  Kiwi (materia seca, madurez, azúcares, acidez)  Mango (podredumbre, textura, madurez)  Aceitunas (podredumbre)  Manzana (origen, pesticidas)  Higos secos (contaminación micotoxinas)  Almendras (amargor)  Patatas (zonas verdes)  Durian (calidad interna)  Arroz (gelatinización del almidón)


Estado actual


Estado actual


¿Hacia donde vamos?


Conclusiones


Tecnologías inteligentes para la inspección poscosecha: más allá de la visión artificial José Blasco Ivars Centro de Agrotecnologías Avanzadas Instituto Valenciano de Investigaciones Agrarias (IVIA)


Turn static files into dynamic content formats.

Create a flipbook
PONENCIA IVIA V JORNADA POSCOSECHA by Horticultura & Poscosecha - Issuu