Herramientas de fotónica promueven la innovación en la industria alimentaria
Tecnología hiperespectral para detectar parámetros de calidad
Redacción Interempresas16/04/2021
El proyecto HSI-FOOD (Investigación sobre la aplicabilidad industrial de tecnología fotónica hiperespectral para la determinación de parámetros de calidad en alimentos) evalúa el encaje de esta tecnología fotónica dentro del proceso productivo de las empresas, buscando mejoras en el control de calidad de las materias primas y los productos. Como resultado, ha desarrollan modelos matemáticos predictivos de caracterización cuantitativa y/o cualitativa de materias primas, productos intermedios o finales.
Impulsado en el marco del programa de apoyo a las Agrupaciones Empresariales Innovadoras (AEI) de 2020, HSI-FOOD ha estado coordinado por el Clúster Alimentario de Galicia (Clusaga) y en él han participado el centro tecnológico Anfaco-Cecopesca y las empresas del sector alimentario gallego Freshcut (Galifresh) y Lugar da Veiga. El proyecto, seleccionado entre más de 250 candidaturas, cumple con el objetivo de mejorar la competitividad y el avance hacia la fábrica del futuro de la industria alimentaria gallega.
La tecnología hiperespectral detecta parámetros de calidad en materias primas y productos alimentarios.
En este sentido, la Comisión Europea seleccionó la fotónica como una de las tecnologías claves para sectores como el de la industria alimentaria. La implementación de estas tecnologías, además de mejorar el control de calidad en los alimentos durante los procesos de fabricación, permite automatizar los procesos de inspección y reducir las mermas de producto y posibles incidencias. Además, gracias a la automatización de los procesos, se consigue una reducción de los costes de consumo de energía. Todos estos factores convierten esta tecnología en una palanca clave para la transformación hacia el entorno Industria 4.0.
Imagen hiperespectral.
HSI-FOOD ha permitido utilizar un prototipo de cámara hiperespectral para realizar mediciones de los parámetros de mayor interés en una serie de matrices alimentarias determinadas y, así, encontrar correlaciones efectivas en los procesos industriales. Además, ha implementado técnicas de machine learning y sistemas de procesado computacional intensivo, que han permitido el desarrollo de modelos matemáticos predictivos de caracterización cuantitativa nutricional o cuantitativa de materias primas, producto intermedio o final sobre el proceso productivo.
Comentarios al artículo/noticia
