JAMÓN 16 algo en una imagen mediante un programa informático es a partir del color, es decir, a partir de los valores RGB (Rojo-Verde-Azul) que forman cada píxel de una imagen. En el caso del veteado del jamón, esta aproximación no se puede utilizar ya que las características del color de las vetas de grasa, que pueden tener distintas tonalidades de blanco, varían de loncha a loncha y según su tamaño. Además, la tonalidad de blanco que correspondería a una veta de grasa en una loncha, en otra podría corresponder a depósitos de sal o cristales de tirosina de distinto tamaño a menudo presentes en la super cie de las lonchas di cultando la correcta detección de las vetas. En la literatura cientí ca se pueden encontrar varios algorit- mos de alta complejidad que han abordado este tema en jamón o en productos similares como carne fresca u productos curados donde la detección de veteado también es de interés. Para aplicar Deep Learning a la determinación del veteado del jamón curado, en primer lugar es preciso llevar a cabo el entrenamiento del algoritmo. Por ese motivo, es necesario obtener los ejemplos que servirán para entrenar el algoritmo. Con este propósito se utiliza- ron fotografías de unas 375 lonchas de jamón curado con diferentes niveles de veteado, tomadas en unas condiciones controladas. De estas lonchas, 252 se seleccionaron de forma aleatoria para entre- nar el algoritmo y 123, que no se utilizaron en ningún momento del entrenamiento, para evaluar el rendimiento del algoritmo. De estas imágenes se extrajo un cuadrado de 64x64 píxeles del mús- culo Biceps femorisde cada loncha. La utilización de un cuadrado de 64x64 píxeles en lugar de la locha entera tiene por función aumentar la velocidad de aprendizaje, pero esto no signi ca que no se pueda aplicar a la loncha entera. En paralelo, para cada cuadrado de 64x64 píxeles, se determinaron los valores de referencia de este veteado. Esto se realizó mediante un programa informático y la selección manual de las zonas que correspondían al veteado (método de refe- rencia sensorial habitual). Estas imágenes sirvieron de referencia al algoritmo para aprender a detectar el veteado, es decir, para cada imagen de la loncha, el algoritmo aprendió a detectar las vetas de Figura 1. Procedimiento de aprendizaje con Deep learning y comparación con imágenes de referencia. grasa de la imagen de referencia (Figura 1). También las imágenes de referencia sirvieron para evaluar el rendimiento del algoritmo una vez entrenado, comparando el veteado detectado con el algoritmo en las 123 imágenes con el esperado en las imágenes de referencia. Con todos estos datos se entrenó el algoritmo de Deep Learning. En este caso se utilizó un algoritmo que se conoce como redes convo- lucionales, también conocidas como CovNets. Una vez el algoritmo fue entrenado se evaluaron las 123 lonchas seleccionadas para evaluar el rendimiento del algoritmo. Los resultados obtenidos muestran que el 98.88% de los píxeles fueron correctamente cla- si cados como magro o grasa. Entre estos el 99.46% de los píxeles que contenían magro y el 89.14% de los píxeles que contenían grasa fueron correctamente clasi cados. Como puede observarse en los resultados (Figura 2), el algoritmo fue capaz de aprender a clasi car con un elevado nivel de acierto únicamente a partir de las imáge- nes que se utilizaron en el aprendizaje, sin necesidad de desarrollar ningún tipo de programa adicional. Además, hay que añadir que la razón por la que parte de los píxeles fueron incorrectamente clasi - cados se debió a errores en las imágenes utilizadas como referencia de veteado. Estos errores se debieron en buena parte a la di cultad de establecer un criterio uniforme para determinar lo que es grasa intramuscular y lo que es magro. Todo esto conduce a que el apren- dizaje no sea perfecto. Sin embargo, a pesar de todos estos factores el resultado se puede considerar como altamente satisfactorio. Como hemos podido ver el conjunto de técnicas conocidas como Deep Learning permiten solucionar problemas complejos sin nece- sidad de desarrollar algoritmos complejos. Estas técnicas que se han mostrado aquí para su aplicación al veteado de jamón pondrían uti- lizarse también para la detección on-line en una línea industrial de diferentes defectos que pueden aparecer durante la producción de jamón como puede ser la esteatosis, anillos de nitri cación, exceso de grasa subcutánea u oxidación de la grasa, para la caracterización del veteado en carne fresca o para la detección de grasa visual en embutidos loncheados, entre muchas otras aplicaciones.• Figura 2. Imagen original, imagen veteado referencia (selección semiautomática) e imagen veteado detectado por Deep Learning para una imagen con un bajo grado de veteado (A) y con un alto grado de veteado (B).