Métodos no destructivos para determinar la firmeza de la fruta

Cuando los consumidores intentan estimar la calidad intrínseca de un producto agrícola suelen realizar apreciaciones indirectas sobre su sabor, estado de madurez o tiempo de conservación, empleando sus sentidos. Así, a través del color, el tamaño, la presencia de manchas o el aroma, intentan determinar si el producto que van a comprar es de su satisfacción.

Cuando los consumidores intentan estimar la calidad intrínseca de un producto agrícola suelen realizar apreciaciones indirectas sobre su sabor, estado de madurez o tiempo de conservación, empleando sus sentidos. Así, a través del color, el tamaño, la presencia de manchas o el aroma, intentan determinar si el producto que van a comprar es de su satisfacción.

Por este motivo, actualmente se intenta controlar la calidad de muchos productos agrícolas a través del análisis, más o menos automatizado, de diversos parámetros físicos relacionados con su calidad.

En esta página se pretende dar una visión global de los sistemas de inspección de calidad diseñados por un quipo de Ingeniería y Mecanización del Instituto Valenciano de Investigaciones Agrarias, indicando su nivel de aplicabilidad en las condiciones actuales de desarrollo.

Sensores de firmeza
La firmeza de la fruta interesa al consumidor porque normalmente está relacionada con la madurez de la fruta, con el tiempo de conservación en cámara o con la vida útil del producto. También puede indicar si la fruta ha experimentado cualquier daño físico que se trata de uno de los aspectos más importantes en el que los consumidores basan su decisión de compra, por ejemplo en melones, melocotón, peras y manzanas.

Los métodos tradicionales para la medida de la firmeza se basan en pruebas destructivas, o en pruebas que pueden producir algunos daños a la fruta. El método más extendido es el Magness-Taylor, basado en la resistencia a la penetración de un dispositivo cilíndrico en la pulpa. Debido a que es un método destructivo, se usa únicamente en muestras y no sobre toda la producción.

Actualmente se está investigando en varios métodos no destructivos para la medida de la firmeza basados en vibraciones, ultrasonidos o en compresión de la fruta.

El IVIA ha desarrollado un sensor de impacto para evaluar la firmeza de la fruta y ha relacionado sus medidas con la calidad de diferentes frutas (mandarinas, naranjas, manzanas, peras, tomates y melocotones). A lo largo de este trabajo se ha comparado la capacidad de los sensores desarrollados para relacionar sus lecturas con aspectos organolépticos, tales como el contenido de azúcar en la fruta, o la estimación humana de la firmeza.

Asimismo, se ha evaluado la aptitud de los sensores para determinar la variación de la firmeza con el tiempo de conservación, o la estimación del bufado de las mandarinas.
El sensor de impacto consiste en una célula de carga sobre la que la fruta cae desde una altura
determinada. El impacto (fuerza en función del tiempo) se registra y se calculan diversos parámetros de forma. Este sensor es capaz de discriminar entre naranjas almacenadas en una cámara frigorífica en intervalos de dos semanas.

También se está empleando un prototipo preindustrial para separar mandarinas bufadas a una
velocidad de seis frutos por segundo.
El sensor ofrece buenas perspectivas para su aplicación en línea, no solamente por sus capacidades de discriminación, sino también porque no produce daños en las frutas ensayadas. Además, se trata de un sensor barato, sencillo, robusto y que se puede utilizar para pesar la fruta. No obstante, presenta la desventaja de que el impacto sobre la zona peduncular puede dar lugar a lecturas erróneas.

Visión artificial
El empleo de la visión artificial para la inspección de productos agrícolas se ha experimentado durante los últimos años. Actualmente existen sistemas automáticos basados en estas técnicas capaces de clasificar frutos por su tamaño, color, presencia de defectos, etc.
La de golpes y magulladuras es crucial para la evaluación de la calidad.

En naranjas, melocotones y manzanas, también es de gran interés la detección de pedúnculos largos, con el fin de cortarlos para evitar daños a otra fruta (melocotones o cítricos), o porque su ausencia podría indicar una pérdida de calidad (manzanas).

Además, el pedúnculo puede ser confundido con imperfecciones o daños reales en la piel. El trabajo del IVIA en los últimos años se ha dedicado a desarrollar técnicas de análisis de imagen para medir rápidamente varios parámetros de calidad de naranjas, mandarinas, melocotones y manzanas tales como:
- El color para la estimación de la madurez, así como la ubicación del color secundario en algunasvariedades de melocotones y manzanas.
- La identificación y cuantificación de las áreas de daños en la piel.
- La presencia y posición del pedúnculo.

El sistema de visión artificial desarrollado en el IVIA requiere un sencillo entrenamiento por parte de un operario, utilizando una muestra representativa de la fruta que se va a clasificar. El operario selecciona varias ventanas sobre las imágenes y asigna todos los puntos de la ventana a una de las clases predeterminadas: fondo, piel, daño, pedúnculo o color secundario.

Posteriormente, mediante técnicas estadísticas, se crea un modelo mediante el cual durante el trabajo en línea se asignará automáticamente cada uno de los puntos de la imagen de una fruta a una de dichas clases. Durante el funcionamiento automático, empleando diferentes técnicas de análisis de imagen, se aíslan cada una de las regiones correspondientes a dichas clases y se calculan determinados parámetros geométricos (posición, tamaño, forma), a través de los cuales se decide a que categoría pertenece la fruta. Por último, éstos datos se envían al sistema que manipula la fruta y que la sitúa con las demás frutas de la misma categoría.

Los resultados obtenidos han demostrado que el sistema funciona perfectamente para determinar el tamaño y la forma de todas las frutas ensayadas (peras, manzanas, melocotones y cítricos).

Asimismo, detecta correctamente el pedúnculo de las mismas y no tiene problemas en la detección del color secundario en manzanas bicolores y melocotones.

Donde surge la mayor dificultad en la detección de defectos: el sistema realiza una mejor detección cuanto mayor sea el contraste entre la piel sana y la defectuosa. Por tanto, es adecuado en cítricos, melocotones amarillos y manzanas Golden, pero presenta muchos problemas en las frutas bicolores o rojas oscuras.

Un problema similar al anterior es el de la clasificación de frutos de pequeño tamaño, como son las aceitunas. En este caso, el sistema de visión artificial actúa sobre las imágenes en las que aparecen varios frutos y debe de estimar la calidad de cada uno de ellos.w

Fuente: Diario Valencia Fruits, 29-04-03