El uso del aprendizaje profundo en la evaluación de la frescura de los productos agrícolas primarios: una revisión...

Área de la Ciencia:

• Ciencias Agrícolas
• Ciencias de la alimentación
• Inteligencia artificial

Sus antecedentes:

• Los productos agrícolas primarios son vitales pero susceptibles a la pérdida de frescura y al deterioro.
• Los métodos de evaluación actuales (sensoriales, espectroscópicos, colorimétricos) son subjetivos, requieren habilidades intensivas y consumen mucho tiempo.
• La degradación afecta las cualidades sensoriales, la nutrición y puede conducir a la acumulación de sustancias nocivas.

Objetivo del estudio:

• Revisar la aplicación del aprendizaje profundo para evaluar la frescura de los productos agrícolas primarios.
• Explorar la integración de diversas tecnologías de detección con modelos de aprendizaje profundo.
• Identificar las limitaciones y las direcciones futuras en la evaluación inteligente de la frescura.

Principales métodos:

• Visión automática (propiedades físicoquímicas, etiquetas visuales inteligentes)
• Espectroscopia (imágenes hiperespectrales, infrarrojas cercanas, fluorescencia, Raman)
• Las narices electrónicas
• Algoritmos de aprendizaje profundo para la extracción de características y el reconocimiento de patrones

Principales resultados:

• El aprendizaje profundo permite una evaluación automatizada, inteligente y rápida de la frescura.
• La integración de diversas tecnologías de detección mejora la precisión y reduce la subjetividad.
• Los modelos entrenados pueden predecir patrones complejos relacionados con la frescura del producto.

Conclusiones:

• El aprendizaje profundo mejora significativamente la evaluación de la frescura de los productos agrícolas primarios.
• La combinación de aprendizaje profundo con tecnologías de detección avanzadas ofrece un futuro prometedor para la calidad y la seguridad de los alimentos.
• Se necesita más investigación para abordar las limitaciones tecnológicas actuales.