Evaluación de la frescura de la carne basada en aprendizaje automático: principio, proceso y aplicación

Área de la Ciencia:

• Ciencia de los Alimentos
• Ciencias de la Computación
• Inteligencia Artificial

Sus antecedentes:

• Los métodos tradicionales de evaluación de la frescura de la carne son lentos, costosos y destructivos.
• El aprendizaje automático (ML) presenta una alternativa viable para la evaluación de la calidad de la carne en tiempo real y no destructiva.
• El monitoreo preciso de la frescura de la carne es vital para la seguridad alimentaria y la confianza del consumidor.

Objetivo del estudio:

• Revisar los principios y aplicaciones del ML en la evaluación de la frescura de la carne.
• Detallar el proceso de detección basado en ML, desde la adquisición de datos hasta el ajuste fino del modelo.
• Destacar los avances y desafíos en ML para la evaluación de la calidad de la carne.

Principales métodos:

• Revisión de algoritmos clave de ML: Regresión de Componentes Principales (PCR), Mínimos Cuadrados Parciales (PLS), Máquinas de Vectores de Soporte (SVM), K-Vecinos Más Cercanos (KNN) y redes neuronales.
• Examen de las etapas del proceso de ML: adquisición de datos, preprocesamiento, selección de modelos y ajuste fino.
• Enfoque en técnicas avanzadas de ML como Redes Neuronales Convolucionales (CNN) y aprendizaje de conjunto.

Principales resultados:

• Los algoritmos de ML demuestran efectividad en la detección de frescura de carne en tiempo real y no destructiva.
• Los modelos avanzados como las CNN y los métodos de conjunto muestran promesa para abordar el deterioro y la composición compleja de la carne.
• La revisión describe un marco integral de detección basado en ML.

Conclusiones:

• El ML proporciona una solución potente y eficiente para monitorear la frescura de la carne, mejorando la seguridad alimentaria.
• Se necesita más investigación para abordar desafíos como la calidad de los conjuntos de datos y la interpretabilidad del modelo para una adopción más amplia.
• La implementación exitosa de ML conducirá a productos cárnicos más seguros y de mayor calidad para los consumidores.