Las técnicas inteligentes de secado de alimentos con IA mejoran la calidad y eficiencia del producto
El secado de alimentos es un proceso habitual para conservar muchos tipos de alimentos, como frutas y carne; sin embargo, el secado puede alterar la calidad y el valor nutritivo de los alimentos. En los últimos años, los investigadores han desarrollado técnicas de precisión que utilizan sensores ópticos e inteligencia artificial para facilitar un secado más eficaz. Un nuevo estudio de la Universidad de Illinois Urbana-Champaign analiza tres nuevas técnicas de secado inteligente y ofrece información práctica para la industria alimentaria.
Investigadores de Illinois estudiaron técnicas de detección óptica para el secado inteligente de alimentos, probando los sistemas en rodajas de manzana.
College of ACES
"Con los sistemas de secado tradicionales, es necesario extraer muestras para supervisar el proceso. Pero con el secado inteligente, o secado de precisión, se puede controlar continuamente el proceso en tiempo real, lo que aumenta la precisión y la eficacia", explica Mohammed Kamruzzaman, autor del estudio y profesor adjunto del Departamento de Ingeniería Agrícola y Biológica (ABE), que forma parte de la Facultad de Ciencias Agrícolas, del Consumidor y Medioambientales y de la Facultad de Ingeniería Grainger de Illinois.
En el artículo, los investigadores revisan la bibliografía académica sobre distintos tipos de equipos que aplican técnicas de precisión para mejorar la capacidad de secado inteligente en la industria alimentaria.
Se centran en tres sistemas de detección óptica -imágenes RGB con visión por ordenador, espectroscopia en el infrarrojo cercano (NIR) e imágenes hiperespectrales en el infrarrojo cercano (NIR-HSI)- y analizan los mecanismos, aplicaciones, ventajas y limitaciones de cada uno de ellos. También ofrecen una visión general de los métodos industriales de secado estándar, como la liofilización, el secado por pulverización, por microondas o en horno de aire caliente, que pueden combinarse con las técnicas de control de precisión.
"Puede utilizar cada uno de los tres sensores por separado o combinados. La elección dependerá del sistema de secado, las necesidades y la rentabilidad", explica Marcus Vinicius da Silva Ferreira, autor principal y becario posdoctoral en ABE.
RGB con visión por ordenador utiliza una cámara normal que capta la luz visible con un espectro de color RGB. Puede proporcionar información sobre características de la superficie, como tamaño, forma, color y defectos, pero no es capaz de medir el contenido de humedad.
La espectroscopia NIR utiliza luz infrarroja cercana para medir la absorbancia de diferentes longitudes de onda, que pueden correlacionarse con características químicas y físicas únicas del producto, y puede medir cualidades internas como el contenido de humedad. Sin embargo, el NIR escanea un punto cada vez.
Esto puede funcionar para un solo producto, como una rodaja de manzana, al menos al principio, explica Kamruzzaman.
"Pero a medida que avanza el secado, el material se encoge y se vuelve heterogéneo, debido al agrietamiento y la flexión. Si se utiliza el infrarrojo cercano en esa fase y sólo se escanea un punto, no se puede medir la velocidad de secado", señala.
La técnica NIR-HSI es la más completa de las tres. Escanea toda la superficie del producto, por lo que proporciona información mucho más precisa sobre la velocidad de secado y otras características que el NIR por sí solo, ya que extrae información espacial y espectral tridimensional. Sin embargo, el NIR-HSI también es mucho más caro que los otros dos sensores. El equipo cuesta entre 10 y 20 veces más que los sensores NIR, y 100 veces o más que las cámaras RGB. Además, los requisitos de mantenimiento y computación de HSI son sustancialmente más altos, lo que aumenta aún más el coste total.
Las tres metodologías deben combinarse con IA y aprendizaje automático para procesar la información, y los modelos deben entrenarse para cada aplicación específica. De nuevo, el HSI requiere más potencia de cálculo que los otros dos sistemas debido a la gran cantidad de datos que recoge.
Los investigadores también desarrollaron su propio sistema de secado para probar los distintos métodos. Construyeron un horno de calor convectivo y probaron las técnicas en el secado de rodajas de manzana. Primero combinaron el sistema con RGB y NIR; más tarde probaron también el sistema NIR-HSI, cuyos resultados tienen previsto exponer en un próximo artículo.
"Para la supervisión en tiempo real, la convergencia de imágenes RGB, sensores espectroscópicos NIR y NIR-HSI con IA representa un futuro transformador para el secado de alimentos. La integración de estas tecnologías supera las limitaciones convencionales de la monitorización del proceso de secado e impulsa las capacidades de monitorización en tiempo real", concluyen en el artículo.
El desarrollo futuro de dispositivos NIR-HSI portátiles permitirá una supervisión continua de los sistemas de secado, lo que facilitará el control de calidad en tiempo real en diversos entornos operativos, señalaron.
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Publicación original
Marcus Vinicius da Silva Ferreira, Md Wadud Ahmed, Marciano Oliveira, Sanjay Sarang, Sheyla Ramsay, Xue Liu, Amir Malvandi, Youngsoo Lee, Mohammed Kamruzzaman; "AI-Enabled Optical Sensing for Smart and Precision Food Drying: Techniques, Applications and Future Directions"; Food Engineering Reviews, 2024-11-20
Más noticias del departamento ciencias
