Durante los últimos años el mundo digital ha entrado con fuerza en nuestras vidas, el desarrollo de aplicaciones, algoritmos de predicción y sensores son ya una realidad. El ritmo de generación de conocimiento y el potencial de estas nuevas herramientas crece de forma exponencial y muchas de ellas las estamos incorporando de forma natural en nuestro día a día. La postcosecha no se ha querido quedar atrás y son muchas las empresas de software, sensores y maquinaria que están apostando por nuestro sector. En este artículo se pretende hacer un resumen de las tecnologías en las que se está trabajando y cuál es su aplicabilidad en nuestro sector. Con el fin de esquematizar la información de que se dispone se ha clasificado en 3 grandes bloques:
- Automatización de la información
- Sensores y robots
- Análisis de datos/modelos de predicción
Está claro que son muchas las soluciones y casas comerciales que se engloban dentro de cada uno de los apartados y que es imposible nombrarlas todas. En este artículo se ha intentado dar ejemplos de soluciones que ya se encuentran en el mercado y de otras en desarrollo.
1. Automatización de la información
1.1. Instrumentalización y conectividad
El primer paso para la digitalización es conseguir datos fiables, y automáticos. Para ello, se necesitan equipos que permitan la transferencia de información a archivos digitales, como hojas de cálculo, y/o su conexión a la red para subir datos a la nube, analizarlos e integrarlos. Es importante destacar que en nuestro sector aún se utilizan sistemas muy manuales, y eliminar los registros en papel es el primer paso hacia la digitalización.
La medida de la madurez fisiológica de los frutos es donde más soluciones aplicables existen. Penetrómetros digitales, como el Fruit Texture Analyzer (FTA, Turoni), que sustituyen a los penetrómetros manuales, o medidas automáticas del almidón como las que ofrece el equipo Amilon (Isolcell), son algunos de los ejemplos de equipos que no solo cuantifican de manera más objetiva el estado de madurez de la fruta evitando el error humano, permiten generar un histórico digital de datos. Igualmente se está trabajando en equipos no destructivos que utilizan espectros a diferentes longitudes de onda para establecer diferentes parámetros de calidad, como sería el uso de espectrometría NIR para medir materia seca o azúcares (Felix Instruments) o la diferencia entre absorbancias a dos longitudes de onda para conocer el índice de maduración (DA-meter). Todos estos nuevos aparatos tienen la ventaja de poder conectarse vía Bluetooth o wi-fi para volcar la información en un archivo de extensión csv que luego puede ser analizado e incorporado en bases de datos globales de la empresa.
Las ventajas que ofrecen estos equipos es una mayor precisión en la medida, la repetibilidad de ésta, el incremento en el número de valores recogidos y un almacenamiento de éstos en archivos exportables. Se puede conocer mejor y de un mayor número de partidas los parámetros que definen la calidad y madurez de los frutos.
De izquierda derecha, Fruit Texture Analyser, FTA (TR Turoni), Amilon (Isolcell), F-751 Quality Meter (Felix Instrument) y DA-Meter (TR Turoni).
1.2. Uso de la imagen. Aplicaciones móviles
La imagen es, la gran revolución de estos últimos años. Tal es así que, durante los últimos años, han empezado a aparecer distintas aplicaciones que mediante el análisis de imagen son capaces de calcular el porcentaje de frutos de un determinado calibre o el porcentaje de coloración de las partidas mediante el escaneo del palot (Croptracker) o el uso de varias fotografías tomadas de la parte alta del palot (Clarifresh, Hectre y Optiflux). Todas estas aplicaciones disponen de dos soportes; por un lado, la entrada de datos que suele ser vía aplicación en un móvil y/o una tablet y por otra la plataforma web donde se integran las fotos y se obtienen los informes que pueden ser consultados por los usuarios. La rapidez, objetividad y precisión de estos sistemas los hace atractivos para sustituir el costoso escandallo manual que muchas empresas realizan para caracterizar las partidas.
En todos los casos es importante la calidad de la foto, si bien se está avanzando mucho en los sistemas para detectar errores de foto, posición del dispositivo o calidad de luz. Los algoritmos utilizados mejoran día a día y se ajustan para especies de formas distintas: peras, melocotón plano, o frutos pequeños como cerezas o frambuesas. El siguiente paso de estas aplicaciones es incorporar la detección de defectos, enseñando a la inteligencia artificial la forma de cada uno de los defectos: plagas, roces, enfermedades. y que ésta sea capaz de calcular el porcentaje y tipología de defectos de la partida.
La elevada capacidad de procesamiento y análisis de los algoritmos actuales permite aumentar la rapidez y eficiencia en la identificación y poder analizar objetivamente un mayor número de frutos. Esto hace que se pueda incrementar el número de imágenes a procesar o que se puedan instalar soportes sobre arcos para poder escanear todo un camión en lugar de palots individuales. El cálculo del calibre y color de las partidas servirá para poder conocer mejor el stock, ajustar los pedidos a la calidad de entrada o rectificar prácticas en recolección de forma rápida y en tiempo real.
El siguiente paso en el campo de la imagen, será el uso de imágenes hiperespectrales, es decir, de cámaras que a diferencia de las convencionales son capaces de adquirir datos en un amplio rango del espectro tanto visible como no visible lo que permite obtener un “cubo” de datos donde cada píxel contiene una firma espectral detallada y se puede identificar o caracterizar propiedades del fruto fotografiado. Esto permitirá en un futuro la detección de defectos internos y externos; la evaluación de madurez y contenido nutricional; la detección de podridos o fisiopatías no visibles o la detección de contaminantes o residuos. Estos son aspectos aún por explorar, aunque ya se están evaluando a modo de I+D en los laboratorios de los centros tecnológicos. Nuestro Programa de Poscosecha en el IRTA es uno de los ejemplos y en breve esperamos poder transferir resultados interesantes en este tema.
2. Sensores/Robots
- Sensores
El bajo coste de los microchips y el gran avance en electrónica y tecnología ha hecho más accesible el desarrollo de sensores que son capaces de detectar volátiles, geoposicionar mercancía, detectar compuestos químicos, etc. Algunos de los sensores desarrollados en la postcosecha son:
2.1.1. Sensores de estrés gaseoso
El desarrollo de atmósferas dinámicas durante los años 2010-2020 llevó consigo el desarrollo de sensores capaces de determinar el punto de compensación anaeróbica, es decir, el punto en el que la fruta inicia la respiración anaeróbica y puede resultar un peligro. Las principales empresas de atmósfera controlada desarrollaron sensores que utilizaban parámetros diferentes para determinar el punto de estrés de la fruta conservada en cámaras de bajo oxígeno. Algunos de los implantados en el sector serían: sensores de fluorescencia (FIRM Hasvest Watch de Isolcell), de etanol en ambiente (DCS, Storex) o cálculo del coeficiente respiratorio (ACR, Van Amerongen). Estos sensores realizan mediciones en continuo que permiten conocer, mediante medidas indirectas, el estrés de la fruta y establecer señales para la gestión de gases durante el almacenamiento en atmósferas de muy bajo oxígeno.
2.1.2. Sensores de volátiles en cámara
La medición de los volátiles en cámara se lleva estudiando durante los últimos años con el objetivo de encontrar volátiles que indiquen y nos ayuden a comprender que le está pasando a la fruta, sobre todo, en el contexto de la conservación en atmósfera controlada donde nos es imposible acceder a la fruta para conocer qué está ocurriendo dentro de la cámara. Los volátiles como el etileno como indicador de la maduración; etanol, acetaldehído y etilacetato como indicadores de la fermentación; etano como síntoma de daños y metanol y acetona como síntomas de podredumbre son compuestos que no sólo determinan la calidad sensorial de las frutas, sinó que también pueden ser indicadores del estado de maduración, fermentación o deterioro.
El etileno es el volátil que más relación tiene con la maduración en el caso de frutos climatéricos, es por este motivo que se han empezado a desarrollar sensores que miden la concentración en el ambiente de la cámara de este volátil y permiten integrarlo junto con el contenido de gases (O2/CO2) o temperatura y humedad en una predicción del estado de conservación de la cámara (Strella, AgroFresh). Otro ejemplo, es el desarrollo de Maxfresh (financiado por Horizonte 2020) que es un sensor automatizado de trazas de volátiles utilizando espectroscopía láser de infrarrojos y que permite anticiparse a la aparición de fisiopatías y podridos.
2.1.3. Sensores de localización (RFID)
Aquí se incluye el uso de arcos en las puertas de las cámaras con captura RFID (Identificación por Radio Frecuencia), que permite gestionar de forma automatizada el stock en cámaras de fruta y agilizar la preparación de los envíos. Aunque su uso no está extendido en el sector de la fruta, los avances en otros sectores como la logística y la disminución del precio de los elementos: etiquetas, lectores y antenas auguran que en un futuro no muy lejano esta tecnología se acabará implantando también en nuestro sector en el que se pierde mucho tiempo en la lectura de todas las etiquetas de los pedidos y en el que es muy importante conocer la localización de las diferentes partidas y la trazabilidad. Estos sistemas están diseñados para poder hacer la lectura masiva en ambas direcciones y a diferentes alturas. La información se envía mediante antenas al software de control para poder identificar las partidas que están dentro de cada cámara. Estos sistemas son útiles igualmente en muelles de carga, puertas de entrada y salida, puntos intermedios, áreas de clasificado.
2.1.4. Sensores de temperatura con geolocalización
Otro de los puntos interesantes es la medición en continuo de la temperatura a lo largo del proceso de comercialización, para garantizar que no se rompe la cadena de frío. Marcas como Xsense o Verigo, entre otras, ofrecen sistemas de sondas de temperatura con localizador de posición que permiten realizar el seguimiento de temperatura de contenedores o cargas durante el transporte, estableciendo alarmas en caso de que se sobrepasen límites establecidos y siendo una herramienta muy útil para poder conocer el comportamiento de un punto crítico como es la temperatura de la fruta.
Dentro de la iniciativa “Infraestructuras para la experimentación y test de nuevas tecnologías y Plataforma de Datos y servicios (Agrolabs Digitals IRTA)”, el Programa de Poscosecha del IRTA ha puesto en marcha la denominada Cámara Instrumentalizada (CAM.INS), esta cámara ubicada en el Fruitcentre en Lleida (España) cuenta con todo tipo de sensores. La información que se obtenga será de gran valor a la hora de establecer modelos de predicción y determinar cómo estrategias de manejo y gestión de la conservación tienen impacto sobre la calidad final de la fruta.
- Robots
No se puede hablar de digitalización sin hablar del desarrollo de robots, sin embargo, en el sector de la postcosecha ya hace tiempo que se trabaja con líneas de confección que en la práctica son auténticos robots. Actualmente, las líneas de confección se han ido modernizando y ampliando: volcadores en agua con mayor rendimiento, clasificadoras de 8, 12, 20 líneas, sistemas de paletizado automático, precalibradoras. ponen en el mercado líneas cada vez más grandes y complejas que facilitan el trabajo de clasificación y envasado de la fruta.
Las últimas novedades para complementar estos grandes robots son dos:
2.2.1. Sistemas de detección de defectos internos y externos y medidas de calidad
Existen varias tecnologías ya implantadas en algunas de las máquinas clasificadoras para la detección de defectos internos y/o externos, así como, para medir de forma no destructiva parámetros de calidad como firmeza o azúcares. Entre ellas encontramos:
- Espectrometría del infrarrojo cercano (NIR) para obtener información del contenido de azúcares, acidez o firmeza.
- Visión artificial multiespectral e hiperespectral mediante el uso de cámaras que capturan imágenes en múltiples longitudes de onda más allá del espectro visible para identificar defectos internos como golpes, daños por plagas, fisiopatías o enfermedades que no son visibles externamente.
- Sensores acústicos por impacto para la medición de la firmeza.
- Algoritmos de inteligencia artificial que procesan las imágenes recibidas en diferentes espectros del visible para analizar cada punto en todas las longitudes de onda y sistemas de machine learning que permiten la mejora en la clasificación de defectos y la detección de estos.
2.2.2. Robots que confeccionan
Este sería el último paso, la sustitución total de la mano de obra, mediante la incorporación de módulos que son capaces de colocar en la caja los frutos. Muchas de las empresas dedicadas al desarrollo de sistemas de confección están desarrollando brazos articulados capaces de posicionar en distintas orientaciones los frutos sobre bandejas. Estos robots se pueden integrar en las líneas clasificadoras como módulos independientes, y pueden alcanzar una capacidad de trabajo de hasta 320 frutos/min o 3.5 Tn/h con una configuración de 10 robots.
Está claro que la implantación de robots que puedan convivir con la mano de obra humana en las centrales de fruta es ya una realidad y permitirá automatizar más aún el proceso de envasado, optimizando tiempo y reduciendo el coste en mano de obra y dando solución a la escasez de ésta con la que nos estamos encontrando estos últimos años.
3. Análisis de datos y modelos de predicción
La gran cantidad de datos que se generan durante la cosecha, conservación, confección y comercialización deben ser analizados para facilitar y mejorar las estrategias, decisiones y rentabilidad del proceso.
- Análisis de datos-Business Intelligence
El Business Intelligence (BI) se está implantado en el sector de la conservación y comercialización de fruta. Para ello es necesario recopilar, integrar, analizar y presentar los datos de forma que puedan ayudar a la toma de decisiones, de modo que se convierten estos datos sin procesar en información útil y valiosa, facilitando el análisis de grandes volúmenes de datos para identificar patrones o tendencias.
Hoy en día, se dispone de información que se almacena en fuentes diferentes: CRM, aplicaciones, archivos excel, Sistemas de Gestión Empresarial (ERP). Si bien los datos existen, éstos son difíciles de consultar y, sobre todo, de analizar conjuntamente. Es por este motivo que se debe pensar en integrar datos y almacenarlos de forma estructurada para que sean fáciles de consultar por el usuario final. Al mismo tiempo la creación de indicadores (o KPI) también sería de utilidad para poder realizar un seguimiento ordenado de la fruta durante la postcosecha. Por último y con tal de que resulte más intuitivo y sencillo, la creación de dashboards o informes interactivos que den soporte a las decisiones tomadas por los técnicos facilitará el trabajo y la identificación de problemáticas en la postcosecha, al mismo tiempo que permitirá la identificación de oportunidades de mejora para la empresa.
Fotografías 22: Ejemplo de Dashboard para el análisis de datos de calidad de fruta.
- Modelos de predicción
Por último, dentro de la agricultura se está trabajando en modelos predictivos basados en inteligencia artificial y redes neuronales los cuales utilizan técnicas de aprendizaje automático (Machine Learning) y aprendizaje profundo (Deep Learning) para analizar patrones en datos históricos y hacer predicciones sobre casos futuros. Estos modelos pueden emplear redes neuronales (ANN, Artificial Neutral Network) para capturar relaciones complejas y no lineales de los datos.
En el caso de la postcosecha, se está empezando a trabajar en la predicción del potencial de conservación de la fruta almacenada en cámaras de atmósfera controlada, pero todavía no existe en el mercado una solución práctica. En este sentido, el Servicio Técnico Postcosecha (STP) del IRTA está trabajando en el diseño de un modelo de predicción que permita utilizar los datos históricos de conservación y calidad junto con los datos tomados por los técnicos del IRTA durante más de 20 años de trabajo en la postcosecha para poder predecir el potencial de conservación, riesgo de escaldado, deshidratación, etc. que se pueden dar en cámaras de fruta. Este trabajo se encuentra dentro del proyecto del Programa Operativo “Inteligencia artificial para la creación de una plataforma digitalizada y un modelo de predicción para la toma de decisiones durante la conservación de fruta”.
Estos modelos predictivos tendrán un gran peso en el futuro puesto que facilitarán la gestión de la conservación de forma que la comercialización se podrá adaptar a los potenciales de conservación de la fruta y se minimizarán mermas. Sin embargo, hay que tener en cuenta que se necesita un elevado volumen de datos para poder crear el modelo y entrenarlo, así como conocimiento de computación y técnicos capaces de diseñar, programar y ajustar el modelo para poder disponer de una predicción ajustada y coherente. Esto unido a la experiencia y conocimientos de postcosecha dará lugar a un sistema de predicción muy efectivo y útil.
