Se llama «pechuga leñosa» y para los consumidores puede significar un sándwich de pollo más masticable, pero para la industria puede significar una pérdida de rendimiento anual de hasta 200 millones de dólares.
por John Lovett, Universidad de Arkansas
El trabajo realizado en la Estación Experimental Agrícola de Arkansas no sólo hace que la pechuga leñosa sea más fácil de detectar en la carne de pollo , sino que además es precisa hasta el 95% de las veces.
El desarrollo podría ayudar a mejorar la garantía de calidad y la confianza de los clientes en uno de los productos agrícolas económicamente más importantes del estado. Lo que permite a los investigadores ver el interior de la carne es una combinación de una cámara hiperespectral, que examina la carne a través de varias longitudes de onda de energía, y aprendizaje automático para interpretar lo que ve la cámara.
«Hemos podido mejorar la precisión de la detección de la pechuga leñosa utilizando el aprendizaje automático para analizar datos complejos de imágenes con una cámara hiperespectral», dijo Dongyi Wang, profesor asistente en el departamento de ingeniería biológica y agrícola de la estación experimental, el brazo de investigación de la División de Agricultura del Sistema Universitario de Arkansas.
«El próximo paso será intentar integrar el sistema en línea y hacer que sea beneficioso para las partes interesadas», dijo Wang, señalando que esta aplicación específica de análisis de imágenes no se había realizado antes.
Pérdida de carne de primera calidad
La carne de «pechuga leñosa» es más dura y masticable que la pechuga de pollo normal, pero aun así es segura para comer, según Casey Owens, profesora de procesamiento y productos avícolas de la estación experimental y coautora del estudio. Cuando los procesadores, ya sea humanos o con tecnología de imágenes asistida por computadora, detectan la carne, dice, se desvía del envase de pechuga entera para su posterior procesamiento en productos como nuggets y hamburguesas de pollo.
La pérdida de la prima como producto de músculo entero representa una pérdida de rendimiento de hasta 200 millones de dólares en Arkansas y más de 1.000 millones de dólares en costos directos e indirectos anuales en toda la industria avícola de los Estados Unidos, añadió Owens. Hasta el 20% de la carne de pechuga de pollo puede tener el defecto, que es más común en aves más grandes de 8 a 9 libras en comparación con las aves de 6 a 7 libras.
Imágenes hiperespectrales
La obtención de imágenes hiperespectrales es una forma rápida y no invasiva de capturar datos detallados sobre los objetos y su composición. Estos datos se pueden utilizar para clasificar los productos alimenticios según su calidad , las preferencias de los consumidores y otros requisitos del producto.
Pero las imágenes hiperespectrales contienen toneladas de datos. Ahí es donde entra en juego el aprendizaje automático.
Chaitanya Pallerla, estudiante de posgrado en ciencias de la alimentación que ha estado trabajando en el proyecto durante los últimos dos años con Wang como su asesor, dijo que el nuevo modelo de aprendizaje automático se llama NAS-WD. Cuando se correlaciona con datos conocidos sobre la «fibrosidad» de las pechugas de pollo, el modelo permite un análisis más profundo y amplio de imágenes hiperespectrales para identificar el defecto.
«En la obtención de imágenes hiperespectrales se utilizan modelos de aprendizaje automático habituales , pero hemos podido desarrollar un nuevo modelo que podría ser adecuado para correlacionar más de dos variables», afirma Pallerla. «Hemos tomado dos modelos diferentes, hemos realizado algunos cambios y los hemos combinado para detectar mejor los patrones y correlacionar los datos hiperespectrales con la dureza de la carne de pollo».
Los resultados de su investigación fueron publicados en la revista Artificial Intelligence in Agriculture bajo el título «La búsqueda de arquitectura de red neuronal permitió el aprendizaje profundo y amplio (NAS-WD) para la clasificación de pechugas leñosas de pollo con reconocimiento de propiedades espacialmente heterogéneas y la regresión de dureza».
Los resultados mostraron que NAS-WD puede clasificar tres niveles de defectos de mama leñosa con una precisión general del 95%, superando a los modelos tradicionales como la máquina de vectores de soporte y la percepción multicapa, que ofrecieron un 80% y aproximadamente un 73% de precisión, respectivamente.
Wang dijo que el estudio ofrece un ejemplo de cómo utilizar nuevos algoritmos para extraer datos y ahondar en información clave. La forma de obtención de imágenes hiperespectrales utilizada en la investigación se denomina «push broom», que toma una imagen de varios objetos una vez cada 40 segundos, en comparación con un método industrial más común de «instantánea», que toma una imagen de objetos individuales cada 30 milisegundos.
Las «instantáneas» tienen una resolución menor que el método de «escoba», pero las actualizaciones de software algún día podrían proporcionar una resolución más alta para las imágenes «instantáneas», dijo Pallerla.
Wang dijo que su equipo está trabajando en la implementación de esta tecnología en el sistema en tiempo real.
Más información: Chaitanya Pallerla et al, Aprendizaje profundo y amplio habilitado para búsquedas en arquitecturas de redes neuronales (NAS-WD) para clasificación y regresión de dureza de pechugas leñosas de pollo con reconocimiento de propiedades espacialmente heterogéneas, Inteligencia artificial en agricultura (2024). DOI: 10.1016/j.aiia.2024.11.003
