Los investigadores han desarrollado un sistema de inteligencia artificial basado en teléfonos inteligentes que predice con precisión la madurez y la calidad interna de los aguacates.
por Sean Nealon, Universidad Estatal de Oregón
«Los aguacates se encuentran entre las frutas que más se desperdician a nivel mundial debido a su sobremaduración», afirmó Luyao Ma, profesora adjunta de la Universidad Estatal de Oregón. «Nuestro objetivo era crear una herramienta que ayudara a consumidores y minoristas a tomar decisiones más inteligentes sobre cuándo usar o vender aguacates».
El equipo de investigación, compuesto por científicos de las universidades estatales de Oregón y Florida, entrenó modelos de IA utilizando más de 1400 imágenes de aguacates Hass tomadas con iPhone. El sistema predijo la firmeza, un indicador clave de la madurez, con casi un 92 % de precisión, y la calidad interna (frescura vs. podrido) con más del 84 % de precisión.
Los hallazgos fueron publicados en la revista Current Research in Food Science .
Los investigadores creen que estos índices de precisión pueden mejorarse a medida que se añadan más imágenes al modelo. También señalan que la tecnología tiene el potencial de evaluar la madurez y la calidad de otros tipos de alimentos.
Esperan desarrollar aún más la tecnología para que los consumidores puedan usarla en casa para determinar el momento óptimo para comer un aguacate , evitando la decepción de cortar uno y encontrar las temidas manchas marrones.
El equipo también prevé posibles aplicaciones en las plantas de procesamiento de aguacate, donde la tecnología podría utilizarse para clasificar y clasificar mejor la fruta. Por ejemplo, si el sistema detecta que un lote está más maduro, podría enviarse a un minorista cercano en lugar de a uno más lejano. De igual manera, los minoristas podrían utilizar la tecnología para determinar qué aguacates deben venderse primero según su madurez.
Estos hallazgos se basan en investigaciones previas que utilizaron imágenes y técnicas de aprendizaje automático para evaluar la calidad de los alimentos. Sin embargo, estudios anteriores se basaban en la selección manual de características [SN1] y algoritmos tradicionales de aprendizaje automático, lo que limitaba el rendimiento de la predicción, afirmó In-Hwan Lee, estudiante de doctorado que colabora con Ma en el proyecto.
«Para superar estas limitaciones, utilizamos enfoques de aprendizaje profundo que capturan automáticamente una gama más amplia de información, incluida la forma, la textura y los patrones espaciales para mejorar la precisión y la solidez de las predicciones sobre la calidad del aguacate», dijo Lee.
Ma decidió centrarse en los aguacates debido a su alto valor de mercado y su alto índice de desperdicio. También mencionó una motivación personal: como consumidora frecuente de tostadas de aguacate, a menudo se frustraba al no saber cuándo estaban perfectamente maduros y cortar los que estaban demasiado maduros.
La investigación aborda un importante desafío global: el desperdicio de alimentos. Aproximadamente el 30 % de la producción mundial de alimentos se desperdicia. En respuesta a este desafío, el Departamento de Agricultura de EE. UU. y la Agencia de Protección Ambiental (EPA) han establecido un objetivo nacional de reducir el desperdicio de alimentos en un 50 % para 2030.
«Los aguacates son solo el comienzo», afirmó Ma. «Esta tecnología podría aplicarse de forma mucho más amplia, ayudando a consumidores, minoristas y distribuidores a tomar decisiones más inteligentes y reducir el desperdicio».
Zhengao Lee, de la Universidad Estatal de Florida, también es coautor del artículo. Ma y Lee trabajan en el Departamento de Ciencia y Tecnología de los Alimentos de la Facultad de Ciencias Agrícolas de la Universidad Estatal de Oregón. Ma también está afiliado al Departamento de Ingeniería Biológica y Ecológica.
Más información: In-Hwan Lee et al., IA explicable e imágenes móviles para la evaluación no destructiva de la madurez y la calidad interna del aguacate con el fin de reducir el desperdicio de alimentos, Current Research in Food Science (2025). DOI: 10.1016/j.crfs.2025.101196
