Automatic early detection of decay in citrus fruit using optical technologies and machine learning techniques

Resumen

Los cítricos representan el cultivo frutal de mayor valor en términos de comercio internacional, siendo España el primer exportador mundial de cítricos para consumo en fresco. Sin embargo, la presencia de podredumbres causadas por hongos del género Penicillium se encuentra entre los principales problemas que afectan la postcosecha y comercialización de cítricos. Un número reducido de frutas infectadas puede contaminar una partida completa de cítricos durante el almacenamiento de la fruta por largos períodos de tiempo o en el transporte al extranjero, lo que conlleva grandes pérdidas económicas y el desprestigio de los productores de cítricos. Por lo tanto, la detección temprana de infecciones por hongos de forma efectiva y la eliminación de la fruta infectada son asuntos de especial interés en los almacenes de confección de fruta para impedir la propagación de las infecciones fúngicas, asegurando de esta forma una excelente calidad de la fruta y la ausencia total de fruta infectada. En este sentido, la presente tesis doctoral se centra en abordar un reto tan importante para la industria citrícola como es la automatización del proceso de detección de podredumbres incipientes, con el fin de proporcionar alternativas a la inspección manual con peligrosa luz ultravioleta que permitan realizar esta detección de forma más eficiente y, en consecuencia, reducir potencialmente el uso de fungicidas. En concreto, esta tesis doctoral avanza en el campo de la detección automática de podredumbres en cítricos mediante sistemas ópticos y técnicas de aprendizaje automático. Específicamente, se investigan tres técnicas ópticas diferentes que operan en las regiones del visible e infrarrojo cercano del espectro electromagnético, incluyendo la técnica de imagen basada en backscattering, visión hiperespectral y espectroscopía. Los sistemas ópticos usados en esta tesis no están limitados a la parte visible del espectro, por lo que sus capacidades superan a las del ojo humano y a las de los sistemas de visión convencionales basados en cámaras de color, lo cual resulta de especial interés para detectar daños en cítricos que son difícilmente visibles a simple vista, como las podredumbres en estadios tempranos de infección. Además, se exploran numerosas técnicas de aprendizaje automático de reducción de la dimensionalidad de los datos y clasificación, con la finalidad de usar las medidas ópticas de los cítricos para discriminar la fruta afectada por podredumbre de la fruta sana. Las tres técnicas ópticas, junto con métodos de aprendizaje automático adecuados, proporcionan buenos resultados en la clasificación de la piel de los frutos cítricos en sana o podrida, consiguiendo un porcentaje de muestras bien clasificadas superior al 90% para ambas clases, a pesar de la gran similitud entre ellas. En vista de los resultados obtenidos, esta tesis doctoral sienta las bases para la futura implementación de las técnicas ópticas estudiadas en un sistema comercial de clasificación automática de fruta destinado a la detección de podredumbres en cítricos.