Aunque la carne de res es uno de los alimentos más consumidos en todo el mundo, comerlo cuando ha pasado su mejor momento no solo es desagradable, pero también plantea algunos riesgos graves para la salud. Desafortunadamente, Los métodos disponibles para verificar la frescura de la carne tienen varias desventajas que impiden que sean útiles para el público. Por ejemplo, Los análisis químicos o las evaluaciones de poblaciones microbianas toman demasiado tiempo y requieren las habilidades de un profesional. Por otra parte, Los enfoques no destructivos basados ​​en espectroscopía de infrarrojo cercano requieren equipos costosos y sofisticados. ¿Podría la inteligencia artificial ser la clave para una forma más rentable de evaluar la frescura de la carne de vacuno?

En el Instituto de Ciencia y Tecnología de Gwangju (GIST), Corea, un equipo de científicos dirigido por los procesadores asociados Kyoobin Lee y Jae Gwan Kim ha desarrollado una nueva estrategia que combina el aprendizaje profundo con la espectroscopia de reflectancia difusa (DRS), una técnica óptica relativamente económica. "A diferencia de otros tipos de espectroscopia, DRS no requiere una calibración compleja; en lugar de, se puede utilizar para cuantificar parte de la composición molecular de una muestra utilizando solo un espectrómetro asequible y fácilmente configurable, ", explica Lee. Los resultados de su estudio ahora se publican en Química de Alimentos .

Para determinar la frescura de las muestras de carne, se basaron en las mediciones de DRS para estimar las proporciones de diferentes formas de mioglobina en la carne. La mioglobina y sus derivados son las proteínas principales responsables del color de la carne y sus cambios durante el proceso de descomposición. Sin embargo, convertir manualmente las mediciones de DRS en concentraciones de mioglobina para decidir finalmente la frescura de una muestra no es una estrategia muy precisa, y aquí es donde entra en juego el aprendizaje profundo.

Las redes neuronales convolucionales (CNN) son algoritmos de inteligencia artificial ampliamente utilizados que pueden aprender de un conjunto de datos preclasificado, denominado 'conjunto de entrenamiento, 'y encontrar patrones ocultos en los datos para clasificar nuevas entradas. Para entrenar a la CNN, Los investigadores recopilaron datos sobre 78 muestras de carne de res durante su proceso de deterioro midiendo regularmente su pH (acidez) junto con sus perfiles de DRS. Después de clasificar manualmente los datos de DRS según los valores de pH como 'frescos, ' 'normal, 'o' estropeado, 'alimentaron el algoritmo con el conjunto de datos DRS etiquetado y también fusionaron esta información con estimaciones de mioglobina. "Al proporcionar información espectral y de mioglobina, Nuestro algoritmo de aprendizaje profundo entrenado podría clasificar correctamente la frescura de las muestras de carne de res en cuestión de segundos en aproximadamente el 92% de los casos. "destaca Kim.

Además de su precisión, los puntos fuertes de esta nueva estrategia residen en su rapidez, bajo costo, y naturaleza no destructiva. El equipo cree que es posible desarrollar pequeños dispositivos espectroscópicos portátiles para que todos puedan evaluar fácilmente la frescura de su carne, incluso en casa. Es más, espectroscopia similar y técnicas basadas en CNN también podrían extenderse a otros productos, como pescado o cerdo. En el futuro, con un poco de suerte, Será más fácil y accesible identificar y evitar la carne cuestionable.