Detección no destructiva del corazón negro en granadas mediante rayos X e inteligencia artificial

La calidad interna de los frutos es un factor crítico en la comercialización de productos frescos, especialmente en cultivos de alto valor como la granada (Punica granatum). Una de las principales amenazas a la calidad del producto final es la enfermedad conocida como “blackheart”, una pudrición interna causada por hongos, principalmente Alternaria alternata. Este tipo de afección es especialmente problemática debido a su naturaleza asintomática: no existen indicios visibles en la piel de la fruta que permitan su detección durante inspecciones visuales o controles de calidad tradicionales.

En este contexto, un estudio recientemente publicado en Postharvest Biology and Technology explora la aplicación de imágenes de rayos X combinadas con algoritmos de clasificación basados en aprendizaje automático para la detección no destructiva de “blackheart” en granadas de la variedad ‘Wonderful’. Esta investigación representa un avance significativo hacia la implementación de tecnologías de inspección automatizada en líneas de clasificación industrial.

La problemática del corazón negro en granada

El “blackheart” o corazón negro es una alteración interna del arilo y las membranas internas de la granada, que se oscurecen como resultado del crecimiento fúngico. Su origen suele estar relacionado con condiciones de almacenamiento desfavorables, humedad excesiva o daños mecánicos previos a la cosecha. Como la piel externa permanece visualmente sana, estos frutos contaminados pueden llegar a los consumidores, afectando la percepción de calidad del producto, generando reclamaciones comerciales y pérdidas económicas para el productor.

Tecnología emergente: imágenes de rayos X

El estudio implementa un sistema de imagen basado en rayos X capaz de penetrar la cáscara de la granada y obtener información sobre su estructura interna sin necesidad de cortar el fruto. Las imágenes de rayos X de frutas sanas y afectadas fueron procesadas mediante un modelo de clasificación basado en el algoritmo Random Forest, utilizando atributos derivados de las siguientes características texturales:

• Estadísticas de primer orden

• Matriz de co-ocurrencia de niveles de gris (GLCM)

• Histogramas de niveles de gris (con varias resoluciones, siendo la de 256 bins la más precisa)

• Curtosis y asimetría (skewness), que proporcionan información adicional sobre la distribución de los píxeles en las imágenes y mejoran la capacidad de clasificación del sistema.

Estos atributos permitieron capturar diferencias sutiles en la estructura interna del fruto asociadas a la presencia de la infección. Para validar los resultados, los frutos se clasificaron en tres niveles de severidad de la infección, los cuales fueron confirmados mediante un análisis destructivo posterior, en el que se cortaron las frutas a la mitad para inspeccionarlas visualmente.

Resultados y precisión del sistema

Los resultados mostraron que el uso de imágenes de rayos X, combinado con el algoritmo Random Forest, logró una precisión impresionante en la detección de blackheart. Los modelos más precisos alcanzaron una tasa de detección del 93,3 % para los frutos con infecciones incipientes (nivel 1), un rendimiento significativamente superior al de la inspección visual manual, que tiene dificultades para detectar infecciones en etapas tempranas. En comparación, la inspección manual alcanzó una precisión de 66,7 % en la detección de infecciones leves.

El modelo basado en rayos X también demostró ser eficiente en la identificación de frutos con infecciones más avanzadas (niveles 2 y 3), pero fue en las primeras etapas de la enfermedad donde destacó la ventaja del sistema automatizado. La alta precisión y rapidez de este enfoque sugieren que las imágenes de rayos X podrían ser una herramienta fundamental para la detección temprana y la prevención de la propagación del “blackheart”.

Implicaciones para la industria poscosecha

La incorporación de esta tecnología supone un cambio cualitativo en los procesos de inspección y clasificación de granadas:

• Clasificación no destructiva: evita el desperdicio asociado a métodos invasivos de muestreo, permitiendo que los frutos permanezcan intactos para su comercialización.

• Mayor eficiencia en línea: permite la integración en sistemas automáticos de selección, reduciendo la necesidad de inspección manual.

• Reducción de reclamaciones comerciales: asegura que los frutos con defectos internos no lleguen al consumidor final, mejorando la calidad percibida del producto.

• Aumento de la competitividad: aporta valor añadido al producto al garantizar calidad interna y trazabilidad tecnológica.

Futuro y escalabilidad

Un paso importante para el futuro de esta tecnología será validar estos hallazgos en condiciones comerciales reales, utilizando conjuntos de datos más grandes y representativos, que abarquen una mayor variedad de niveles de infección, especialmente en las primeras etapas de la enfermedad. Esta validación permitirá establecer un umbral de detección preciso para su aplicación a gran escala en la industria poscosecha.

Conclusión

Este trabajo demuestra el potencial de los rayos X como una técnica no invasiva para detectar daños internos en las granadas, particularmente la infección por Alternaria alternata. La implementación de esta tecnología en el sector agroalimentario podría mejorar significativamente la eficiencia y precisión de los controles de calidad, asegurando la calidad del producto y reduciendo las pérdidas económicas. Los pasos siguientes deberán incluir la validación de estos resultados en condiciones comerciales reales y con conjuntos de datos más amplios, para afinar el umbral de detección y extender la aplicabilidad de la solución a otras frutas y variedades.

Fuente

Munera, S; Rodríguez-Ortega, A.; Cubero, S.; Aleixos, N.; Blasco, J. (2025). Automatic detection of pomegranate fruit affected by blackheart disease using X-ray imaging. LWT, Volume 215, 117248. https://doi.org/10.1016/j.lwt.2024.117248