O Campus de Ourense crea un "superolfato" dixital para medir a calidade dos alimentos

O equipo de Investigacións Agrarias e Alimentarias do campus de Ourense traballa nun sistema de identificación de alimentos que buscará as súas imperfeccións e o seu axuste ós criterios de produción que esíxense en organismos coma as Indicacións Xeográficas protexidas. Segundo explicou o catedrático Jesús Simal Gándara, “as administracións públicas veñen prestando cada vez máis atención a garantir a autenticidade e integridade dos alimentos debido ao aumento dos casos de fraude alimentario”, motivo polo cal comezou o desenvolvemento desta ferramenta que Simal compara cun “superolfato”.

A investigación céntrase en desenvolver un sistema que permita certificar a autenticidade de sementes, fariñas e elaborados en po ou texturizados de cereais, leguminosas e froitos secos. Para iso propóñense empregar imaxes hiperespectrais e métodos de aprendizaxe automático (denominado SmartControl). Cun orzamento de 212.500€, o proxecto, no que tamén está involucrado o investigador Gonzalo Astray, acaba de botar a andar e desenvolverase ata agosto de 2027 contando cun equipo multidisciplinar de áreas como a tecnoloxía alimentaria, a enxeñaría industrial, a enxeñaría informática, a química e a farmacia.

“Poderá detectar defectos nos alimentos que non son visibles a simple vista, como moho ou contaminantes”

A investigación céntrase en produtos de diferentes denominacións de orixe protexidas ou indicacións xeográficas protexidas españolas. Trátase, en todos os casos, como sinalan os investigadores, de “cultivos vitais en España”, polo que é de especial interese garantir a súa autenticidade e calidade. Neste sentido, Simal e Astray destacan a “importancia fundamental” destes produtos para a alimentación humana e lembran que, por exemplo, o 95% da produción de arroz se destina á alimentación ao formar parte da dieta de máis da metade da poboación mundial.

Ademais, explican, estes cultivos contribúen ao mantemento da biodiversidade e á calidade das paisaxes favorecendo a produción local e reducindo as importacións destas materias primas e, polo tanto, axudan a reducir o uso de combustibles fósiles e a pegada de carbono. Finalmente, subliñan que “son potencialmente materias primas dunha gran variedade de produtos alimenticios nutritivos, saudables e veganos”.

En toda a produción

Este sistema, detalla Jesús Simal, podería aplicarse en diferentes puntos da cadea de produción, dependendo das necesidades específicas de cada sector. Por exemplo, no eido da industria alimentaria poderíase implantar no control de calidade para “detectar defectos nos alimentos que non son visibles a simple vista, como moho ou contaminantes”; no momento da clasificación, para separar produtos segundo a súa calidade ou variedade ou tamén para loitar contra a fraude. Neste aspecto, os investigadores subliñan que se trataría de evitar a substitución de materias primas.

Memorizar a lonxitude de onda de fariñas e sementes

O proxecto márcase tres obxectivos fundamentais. O primeiro é establecer unha base de datos hiperespectral para unha ampla variedade de sementes, fariñas e pos, e produtos texturizados de cereais, legumes e froitos secos, orientada a capturar as pegadas espectrais inherentes.

O segundo é desenvolver modelos de aprendizaxe automático, adestrando modelos de machine learning de última xeración capaces de distinguir entre os produtos alimentarios previamente numerados. O terceiro paso será o desenvolvemento dun sistema SmartControl que incorporará los modelos de ML deseñados a un sistema de control integrable en liñas de procesado de alimentos, de modo que sexa posible a avaliación non destrutiva e en tempo real, asegurando a autenticidade do produto e contribuíndo a manter a súa calidade.

Esta estratexia engloba fusión multiespectral (orientada a captar unha maior amplitude de lonxitudes de onda, permitindo unha mellor comprensión da composición dos alimentos); arquitecturas tradicionais e de aprendizaxe profundo (para extraer patróns e relacións intrínsecas entre os diferentes datos); e, finalmente, monitorización en tempo real, que permitirá a produtores e industria tomar medidas correctivas rápidas cando se detecten discrepancias.

O equipo traballa agora mesmo no deseño dun prototipo de sistema hiperespectral. “O noso obxectivo é desenvolver unha tecnoloxía que sexa accesible e fácil de usar para as empresas de diferentes sectores”, dixo Jesús Sindal.