Advanced Non-Destructive Evaluation of Fruit Quality and Safety Using Spectral Information and Artificial Neural Networks

[ES] Garantizar una buena calidad interna e inocuidad en los productos frutícolas es un gran desafío para la industria agroalimentaria, ya que los métodos tradicionales de evaluación suelen ser destructivos e ineficientes. Esta tesis doctoral tuvo como objetivo explorar el uso de dos técnicas ópticas no destructivas: imagen hiperespectral (HSI) y espectroscopía Raman, combinadas con modelos avanzados de redes neuronales, para predecir atributos de calidad interna, aceptación del consumidor y seguridad alimentaria en fresas, caquis, ciruelas y manzanas. La investigación incluyó cuatro estudios principales. Primero, se aplicaron HSI y redes neuronales a 17 cultivares de fresa para predecir parámetros clave de calidad como contenido de azúcar, acidez y textura, así como la aceptación general del consumidor e identificación de cultivares para prevenir fraudes alimentarios. Segundo, se usaron modelos de aprendizaje profundo basados en autoencoders para clasificar la imagen hiperespectral de caquis 'Rojo Brillante' en grupos de textura relevantes para la clasificación en centrales hortofrutícolas. Tercero, se entrenaron y compararon tres redes neuronales convolucionales (CNN) para detectar golpes invisibles en ciruelas 'Presenta', con el objetivo de reducir pérdidas poscosecha. Cuarto, la espectroscopía Raman combinada con CNN permitió la detección e identificación de múltiples compuestos activos de productos fitosanitarios en mezclas complejas comúnmente usadas en huertos de manzana. Los resultados demostraron que HSI y redes neuronales proporcionaron buenas predicciones para la calidad de la fresa (TSS R² = 0.85, TA R² = 0.81), aceptación media del consumidor por cultivar (R² = 0.78) y discriminación de cultivares (F1 = 84 %). En caquis, los autoencoders lograron una reducción del 99 % en la dimensionalidad de los datos y un 81.3 % de precisión en la clasificación de textura. Las CNN detectaron golpes en etapa temprana en ciruelas con una puntuación F1 del 90 % y la identificación de longitudes de onda clave. La espectroscopía Raman con CNNs identificó la presencia de fitosanitarios en mezclas complejas con hasta un F1 de 100 % en algunos casos. Estos resultados destacan el valor práctico de combinar sensores ópticos avanzados y redes neuronales para una evaluación rápida y no destructiva de la calidad y seguridad de la fruta. Este enfoque ofrece beneficios significativos para consumidores, productores y autoridades de seguridad alimentaria al mejorar la calidad del producto, reducir el desperdicio y garantizar el cumplimiento de las normativas de seguridad.

[CA] Assegurar una bona qualitat interna e inocuitat en fruites és un repte important per a la indústria agroalimentària, ja que els mètodes tradicionals d'avaluació sovint són destructius i ineficients. Aquesta tesi doctoral ha tingut com a objectiu explorar l'ús de dues tècniques òptiques no destructives: la imatge hiperespectral (HSI) i l'espectroscòpia Raman, combinades amb models avançats de xarxes neuronals, per predir atributs de qualitat interna, acceptació del consumidor i seguretat alimentària en maduixes, caquis, prunes i pomes. La investigació va incloure quatre estudis principals. Primer, es van aplicar la imatge hiperespectral i les xarxes neuronals a 17 cultius de maduixa per predir paràmetres clau de qualitat com el contingut de sucre, l'acidesa i la textura, així com l'acceptació global del consumidor i la identificació dels cultius per prevenir el frau alimentari. En segon lloc, es van utilitzar models d'aprenentatge profund basats en autoencoders per classificar la imatge hiperespectral de caqui 'Rojo Brillante' en grups de textura rellevants per a la classificació a les centrals de confecció. Tercer, es van entrenar i comparar tres xarxes neuronals convolucionals (CNN) per detectar cops invisibles en prunes 'Presenta', amb l'objectiu de reduir les pèrdues postcollita. Quart, l'espectroscòpia Raman combinada amb CNN va permetre la detecció i identificació de múltiples compostos actius de plaguicides en mescles complexes de plaguicides habituals als pomerars. Els resultats van demostrar que la imatge hiperespectral i les xarxes neuronals van oferir prediccions precises per a la qualitat de la maduixa (TSS R² = 0,85, TA R² = 0,81), l'acceptació mitjana del consumidor per cultivar (R² = 0,78) i la discriminació dels cultius (F1 = 84 %). En caquis, els autoencoders van aconseguir una reducció del 99 % en la dimensionalitat de les dades i un 81,3 % d'exactitud en la classificació de la textura. Les CNN van detectar cops en fase inicial en les prunes amb una puntuació F1 del 90 % i es van identificar longituds d'ona clau. L'espectroscòpia Raman amb models d'aprenentatge profund va identificar la presencia de plaguicidas en mescles complexes amb un F1 de fins al 100% en alguns casos. Aquests resultats posen de manifest el valor pràctic de combinar tècniques òptiques avançades i xarxes neuronals per avaluar, de manera ràpida i no destructiva, la qualitat i seguretat dels fruits. Aquest enfocament ofereix beneficis significatius per als consumidors, productors i autoritats de seguretat alimentària, millorant la qualitat del producte, reduint el malbaratament i assegurant el compliment de les normes de seguretat.

[EN] Ensuring high internal quality and safety in fruit products is a major challenge for the agri-food industry, as traditional assessment methods are often destructive and inefficient. This doctoral thesis aimed to explore the use of two non-destructive optical techniques: hyperspectral imaging (HSI) and Raman spectroscopy, combined with advanced neural network models, to predict internal quality attributes, consumer acceptance, and food safety in strawberries, persimmons, plums, and apples. The research involved four main studies. First, HSI and neural networks were applied to 17 strawberry cultivars to predict key quality parameters such as sugar content, acidity, and texture, as well as overall consumer acceptance and cultivar identification to prevent food fraud. Second, autoencoder-based deep learning models were used to classify 'Rojo Brillante' persimmon HSI into texture groups relevant for packing house sorting. Third, three convolutional neural networks (CNNs) were trained and compared to detect invisible mechanical bruises in 'Presenta' plums, aiming to reduce postharvest losses. Fourth, Raman spectroscopy combined with CNNs enabled the detection and identification of multiple pesticide active compounds in complex pesticide mixtures commonly used in apple orchards. The results demonstrated that HSI and neural networks provided accurate predictions for strawberry quality (TSS R² = 0.85, TA R² = 0.81), mean cultivar consumer acceptance (R² = 0.78), and cultivar discrimination (F1 = 84 %). In persimmons, autoencoders achieved a 99 % reduction in data dimensionality and 81.3 % accuracy in texture classification. CNNs detected early-stage bruises in plums with an F1 score of 90 % and key wavelengths were identified. Raman spectroscopy with deep learning models identified the presence of specific pesticides in complex mixtures with an F1 of up to 100 % in some cases. These findings highlight the practical value of combining advanced optical sensing and neural networks for rapid, non-destructive assessment of fruit quality and safety. This approach offers significant benefits for consumers, producers, and food safety authorities by improving product quality, reducing waste, and ensuring compliance with safety standards.

Tesis por compendio