Estudio, aplicación y propuesta de automatización del procesamiento de imágenes por resonancia magnética para la evaluación y detección de defectos internos de calidad en cítricos y melocotones

Abstract

Aunque en numerosas investigaciones se han obtenido resultados bastante prometedores con Imágenes de Resonancia Magnética (RMI) para la determinación de la calidad interna de las frutas y hortalizas, todavía existen problemas por resolver para alcanzar el uso comercial de la misma. Además, en general, se han utilizado equipos que tienen elevadísimos costes de inversión y de mantenimiento. La RMI basada en equipos de baja intensidad de campo magnético es en una interesante alternativa por su menor coste. En este trabajo se utilizaron técnicas RMI con un equipo de bajo campo (0,18 T) y se desarrollaron y evaluaron algoritmos para el procesamiento digital de las imágenes obtenidas de melocotones y las naranjas, con el objetivo de detectar automáticamente diferentes daños internos, no apreciables más que con métodos destructivos convencionales.

Se estudiaron diferentes secuencias RMI y, mediante seis criterios de calidad desarrollados en esta tesis, se seleccionaron aquellas que permitieron obtener la mejor calidad de imagen del interior de los frutos. Dos secuencias eco espín, una ponderada en T1, y otra ponderada en T2, permitieron obtener imágenes RMI de alta calidad en los planos ecuatorial y longitudinal, tanto de melocotones como de naranjas, visualizando en ellas otros tipos de defectos internos.

En melocotones, los algoritmos desarrollados detectaron el 98% de frutos afectados por un hongo saprofito, con una falsa detección en fruta sana del 21%. La detección de fruta con picadura de mosca fue del 71%, con una alta falsa asignación de fruta sana con daño (42%). Para el daño por frío, los algoritmos detectaron más del 98% de la fruta con daño almacenada durante 32 días a 5ºC, desde el día 22 cuando este ocurrió y con dos días de antelación a la valoración realizada con métodos destructivos.

En naranjas, los algoritmos para detectar daños por hongos permitieron discriminar más del 80% de frutos afectados, con una falsa asignación de fruta sana como dañada meno