Realizar un seguimiento de la frescura de los productos del mar puede resultar complicado tanto para los consumidores como para las empresas. Pero un nuevo estudio ofrece una solución prometedora utilizando inteligencia artificial (IA) y ciencia tradicional. El uso de la IA en la industria camaronera viene siendo empleada para contar y monitorear el crecimiento de los camarones.
Los investigadores de la Guangdong Ocean University investigaron cómo cambia la calidad del camarón blanco del Pacífico, Litopenaeus vannamei durante el almacenamiento a temperaturas refrigeradas (4°C) durante una semana. Ellos emplearon YOLOv8 como el fundamento para el desarrollo del modelo YOLO-shrimp para la detección rápida de la calidad y la frescura.
El desafío de mantener los camarones frescos
El alto contenido de proteínas y humedad del camarón lo hace susceptible al deterioro. Las enzimas presentes naturalmente en los camarones pueden provocar una disminución de la calidad, incluida melanosis (ennegrecimiento) y pérdida de sabor y nutrientes.
Actualmente, la evaluación de la frescura del camarón se basa en la medición de marcadores bioquímicos como TVB-N (nitrógeno básico volátil total) y TVC (recuento total viable). Si bien son precisos, estos métodos requieren la destrucción de muestras, el uso de equipos voluminosos y toman mucho tiempo. Esto limita su practicidad para controles rápidos.
La frescura importa
El estudio investiga cómo los camarones (específicamente, el camarón blanco del Pacífico, Litopenaeus vannamei) almacenados a temperaturas refrigeradas (4°C) durante una semana experimentan cambios en la calidad. Se centran en tres marcadores clave:
- Nitrógeno básico volátil total (TVB-N): Este compuesto químico aumenta a medida que los camarones se descomponen, lo que indica una disminución en la frescura.
- Recuento total de viables (TVC): Mide el número total de bacterias presentes; los recuentos más altos indican un mayor deterioro.
- Melanosis: Se refiere al ennegrecimiento de los caparazones de los camarones, un indicador visual de disminución de la calidad.
El equipo de investigación también explora las relaciones entre estos marcadores, proporcionando una imagen más completa de la frescura del camarón.
YOLO-Shrimp: una poderosa herramienta para la evaluación de la frescura
El estudio va más allá de los métodos tradicionales al introducir el modelo YOLO-Shrimp. Este enfoque innovador se basa en la arquitectura YOLOv8, un popular modelo de aprendizaje profundo para la detección de objetos. Sin embargo, YOLO-Shrimp va un paso más allá:
- Función de pérdida focal de EIOU: Esta mejora mejora la capacidad del modelo para centrarse en camarones difíciles de clasificar, lo que genera resultados más precisos.
- Módulo de Computación C3X: Este módulo refina el proceso de extracción de características, permitiendo que el modelo identifique mejor cambios sutiles en la textura, el color y la forma del camarón.
Estas mejoras se traducen en importantes mejoras de rendimiento en comparación con YOLOv8:
- Precisión (aumentada en un 5,07%)
- Retiro (aumentado en 1,58%)
- Puntuación F1 (aumentada en un 3,25%)
- mAP50 (aumentado en un 2,84%)
Fundamentalmente, las evaluaciones del modelo YOLO-Shrimp se validaron con los indicadores bioquímicos, microbiológicos y físicos de frescura establecidos. Esta fuerte correlación resalta la eficacia del modelo para detectar la calidad del camarón.
La ciencia detrás de la tecnología
Los algoritmos de aprendizaje automático «aprenden» de los datos para identificar patrones y hacer predicciones. El aprendizaje profundo, una poderosa rama del aprendizaje automático, destaca en el reconocimiento de imágenes mediante redes neuronales convolucionales (CNN). El algoritmo YOLO es un marco eficiente de detección de objetos que se utiliza para una evaluación rápida y precisa de la calidad de los alimentos basada en señales visuales.
Beneficios para los consumidores y la industria
Los estudios confirman que las evaluaciones de YOLO-Shrimp se alinean con métodos tradicionales como TVB-N y TVC. Esto destaca su eficacia para detectar la frescura. Así es como YOLO-Shrimp puede beneficiar a la industria pesquera:
- Seguridad alimentaria mejorada: La detección temprana del deterioro permite la eliminación oportuna de camarones potencialmente peligrosos.
- Control de calidad mejorado: Los controles de calidad consistentes y objetivos conducen a una mejor selección y clasificación de productos.
- Reducción de residuos: Las pruebas no destructivas minimizan el daño al producto y garantizan una utilización eficiente.
Conclusión
“En conclusión, el modelo YOLO-Shrimp, una iteración refinada de la arquitectura YOLOv8 con una función de pérdida focal EIOU integrada y un módulo de cálculo C3X, ha demostrado avances significativos en la detección rápida y no destructiva de frescura en Litopenaeus vannamei”, concluyen los científicos.
Esta investigación allana el camino para tecnologías innovadoras que puedan monitorear y mantener efectivamente la calidad del camarón. Al combinar métodos científicos tradicionales con modelos avanzados de aprendizaje profundo, podemos garantizar que los consumidores disfruten de los camarones más frescos y deliciosos posibles.
El estudio fue financiado por la Natural Science Foundation of China, el Special Fund for Scientific and Technological Innovation Strategy of Guangdong Province, el Guangxi Key Research and Development Plan Project, el Fund of Guangdong Provincial Key Laboratory of Intelligent Equipment for South China Sea Marine Ranching y el Scientific Research Start-Up Funds of Guangdong Ocean University.
Contacto
Ouyang Zheng
College of Food Science and Technology, Guangdong Ocean University
Zhanjiang, Guangdong Province, 524088, China
Email: zhengouyang07@163.com
Referencia (acceso abierto)
Hou, Mingxin and Zhong, Xiaowen and Zheng, Ouyang and Sun, Qinxiu and Liu, Shucheng and Liu, Mingxin, Innovations in Seafood Freshness Quality: Non-Destructive Detection of Freshness in Litopenaeus Vannamei Using the Yolo-Shrimp Model. Available at SSRN: https://ssrn.com/abstract=4850523 or http://dx.doi.org/10.2139/ssrn.4850523
