Imagen hiperespectral en cerezas: de la calidad interna al daño oculto

1. ¿Por qué mirar las cerezas “más allá del color”?

En las últimas dos décadas, los sistemas de clasificación y control de calidad en fruta han pasado de la inspección manual y la visión RGB básica a arquitecturas mucho más complejas que integran sensores ópticos, pesaje dinámico y algoritmos de Inteligencia Artificial. En cereza, esto se traduce en calibradores capaces de evaluar, fruto a fruto, tamaño, forma, color, presencia de pedúnculo y una parte importante de los defectos superficiales visibles, incluidos fenómenos de cracking y micro-cracking, a cadencias compatibles con líneas de alta capacidad.

Estos equipos se basan mayoritariamente en visión convencional (cámaras en el rango visible, 400–700 nm, en monocromo o RGB) y, en versiones más avanzadas, en imagen multiespectral (MSI) con un conjunto reducido de bandas seleccionadas. Su punto fuerte es claro: son rápidos, fiables en atributos geométricos y de apariencia externa y relativamente económicos, lo que los hace adecuados para operar in-line en centrales de clasificación de cereza.

Sin embargo, tanto la visión RGB como muchos sistemas MSI comerciales comparten una limitación de fondo: no están diseñados para cuantificar de forma robusta atributos de calidad interna (sólidos solubles, acidez, firmeza) ni para detectar sistemáticamente defectos ocultos o incipientes cuyo aspecto externo aún es similar al de una cereza sana. Esto es especialmente crítico por la alta sensibilidad del fruto al daño mecánico por impacto o compresión —cuyos efectos pueden tardar horas o días en manifestarse mientras el lote ya está en frío o en tránsito—, por la presencia de podredumbres en estadios muy tempranos que pasan desapercibidas en origen y por la fuerte variabilidad de madurez y comportamiento poscosecha entre variedades, fincas, altitudes y fechas de cosecha. Dos partidas con el mismo color externo pueden ofrecer respuestas muy distintas en firmeza, vida comercial o sensibilidad a desórdenes.

En este contexto, la imagen hiperespectral (HSI) se plantea como un complemento natural a los sistemas actuales. HSI combina imagen bidimensional y espectroscopía para registrar, en cada píxel de la superficie de la cereza, una firma espectral continua que actúa como huella dactilar de su composición y estado físico. A partir de esos datos se identifican longitudes de onda relevantes y se diseñan sistemas MSI específicos para clasificación in-line, manteniendo un equilibrio entre información, velocidad y coste.

El motor de decisión de estos sistemas ya no se limita a reglas de umbral, sino que incorpora modelos de Machine Learning y, de forma creciente, de Deep Learning (DL) capaces de integrar información espacial y espectral para predecir parámetros internos (por ejemplo, SSC o firmeza) y clases de calidad (fruta sana vs. dañada, grados de madurez, etc.). En fruta de mesa como manzana, tomate, mango o arándano se han demostrado mejoras claras en precisión respecto a enfoques clásicos, y esa misma lógica empieza a trasladarse a la cereza.

La motivación de fondo es nítida: disponer de tecnologías no destructivas que “lean por dentro” cada cereza, y no solo una pequeña muestra del lote, integrando en una misma arquitectura la evaluación de atributos externos e internos.

2. Qué es una imagen hiperespectral

En los últimos años, la imagen hiperespectral se ha convertido en una de las herramientas más prometedoras para evaluar cerezas sin destruir la muestra. Antes de entrar en detalles sobre cómo se organizan los datos, resulta útil hacerse una idea visual de qué hace exactamente la cámara y qué tipo de productos genera (Figura 1).

Figura 1. Esquema conceptual de un sistema de imagen hiperespectral aplicado a cerezas. La cámara registra un hipercubo (x, y, λ) y, a partir de los espectros de cada píxel, se pueden generar mapas espaciales de parámetros de calidad (por ejemplo, dulzor o firmeza).

2.1. Del píxel al hipercubo: estructura de los datos

La imagen hiperespectral es una técnica no destructiva que integra la imagen digital con la espectroscopía. En lugar de producir únicamente una fotografía en color, el sistema genera un conjunto de datos tridimensional, el hipercubo (x, y, λ), donde las dimensiones x e y representan las coordenadas espaciales de la escena (filas y columnas de píxeles sobre la superficie de la cereza) y la dimensión λ recoge, para cada píxel, un espectro de reflectancia compuesto por múltiples bandas espectrales estrechas y contiguas.

Desde el punto de vista de estructura de datos, el hipercubo puede interpretarse como una pila de subimágenes monocromáticas —una por cada longitud de onda— o como una matriz tridimensional que se “despliega” en forma de matriz 2D (píxeles en filas, longitudes de onda en columnas) para su preprocesado y modelado. En una imagen RGB cada píxel se describe con tres valores (rojo, verde y azul); en una imagen hiperespectral, cada píxel de la cereza se representa mediante un vector espectral de alta resolución.

Figura 2. Ejemplo de imagen hiperespectral de cerezas obtenida con cámara NIR (imagen superior en falso color). En la parte superior se muestran varios píxeles marcados sobre la imagen; en la parte inferior aparece el espectro asociado a cada uno de esos píxeles. Cada punto de la imagen no es solo un color, sino una curva completa de reflectancia en función de la longitud de onda, lo que ilustra el concepto de hipercubo (x, y, λ) donde cada píxel tiene su propia “huella espectral”.

Ese vector está determinado por bandas de absorción ligadas al agua, los azúcares y otros sólidos solubles, los pigmentos (antocianinas, clorofilas, carotenoides), los ácidos orgánicos y otros componentes, así como por fenómenos de dispersión (scattering) relacionados con la microestructura del tejido (densidad celular, espacios intercelulares, integridad de la pared celular), estrechamente vinculados con la firmeza y la textura. El resultado es una firma espectral característica que resume la composición química y la estructura física locales y que puede explotarse para derivar mapas de distribución de variables de calidad —por ejemplo, contenido en sólidos solubles o probabilidad de daño mecánico— sobre la superficie del fruto.

2.2. Capacidad espectral: de RGB y MSI a HSI

El prefijo hyper hace referencia a la abundancia de información espectral. En visión convencional (RGB) se trabaja con tres bandas amplias en el rango visible (400–700 nm), que aproximan la respuesta del ojo humano. La imagen multiespectral (MSI) captura un número reducido de bandas discretas —típicamente entre 3 y 10—, seleccionadas por su utilidad para una aplicación concreta. La imagen hiperespectral (HSI), en cambio, adquiere decenas o cientos de bandas estrechas y contiguas, de forma que puede reconstruirse un espectro prácticamente continuo para cada píxel.

Aunque existen equipos capaces de cubrir rangos muy amplios (≈200–12000 nm), en aplicaciones postcosecha se emplean sobre todo el Visible/Infrarrojo cercano (Vis/NIR, 400–1000 nm) y el Infrarrojo de onda corta (SWIR, 1000–2500 nm), a menudo en configuraciones 900–1700 nm. Esta mayor resolución espectral, con pasos de pocos nanómetros, permite detectar variaciones sutiles de absorción y dispersión que se pierden cuando se trabaja únicamente con unas pocas bandas anchas, como en RGB o en muchos sistemas MSI comerciales.

En este panorama:

• los sistemas RGB aportan principalmente información geométrica y de color, muy adecuados para evaluar la apariencia externa;
• la espectroscopía NIR puntual proporciona espectros detallados sin información espacial, útiles para estimar valores medios de ciertos parámetros internos en la zona muestreada;
• la MSI traslada parte de esa información espectral a un conjunto reducido de bandas optimizadas para su uso in-line;
• y la HSI se utiliza como herramienta de referencia en I+D para explorar la respuesta espectral y proponer longitudes de onda candidatas que más tarde pueden implementarse en sistemas MSI específicos.

2.3. Del hipercubo al indicador de calidad: quimiometría y aprendizaje automático

El hipercubo contiene un volumen de información muy elevado, con bandas fuertemente correlacionadas y ruido instrumental o de escena. Para convertirlo en variables de calidad interpretables se aplica, de forma general, una secuencia de procesamiento que incluye:

• Corrección y calibración de imágenes, abordando fondo, iluminación, normalización con imágenes de referencia blanca y negra y gestión de píxeles atípicos.
• Preprocesado espectral, mediante suavizado, correcciones tipo MSC (Multiplicative Scatter Correction) o SNV (Standard Normal Variate) para minimizar efectos de dispersión y variaciones multiplicativas, y derivadas (por ejemplo, Savitzky–Golay) cuando se desea resaltar bandas de absorción y reducir tendencias de fondo.
• Segmentación y extracción de regiones de interés (ROI), separando fruto y fondo, excluyendo zonas no representativas (pedúnculo, brillos especulares, reflejos de agua, soporte) y calculando espectros medios por fruto o por zonas definidas.

Sobre estos datos preprocesados se aplican técnicas de análisis multivariante y aprendizaje automático. El Análisis de Componentes Principales (PCA) se utiliza para explorar la estructura de los datos, reducir dimensionalidad y detectar agrupamientos u outliers. Algoritmos de regresión multivariante como PLSR, PCR, SVR o redes neuronales superficiales permiten construir modelos cuantitativos que relacionan espectros con parámetros de referencia medidos destructivamente (SSC, firmeza, acidez, etc.), mientras que métodos de clasificación supervisada (PLS-DA, SVM, LDA, k-NN, entre otros) se emplean para discriminar clases de interés: fruta sana frente a dañada, distintos niveles de severidad de un desorden, categorías de madurez…

En paralelo, los enfoques de Deep Learning han cobrado un papel creciente: las redes neuronales convolucionales (CNN) pueden operar sobre espectros (1D), imágenes multibanda (2D) o hipercubos (3D), integrando de forma conjunta información espacial y espectral. Con bases de datos adecuadas, estos modelos son capaces de aprender representaciones internas complejas sin necesidad de diseñar manualmente índices o seleccionar longitudes de onda una a una. En varias especies de fruta de mesa se han descrito mejoras en la predicción de parámetros internos y en la detección de ciertos defectos frente a modelos quimiométricos clásicos, aunque los resultados dependen de forma importante del diseño experimental y del tamaño de la base de datos. En cereza, este flujo permite, al menos a nivel experimental, obtener estimaciones numéricas de parámetros internos por fruto y generar mapas de predicción que representan la distribución superficial de daño, la probabilidad de podredumbre o gradientes de madurez, siempre condicionados a la calidad de la calibración y al dominio de aplicación del modelo.

2.4. Modos de adquisición y uso in-line: situación actual

Aunque la imagen hiperespectral se ha consolidado como una de las técnicas más estudiadas para la monitorización no destructiva de frutas y hortalizas, su uso generalizado in-line en centrales sigue siendo limitado. Las razones principales son el coste y la naturaleza del hardware —todavía muy ligados a equipos de laboratorio o sistemas portátiles de alta gama— y el volumen de datos que genera cada hipercubo, que obliga a disponer de capacidades de cómputo elevadas y pipelines de software muy optimizados para alcanzar cadencias compatibles con la industria.

Existen, no obstante, aplicaciones on-line y prototipos específicos en diversas cadenas hortofrutícolas (detección de contaminantes, daño por frío en hortalizas, clasificación avanzada en frutos secos mediante marcos de “clasificación 4D” que combinan HSI y escaneado 3D). Se trata, en general, de soluciones de nicho o demostradores tecnológicos, no de una implantación masiva comparable a la de los calibradores RGB/MSI.

En términos operativos, la estrategia que se ha extendido en el sector consiste en utilizar la HSI como “laboratorio de desarrollo” y traducir después los resultados en sistemas multiespectrales (MSI) más simples:

• los estudios con HSI identifican un subconjunto de longitudes de onda efectivas para un producto, un parámetro o un defecto concretos;
• con esas bandas se diseñan equipos MSI de menor coste y mayor velocidad, más fáciles de integrar en línea.

En cereza, este enfoque es especialmente atractivo: permite aprovechar toda la riqueza espectral de la HSI en la fase de I+D y, al mismo tiempo, mantener arquitecturas MSI muy próximas a los calibradores comerciales.

3. ¿Qué puede “ver” la HSI en una cereza?

Aplicada a cereza, la imagen hiperespectral permite ir más allá del color externo y acceder a información interna relacionada con la composición y el estado del tejido. Aunque el número de estudios es menor que en manzana, pera o uva, ya existe evidencia específica en cereza dulce y ácida que delimita bien qué puede predecirse hoy y qué sigue siendo terreno de extrapolación razonada.

En primer lugar, la HSI ha mostrado capacidad para estimar parámetros internos clásicos de calidad: contenido de sólidos solubles (SSC), acidez (pH) y, con más dificultad, firmeza. En rangos Vis/NIR y NIR se han publicado modelos de regresión con coeficientes de determinación elevados para SSC y pH, apoyados en la sensibilidad de las bandas NIR a azúcares y grupos carboxílicos de los ácidos orgánicos. La firmeza se ha modelizado con precisión moderada, en línea con lo observado en otras frutas, al depender en gran medida de cambios estructurales (scattering) menos definidos espectralmente. La materia seca, bien establecida mediante espectroscopía Vis/NIR puntual, es un candidato natural a trasladarse a HSI para generar mapas espaciales en el fruto.

En segundo lugar, la HSI resulta especialmente útil para detectar defectos y anomalías no evidentes a simple vista. En cereza ácida se ha empleado en modo transmitancia para identificar huesos enteros, fragmentos o ausencia de hueso, aprovechando la menor transmisión en la zona del endocarpo y alcanzando niveles de acierto compatibles con aplicaciones industriales. De forma similar, la combinación de Vis–NIR y HSI permite discriminar distintos grados de magulladura asociados a daño mecánico, reflejados en cambios de color aparente y de firma espectral en NIR y SWIR, y se ha explorado la detección de infestación interna por insectos, donde la reflectancia NIR aporta información relevante sobre alteraciones internas del tejido.

Otro bloque de aplicación es la clasificación de la madurez y la visualización de la heterogeneidad interna. Mediante modelos de clasificación ajustados sobre hipercubos Vis/NIR y NIR se han separado con alta precisión diferentes niveles de madurez definidos por SSC, pH y color. A partir de estos modelos, la HSI permite construir mapas de SSC, pH y razón dulce/ácido a nivel de píxel, revelando diferencias dentro de un mismo fruto y entre frutos de un lote que no se perciben con la simple inspección visual o con una cámara RGB.

3.1. Un mapa mínimo de bandas clave para la cereza

Si se revisan conjuntamente los estudios disponibles en cereza dulce y ácida, puede dibujarse un pequeño “mapa espectral” práctico, es decir, zonas del espectro donde la señal se ha relacionado de forma consistente con atributos de calidad o defectos concretos. En la Figura 3 se representa de forma esquemática este mapa para las cámaras FX10 (VNIR) y FX17 (NIR): las franjas coloreadas indican regiones aproximadas según la literatura, y en varios casos se solapan parcialmente, reflejando que distintas familias de compuestos contribuyen a la señal en las mismas longitudes de onda.

• Entre 645 y 720 nm se sitúa la banda de absorción de las antocianinas en la piel, clave para caracterizar color y madurez externa.
• En el visible (aprox. 470–690 nm) varias bandas han sido seleccionadas en modelos de SSC y madurez, reflejando la fuerte asociación entre color de piel y dulzor en cereza comercial.
• En torno a 970 nm domina la absorción del agua (enlace O–H), con contribución de enlaces C–H de los azúcares; se ha utilizado como marcador del estado hídrico interno y, de manera indirecta, de propiedades texturales.
• En las regiones 1100–1200 nm y 1250–1350 nm aparecen sobretonos de C–H y C=O asociados a los azúcares solubles, característicos en modelos cuantitativos de SSC y menos influenciados por el pH.
• Entre 972 y 1100 nm se encuentra una zona sensible a grupos O–H y N–H de los ácidos orgánicos, que aporta información a modelos de acidez (pH) y al equilibrio dulce/ácido.
• En transmitancia, las ventanas 690–850 nm y 730–939 nm resultan especialmente útiles para detectar hueso y fragmentos en cereza ácida: el endocarpo deja pasar menos luz y se manifiesta como una “sombra interna” estable, explotable en clasificadores automáticos.

A partir de estas bandas, los sistemas HSI pueden generar mapas de SSC, pH, madurez, textura o probabilidad de presencia de hueso. Y, a partir de esos mismos resultados, los fabricantes de sensores pueden seleccionar subconjuntos de longitudes de onda para diseñar cámaras multiespectrales simplificadas, optimizadas específicamente para las necesidades de la cereza.

En cambio, la evidencia específica basada en HSI sobre desórdenes fisiológicos y decaimiento poscosecha en cereza sigue siendo limitada. Es razonable esperar que los cambios en agua, estructura celular y estado de los tejidos asociados a fenómenos como el pitting, el oscurecimiento de pedúnculo o el inicio de podredumbres dejen una huella espectral detectable, pero la magnitud real del potencial diagnóstico (precisión, robustez entre campañas y variedades y viabilidad en condiciones de proceso) requiere todavía estudios específicos y validaciones independientes.

Figura 3. Espectros medios de reflectancia de cereza medidos con las cámaras hiperespectrales FX10 (VNIR, izquierda) y FX17 (NIR, derecha) (elaboración propia, J. Alonso). Las franjas coloreadas señalan zonas del espectro asociadas en la literatura a antocianinas y color (645–720 nm), SSC/madurez (470–690 nm, 1100–1200 nm y 1250–1350 nm), agua (~970 nm), ácidos orgánicos (972–1100 nm) y detección de hueso en transmitancia (690–850 nm y 730–939 nm).

4. Retos y limitaciones actuales de la imagen hiperespectral en cereza

La imagen hiperespectral aplicada a cereza ha demostrado capacidad para estimar parámetros internos y detectar determinados defectos, pero presenta todavía varios retos cuando se piensa en una utilización robusta y, eventualmente, in-line.

4.1. Geometría de la cereza e iluminación

La forma casi esférica de la cereza complica la captura y el análisis de los datos. La curvatura genera brillos especulares y zonas de sombra; la reflectancia medida cambia notablemente entre la zona central y los bordes, no porque el tejido sea distinto, sino por el ángulo de iluminación y observación. Estas variaciones se traducen en incertidumbre espacialmente variable sobre la superficie del fruto. Es posible atenuar estos efectos mediante modelos geométricos o información 3D, pero a costa de aumentar la complejidad del sistema y la carga de procesamiento.

4.2. Modelos de calidad interna y defectos: robustez limitada

Los modelos desarrollados para sólidos solubles (SSC), pH y firmeza se han ajustado, en general, sobre un número limitado de variedades y campañas. Su validez fuera del dominio de calibración (otras variedades, zonas de cultivo o años) está poco explorada, y no puede darse por garantizado que una calibración se mantenga estable al cambiar estas condiciones. La textura y la firmeza presentan coeficientes de determinación aceptables pero claramente inferiores a los de SSC o pH, lo que refleja una relación espectro–propiedades mecánicas más compleja y menos directa.

En la detección de hueso y fragmentos en cereza ácida, la precisión se ve influida por factores como la orientación del fruto, la presencia de daños mecánicos y el nivel de SSC, que conviene controlar o incorporar al diseño experimental. En conjunto, los modelos funcionan bien en las condiciones para las que se calibran, pero muestran todavía una robustez limitada cuando se piensa en escenarios más variados.

4.3. Barreras operativas y económicas para el uso in-line

Trasladar la imagen hiperespectral del laboratorio a la central de confección implica superar barreras de tipo operativo y económico. El hardware sigue siendo más costoso y complejo que las cámaras RGB o los sistemas MSI específicos, y en muchos casos está diseñado como equipo de laboratorio o prototipo. Cada hipercubo genera un volumen de datos elevado que exige capacidad de cómputo significativa y pipelines muy optimizados para mantener cadencias compatibles con líneas de alta capacidad. Además, la transferencia de modelos entre equipos, configuraciones ópticas o líneas distintas no está resuelta: la mayoría de las calibraciones se han construido para una configuración concreta y no son directamente reutilizables.

Por ahora, el papel más natural de la tecnología hiperespectral en cereza se sitúa en el laboratorio y el desarrollo de calibraciones, mientras que la clasificación comercial sigue apoyándose en RGB y MSI.

4.4. Datos, quimiometría e inteligencia artificial

Los retos de modelado son compartidos con otras aplicaciones de imagen hiperespectral, pero se hacen especialmente visibles en cereza. Los conjuntos de datos disponibles suelen incluir un número moderado de frutos y una diversidad limitada de situaciones (pocas variedades, una región, pocas campañas), lo que favorece el sobreajuste cuando se utilizan modelos complejos. Se han probado múltiples estrategias de selección de bandas y extracción de características, pero todavía no se han consolidado esquemas de referencia que garanticen reproducibilidad y facilidad de transferencia.

Los enfoques de Deep Learning exigen bases de datos más amplias y mejor equilibradas, y la interpretabilidad de los modelos sigue siendo un punto crítico para su adopción en entornos de control de calidad. En conjunto, la imagen hiperespectral en cereza se encuentra en una fase claramente precompetitiva: los fundamentos físicos y espectrales están bien establecidos, pero la consolidación de modelos robustos, transferibles y económicamente integrables en las centrales sigue siendo uno de los principales retos a resolver.

Bibliografía

1. Lorente, D., Aleixos, N., Gómez-Sanchis, J., Cubero, S., García-Navarrete, O.L., Blasco, J. (2012). Recent advances and applications of hyperspectral imaging for fruit and vegetable quality assessment. Food and Bioprocess Technology, 5, 1121–1142.
2. Lu, Y., Huang, Y., Lu, R. (2017). Innovative hyperspectral imaging-based techniques for quality evaluation of fruits and vegetables: A review. Applied Sciences, 7(2), 189.
3. Manley, M. (2014). Near-infrared spectroscopy and hyperspectral imaging: non-destructive analysis of biological materials. Chemical Society Reviews, 43, 8200–8214.
4. Qin, J., Lu, R. (2005). Detection of pits in tart cherries by hyperspectral transmission imaging. Transactions of the ASAE, 48(5), 1963–1970.
5. Reddy, R.P., Li, M. (2020). Uncertainty assessment for firmness and total soluble solids of sweet cherries using hyperspectral imaging and multivariate statistics. Journal of Food Engineering, 110177.
6. Ricardo-Rodrigues, S., Laranjo, M., Agulheiro-Santos, A.C. (2023). Methods for quality evaluation of sweet cherry. Journal of the Science of Food and Agriculture, 103, 463–478.
7. Salazar-Vazquez, J., Mendez-Vazquez, A. (2020). A plug-and-play Hyperspectral Imaging Sensor using low-cost equipment. HardwareX, 7, e00087.
8. Shao, Y., Xuan, G., Hu, Z., Gao, Z., Liu, L. (2019). Determination of the bruise degree for cherry using Vis-NIR reflection spectroscopy coupled with multivariate analysis. PLoS ONE, 14(9), e0222633.
9. Siedliska, A., Baranowski, P., Zubik, M., Mazurek, W. (2017). Detection of pits in fresh and frozen cherries using a hyperspectral system in transmittance mode. Journal of Food Engineering, 215, 61–71.
10. Vignati, S., Tugnolo, A., Giovenzana, V., Pampuri, A., Casson, A., Guidetti, R., Beghi, R. (2023). Hyperspectral Imaging for Fresh-Cut Fruit and Vegetable Quality Assessment: Basic Concepts and Applications. Applied Sciences, 13(17), 9740.
11. Wang, T., Chen, J., Fan, Y., Qiu, Z., He, Y. (2018). SeeFruits: Design and evaluation of a cloud-based ultra-portable NIRS system for sweet cherry quality detection. Computers and Electronics in Agriculture, 152, 302–313.
12. Wei, Y., Yao, S., Wu, F., Yu, Q. (2024). Maturity Classification and Quality Determination of Cherry Using VNIR Hyperspectral Images and Comprehensive Chemometrics. International Journal of Fruit Science, 24(1), 363–379.
13. Wieme, J., Mollazade, K., Malounas, I., Zude-Sasse, M., Zhao, M., Gowen, A., Argyropoulos, D., Fountas, S., Van Beek, J. (2022). Application of hyperspectral imaging systems and artificial intelligence for quality assessment of fruit, vegetables and mushrooms: A review. Biosystems Engineering, 222, 156–176.