Physics-Informed Fourier Thermography Transformer for Non-Destructive Detection and Quantification of Braeburn Browning Disorder in Apple

Dentro de un cajón de manzanas, a menudo se desarrolla una crisis oculta. La fruta puede parecer perfecta por fuera, con una piel suave y un rubor vibrante, pero en lo profundo de su pulpa, un trastorno conocido como el pardeamiento de la Braeburn se propaga silenciosamente. Esta condición, que convierte el tejido blanco y crujiente en una masa marrón difusa, es una pesadilla para los cultivadores y minoristas porque no puede verse a simple vista. Las máquinas de clasificación tradicionales, que dependen de cámaras para detectar imperfecciones superficiales o cambios de color, son inútiles aquí; simplemente dejan pasar la fruta dañada, solo para que el defecto sea descubierto más tarde por un consumidor o un empacador que corta la manzana. El desafío no es solo encontrar las manzanas malas, sino comprender por qué están mal sin destruir las buenas. Para resolver esto, los científicos han recurrido a la física del calor. Cada objeto posee energía térmica, y cuando esa energía se mueve, cuenta una historia sobre lo que yace bajo la superficie. Si se calienta o enfría un objeto rápidamente, la forma en que la temperatura de su superficie vuelve a la normalidad depende del material en su interior. Un tejido sólido y sano conduce el calor de manera diferente a uno colapsado y dañado. Al observar cómo una manzana se enfría y luego se calienta lentamente de nuevo, es posible ver el daño invisible antes de que se vuelva visible.

Un equipo de investigadores se propuso construir un sistema que pudiera leer esta historia térmica para las manzanas Braeburn. Reunieron 640 manzanas de ocho huertos diferentes, cosechadas en dos momentos distintos, y las sometieron a diversas condiciones de almacenamiento diseñadas para crear un amplio rango de daños internos. Algunas manzanas fueron almacenadas en aire normal, mientras que otras se mantuvieron en atmósferas especiales con alto dióxido de carbono o bajo oxígeno, condiciones conocidas por desencadenar el trastorno del pardeamiento. El objetivo era crear una población de fruta que variara desde perfectamente sana hasta severamente dañada, asegurando que la prueba fuera rigurosa. Una vez finalizado el periodo de almacenamiento, cada manzana se colocó en un entorno controlado y recibió un breve y suave estallido de aire frío. Este pulso de enfriamiento fue lo suficientemente leve como para no dañar la fruta, pero lo suficientemente fuerte como para crear una diferencia de temperatura temporal. Mientras las manzanas permanecían allí, una cámara infrarroja especial registró la temperatura de su superficie cada décima de segundo durante noventa segundos. Esto creó un video de las manzanas recuperando lentamente su calor.

Los investigadores no se limitaron a observar el video bruto. En su lugar, tradujeron el cambio de temperatura de cada punto de la piel de la manzana a un lenguaje matemático que describe cómo se movió el calor a lo largo del tiempo. Se centraron en dos aspectos específicos de este movimiento: la fuerza del cambio de temperatura y el tiempo de ese cambio. El tiempo, o fase, resultó ser la pista más poderosa. Así como la manecilla de un reloj se mueve a un ritmo constante independientemente de qué tan brillante sea la habitación, el tiempo de la recuperación del calor se mantuvo constante incluso si el estallido de enfriamiento fue ligeramente desigual o si el brillo de la piel de la manzana era diferente. Este tiempo cambió notablemente para la fruta dañada; el calor tardó más en volver a la normalidad en las áreas donde el tejido se había colapsado. Para dar sentido a estos complejos datos, el equipo construyó un modelo computacional que actuaba como un observador altamente entrenado. Este modelo analizaba los mapas de tiempo junto con fotografías de color estándar de la piel de la manzana. Aprendió a ignorar los detalles superficiales, como el rubor rojo o el tamaño de la manzana, y se centró enteramente en los sutiles retrasos en el flujo de calor que señalaban la podredumbre interna.

Los resultados fueron sorprendentes. El sistema pudo distinguir entre cuatro niveles de daño con una precisión de casi el 92 por ciento. Identificó correctamente las manzanas que estaban sanas, aquellas con trazas de pardeamiento, aquellas con daño moderado y aquellas que estaban severamente arruinadas. Más importante aún, pudo estimar exactamente qué parte de la pulpa de la manzana estaba afectada, con un margen de error de menos del tres por ciento. Cuando los investigadores probaron el sistema en manzanas de huertos y fechas de cosecha que nunca habían visto, este funcionó igual de bien, demostrando que había aprendido la física del daño en lugar de simplemente memorizar el aspecto de árboles específicos. El sistema también demostrata ser robusto frente a las imperfecciones del mundo real. Incluso cuando el aire de enfriamiento era ligeramente más débil o más fuerte de lo previsto, o cuando la piel de la manzana estaba ligeramente húmeda, el modelo mantuvo su alta precisión. Esta estabilidad es crucial porque una línea de clasificación comercial nunca es perfectamente uniforme.

El estudio también aclaró lo que esta tecnología no es. No es una varita mágica que puede ver a través de la manzana en tres dimensiones como un escaneo médico, ni reemplaza la necesidad de una gestión cuidadosa del almacenamiento. Los investigadores descubrieron que el sistema funciona mejor porque detecta la forma específica en que el tejido dañado ralentiza el flujo de calor, un cambio físico que ocurre antes de que cambie el color. Mientras que otros métodos como los rayos X pueden ver dentro de la fruta, son costosos y lentos. Este método térmico es pasivo, seguro y lo suficientemente rápido como para integrarse en una línea de clasificación, siempre que la fruta pueda enfriarse e imaginarse en un lote. Los investigadores enfatizaron que el sistema no depende del color de la manzana ni de las condiciones de almacenamiento específicas en las que fue mantenida; depende de la propia respuesta física de la fruta a una suave sonda térmica.

Al final, este trabajo ofrece un puente práctico entre las pruebas destructivas que actualmente dominan el control de calidad y la necesidad de una forma no destructiva de examinar cada una de las manzanas. Al convertir un breve pulso de enfriamiento en una medida calibrada de la salud interna, el sistema convierte un fallo fisiológico oculto en una señal visible. Permite a los cultivadores clasificar la fruta basándose en su verdadera condición interna en lugar de su exterior engañoso. Aunque la tecnología aún necesita ser probada a través de más temporadas y diferentes variedades de manzanas para estar lista para un uso generalizado, el hallazgo central es claro: la forma en que una manzana se recupera de un frío revela sus secretos, y con las herramientas adecuadas, esos secretos pueden leerse antes de que se dé el primer bocado.