Research Evolution and Emerging Trends in Fruit and Vegetable Quality Assessment and Sorting: A Bibliometric Analysis of Analytical and Intelligent Sensing Technologies
Este análisis bibliométrico de 1.387 publicaciones desde el año 2000 hasta 2025 traza la evolución de la investigación en la clasificación de frutas y verduras, revelando un cambio global desde la clasificación convencional por apariencia externa hacia sistemas inteligentes y multimodales que integran tecnologías de detección avanzada y algoritmos de aprendizaje profundo para una evaluación integral de la calidad.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
Cada año, miles de millones de toneladas de frutas y verduras se desplazan desde los campos hasta los mercados, un viaje en el que los productos deben sobrevivir al manejo, el transporte y el almacenamiento sin magullarse o pudrirse. Durante mucho tiempo, la clasificación de estos productos dependió en gran medida de los ojos y las manos humanas, un proceso que es lento, inconsistente y a menudo demasiado brusco para artículos delicados como los tomates de piel fina o los melocotones suaves. A medida que la demanda mundial de alimentos de alta calidad ha crecido, la industria agrícola ha recurrido a máquinas que pueden ver y juzgar los productos con la velocidad de una cinta transportadora y la precisión de un científico. Estas máquinas utilizan cámaras para observar el color y la forma, y sensores especiales que pueden ver dentro de una fruta para comprobar su contenido de azúcar o firmeza sin cortarla. El objetivo es simple pero difícil: clasificar miles de artículos por hora, asegurando que solo los mejores lleguen al consumidor mientras se minimizan el desperdicio y los daños.
Un equipo de investigadores de la Universidad Normal de Guizhou, en China, dio recientemente un paso atrás para observar la historia completa de este cambio tecnológico. En lugar de construir una nueva máquina o probar una fruta específica, analizaron miles de artículos científicos publicados entre 2000 y 2025 para comprender cómo ha evolucionado el campo. Al estudiar los patrones en estos escritos, trazaron el mapa de cómo los científicos han pasado de una clasificación mecánica simple a sistemas complejos e inteligentes que pueden "pensar" sobre lo que ven. Su trabajo revela una historia clara de progreso: un viaje desde la observación básica hacia la toma de decisiones automatizada y sofisticada que está remodelando la forma en que manejamos el suministro mundial de alimentos.
Los investigadores recopilaron datos de dos enormes bibliotecas de conocimiento científico: una que contenía estudios en lengua inglesa de todo el mundo, y otra que contenía estudios en lengua china. Cribaron más de 1.300 publicaciones para encontrar las tendencias más importantes. Lo que encontraron fue un campo que ha crecido de manera constante durante las últimas dos décadas, con un aumento particularmente agudo de la actividad desde 2021. En los primeros años de la década de 2000, la investigación era escasa y se centraba en diseños mecánicos básicos. Para la década de 2010, el enfoque se había desplazado hacia el uso de computadoras para analizar imágenes. En los últimos años, la explosión de nuevas investigaciones ha sido impulsada por la inteligencia artificial avanzada, permitiendo que las máquinas reconozcan defectos y niveles de calidad con una sofisticación que antes era imposible.
El estudio destaca que los esfuerzos de investigación del mundo no están distribuidos uniformemente. China ha producido la mayor cantidad de artículos sobre este tema, seguida de India, Estados Unidos, España e Irán. Este aumento en la investigación china refleja la enorme industria de frutas y verduras del país y su rápido impulso hacia la modernización de la agricultura con maquinaria inteligente. Si bien países como Estados Unidos y China trabajan juntos en algunos proyectos, los investigadores señalaron que la colaboración internacional podría ser más fuerte. Actualmente, la red de cooperación es algo fragmentada, con muchos países trabajando de forma aislada en lugar de unir sus recursos para resolver problemas comunes.
Cuando los investigadores observaron qué están estudiando realmente los científicos, surgieron dos caminos principales. El primer camino trata sobre la clasificación basada en cómo se ve una fruta por fuera. Esto implica el uso de cámaras para medir el color, el tamaño y la forma, o para detectar golpes y manchas. El segundo camino trata sobre la comprobación de la calidad dentro de la fruta sin dañarla. Aquí es donde la tecnología se vuelve más compleja. Los científicos utilizan ondas de luz que el ojo humano no puede ver, como la luz infrarroja cercana, para penetrar la piel de una fruta y medir su azúcar, acidez o podredumbre interna. El análisis mostró que, si bien la investigación temprana se centró fuertemente en estos dos caminos separados, los desarrollos más emocionantes están ocurriendo donde ambos se encuentran. El futuro de la clasificación reside en combinar estos métodos, utilizando cámaras para ver el exterior y sensores especiales para ver el interior, todo al mismo tiempo.
Las herramientas utilizadas para lograr esto han cambiado drásticamente con el tiempo. En el pasado, las computadoras dependían de reglas simples escritas por humanos para identificar una manzana roja o una hoja verde. Hoy en día, los sistemas más efectivos utilizan el aprendizaje profundo, un tipo de inteligencia artificial que aprende por sí misma qué buscar mediante el estudio de miles de ejemplos. Los investigadores encontraron que las revistas más populares en este campo son aquellas dedicadas a la ingeniería agrícola y la ciencia de los alimentos, confirmando que se trata de una ciencia práctica, impulsada por la industria. El trabajo más citado suele implicar el uso de visión artificial para detectar defectos o el uso de imágenes espectrales para predecir la madurez.
A pesar de estos avances, los investigadores señalan que la tecnología aún no es perfecta. Las máquinas todavía tienen dificultades cuando cambia la iluminación, cuando las frutas están apiladas unas sobre otras o cuando se trata de productos muy delicados que pueden dañarse fácilmente. Los sistemas también son costosos y requieren computadoras potentes para funcionar, lo que los hace difíciles de usar en granjas más pequeñas o regiones en desarrollo. El estudio sugiere que el próximo gran salto vendrá de hacer que estos sistemas sean más baratos, rápidos y adaptables. Los científicos están trabajando ahora en versiones "ligeras" de estos sistemas inteligentes que puedan ejecutarse en dispositivos más pequeños, y están explorando formas de enseñar a las máquinas a aprender de muy pocos ejemplos, en lugar de necesitar millones de imágenes para comenzar.
El artículo concluye que el campo se dirige hacia un futuro donde la clasificación no consiste solo en mirar una fruta, sino en comprenderla completamente. Al fusionar datos de cámaras, sensores de luz e incluso detectores de olor, la próxima generación de máquinas de clasificación podrá tomar decisiones tan matizadas como las de un experto humano, pero con la velocidad y la consistencia de un robot. Esta evolución promete reducir el desperdicio de alimentos y asegurar que los productos que consumimos sean seguros y de alta calidad. Sin embargo, los investigadores advierten que este futuro depende de superar los obstáculos actuales en costo, complejidad y la capacidad de estas máquinas para trabajar de manera confiable en la realidad desordenada e impredecible de una granja o una planta de empaque. El camino a seguir está claro, pero requiere una innovación continua para convertir estas poderosas ideas en herramientas cotidianas para los agricultores y productores de alimentos en todo el mundo.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.