Deep Learning-Based Non-Destructive Seafood Freshness Assessment: A Systematic Review of Sensing Technologies, Validation, and Deployment Readiness

El viaje de un pez desde el océano hasta el plato es una carrera contra el tiempo. Una vez capturado, el marisco comienza a cambiar química y biológicamente, un proceso impulsado por las bacterias, la descomposición de las proteínas y la oxidación de las grasas. Estos cambios alteran el olor, la textura y la apariencia del alimento, lo que eventualmente conduce al deterioro. Durante décadas, determinar si un pescado sigue siendo seguro para comer ha dependido de métodos que son lentos, requieren un laboratorio o destruyen el producto mismo. Un científico podría necesitar abrir un pez, triturarlo y realizar pruebas químicas para medir la acumulación de compuestos específicos como el nitrógeno volátil o el recuento de bacterias vivas. Aunque este enfoque es preciso, significa que el mismo pez que se está probando ya no puede venderse. La industria alimentaria y los consumidores han buscado durante mucho tiempo una forma de asomarse a la calidad de los mariscos sin romper el sello o arruinar la captura.

Una nueva revisión sistemática publicada en octubre de 2026 por investigadores de la Universitas Muhammadiyah Semarang explora cómo la inteligencia artificial está interviniendo en este vacío. Los autores, Muhammad Munsarif y Richmond Ampah-Mensah, recopilaron y analizaron treinta y dos estudios recientes para ver si el aprendizaje profundo —un tipo de programa informático potente que aprende de los datos— puede juzgar con precisión la frescura de los mariscos sin tocarlos. Examinaron una amplia gama de tecnologías, desde cámaras estándar que toman fotos de los ojos y las agallas de los peces hasta sensores avanzados que detectan señales químicas invisibles. Los investigadores descubrieron que, si bien las computadoras se están volviendo notablemente buenas para detectar el deterioro, el camino hacia el uso en el mundo real no es tan simple como lograr una puntuación alta en un examen. La verdadera medida del éxito, argumentan, no es solo qué tan bien predice un modelo la frescura en un laboratorio controlado, sino si puede hacerlo de manera confiable en una fábrica concurrida o en un supermercado, utilizando datos que reflejen verdaderamente la realidad biológica del alimento.

La revisión comenzó filtrando más de mil registros científicos publicados entre 2021 y 2026. Tras eliminar duplicados y filtrar aquellos estudios que no utilizaban aprendizaje profundo o que dependían de pruebas destructivas, el equipo se centró en veintiocho artículos de alta calidad. Estos estudios cubrieron una diversa gama de mariscos, incluyendo peces óseos, camarones, cangrejos y ostras. Los investigadores identificaron cuatro formas principales en las que estos sistemas "ven" la frescura. El primer método, y el más accesible, utiliza cámaras estándar de rojo-verde-azul, similares a las de los teléfonos inteligentes, para analizar cambios visibles. Estos sistemas buscan cambios en el color y la textura de la piel, los ojos o las agallas del pez, que a menudo se vuelven turbios o decolorados a medida que el animal se descompone. El segundo enfoque involucra la espectroscopia, donde los sensores proyectan luz sobre el pez y miden cómo el tejido absorbe o refleja diferentes longitudes de onda. Esto permite que la computadora detecte cambios moleculares, como la descomposición de proteínas o grasas, que ocurren mucho antes de que el pez se vea mal ante el ojo humano.

La tercera categoría involucra sensores inteligentes que actúan como una nariz o lengua digital. Estos dispositivos utilizan tiras químicas que cambian de color cuando reaccionan con los gases liberados por el pescado en descomposición, como el amoníaco. Una cámara lee entonces estos cambios de color y transmite los datos a un programa informático. El cuarto grupo combina estos métodos, utilizando tanto imágenes visuales como señales químicas para obtener una imagen más completa de la condición del pez. A través de estas diferentes tecnologías, el rendimiento reportado fue a menudo impresionante. Muchos estudios afirmaron tasas de precisión de clasificación superiores al 95 por ciento, lo que significa que la computadora identificó correctamente si un pescado estaba fresco o en mal estado en casi todos los casos. Algunos sistemas que predecían valores químicos específicos, como el nivel de nitrógeno volátil, mostraron una coincidencia estadística muy fuerte con las mediciones reales de laboratorio.

Sin embargo, los autores advierten que estas cifras altas cuentan solo parte de la historia. Un hallazgo importante de la revisión es que muchos estudios dependen de "etiquetas" que son demasiado fáciles de adivinar. Por ejemplo, si una computadora es entrenada para distinguir entre un pez almacenado durante un día frente a un pez almacenado durante diez días, podría simplemente aprender a reconocer las condiciones de iluminación o el fondo del laboratorio en lugar del estado real del pez. La revisión encontró que los estudios que anclaron sus predicciones a datos químicos duros, como el recuento de bacterias vivas o los niveles específicos de metabolitos de descomposición, proporcionaron evidencia mucho más sólida de utilidad en el mundo real. Cuando un modelo predice un valor químico específico en lugar de solo un tiempo de almacenamiento, es más probable que esté midiendo el proceso biológico real de la degradación.

A pesar de la prometedora precisión, los investigadores identificaron obstáculos significativos antes de que estos sistemas puedan ser adoptados ampliamente. Una debilidad crítica en la mayoría de los estudios revisados fue la falta de pruebas independientes. Muchos sistemas fueron probados solo con el mismo lote de peces, en el mismo laboratorio, bajo las mismas condiciones de iluminación que se utilizaron para entrenarlos. Esto es como enseñarle a un estudiante a tomar un examen dándole exactamente las mismas preguntas que verá en el examen; pueden obtener una puntuación perfecta, pero realmente no han aprendido la materia. La revisión encontró que muy pocos estudios probaron sus modelos en diferentes lotes, diferentes especies o diferentes ubicaciones. Sin este tipo de validación externa, es difícil saber si el sistema funcionará cuando las condiciones cambien, como cuando un pez sea visto bajo diferentes luces de tienda o por una cámara diferente.

Otro desafío radica en la diferencia entre un modelo informático que funciona en teoría y un dispositivo que funciona en la práctica. Si bien muchos estudios propusieron que sus sistemas podrían implementarse en un teléfono inteligente o un brazo robótico, solo un puñado realmente lo demostró. Algunos investigadores ejecutaron con éxito sus programas en hardware portátil como computadoras Raspberry Pi o teléfonos móviles, demostrando que la tecnología puede ser rápida y lo suficientemente pequeña para su uso real. Un estudio incluso demostró un sistema robótico que clasifica peces basándose en su frescura. Sin embargo, estas demostraciones prácticas siguen siendo la excepción más que la regla. La mayor parte de la investigación sigue estancada en la etapa de prueba de concepto, donde el enfoque es construir un modelo que funcione en un entorno controlado en lugar de uno que pueda manejar el desorden de una cadena de suministro real.

Los autores concluyen que el campo ha pasado más allá del simple reconocimiento de imágenes hacia una integración más compleja de la biología y la tecnología. Los sistemas más maduros son aquellos que combinan la herramienta de detección adecuada con un objetivo biológico claro, como medir un compuesto de descomposición específico, y luego prueban ese sistema rigurosamente fuera del laboratorio. La alta precisión por sí sola no es suficiente para declarar una tecnología lista para el mercado. Para que estas herramientas transformen verdaderamente cómo manejamos los mariscos, la investigación futura debe priorizar las pruebas en muestras diversas e independientes y demostrar que los sistemas funcionan en el hardware real que utilizarán en el mundo real. Hasta entonces, la promesa de controles de frescura instantáneos y no destructivos sigue siendo un potencial poderoso en lugar de un problema resuelto, esperando el siguiente paso del banco del laboratorio al mercado de pescado.