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

Il viaggio di un pesce dall'oceano al piatto è una corsa contro il tempo. Una volta pescato, il pesce inizia a cambiare chimicamente e biologicamente, un processo guidato dai batteri, dalla degradazione delle proteine e dall'ossidazione dei grassi. Questi cambiamenti alterano l'odore, la consistenza e l'aspetto del cibo, portando infine al deterioramento. Per decenni, determinare se un pesce sia ancora sicuro da mangiare si è affidato a metodi che sono o lenti, richiedono un laboratorio, o distruggono il prodotto stesso. Uno scienziato potrebbe dover tagliare un pesce, macinarlo e sottoporlo a test chimici per misurare l'accumulo di composti specifici come l'azoto volatile o il conteggio dei batteri viventi. Sebbene accurato, questo approccio significa che il pesce stesso oggetto del test non può più essere venduto. L'industria alimentare e i consumatori hanno a lungo cercato un modo per sbirciare la qualità del pesce senza rompere il sigillo o rovinare il pescato.

Una nuova revisione sistematica pubblicata nell'ottobre 2026 da ricercatori della Universitas Muhammadiyah Semarang esplora come l'intelligenza artificiale stia entrando in questo vuoto. Gli autori, Muhammad Munsarif e Richmond Ampah-Mensah, hanno raccolto e analizzato trentadue studi recenti per vedere se il deep learning — un potente tipo di programma informatico che impara dai dati — possa giudicare con precisione la freschezza dei prodotti ittici senza toccarli. Hanno esaminato una vasta gamma di tecnologie, dalle normali telecamere che scattano foto agli occhi e alle branchie dei pesci a sensori avanzati che rilevano segnali chimici invisibili. I ricercatori hanno scoperto che, sebbene i computer stiano diventando straordinariamente bravi nel individuare il deterioramento, il percorso verso l'uso nel mondo reale non è semplice come ottenere un punteggio alto in un test. La vera misura del successo, sostengono, non è solo quanto bene un modello predica la freschezza in un laboratorio controllato, ma se possa farlo in modo affidabile in una fabbrica trafficata o in un negozio di alimentari, utilizzando dati che riflettano realmente la realtà biologica del cibo.

La revisione è iniziata setacciando più di mille record scientifici pubblicati tra il 2021 e il 2026. Dopo aver rimosso i duplicati e filtrato gli studi che non utilizzavano il deep learning o che si basavano su test distruttivi, il team si è concentrato su ventotto articoli di alta qualità. Questi studi coprivano una gamma diversificata di prodotti ittici, tra cui pesci, gamberi, granchi e ostriche. I ricercatori hanno identificato quattro modi principali in cui questi sistemi "vedono" la freschezza. Il primo metodo, e il più accessibile, utilizza telecamere standard rosso-verde-blu, simili a quelle degli smartphone, per analizzare i cambiamenti visibili. Questi sistemi cercano variazioni di colore e consistenza sulla pelle, sugli occhi o sulle branchie del pesce, che spesso diventano torbidi o decolorati man mano che l'animale si deteriora. Il secondo approccio prevede la spettroscopia, dove i sensori proiettano luce sul pesce e misurano come il tessuto assorbe o riflette diverse lunghezze d'onda. Ciò consente al computer di rilevare cambiamenti molecolari, come la degradazione di proteine o grassi, che avvengono molto prima che il pesce appaia in cattive condizioni all'occhio umano.

La terza categoria comprende sensori intelligenti che agiscono come un naso o una lingua digitale. Questi dispositivi utilizzano strisce chimiche che cambiano colore quando reagiscono con i gas rilasciati dal pesce in decomposizione, come l'ammoniaca. Una telecamera legge quindi questi cambiamenti di colore e inserisce i dati in un programma informatico. Il quarto gruppo combina questi metodi, utilizzando sia immagini visive che segnali chimici per ottenere un quadro più completo delle condizioni del pesce. In queste diverse tecnologie, le prestazioni riportate sono state spesso impressionanti. Molti studi hanno dichiarato tassi di accuratezza della classificazione superiori al 95 percento, il che significa che il computer ha identificato correttamente se un pesce era fresco o deteriorato in quasi tutti i casi. Alcuni sistemi che prevedevano valori chimici specifici, come il livello di azoto volatile, mostravano una corrispondenza statistica molto forte con le effettive misurazioni di laboratorio.

Tuttavia, gli autori avvertono che questi numeri elevati raccontano solo parte della storia. Un importante risultato della revisione è che molti studi si basano su "etichette" troppo facili da indovinare. Ad esempio, se un computer viene addestrato per distinguere tra un pesce conservato per un giorno e uno conservato per dieci giorni, potrebbe semplicemente imparare a riconoscere le condizioni di illuminazione o lo sfondo del laboratorio piuttosto che lo stato reale del pesce. La revisione ha scoperto che gli studi che ancoravano le loro previsioni a dati chimici concreti, come il conteggio dei batteri viventi o i livelli specifici di metaboliti del deterioramento, fornivano prove molto più solide di utilità nel mondo reale. Quando un modello predice un valore chimico specifico invece di un semplice tempo di conservazione, è più probabile che stia misurando l'effettivo processo biologico di decadimento.

Nonostante la promettente accuratezza, i ricercatori hanno identificato ostacoli significativi prima che questi sistemi possano essere ampiamente adottati. Una debolezza critica in molti degli studi esaminati è stata la mancanza di test indipendenti. Molti sistemi sono stati testati solo sullo stesso lotto di pesce, nello stesso laboratorio, nelle stesse condizioni di luce utilizzati per addestrarli. Questo è come insegnare a uno studente a sostenere un esame dandogli esattamente le stesse domande che vedrà all'esame; potrebbero ottenere un punteggio perfetto, ma non hanno veramente imparato la materia. La revisione ha scoperto che pochissimi studi hanno testato i loro modelli su lotti diversi, specie diverse o località diverse. Senza questo tipo di validazione esterna, è difficile sapere se il sistema funzionerà quando le condizioni cambiano, come quando un pesce viene visto sotto le luci diverse di un negozio o da una telecamera diversa.

Un'altra sfida risiede nella differenza tra un modello informatico che funziona in teoria e un dispositivo che funziona in pratica. Sebbene molti studi abbiano proposto che i loro sistemi potessero essere installati su uno smartphone o un braccio robotico, solo una manciata ha effettivamente dimostrato questo. Alcuni ricercatori sono riusciti a eseguire i loro programmi su hardware portatili come computer Raspberry Pi o telefoni cellulari, dimostrando che la tecnologia può essere veloce e piccola abbastanza per un uso reale. Uno studio ha persino dimostrato un sistema robotico che smista il pesce in base alla freschezza. Eppure, queste dimostrazioni pratiche rimangono l'eccezione piuttosto che la regola. La maggior parte della ricerca è ancora ferma alla fase di prova di concetto, dove l'attenzione è rivolta alla costruzione di un modello che funzioni in un ambiente controllato piuttosto che in uno che possa gestire la complessità di una vera catena di approvvigionamento.

Gli autori concludono che il campo si è evoluto oltre il semplice riconoscimento di immagini verso un'integrazione più complessa di biologia e tecnologia. I sistemi più maturi sono quelli che accoppiano lo strumento di rilevamento corretto con un obiettivo biologico chiaro, come la misurazione di un composto specifico del deterioramento, e testano poi rigorosamente quel sistema al di fuori del laboratorio. L'alta accuratezza da sola non è sufficiente per dichiarare una tecnologia pronta per il mercato. Affinché questi strumenti possano davvero trasformare il modo in cui gestiamo i prodotti ittici, la ricerca futura deve dare priorità al test su campioni diversi e indipendenti e dimostrare che i sistemi funzionano sull'hardware effettivo che utilizzeranno nel mondo reale. Fino ad allora, la promessa di controlli di freschezza istantanei e non distruttivi rimane un potenziale potente piuttosto che un problema risolto, in attesa del prossimo passo dal banco del laboratorio al mercato del pesce.