La seguridad alimentaria es un pilar fundamental para la salud pública, el comercio internacional o la confianza del consumidor. Su objetivo es garantizar que los alimentos estén libres de contaminantes microbiológicos o químicos y prevenir la presencia de contaminantes físicos. Dentro de este último reto, la detección de cuerpos extraños, que pueden incluir fragmentos de metal, vidrios, huesos, plásticos, madera o incluso piezas de maquinaria, y que pueden ingresar en los productos alimenticios durante el procesamiento o el envasado, está cobrando una relevancia importante por su potencial para ocasionar consecuencias graves para la salud, como asfixia, lesiones bucales, daños gastrointestinales o infecciones. De hecho, la FDA considera la contaminación por objetos físicos como una de las principales causas de alertas alimentarias, con más del 10% de los retiros en EE.UU. atribuidos a este tipo de contaminantes en los últimos años [1]. De manera similar, la EFSA reconoce la contaminación por cuerpos extraños como una amenaza para la integridad de la cadena de suministro alimentaria, y destaca la necesidad de sistemas de detección más eficaces en los entornos de procesamiento [2]. Aparte del evidente riesgo para la salud de los consumidores, desde el punto de vista empresarial la aparición de cuerpos extraños a menudo se traduce en costosos retiros de producto, sanciones regulatorias, acciones legales y una importante pérdida de reputación para la marca. Además, la creciente complejidad y globalización de las cadenas de suministro agrava aún más este problema, haciendo indispensable la implementación de tecnologías de detección más avanzadas y eficientes que los métodos más tradicionales, como los detectores de metales, la inspección por rayos X o la inspección visual, que presentan limitaciones a la hora de detectar contaminantes que pueden pasar fácilmente desapercibidos, como los de baja densidad o los de tamaño reducido.Para afrontar estos desafíos han surgido tecnologías emergentes como la imagen hiperespectral (HSI), que ya están demostrando un gran potencial.La HSI combina información espacial y espectral para analizar la composición química y las propiedades físicas de los alimentos, lo que permite detectar contaminantes invisibles al ojo humano o indetectables mediante métodos tradicionales.Esta tecnología, integrada con aprendizaje automático y visión por computador, permite inspecciones en tiempo real y toma de decisiones inteligentes dentro de lo que se denomina Calidad y Seguridad Alimentaria 4.0, que combina tecnologías de visión y digitales con la ciencia del dato para generar ventajas como la rapidez de resultados, la no destrucción de la muestra o, como veremos a continuación, la detección de objetos invisibles al ojo humano.Estudios recientes han validado la eficacia de la imagen hiperespectral para detectar cuerpos extraños en matrices alimentarias complejas como residuos en salmón [3] o cuerpos físicos en fibra de algodón [4], en hojas de té [5] o en vegetales frescos cortados [6].En 2023, un estudio planteado por el Instituto de Tecnólogos de Alimentos [7] indicaba la posibilidad de detección de cuerpos extraños de baja densidad similares a la propia matriz en boletus deshidratados mediante el uso de sistemas de imagen hiperespectral combinados con modelos matemáticos previamente ajustados con los perfiles espectrales.Dentro de esta línea, CNTA ha desarrollado, junto con la empresa navarra Trevijano, especializada en productos deshidratados, una prueba de concepto basada en un modelo de IA aplicado a través de un dispositivo de tecnología hiperespectral que, en una simple imagen, permitiría diferenciar qué partes corresponden al producto y cuáles, en cambio, son cuerpos extraños. La complejidad de la muestra es tal que actualmente el modelo se continúa entrenando con nuevas imágenes para llegar a los índices de detección requeridos por la compañía.Las tecnologías de imagen espectral miden la reflexión de la luz producida por un objeto y su absorción correspondiente, proporcionando así información sobre su composición. En función del objetivo del experimento, pueden utilizar una amplia gama de longitudes de onda espectrales, que van desde el ultravioleta (200-400 nm), visible (380-800 nm), VIS-NIR (400-1000 nm), NIR (900-1700 nm), hasta el infrarrojo cercano o NIR (970-2500 nm).A efectos de este estudio, se eligieron los rangos NIR y VIS-NIR, ampliamente utilizados en el campo de la alimentación para cuestiones relacionadas con la clasificación y la regresión, con un buen rendimiento ([8], [9], [10] y [11]). Para realizar la prueba de concepto se utilizaron muestras de boletus deshidratada según el tamaño del corte: granulado (a), pequeño (b), mediano (c) y grande (d), y muestras de envases de producto final de boletus tamaño mediano.Al tratarse de una muestra que presenta diferencias dependiendo de la parte del boletus que se tome como referencia (sombrero, himenóforo, carne o piel) el producto resultante tras el proceso de deshidratación es heterogéneo dependiendo del corte, ver Figura 1. Los cuerpos extraños utilizados fueron previamente seleccionados siguiendo un criterio basado tanto en su frecuencia de aparición como en intentar conseguir el objetivo de abarcar la máxima variabilidad de dichos cuerpos, y abarcan desde un tamaño de 0,95×2,02 mm hasta un tamaño de 6,69×11,27 mm. Respecto al sistema de imagen hiperespectral utilizado para adquirir las imágenes en el modo de reflectancia, y que podemos ver en la Figura 2, se usó un sistema que consta de dos componentes: un escáner lineal con dos cámaras (Specim FX10 y Specim FX17, Specim, Spectral Imaging Ltd., Oulu, Finlandia) que cubren el rango espectral de la región VIS-NIR (400-1000 nm) y la región NIR (900-1700 nm), respectivamente. A partir de la adquisición de las imágenes, se seleccionaron las regiones de interés y se obtuvieron los hipercubos de datos de las muestras, que combinan tanto información espectral como espacial.En la Infografía 1 se muestra el flujo del proceso seguido para la obtención de los resultados.Posteriormente, se realizó un proceso de cribado de modelos en el que se evaluó el rendimiento de combinar las diferentes técnicas de preprocesamiento (SNV, SG1, SG2 con y sin centrado medio y con y sin reducción de dimensionalidad) y cada algoritmo evaluado. Utilizando técnicas de validación cruzada, se obtuvo el valor accuracy o precisión; es decir, la probabilidad de predicciones correctas que realiza un modelo respecto al total de predicciones, y que fue la métrica evaluada para seleccionar el mejor modelo. Este proceso se realizó dos veces, una con las imágenes de la cámara NIR y otra con las imágenes VIS-NIR. Como resultado, se generó un mapa de color de cada una de las imágenes del muestreo donde se resaltó mediante su pigmentación los cuerpos extraños detectados por el modelo final (ver Figura 3). En el rango espectral NIR (Specim FX17) se consiguieron detectar más cuerpos extraños que en el rango VIS-NIR (Specim FX10).En la actualidad, se sigue trabajando la algoritmia para entrenar modelos que lleguen a detectar otros cuerpos extraños aún más difíciles de ver, como hojas secas, papeles o frutos secos, entre otros. La tecnología hiperespectral combinada con el uso de modelos de inteligencia predictivos y entrenados ha surgido como un método no destructivo y rápido aplicado a la seguridad alimentaria, ofreciendo una alternativa a los métodos tradicionales con ventajas como la no destrucción de la muestra, la obtención de imágenes en tiempo real o su facilidad de uso. Además, a la larga resulta una opción rentable, especialmente cuando es necesario obtener resultados al instante y por unidad de muestra dentro de un lote grande de productos.Eso sí, la combinación de IA e imagen hiperespectral aún tiene desafíos al ser tecnologías predictivas, por lo que no son tan precisas como las convencionales, y es necesaria una inversión inicial en equipamiento.En CNTA seguimos trabajando en fomentar la calidad y seguridad alimentaria de las empresas, prestando servicios de digitalización avanzados, como el uso de la tecnología hiperespectral combinada con aprendizaje automático y visión por computador, a través del proyecto IRIS-EDIH. Este proyecto está financiado por la Unión Europea y el Programa de Apoyo a Digital Innovations Hubs (PADIH) para pymes de todo el territorio nacional y tiene el objetivo de acercar estas tecnologías a la industria sin coste con el objetivo de testar antes de invertir.Miriam Alonso Santamaria, Investigadora, I+D+i, Nuevas Aplicaciones Analíticas, CySA 4.0, CNTA