Modelado de pérdida de firmeza de kiwi (Actinidia Deliciosa) durante el almacenado en atmósferas modificadas

Abstract

El kiwi (Actinidia deliciosa) es una fruta altamente perecedera, cuya pérdida de firmeza está influenciada por variables como la temperatura y la concentración de gases durante su almacenamiento. Este trabajo está orientado a evaluar la pérdida de firmeza del kiwi utilizando atmósferas modificadas y desarrollar un modelo predictivo mediante inteligencia artificial. La metodología incluyó la estandarización de materia prima, almacenamiento en condiciones con diferentes combinaciones de temperatura (de 2°C a 18°C), niveles de oxígeno y dióxido de carbono, y medición de firmeza mediante un texturómetro. Los datos obtenidos fueron procesados con herramientas de MATLAB, particularmente con Regression Learner y Neural Net Fitting, utilizando redes neuronales y validación estadística para generar el modelo más representativo. Los resultados mostraron que el modelo con el algoritmo Best Scaled Conjugate Gradient (SCG), con una configuración de 5 neuronas en su capa oculta fue el más robusto, alcanzando un coeficiente de determinación (R²) de 0.79 en validación. Al mismo tiempo, la red neuronal Resnet50 presentó una precisión global del 70,52%, que en comparación con Googlenet y Resnet18 fue más elevada, por lo cual fue seleccionada para el desarrollo del sistema de supervisión y adquisición de datos. En conclusión, las atmósferas modificadas junto con el modelado por redes neuronales demostraron ser una herramienta eficiente para predecir el comportamiento de la firmeza del kiwi durante el almacenamiento, optimizando el tiempo y costos en estudios experimentales futuros.