En el ámbito agroindustrial, conocer la composición química de las materias primas es crucial para optimizar la producción, determinar aplicaciones y fijar precios. Sin embargo, los métodos tradicionales de análisis en laboratorio suelen ser complejos, lentos y costosos. Un reciente estudio de la Universidad de Illinois en Urbana-Champaign pone de manifiesto cómo la espectroscopía en el cercano infrarrojo (NIR) junto con el aprendizaje automático pueden ofrecer una alternativa rápida, precisa y económica para la evaluación de productos.
Espectroscopía NIR: una alternativa rápida y sostenible
La espectroscopía NIR, al medir la absorción o emisión de luz en diferentes longitudes de onda, permite obtener un espectro único que se traduce en características del producto mediante modelos de aprendizaje automático. A diferencia de los métodos tradicionales, la espectroscopía NIR no requiere el uso de químicos, no destruye las muestras y permite analizar múltiples características simultáneamente. «Una vez que el sistema está configurado, cualquier persona puede operarlo con mínima formación», explica Mohammed Kamruzzaman, profesor asistente en el Departamento de Ingeniería Agrícola y Biológica de la Universidad de Illinois, y coautor de los estudios.
Innovación en el análisis de granos: maíz y sorgo
En el primer estudio, los investigadores desarrollaron un modelo global para el análisis de granos de maíz, considerando aspectos cruciales como la humedad y el contenido de proteínas, que afectan el valor nutricional, la eficiencia en el procesamiento y el precio del maíz. La investigación, publicada en la revista Food Chemistry, aborda el reto de que el maíz cultivado en diferentes ubicaciones varía debido a factores como el suelo, el clima y la gestión. Para crear un modelo aplicable en diversas regiones, se recolectaron muestras de maíz de siete países: Argentina, Brasil, India, Indonesia, Serbia, Túnez y Estados Unidos.
«El maíz cultivado en diferentes lugares varía debido al suelo, el medio ambiente, la gestión y otros factores. Si entrenas el modelo con maíz de un lugar, no será preciso en otro,» destaca Kamruzzaman. Con el uso combinado de máquinas de refuerzo de gradientes y regresión de mínimos cuadrados parciales, los investigadores lograron un enfoque novedoso que ofrece resultados precisos y fiables, aunque el modelo no es completamente global, es suficientemente versátil para ser utilizado en múltiples ubicaciones.
El segundo estudio se centró en la biomasa de sorgo, una materia prima renovable y rentable para biocombustibles. Publicada en la revista Biomass and Bioenergy, la investigación destaca la capacidad de la espectroscopía NIR para predecir características como humedad, cenizas y lignina en la biomasa de sorgo. Md Wadud Ahmed, estudiante de doctorado y autor principal del estudio, explica: «Primero escaneamos las muestras para obtener espectros NIR. Luego usamos la quimiometría—un enfoque matemático-estadístico—para desarrollar modelos de predicción y aplicaciones».
Índice de circularidad: la herramienta clave para medir la sostenibilidad en la bioeconomía
Ventajas prácticas y ecológicas
La espectroscopía NIR ofrece una flexibilidad considerable para el uso industrial, ya que permite medir sin destruir los productos. «Un gran beneficio de esta tecnología es que no es necesario retirar y destruir los productos. Puedes simplemente tomar muestras, escanearlas y devolverlas a la línea de producción. En algunos casos, incluso puedes escanear las muestras directamente en la línea de producción», concluye Kamruzzaman.
Aunque la espectroscopía NIR no alcanza la precisión de los análisis de laboratorio tradicionales, su capacidad para proporcionar métodos de detección rápidos y eficientes representa una ventaja significativa para la industria agroalimentaria. Con la creciente necesidad de procesos sostenibles y eficientes, la integración de estas tecnologías promete transformar la manera en que se analizan y gestionan las materias primas en el sector.
La combinación de espectroscopía NIR y aprendizaje automático no solo ofrece una alternativa económica y rápida, sino que también impulsa la sostenibilidad y la eficiencia en la producción agroalimentaria, marcando un avance significativo en la industria.
