Sensores en frutos: la tecnología al servicio de la calidad

Durante décadas, saber si una fruta estaba lista para cosecha, almacenamiento o venta implicó sacrificarla: cortar, prensar, exprimir o secar una muestra para medir firmeza, °Brix, acidez o materia seca. Los sensores en frutos están cambiando esa lógica. Hoy es posible "mirar" dentro de un fruto sin dañarlo, usando luz visible e infrarroja, imágenes hiperespectrales, fluorescencia, vibraciones acústicas, señales eléctricas y hasta los aromas que la fruta libera al madurar.

Para un productor, la oportunidad no es reemplazar el laboratorio, sino multiplicar el número de frutos que pueden evaluarse y transformar un muestreo puntual en información espacial y temporal de todo el huerto. Este artículo recorre en profundidad las principales tecnologías de sensores en frutos disponibles en 2026, sus costos aproximados, cómo elegir la más adecuada según el cultivo y cómo diseñar un piloto que realmente genere retorno económico.

1. Por qué importan los sensores en frutos

La madurez no es un atributo único. Dos manzanas del mismo color pueden tener distinta firmeza y concentración de sólidos solubles; dos paltas del mismo calibre pueden diferir en materia seca; y dentro de un mismo racimo de uva o un mismo cuartel de berries puede existir una variabilidad considerable de madurez entre frutos, posiciones del árbol y estados de desarrollo.

Los métodos de referencia siguen siendo indispensables: un refractómetro mide °Brix a partir del jugo, un penetrómetro mide resistencia mecánica dañando el tejido, y la materia seca de palta tradicionalmente requiere pesar, secar y volver a pesar la muestra.

Pero cada determinación consume una fruta y representa solo ese punto del lote. Los sensores en frutos no destructivos permiten aumentar radicalmente el número de observaciones y, en algunos casos, seguir la evolución del mismo fruto a lo largo de toda la maduración.

Esto cambia la pregunta agronómica. En vez de "¿cuál es el °Brix promedio de estas diez frutas?", puede preguntarse "¿qué porcentaje de este cuartel ya superó el umbral?", "¿qué zona está madurando antes?" o "¿qué fruta debe dirigirse a una línea premium, a almacenamiento prolongado o a venta rápida?".

Sistemas comerciales de clasificación NIR, como Inspectra² de TOMRA, ya aplican este principio para separar fruta según parámetros internos y defectos durante el packing.

En Chile, INIA Quilamapu ha desarrollado equipos de espectroscopía Vis-NIR para evaluar parámetros de calidad en arándanos y ha investigado, junto a Hortifrut, sensores de fluorescencia y espectrofotometría de bajo costo capaces de estimar antocianinas, °Brix, polifenoles, acidez titulable y firmeza en terreno.

Esto confirma que la transición desde mediciones destructivas hacia la evaluación óptica con sensores en frutos ya forma parte activa de la investigación frutícola regional, no solo de desarrollos extranjeros.

2. Cómo funcionan las principales tecnologías de sensores en frutos

Existe hoy un abanico amplio de sensores en frutos, cada uno basado en un principio físico distinto y con un nivel de madurez comercial diferente.

2.1 NIR y VIS-NIR

La espectroscopía de infrarrojo cercano ilumina el fruto y analiza qué longitudes de onda son absorbidas o dispersadas por sus tejidos.

Las señales se relacionan con enlaces moleculares asociados al agua, azúcares y otros constituyentes; mediante calibraciones multivariantes o modelos de aprendizaje automático se vincula el espectro con °Brix, materia seca, acidez u otros parámetros. VIS-NIR extiende el análisis hacia la región visible, incorporando información de pigmentos y color.

Un aspecto clave: el espectrómetro no "mide azúcar" de forma directa como un refractómetro. Produce un espectro y aplica un modelo previamente relacionado con resultados de laboratorio. Por eso el cultivar, la temperatura, el tamaño de fruto, la piel y el rango de calibración importan tanto como el equipo mismo.

Felix Instruments comercializa la familia F-750/F-751, equipos NIR portátiles capaces de estimar materia seca, sólidos solubles, acidez titulable y color en segundos, con modelos específicos para palta y para uva.

2.2 Imagen hiperespectral

Una cámara RGB registra tres bandas amplias; una cámara hiperespectral puede registrar decenas o cientos de bandas contiguas, de modo que cada píxel de la imagen adquiere su propio espectro. Esto permite combinar dónde está el defecto con qué firma espectral tiene, lo que resulta especialmente potente para detectar magulladuras, daños internos y variaciones de pigmentación que una cámara convencional podría no revelar a tiempo.

2.3 Fluorescencia

Determinados pigmentos absorben luz y reemiten una pequeña fracción en otras longitudes de onda. En fruta, la degradación de clorofila y la acumulación de antocianinas pueden usarse como indicadores de maduración. En Chile, INIA y Hortifrut evaluaron precisamente este principio para desarrollar un sensor de campo capaz de estimar antocianinas y madurez fenólica en arándano de forma rápida y no destructiva, buscando responder a la creciente exigencia de calidad de los mercados de exportación.

2.4 Raman

La espectroscopía Raman ilumina el material con un láser y mide pequeños cambios de energía producidos por la interacción de la luz con las vibraciones moleculares. Ofrece firmas químicas mucho más específicas que una cámara RGB, aunque sus limitaciones —costo, señales relativamente débiles, fluorescencia de fondo y necesidad de procesamiento sofisticado— la mantienen todavía más cerca de la investigación que de la adopción comercial masiva en packing.

2.5 RGB y multiespectral/NDVI

RGB es excelente para diámetro, forma, color, porcentaje de cobertura y defectos superficiales cuando la iluminación está controlada. El NDVI, en cambio, es fundamentalmente un índice de vegetación: resulta mucho más útil para evaluar canopia y vigor del cultivo que para estimar directamente °Brix o firmeza de un fruto individual. Para frutos puntuales suelen ser más útiles RGB, índices de color o bandas específicamente seleccionadas.

2.6 Sensores acústicos

Un pequeño impacto provoca vibraciones en el fruto; la frecuencia y la respuesta mecánica cambian según su elasticidad y firmeza. Aweta comercializa un Acoustic Firmness Sensor (AFS) que utiliza la respuesta acústica de la fruta para clasificar firmeza y determinar el estado "ready-to-eat" en palta y mango, complementando el análisis de dry matter con una lectura de textura que no requiere penetrar la fruta.

2.7 Impedancia eléctrica

Se aplica una señal eléctrica pequeña a distintas frecuencias y se mide cómo responden los tejidos. Como las membranas celulares, el agua y la estructura tisular cambian durante la maduración y el deterioro, también cambia su bioimpedancia. Sigue siendo un área activa de investigación —con estudios que correlacionan la conductividad eléctrica con firmeza en manzana durante la vida de anaquel—, pero todavía no alcanza el grado de estandarización comercial del NIR.

2.8 Narices electrónicas y sensores químicos

Los frutos producen mezclas de compuestos orgánicos volátiles que cambian con la maduración, el deterioro y las enfermedades. Una nariz electrónica no necesita identificar químicamente cada compuesto: una matriz de sensores genera una "huella" del aroma y un modelo clasifica el patrón para estimar madurez o detectar defectos.

2.9 IoT integrado

El internet de las cosas no es un principio de medición distinto: es la capa que conecta sensores, ubicación, fecha, temperatura, lote, packing y modelos de decisión. En poscosecha, esta arquitectura está evolucionando hacia modelos de vida útil actualizados de forma continua, integrando IA y gemelos digitales que combinan mediciones de sensores en frutos con condiciones de frío y tiempos de transporte para predecir dinámicamente el destino logístico de cada lote.

3. Comparativa práctica de sensores en frutos

La siguiente tabla resume, de forma orientativa, el principio de cada tecnología, sus principales ventajas y limitaciones, y los casos de uso más habituales por cultivo. Los costos son órdenes de magnitud estimados y pueden variar según impuestos, importación, software y servicio técnico.

4. Cómo elegir la tecnología según el cultivo

El error más común es comprar "el sensor más avanzado" sin definir primero qué decisión se quiere mejorar.

Para palta, si el objetivo es determinar el momento de cosecha a partir de materia seca, un NIR especializado como el F-751 es mucho más lógico que una cámara hiperespectral de alto costo, ya que realiza una lectura en pocos segundos. Para la clasificación "ready-to-eat" posterior a cosecha, una solución acústica en línea como el AFS de Aweta puede ser más relevante, porque el objetivo es firmeza y no materia seca.

Para uva, el productor puede estar interesado en °Brix, pH, acidez titulable, antocianinas o uniformidad dentro del cuartel. Un NIR orientado a estos parámetros responde bien a la primera necesidad, mientras que la fluorescencia se ha estudiado específicamente para madurez fenólica y antocianinas. Son preguntas agronómicas distintas y, por tanto, requieren sensores en frutos distintos.

En manzana, VIS-NIR/NIR es una opción práctica para atributos internos, mientras que RGB e hiperespectral aportan información sobre color, defectos y distribución espacial. En packing, TOMRA Inspectra² emplea NIR para inspección interna y puede detectar categorías de defectos internos durante la clasificación, evitando que fruta con daño oculto llegue al consumidor.

En cítricos, la cámara RGB es muy eficiente para diámetro, color y defectos superficiales; NIR e inspección industrial complementan esa información con atributos internos. La piel relativamente gruesa obliga a validar muy bien la geometría óptica antes de asumir que un modelo desarrollado en otro fruto funcionará igual.

En berries, RGB resulta especialmente atractivo por su bajo costo para color y defectos, mientras que la imagen hiperespectral puede capturar cambios de pigmentación y composición con mayor detalle, un enfoque que INIA y Hortifrut ya han explorado en arándano con sensores de campo de bajo costo.

5. Cómo implementar un piloto y calcular el retorno

El objetivo de un piloto no debería ser demostrar que el sensor "funciona", sino demostrar que cambia una decisión y produce valor económico. Un flujo recomendable es el siguiente:

Un piloto razonable puede comenzar con un centenar de frutos repartidos entre varios niveles de madurez, aunque el número exacto depende de la heterogeneidad del cultivo. La regla importante no es perseguir un número mágico, sino separar datos de calibración y de validación, y probar posteriormente con fruta que el modelo no haya "visto" antes.

Para el retorno de la inversión conviene usar una fórmula transparente: ROI anual = (beneficio adicional + pérdidas evitadas − costo operativo anual) / inversión inicial. En la práctica, mejoras incluso pequeñas en la segregación de fruta —menor descarte, mejor clasificación, menos reclamos— pueden justificar la incorporación de sensores en frutos en una sola temporada, especialmente en equipos NIR portátiles de rango medio.

Para operaciones pequeñas, arrendar un equipo, compartirlo entre productores o contratar el servicio de medición puede ser más rentable que comprar tecnología hiperespectral o Raman de entrada.

6. Riesgos, datos y hacia dónde va esta tecnología

El principal riesgo técnico es confundir correlación con medición directa. Un NIR entrenado para una variedad en una zona determinada no debe asumirse automáticamente válido para otra variedad, región o rango de temperatura.

También existe el riesgo de "automatizar una mala muestra": miles de lecturas tomadas solo del exterior de los árboles siguen siendo un muestreo sesgado. Por eso la georreferenciación, los protocolos de muestreo y los metadatos —cultivar, fecha, bloque, temperatura, operador— son tan importantes como el instrumento mismo.

En sistemas IoT y en la nube conviene definir contractualmente quién es dueño de los espectros, mapas, modelos y datos de producción, y cómo se exportan si se cambia de proveedor.

En Chile, la Ley 21.719 de protección de datos personales entrará en plena vigencia el 1 de diciembre de 2026; los datos puramente agronómicos no son necesariamente datos personales, pero las plataformas que vinculan información de sensores en frutos con trabajadores o propietarios sí pueden entrar en su ámbito de aplicación.

El futuro apunta a la miniaturización de equipos NIR y Raman, a sistemas comerciales con menos bandas espectrales pero más económicos, al packing inteligente en línea —donde plataformas como Inspectra² ya inspeccionan grandes volúmenes sin destruir la fruta— y, sobre todo, a los gemelos digitales del lote.

En lugar de interpretar una lectura NIR de forma aislada, revisiones recientes describen arquitecturas que integran IoT, inteligencia artificial y gemelos digitales para actualizar de manera continua una predicción de vida útil y decidir el destino logístico de cada lote de fruta.

7. Preguntas frecuentes sobre sensores en frutos: la tecnología que permite monitorear crecimiento, maduración y calidad sin destruir la fruta

8. Conclusión

Los sensores en frutos ya no son una promesa de laboratorio: NIR y VIS-NIR están disponibles comercialmente para palta, uva y manzana; los sistemas acústicos resuelven de forma específica la firmeza; y la imagen hiperespectral, la fluorescencia y las narices electrónicas siguen ganando terreno desde la investigación hacia aplicaciones comerciales cada vez más accesibles.

La decisión correcta no es elegir "el sensor más avanzado", sino el que responda con precisión suficiente y a un costo justificable la pregunta agronómica que realmente importa: cosechar hoy o en cinco días, qué sector cosechar primero, qué fruta guardar y qué lote enviar más lejos.

Conectar mejor esas mediciones con decisiones económicas, apoyándose en IoT, inteligencia artificial y gemelos digitales, será el próximo paso de esta tecnología en la fruticultura chilena y regional.

9. Referencias

• Aline, U.; Bhattacharya, T.; Faqeerzada, M. A.; Kim, M. S.; Baek, I.; Cho, B.-K. (2023). Advancement of non-destructive spectral measurements for the quality of major tropical fruits and vegetables: a review. Frontiers in Plant Science, 14:1240361. doi.org/10.3389/fpls.2023.1240361
• Liu, J.; Sun, J.; Wang, Y.; Liu, X. et al. (2025). Non-Destructive Detection of Fruit Quality: Technologies, Applications and Prospects. Foods, 14(12):2137. doi.org/10.3390/foods14122137
• Frontiers in Sustainable Food Systems (2026). Artificial intelligence and digital twins in postharvest food systems: transforming quality prediction, shelf-life management, and food loss reduction. frontiersin.org
• Felix Instruments. F-750 / F-751 Produce Quality Meter: documentación técnica de espectroscopía NIR para fruta. felixinstruments.com
• TOMRA Food. Inspectra²: inspección NIR no destructiva integrada a líneas de packing para manzana, palta, cítricos y kiwi. tomra.com
• Aweta. Acoustic Firmness Sensor (AFS) para clasificación de firmeza y estado "ready-to-eat" en palta. aweta.com
• INIA Chile / Redagrícola. Antocianinas permiten una rápida y exacta medición de madurez en arándano. redagricola.com
• INIA Chile / Redagrícola. Adaptación de herramientas tecnológicas para evaluar la calidad de frutos bajo el concepto de agricultura digital. redagricola.com
• Ley 21.719 sobre Protección de Datos Personales, Chile: entrada en vigencia el 1 de diciembre de 2026. Biblioteca del Congreso Nacional de Chile