Fruta bajo escáner para detección de defectos internos

Una manzana impecable por fuera puede esconder pardeamiento en el corazón; un kiwi de piel perfecta puede tener una columela endurecida que arruina la experiencia del consumidor.

Durante décadas, la única forma de saberlo era cortar la fruta. Hoy, la fruta bajo escáner es una realidad en laboratorios y centrales de empaque: rayos X, ultrasonido, espectroscopía, termografía y sensores químicos permiten conocer la calidad interna de la fruta pieza por pieza, sin dañarla y a velocidad industrial.

Para la fruticultura de exportación, esta capacidad tiene un valor estratégico. Según la FAO, alrededor del 14 % de los alimentos del mundo se pierde entre la cosecha y la venta minorista, y frutas y hortalizas figuran entre los grupos más afectados.

Detectar a tiempo los defectos internos evita reclamos en destino, reduce mermas en cámara y permite destinar cada fruto al mercado que realmente le corresponde. En este artículo revisamos las principales tecnologías de inspección no destructiva, sus ventajas, límites, costos orientativos, ejemplos comerciales y los requisitos para integrarlas en una línea de packing.

1. Qué significa poner la fruta bajo escáner

Tradicionalmente, la calidad de la fruta fresca se ha juzgado por su apariencia: color, calibre, forma y ausencia de manchas. Sin embargo, muchos problemas no son visibles desde fuera: pardeamiento interno, magulladuras profundas, cavidades, corazón acuoso, núcleos endurecidos, daño por frío o pudriciones incipientes.

La única alternativa clásica ha sido el muestreo destructivo, es decir, cortar un porcentaje de la fruta de cada lote y extrapolar el resultado al resto.

Poner la fruta bajo escáner significa reemplazar ese muestreo por mediciones físicas que atraviesan o interrogan el fruto sin alterarlo.

Cada tecnología aprovecha una propiedad distinta: la densidad (rayos X), la elasticidad de los tejidos (ultrasonido), la absorción de la luz (NIR e hiperespectral), la conducción del calor (termografía), el contenido de agua (resonancia magnética) o los compuestos volátiles que emite la fruta (nariz electrónica).

Combinadas con algoritmos de inteligencia artificial, estas señales se convierten en una decisión concreta: aceptar, reclasificar o descartar.

El objetivo no es solo técnico. Las normas de comercialización de la Unión Europea, hoy recogidas en el Reglamento Delegado (UE) 2023/2429, que sustituyó al antiguo Reglamento de Ejecución (UE) 543/2011, exigen que la fruta llegue sana, limpia y con un desarrollo adecuado.

Garantizarlo en el cien por ciento de las piezas, y no en una muestra, es la gran promesa de la inspección no destructiva.

2. Tecnologías de fruta bajo escáner para detectar defectos internos

2.1. Rayos X en línea

Cómo funciona. Los sistemas de rayos X generan imágenes de proyección al hacer pasar radiación a través del producto. Los materiales más densos absorben más energía y aparecen con distinto contraste, lo que permite detectar cuerpos extraños (piedras, vidrio, metal, carozos), cavidades y variaciones de densidad interna.

La penetración, regulable con la energía del tubo, alcanza varios centímetros, suficiente para la mayoría de las frutas.

Ventajas. No requieren contacto, funcionan con fruta fresca, congelada o envasada y alcanzan velocidades altas en líneas bien configuradas. Fabricantes como Mettler-Toledo (línea Eagle), Ishida, Mekitec y Heat and Control ofrecen equipos con software de detección automática.

Los sistemas multienergía o espectrales, como los desarrollados por Xnext, añaden la capacidad de distinguir materiales por su composición y no solo por su densidad.

Limitaciones. Los equipos industriales suelen costar entre 50.000 y 200.000 USD y necesitan blindaje y protocolos de seguridad radiológica. Además, la radiografía 2D superpone todas las estructuras en un solo plano: un desorden que cambia la química del tejido pero no su densidad, como un pardeamiento incipiente sin cavidad, puede pasar inadvertido.

Aun así, la investigación avanza rápido: el grupo de poscosecha de KU Leuven desarrolló métodos de detección de anomalías con aprendizaje profundo sobre radiografías de peras pensados para operar en línea.

2.2. Tomografía computarizada (TC)

La tomografía es la extensión tridimensional de los rayos X: reconstruye el volumen completo del fruto a partir de múltiples proyecciones. Permite segmentar con gran detalle tejido sano, corazón, cavidades y zonas pardeadas, e incluso cuantificar el volumen afectado. Investigadores de KU Leuven combinaron TC con máquinas de vectores de soporte (SVM) para clasificar peras ‘Conference’ y ‘Cepuna’ con y sin desórdenes internos, y luego aplicaron redes neuronales profundas para la segmentación semántica de estos daños.

Su precisión es muy alta, pero los equipos son costosos (habitualmente por encima de 200.000 USD) y lentos para una línea comercial. Por eso la TC se usa sobre todo para investigación, para calibrar sistemas más rápidos y como referencia en el desarrollo de la tomografía traslacional en línea, una de las apuestas más prometedoras de la próxima década.

2.3. Ultrasonido

Cómo funciona. El ultrasonido emite ondas mecánicas de alta frecuencia que atraviesan o rebotan en el fruto. La velocidad y la atenuación de la señal dependen de la firmeza, la densidad y la estructura interna, por lo que permiten inferir turgencia, diámetro y la presencia de núcleos endurecidos.

Un desarrollo chileno. En la Universidad de Concepción, el equipo del Dr. Rudi Radrigán creó un sistema que, a partir de una necesidad detectada en la exportadora Copefrut, clasifica kiwis según su firmeza directamente en la línea de proceso.

Un singularizador separa la fruta, un emisor envía un impulso ultrasónico, un microcontrolador analiza la respuesta y el software decide si el fruto se mantiene o cambia de carril. El sistema revisa hasta 60 frutas por minuto, cuenta con patente vigente y fue impulsado comercialmente con el apoyo de Hub APTA; también se ha probado en arándanos, que pueden presentar núcleo duro.

Ventajas y límites. Es una tecnología no ionizante, segura para los operarios y de costo moderado frente a los rayos X. Su principal desventaja es el acoplamiento: el aire atenúa mucho la señal, la penetración disminuye en frutos grandes o heterogéneos y la resolución espacial es menor que la óptica. Además, la variabilidad natural en madurez y humedad puede confundir la clasificación, por lo que cada especie requiere calibración propia.

2.4. Espectroscopía NIR e imagen hiperespectral

Cómo funciona. La espectroscopía de infrarrojo cercano (NIR) mide cómo la fruta absorbe y refleja luz entre aproximadamente 700 y 1.100 nm. Esa huella espectral se correlaciona con sólidos solubles, materia seca, acidez y algunos desórdenes internos. La imagen hiperespectral va un paso más allá: registra un espectro completo en cada píxel, formando un “hipercubo” que combina información espacial y química.

Ventajas. Es la tecnología más madura para estimar la calidad interna de la fruta en términos de sabor y madurez. Los medidores portátiles de Felix Instruments o los equipos de laboratorio permiten medir materia seca en paltas, kiwis o mangos en segundos, sin sacrificar la fruta. En las centrales de empaque, los grandes fabricantes de calibradores ópticos incorporan módulos NIR de calidad interna para clasificar por dulzor o detectar pardeamiento en manzanas y cítricos.

Limitaciones. La luz NIR penetra solo algunos milímetros, de modo que la información sobre defectos profundos es indirecta. Las cámaras hiperespectrales de fabricantes como Specim, Resonon o Headwall pueden superar los 30.000 USD con iluminación incluida, generan grandes volúmenes de datos y exigen modelos calibrados para cada especie, variedad y temporada.

Un ejemplo que anticipa su democratización es HyperCam, de la Universidad de Washington y Microsoft Research: un prototipo de bajo costo que, con 17 longitudes de onda, predijo la madurez relativa de diez frutas con un 94 % de acierto frente al 62 % de una cámara convencional.

2.5. Visión artificial multiespectral

Entre la cámara RGB tradicional y el sistema hiperespectral completo se ubica la visión multiespectral: cámaras que capturan unas pocas bandas seleccionadas, por ejemplo visible más una o dos bandas NIR. Es más rápida y económica que la hiperespectral y se integra con facilidad en líneas existentes, porque basta con reconfigurar cámaras e iluminación LED.

Su fortaleza está en los defectos subsuperficiales: magulladuras recientes o pudriciones tempranas que reflejan distinto en el infrarrojo cercano antes de ser visibles. Su límite es que solo “ve” lo que las bandas elegidas permiten, por lo que la selección de longitudes de onda debe basarse en estudios previos para cada fruta. En la práctica funciona como complemento de la visión en color, no como sustituto.

2.6. Termografía infrarroja activa

Cómo funciona. La termografía registra la radiación térmica de la superficie. En su modalidad activa, se aplica un pulso de calor (o frío) y se observa cómo evoluciona la temperatura. Los tejidos magullados tienen propiedades térmicas distintas a los sanos, por lo que generan contrastes que una cámara infrarroja detecta.

La termografía de fase pulsada, que analiza la señal mediante transformada de Fourier, ha permitido detectar magulladuras tempranas en manzanas hasta varios milímetros de profundidad.

Ventajas y límites. No depende de la iluminación visible y funciona bien en frutos de piel oscura, donde la visión convencional falla. Las cámaras industriales de FLIR u Optris son relativamente asequibles.

A cambio, exige un ambiente térmico controlado, una aplicación uniforme del estímulo y unos segundos de observación por fruto, lo que complica su uso a alta velocidad. Por ahora se emplea sobre todo en investigación y como complemento de otros sensores.

2.7. Resonancia magnética (RM)

La resonancia magnética genera imágenes a partir del comportamiento del agua y los lípidos dentro de un campo magnético. Es no ionizante y ofrece un detalle extraordinario de la estructura interna: corazón acuoso, pardeamiento, distribución de humedad.

Sin embargo, el costo de los equipos, que se mide en cientos de miles o millones de dólares, y la necesidad de que el fruto permanezca inmóvil durante la adquisición la mantienen fuera de las líneas de empaque. Su papel actual es científico: servir de referencia para validar tecnologías más rápidas.

2.8. Nariz electrónica

Una nariz electrónica es un conjunto de sensores químicos que responde a mezclas de compuestos orgánicos volátiles. Como el aroma refleja madurez, fermentación o la presencia de hongos, estos equipos pueden diferenciar variedades, estimar el grado de madurez y alertar sobre pudriciones incipientes.

Revisiones científicas, como la de Baietto y Wilson, documentan su eficacia para identificar frutas, discriminar cultivares y clasificar calidad.

Su limitación es que la medición es indirecta: analiza el aire, no el fruto, por lo que resulta difícil asignar una señal a una pieza concreta en una línea rápida. También puede confundirse con olores ambientales y requiere entrenamiento por especie.

Por eso su uso más realista está en el monitoreo de cámaras de almacenamiento, contenedores y salas de maduración, más que en la clasificación unitaria.

2.9. Inteligencia artificial y fusión de sensores

Ningún sensor “entiende” por sí solo lo que mide. La inteligencia artificial es la capa que convierte imágenes, espectros, firmas térmicas o patrones químicos en una decisión. Se utilizan desde modelos clásicos como SVM o regresión por mínimos cuadrados parciales (PLS) hasta redes neuronales convolucionales y detectores de anomalías que aprenden qué aspecto tiene una fruta sana y señalan lo que se aparta de ella, sin necesidad de etiquetar miles de defectos.

La tendencia es la fusión multisensorial: combinar visión en color para la superficie, NIR para la composición y rayos X para la estructura interna en un único motor de decisión. Un defecto que escapa a un sensor puede ser captado por otro, lo que reduce falsos negativos.

Fabricantes de clasificadores ópticos como TOMRA o Bühler (Sortex) ofrecen plataformas propietarias que integran varios sensores con algoritmos de aprendizaje automático y registran los datos de cada lote para trazabilidad.

3. Comparación de tecnologías de inspección no destructiva

La siguiente tabla resume las principales características de cada tecnología de fruta bajo escáner. Los costos y velocidades son orientativos y varían según configuración, fabricante y número de carriles.

Valores aproximados, con fines comparativos. El costo real depende del número de carriles, el software y el servicio técnico asociado.

4. Fruta bajo escáner en la línea de empaque

En una central de empaque, la fruta bajo escáner no es un equipo aislado sino una secuencia. La fruta llega por cinta, se singulariza para que cada pieza pase de forma individual, atraviesa uno o varios módulos de sensores, los datos se procesan con algoritmos de IA y unos actuadores (expulsores de aire, desviadores o tazas basculantes) la dirigen al carril de empaque, a otra categoría o a descarte.

Para que este flujo funcione, la línea debe cumplir varios requisitos técnicos:

• Singularización: cada fruto debe pasar por separado frente a los sensores, en uno o varios carriles.
• Sincronización: un encoder o sensor de presencia dispara la captura en el momento exacto y un PLC coordina la lectura con los expulsores.
• Iluminación y blindaje: la visión y el NIR requieren luz estable; los rayos X, cabinas blindadas con enclavamientos de seguridad.
• Velocidad equilibrada: la línea queda limitada por el sensor más lento; la solución habitual es duplicar módulos o reservar las tecnologías lentas para muestreo.
• Robustez ambiental: polvo, humedad y lavados frecuentes obligan a usar carcasas estancas y materiales aptos para contacto con alimentos.
• Calibración y datos: los modelos deben recalibrarse por variedad y temporada, y los registros de cada lote alimentan la trazabilidad y la mejora continua.

5. Casos de estudio y resultados

Peras en Bélgica. El grupo MeBioS de KU Leuven ha desarrollado una línea completa de investigación sobre peras: clasificación con TC y SVM, segmentación de pardeamiento interno con aprendizaje profundo y, finalmente, detección de anomalías explicable sobre radiografías 2D, orientada a la inspección en línea.

Es uno de los ejemplos más claros de cómo la tomografía de laboratorio sirve para entrenar sistemas rápidos de rayos X.

Kiwis en Chile. El sistema de ultrasonido de la Universidad de Concepción nació para resolver un problema de maduración en la columela del kiwi, un defecto que percibe el consumidor pero que era muy difícil de evaluar sin cortar la fruta.

Según su creador, en los packings suele haber entre un 15 % y un 20 % de fruta mal clasificada, mientras que el error del sistema ultrasónico se situó en torno al 0,06 % en sus pruebas. El desarrollo fue finalista del Premio Nacional de Innovación Avonni.

Madurez con cámaras de bajo costo. El prototipo HyperCam demostró que una cámara hiperespectral simplificada puede superar ampliamente a una cámara de color en la estimación de madurez de frutas como paltas, mangos y frutillas, abriendo la puerta a dispositivos asequibles para productores pequeños e incluso para el consumidor.

Impacto en desperdicio. Más allá de cada caso, el beneficio común es desplazar la detección de defectos hacia el inicio de la cadena: retirar la fruta con problemas internos antes del embalaje evita que viaje miles de kilómetros para ser rechazada, reduce las pudriciones que se propagan en cámara y protege la reputación de la marca exportadora.

6. Seguridad y regulación

• Rayos X: al tratarse de radiación ionizante, los equipos requieren autorización de la autoridad competente, señalización, blindaje y capacitación. En Estados Unidos, la norma 21 CFR 1020.40 de la FDA fija que la emisión externa de una cabina de rayos X no debe superar 0,5 miliroentgen por hora. Las dosis empleadas en inspección son muy bajas y no equivalen a la irradiación de alimentos, que se regula aparte.
• Ultrasonido, óptica, termografía y sensores químicos: no implican radiación peligrosa; basta con cumplir normas eléctricas y de seguridad de maquinaria.
• Inocuidad: todas las superficies en contacto con fruta deben ser de grado alimentario y someterse a programas de limpieza y sanitización.
• Normas de comercialización: en la Unión Europea, el Reglamento Delegado (UE) 2023/2429 y el Reglamento de Ejecución (UE) 2023/2430 establecen las normas de comercialización y los controles de conformidad. Los registros generados por la inspección no destructiva pueden servir como respaldo objetivo de cumplimiento.

7. Cómo elegir la tecnología adecuada

No existe un escáner universal. La elección depende del defecto que más pérdidas genera, la especie, el volumen procesado y el presupuesto. Como guía práctica:

Antes de invertir, conviene realizar pruebas piloto con fruta propia, exigir al proveedor datos de sensibilidad y especificidad por variedad, y calcular el retorno a partir del costo real de los reclamos y rechazos en destino.

8. Perspectivas futuras

• Sensores combinados: líneas que integren visión, NIR, rayos X y termografía bajo un mismo motor de decisión para cubrir defectos externos, internos y de composición a la vez.
• Tomografía en línea: sistemas traslacionales que lleven la información 3D a la velocidad de un packing.
• Aprendizaje profundo en el borde: procesadores dedicados que ejecuten redes neuronales en tiempo real, con modelos que se adapten rápido a nuevas variedades.
• Miniaturización y bajo costo: cámaras espectrales compactas que acerquen la tecnología a productores medianos y pequeños.
• Trazabilidad digital: perfiles de calidad interna asociados a cada lote, e incluso a cada fruto, disponibles a lo largo de toda la cadena.

9. Preguntas frecuentes sobre fruta bajo escáner

10. Conclusión

La fruta bajo escáner ha dejado de ser una promesa de laboratorio para convertirse en una herramienta concreta de competitividad. Cada tecnología mira el interior del fruto desde un ángulo distinto: los rayos X ven densidad, el NIR y la imagen hiperespectral leen la química, el ultrasonido mide la firmeza, la termografía revela magulladuras y la nariz electrónica percibe el aroma del deterioro.

Ninguna es perfecta por sí sola, y precisamente por eso el futuro pertenece a la combinación de sensores coordinados por inteligencia artificial.

Para productores y exportadores, la decisión no pasa por adoptar la tecnología más sofisticada, sino por identificar qué defectos internos provocan las mayores pérdidas y elegir la herramienta que los detecta con mejor relación costo-beneficio.

Inspeccionar el cien por ciento de la fruta sin cortarla significa menos reclamos, menos desperdicio y una promesa de calidad que se cumple de verdad cuando el consumidor muerde el fruto.

11. Referencias

1. FAO. (2019). El estado mundial de la agricultura y la alimentación 2019: progresos en la lucha contra la pérdida y el desperdicio de alimentos. https://www.fao.org/policy-support/tools-and-publications/resources-details/en/c/1242090/
2. Reglamento Delegado (UE) 2023/2429 de la Comisión, normas de comercialización para el sector de las frutas y hortalizas. Diario Oficial de la Unión Europea. https://boe.es/doue/2023/2429/L00001-00077.pdf
3. Reglamento de Ejecución (UE) 2023/2430 de la Comisión, controles de conformidad con las normas de comercialización. https://www.boe.es/doue/2023/2430/L00001-00018.pdf
4. AGRINFO. Normas revisadas para la comercialización de frutas y hortalizas. https://agrinfo.eu/book-of-reports/revised-fruit-and-vegetable-marketing-standards/translate/es
5. Van De Looverbosch, T. et al. (2020). Nondestructive internal quality inspection of pear fruit by X-ray CT using machine learning. Food Control, 113, 107170. https://visielab.uantwerpen.be/node/2018
6. Van De Looverbosch, T. et al. (2021). Non-destructive internal disorder detection of Conference pears by semantic segmentation of X-ray CT scans using deep learning. Expert Systems with Applications, 176, 114925. https://doi.org/10.1016/j.eswa.2021.114925
7. Van De Looverbosch, T. et al. (2022). Inline nondestructive internal disorder detection in pear fruit using explainable deep anomaly detection on X-ray images. Computers and Electronics in Agriculture, 197, 106962. https://doi.org/10.1016/j.compag.2022.106962
8. Van De Looverbosch, T. Nondestructive internal quality evaluation of pears using X-ray imaging and machine learning (tesis doctoral). KU Leuven. https://lirias.kuleuven.be/3655667
9. Universidad de Concepción. Investigadores usan ultrasonido para determinar la calidad de las frutas de exportación. https://noticias.udec.cl/investigadores-usan-ultrasonido-para-determinar-la-calidad-de-las-frutas-de-exportacion/
10. Revista I+D UdeC. Escuchando el corazón del kiwi. https://revistaidi.udec.cl/escuchando-el-corazon-del-kiwi/
11. Universidad de Concepción. Innovación de académico de FIAUdeC es finalista en Premio Avonni. https://noticias.udec.cl/innovacion-de-academico-de-fiaudec-es-finalista-en-premio-avonni/
12. Startups Latam. Innovador sistema de ultrasonido chileno revisa calidad de hasta 60 frutas por minuto. https://startupslatam.com/innovador-sistema-de-ultrasonido-chileno-revisa-calidad-de-hasta-60-frutas-por-minuto/
13. University of Washington. (2015). Affordable camera reveals hidden details invisible to the naked eye. https://www.washington.edu/news/2015/10/15/affordable-camera-reveals-hidden-details-invisible-to-the-naked-eye/
14. Baranowski, P. et al. (2009). Detection of early apple bruises using pulsed-phase thermography. Postharvest Biology and Technology, 53(3), 91–100. https://www.phtnet.org/research/download/pdf/mh600.pdf
15. Hajalioghli, Z. y Ahmadi Moghaddam, P. (2019). Detection and classification of bruises on ‘Red Delicious’ apples using active thermography. Iranian Journal of Biosystem Engineering. https://ijbse.ut.ac.ir/article_72588.html?lang=en
16. Baietto, M. y Wilson, A. D. (2015). Electronic-nose applications for fruit identification, ripeness and quality grading. Sensors, 15, 899–931. https://pmc.ncbi.nlm.nih.gov/articles/PMC4327056
17. Non-destructive detection of fruit quality: technologies, applications and prospects. (2025). Foods. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC12191955/
18. U.S. Food and Drug Administration. Cabinet X-ray systems (21 CFR 1020.40). https://www.fda.gov/Radiation-EmittingProducts/RadiationEmittingProductsandProcedures/SecuritySystems/ucm227196.htm
19. Cornell Law School, Legal Information Institute. 21 CFR § 1020.40 – Cabinet x-ray systems. https://www.law.cornell.edu/cfr/text/21/1020.40