Avances en insumos y tecnología
Sensores e IA para clasificar la madurez del aguacate
Un estudio explora un dispositivo portátil para clasificar la maduración del aguacate. Avances y retos de la tecnología NIR e IA en fruta.
Imagen referencial, no representa el dispositivo original desarrollado
16 de octubre 2026
¿Cómo evaluar un aguacate sin abrirlo? La investigación Ripeness Evaluation Using Near-Infrared (NIR) Spectroscopy and NLP for Interpretability, Publicada en enero de 2026 en ECTI Transactions on Computer and information Technology exploró esa posibilidad mediante un escáner portátil de bajo costo y aprendizaje automático.
El equipo a cargo del estudio, integrado por investigadores de instituciones de Tailandia y Japón, trabajó con 120 kilogramos de aguacates Buccaneer del Royal Project en Tailandia. Comparando tres modelos para clasificar estados de maduración a partir de las señales captadas por el dispositivo de trabajo.
La luz como fuente de información ¿Cómo funciona la tecnología NIR?
La espectroscopía de infrarrojo cercano, conocida como NIR, aprovecha la interacción de la luz con los componentes de un producto. La señal registrada contiene patrones que los investigadores analizan mediante modelos para estimar características de la fruta.
Mediante esta metodología el equipo no obtiene una fotografía del interior del aguacate ni observa directamente todos sus atributos. La estimación depende de las relaciones establecidas entre las señales ópticas y mediciones o clasificaciones de referencia.
Es por esto que la selección de muestras y el tratamiento de los datos son parte esencial del método investigativo.
Algoritmos y aprendizaje automático para predecir la madurez
En el ensayo realizado, el sensor registró información en 18 bandas entre 410 y 940 nanómetros, abarcando luz visible y parte del infrarrojo cercano. Los investigadores procesaron las señales antes de entrenar los modelos.
Según el estudio, Random Forest obtuvo el mejor resultado, con un 78% de clasificaciones correctas, seguido por XGBoost, con un 74%. El sistema también incorporó descripciones de lenguaje comprensible, con el objetivo de presentar resultados al usuario.
No obstante, este dispositivo continúa siendo un prototipo. Los autores de la investigación identificaron confusiones entre categorías y necesidades de calibración. Además reconocen que trabajar con una sola variedad y datos estacionales limita la generalización. Es por esto que los resultados no pueden trasladarse automáticamente al aguacate Hass.
Implicaciones y validación para la industria del aguacate Hass
Estudios como este apuntan a obtener información conservando la integridad de la fruta. Para evaluar herramientas como el escáner presentado, las preguntas prácticas son qué atributos puede estimar, con qué margen de error y bajo qué condiciones fue validada
La evidencia actual invita a mirar más allá del dispositivo. Su utilidad también depende de la calibración y de que las muestras sean representativas de la fruta a analizar. Este ensayo aporta una exploración concreta, mientras que los antecedentes en aguacate Hass muestran por qué cada aplicación necesita una validación propia.
