09 Jul NIR e imagen hiperespectral: tendencias, aplicaciones y visión de futuro desde Roma
Del 8 al 12 de junio, Roma fue el escenario de la 22ª Conferencia Internacional sobre Espectroscopía en el Infrarrojo Cercano (NIR2025), organizada por la Sociedad Italiana de Espectroscopía NIR (SISNIR). En un ambiente dinámico y colaborativo, investigadores y profesionales de todo el mundo se dieron cita para compartir ideas, generar sinergias y explorar juntos los últimos avances en una tecnología que está transformando la forma en que analizamos los productos. La espectroscopía NIR, cada vez más presente en el sector agroalimentario, destacó por su potencial para ofrecer datos fiables, en tiempo real y sin alterar la muestra, consolidándose como una herramienta clave para la innovación y la eficiencia en los procesos.
María José Sáiz Abajo, responsable de I+D+i en Nuevas aplicaciones analíticas
Miriam Alonso Santamaría, investigadora de I+D+i en Nuevas Aplicaciones Analíticas -CySA 4.0
El programa abordó tanto desarrollos teóricos como soluciones instrumentales de última generación —desde dispositivos miniaturizados hasta sistemas de imagen NIR— y mostró cómo estas herramientas se están aplicando ya en áreas como el control de calidad de alimentos, la detección de contaminantes o la evaluación de propiedades. Además, se profundizó en el uso de modelos matemáticos (quimiometría) para interpretar los datos obtenidos mediante espectroscopía y en el potencial de las imágenes hiperespectrales para analizar la composición de los productos en tiempo real, con gran nivel de detalle.
CNTA asistió para reforzar la formación del equipo de investigación de esta línea y estar en Vanguardia de lo que acontece en el sector. Te contamos lo más destacado en este post del blog. En este post recogemos las claves más relevantes de la conferencia.
La leche como biomarcador: sensores NIR en la línea de ordeño
“NIR SPECTROSCOPY ON MILK: FROM COMPOSITIONAL ANALYSIS WITH BENCHTOP INSTRUMENTS TO PHYSICAL PROPERTIES WITH SPATIALLY RESOLVED TECHNIQUES” (Ben Aernouts, the Faculty of Engineering Technology of KU Leuven Campus Geel, Leuven, BELGIUM)
Una de las ponencias de NIR2025 abordó el uso de espectroscopía en el infrarrojo cercano (NIR) para el análisis de leche en granja, directamente en la línea de ordeño. Esta tecnología permite monitorizar parámetros composicionales y físicos de la leche en tiempo real, sin necesidad de recoger muestras ni interrumpir el proceso. Dado que la leche refleja el estado metabólico y fisiológico del animal, su análisis frecuente puede ser una herramienta útil para el control de la salud y el rendimiento productivo.
Limitaciones actuales: precisión y certificación ICAR
A lo largo de los últimos años se han desarrollado diversos sensores NIR para este tipo de aplicación, si bien ninguno ha alcanzado aún la certificación ICAR (International Committee for Animal Recording). Este organismo internacional establece estándares para garantizar la calidad de los equipos de medida utilizados en el control lechero.
Los principales retos detectados son la precisión, repetibilidad y reproducibilidad de las mediciones. La variabilidad en las condiciones de uso —especialmente en la temperatura de la leche— afecta a los resultados. Esta variabilidad estacional o entre explotaciones genera desviaciones que deben corregirse para asegurar la estabilidad del sistema en el tiempo.
Estrategias de corrección: modelos robustos y análisis no supervisado
El ponente presentó datos comparativos obtenidos durante más de ocho años de pruebas en granjas, en los que se analizaron diferentes prototipos comerciales. Uno de los enfoques más relevantes fue el uso de modelos de calibración robustos, diseñados para mantener la fiabilidad de las predicciones ante condiciones cambiantes.
Además, se están aplicando técnicas de análisis no supervisado, como el Análisis de Componentes Principales (PCA), para detectar patrones en los datos espectrales sin necesidad de etiquetar previamente las muestras. Estas herramientas pueden facilitar la identificación temprana de alteraciones fisiológicas o cambios en la composición de la leche.
Avances en configuraciones ópticas: espectroscopía NIR espacialmente resuelta
La ponencia también abordó nuevas configuraciones instrumentales basadas en espectroscopía NIR espacialmente resuelta, que permiten obtener información localizada dentro del flujo de leche. Esta aproximación no solo mejora la sensibilidad en la predicción de parámetros composicionales, sino que también posibilita el análisis de propiedades físicas, como la estimación del tamaño de los glóbulos de grasa.
Este tipo de análisis estructural puede resultar útil en procesos posteriores de transformación de la leche, así como en la caracterización de la calidad del producto bajo condiciones reales de ordeño.
Ruido controlado para mejorar la robustez de los modelos NIR
HEN IMPERFECTION IS AN ADVANTAGE: NOISE-INDUCED STABILITY IN NIR BASED APPLICATIONS (Oxana Ye. Rodionova, N.N. Semenov Federal Research Center for Chemical Physics, RAS, Moscow, RUSSIA)
Esta ponencia trató de un concepto curioso pero muy útil: la estabilidad inducida por el ruido. Es algo que se conoce en mecánica, donde añadir pequeñas vibraciones o «ruido» a un sistema inestable puede hacerlo más estable. Un ejemplo clásico es el péndulo invertido: una oscilación controlada puede mantenerlo en equilibrio. De hecho, gracias a este principio podemos, por ejemplo, andar en bicicleta. La charla explicó cómo este mismo enfoque puede aplicarse a la espectroscopía NIR, especialmente cuando se usa en contextos prácticos y no controlados, como en distintas ubicaciones o con diferentes dispositivos.
Aunque la espectroscopía NIR combinada con quimiometría ha demostrado alta eficacia en contextos de laboratorio, su implementación práctica plantea retos cuando se utiliza en entornos no controlados, como distintas ubicaciones geográficas, equipos o condiciones de medición. La tendencia habitual es minimizar cualquier fuente de variación para ganar precisión. Sin embargo, Rodionova propuso un enfoque alternativo: introducir un cierto grado de «ruido controlado» en función del objetivo analítico, con el fin de mejorar la robustez del modelo.
Ejemplo práctico: detección de medicamentos falsificados
Como caso de estudio, presentó un sistema NIR portátil para la detección no invasiva de medicamentos falsificados. En función del propósito —por ejemplo, distinguir un producto concreto frente a genéricos, o discriminar entre fabricantes o lotes—, el diseño del sistema debe adaptarse: tanto la configuración del conjunto de entrenamiento como la tolerancia al error cambian en función de lo que se desea detectar.
Uno de los puntos clave fue que buscar una exactitud excesiva puede ser contraproducente si no está alineada con el objetivo. En algunos escenarios, permitir cierto margen de variación en los datos mejora la capacidad de generalización del modelo, haciéndolo más eficaz para su uso en campo.
Este enfoque puede resultar especialmente útil en la industria agroalimentaria, donde las condiciones de proceso no siempre son constantes y los equipos deben funcionar en entornos variables. Aplicar esta estrategia en modelos NIR podría mejorar su rendimiento en tareas como la clasificación de materias primas, la detección de fraudes o el control de calidad en tiempo real.
Deep learning e imagen espectral: un binomio con alto potencial analítico
UNLOCKING THE POTENTIAL OF SPECTRAL IMAGING THROUGH DEEP LEARNING (Junli Xu, University College Dublin, Dublin, IRELAND)
La ponencia abordó el papel del deep learning en el procesamiento y análisis de imágenes espectrales, una tecnología que capta simultáneamente información espacial y química. La presentación mostró cómo la combinación de redes neuronales profundas con herramientas quimiométricas permite automatizar y mejorar tareas analíticas complejas en distintos campos.
Entre los ejemplos prácticos, se mostró cómo aplicar deep learning para analizar frutas: primero localizando y segmentando los objetos en la imagen hiperespectral, y después prediciendo características químicas como madurez o daños internos. También se presentó un sistema automático de análisis geológico que identifica las cajas de testigos de perforación y extrae información relevante, optimizando el proceso de escaneado hiperespectral. Finalmente, se expuso una aplicación para la detección de microplásticos, en la que el sistema localiza partículas, mide su morfología e identifica el tipo de polímero, todo a partir de imágenes químicas.
Aplicaciones en agroalimentación: más allá de la clasificación visual
En el ámbito agroalimentario, se mostraron casos concretos que exploran el valor añadido de estas técnicas en matrices diversas. Por ejemplo, se presentaron modelos para:– Clasificación de caramelos según ingredientes o características visuales,
– Detección de daños no visibles en frutas,
– Identificación de madurez o calidad interna,
– Cuantificación de proteínas animales y vegetales en productos cárnicos,
– Evaluación de calidad en mantequilla.
En todos los casos, se compararon enfoques tradicionales basados en quimiometría con arquitecturas de deep learning, observando que la capacidad de generalización y adaptación del segundo enfoque permite abordar con mayor eficacia escenarios complejos o con mayor variabilidad, especialmente en condiciones reales de producción.
Transferencia tecnológica en espectroscopía NIR: ejemplos liderados por CNTA
Por parte de CNTA se presentaron dos trabajos relacionados con el uso del NIR y la imagen hiperespectral para varios objetivos.
Por una parte, María José Sáiz presento en formato flash poster el trabajo realizado con la empresa Ramiro Arnedo en el marco del proyecto europeo IRIS-EDIH y cofinanciado por el programa Padih. En el estudio se demostró cómo las tecnologías de NIR portátil e imagen hiperespectral pueden ser aptas para determinar el grado de madurez de las semillas y su calidad a nivel de porcentaje de germinación. Los buenos resultados obtenidos en las pruebas de concepto se están validando actualmente con la empresa incluyendo nuevos lotes de semillas de diferentes variedades. El fin último es que la empresa pueda adoptar la tecnología e incorporarla como una nueva herramienta de trabajo en sus instalaciones.
Por otra parte, Miriam Alonso presentó en un poster el trabajo realizado
junto a Productos Trevijano en IRIS-EDIH gracias a la financiación de la Unión Europea a través de los fondos del Plan de Recuperación, Transformación y Resiliencia. En él, se abordó el problema de la detección de cuerpos extraños en boletus deshidratados mediante tecnología de imagen hiperespectral, una necesidad crítica en la industria alimentaria donde los métodos tradicionales (como rayos X o detectores de metales) no son suficientes para identificar objetos de origen vegetal similares al producto, como hojas secas o ramitas. Utilizando una cámara FX17 (900–1700 nm) y analizando 50 muestras de boletus en cuatro tamaños, se procesaron imágenes aplicando técnicas espectrales y modelos avanzados como redes neuronales. El modelo final logró detectar una mayoría de cuerpos extraños, demostrando que la imagen hiperespectral podría ser una solución eficaz para mejorar la seguridad alimentaria en productos con matrices complejas.
Este trabajo forma parte de la formación predoctoral de Miriam, quien está desarrollando la tesis SPECTRALSAFE con el apoyo de las ayudas doctorales del Gobierno de Navarra.
