La imagen de resonancia magnética (MRI, por sus siglas en inglés) se usa habitualmente en medicina para observar órganos y estructuras del interior del cuerpo humano. Ahora investigadores del Instituto de Carne y Productos Cárnicos (IProCar) de la Universidad de Extremadura han aplicado esta misma tecnología, basada en el uso no invasivo de imanes y ondas de radio, para algo muy distinto: conocer las características de jamones y lomos ibéricos sin necesidad de destruirlos.

Una vez tomadas las imágenes, los científicos las analizan con algoritmos de visión por computador y extraen valores numéricos sobre los que, a su vez, aplican métodos estadísticos. De esta forma se obtienen unos resultados con los que se pueden predecir las características de calidad de los productos cárnicos.

“La técnica permite conocer parámetros como la cantidad de grasa, humedad, color y algunos atributos sensoriales del producto; y en el caso del jamón, también monitorizar la difusión de la sal durante las distintas fases de su proceso de maduración”, explica Trinidad Pérez Palacios, miembro de IProCar.

Algoritmos e imágenes 3D para predecir la calidad

Los estudios llevados a cabo con esta metodología se han publicado en diversas revistas científicas, como el Journal of Food Engineering, donde este mismo año los investigadores extremeños han presentado un trabajo centrado en la aplicación de algoritmos de textura a imágenes tridimensionales MRI para predecir la calidad de los lomos.

Según los autores, la tecnología combinada MRI-visión por computador supone una alternativa a los métodos de control de calidad destructivos que se usan actualmente, además de ofrecer resultados prácticamente en tiempo real.

“Ponemos a disposición de la industria cárnica un método eficaz para obtener imágenes de cualquier pieza cárnica –no solo lomos y jamones– de forma inocua y no invasiva, permitiendo, además, su posterior comercialización”, señala Pérez Palacios, que concluye: “Su implantación en el sector cárnico es solo cuestión de tiempo”.

Fuente: SINC