• Un análisis comparativo de técnicas NIRS, HSI, procesamiento de imágenes y DL para estimar la madurez del mango. • El análisis de distribución mostró que NIRS representó el 61.5% de los estudios. • La IA permite una predicción precisa de la madurez del mango y mejora la calibración de datos espectrales. • Una hoja de ruta hacia sistemas integrados, escalables y sostenibles para la madurez del mango. Estimar la madurez del mango es crucial para determinar el momento óptimo de cosecha, controlar las operaciones poscosecha y satisfacer la demanda del consumidor en el mercado. Sin embargo, las técnicas no destructivas a menudo proporcionan una precisión limitada en la estimación de la madurez. Esta precisión puede mejorarse integrando estos métodos con modelos de inteligencia artificial. Esta revisión evalúa sistemáticamente estos métodos basándose en las directrices PRISMA-ScR en términos de Espectroscopía de Infrarrojo Cercano (NIRS), Imágenes Hiperespectrales (HSI), procesamiento de imágenes combinado con Aprendizaje Automático (ML) y Aprendizaje Profundo (DL). El análisis de distribución mostró que la tecnología NIRS representó el 61.5% de todos los estudios, seguida por el procesamiento de imágenes con un 16.7%, DL con 12.5% y HSI con 7.3%. La calibración NIRS y HSI sigue siendo prevalente, utilizando modelos estadísticos y quimiométricos. En los últimos años, la integración de DL con NIRS y HSI ha mejorado la eficiencia en el preprocesamiento y calibración, y se han desarrollado modelos DL basados en imágenes como predictores sólidos de la madurez del mango. Sin embargo, se ha investigado relativamente poco sobre modelos DL basados en atención, lo que indica que estos modelos aún están en etapa exploratoria. El análisis comparativo revela que las técnicas de imagen y DL son altamente precisas para estimar madurez en algunas variedades, mientras que NIRS y HSI aún son superiores para predecir calidad interna (sólidos solubles totales, materia seca, acidez titulable). A pesar de estos avances, persisten limitaciones relacionadas con costo, transferencia de calibración y facilidad de implementación en campo. Para que los sistemas de estimación de madurez del mango sean robustos, escalables y sostenibles, la investigación futura debe priorizar la integración de datos multisensoriales, la aplicación de modelos ligeros de inteligencia artificial y la exploración de enfoques alternativos para superar las limitaciones de los métodos actuales.
Abdelhamid et al. (Sun,) estudiaron esta cuestión.