jueves, 29 febrero 2024

Navarra da los primeros pasos para crear un sistema que evalúe la carne de potro

Navarra es la comunidad que más cabezas equinas sacrifica y más carne produce. En ese contexto, la UPNA y AIN pusieron en marcha MeatSense, un proyecto que ha iniciado el camino hacia la consecución de un ambicioso objetivo: desarrollar un sistema de Inteligencia Artificial que analice la calidad de este producto. La iniciativa está coordinada por ADItech, a su vez agente coordinador del SINAI, y financiada por el Gobierno de Navarra.


Pamplona - 6 diciembre, 2023 - 05:59

Pilar Herrera (AIN) y Kizkitza Insausti (UPNA) lideran el proyecto Meatsense. (Foto: Maite H. Mateo)

Baja en grasas, rica en hierro y muy proteica. La carne de potro y sus beneficios para la salud embelesan cada vez más paladares en todo el mundo. Esta tendencia es uno de los motivos que explica el buen momento que vive la ganadería equina de España, una de las más antiguas de Europa y la que más cabezas suma en el Viejo Continente. En concreto, el sector, que engloba también la cría y doma de razas puras, creció un 39 % entre 2009 y 2019, según datos publicados el año pasado por el Ministerio de Agricultura, Pesca y Alimentación.

Con 6.466, Asturias es la región que más granjas suma dentro del segmento cárnico. Pero Navarra, que añadió 131 nuevos negocios equinos entre 2019 y 2021, lidera el listado de cabezas sacrificadas con 14.260, el 56 % de las 32.507 registradas en el país a lo largo de 2022. Así mismo, la región produjo el año pasado 3.588 toneladas de carne de potro, el 43 % del total nacional (8.306 toneladas). El éxito de la Comunidad foral es tal que, tal y como informó Navarra Capital, ya vende en otras regiones y países como el País Vasco, Andalucía, Cataluña o Italia.

Por eso, esta actividad tiene gran importancia en Navarra, que funciona como un centro logístico para el sector nacional. «El centro de sacrificio de Pamplona recibe potros de toda España y reparte los productos resultantes a otras zonas de nuestro país, así como al resto de Europa», incide Kizkitza Insausti, investigadora del Grupo de Producción Animal, Nutrición y Ciencia de los Alimentos en la Universidad Pública de Navarra (UPNA). Por eso, esta institución educativa ha dedicado recursos al estudio de este sector en Navarra a lo largo de las últimas dos décadas.

Quienes deseen conocer más a fondo el proyecto pueden hacerlo a través de este enlace

Esta acumulación de datos y conocimiento científico hizo que el equipo investigador vislumbrara un nuevo desafío: desarrollar un sistema de clasificación específico para la calidad de la carne de potro. Una misión compleja debido a la cantidad de información necesaria sobre la procedencia, producción y características de los productos que pueden ser determinantes en este sentido.

Por eso, contactó con la Asociación de la Industria Navarra (AIN) para poner en marcha MeatSense, un proyecto colaborativo que buscaba diseñar un sistema de Inteligencia Artificial basado en Deep Learning. ¿El objetivo? Construir un modelo matemático que relacione los parámetros productivos y las características de la carne con las preferencias del consumidor. «Una herramienta de estas características puede tener gran relevancia para mejorar la comercialización del producto, abordar la transformación digital del sector, reducir costes y elevar su competitividad», explica Pilar Herrera, coordinadora del Grupo de Sistemas Inteligentes en la organización.

La iniciativa está coordinada por ADItech -a su vez coordinador del Sistema Navarro de I+D+i (SINAI)– y financiada por el Ejecutivo foral en la convocatoria de ayudas a centros tecnológicos y organismos de investigación para la realización de proyectos de I+D colaborativos.

DE LO GENERAL A LO SENCILLO

En primer lugar, el equipo de la UPNA seleccionó los parámetros de relevancia de los estudios con los que ya contaba, así como de otro proyecto que sigue en curso. «Estamos hablando de casi veinte años de datos de proyectos. La tesis más antigua que tenemos es del año 2005. Todas contienen una gran diversidad de medidas como datos de análisis sensorial, infrarrojo cercano y medio, datos de oxidación, tiempos de maduración diferentes…», remarca Insausti. Al mismo tiempo, se midieron algunas variables de las canales y las carnes equinas como el espesor de la grasa dorsal, el pH, el color de la grasa y de la carne o la textura instrumental (cómo de tierna es la carne).

Con todo ello, AIN planteó diferentes aproximaciones de procesamiento para evaluar la calidad de la carne a partir de medidas instrumentales y se seleccionaron una serie de variables de interés predictivo. La primera aproximación, por ejemplo, fue relacionar todas las variables en un mismo algoritmo. «Sin embargo, nos dimos cuenta de que los datos provenían de diferentes animales y, por lo tanto, no se podía tener una trazabilidad completa. Esto es un problema común cuando abordamos proyectos de IA», explica Herrera. 

Por ello, el grupo de MeatSense ha pospuesto el abordaje global de todos los datos para centrarse en cuestiones más parciales. Por ejemplo, «se utilizaron las curvas resultantes de la espectroscopía para estudiar la degradación por oxidación de la carne con Deep Learning» y se estudiaron los datos sensoriales relacionándolos con otros tipos de información para entender las preferencias de los consumidores. «Aunque finalmente no hemos conseguido desarrollar ese algoritmo único tan ambicioso, hemos avanzado en la selección de los ensayos y las variables que pueden registrarse en el matadero para abordar la construcción de un sistema de clasificación en el futuro», señala la investigadora de la UPNA.

LOS RESULTADOS

En total, el conjunto del sistema agroalimentario y pesquero aporta más del 10 % del PIB de España, por lo que resulta casi una obligación que se beneficie del uso del Internet de las Cosas (IoT), el Big Data o incluso la robótica. En este sentido, la iniciativa colaborativa de la UPNA y AIN supone un primer paso hacia la digitalización de la ganadería equina, cuya consecución requiere de «sucesivos proyectos y financiaciones».

«Los resultados obtenidos con técnicas de aprendizaje automático son muy prometedoras. Hay que seguir trabajando en el tema para refinar los modelos y, por ello, mantendremos abierta la vía de colaboración para avanzar en este y otros proyectos. Esta colaboración también nos ha permitido abrir alguna otra vía de trabajo con AIN», celebra Insausti.

Archivado en:

UPNA · ADItech · Ganadería navarra · AIN · SINAI ·


To Top