Aunque en Europa el fraude más habitual es el de vender un arroz de baja calidad como si fuera de alta, en otros lugares se han encontrado hasta granos a los que se ha añadido plástico en cantidades indetectable por el consumidor hasta que la cocción, en algunos casos, los pone de manifiesto.

Una simple fotografía del móvil es capaz de detectar irregularidades en el etiquetado de arroz, según una investigación de la Universidad Complutense de Madrid (UCM) y el Scintillon Institute de San Diego (EE UU).

Los científicos han desarrollado un algoritmo basado en deep learning –un campo de la inteligencia artificial– que es capaz de determinar, con las imágenes tomadas por el smartphone, si ese arroz es realmente el que se describe.

“Lo que aportamos con diferencia a otros métodos de detección es la simplicidad y demostramos al consumidor que no es necesario disponer de grandes sumas de dinero para verificar si un arroz es el que se refleja en la etiqueta”, destaca José Santiago Torrecilla, profesor titular e investigador del departamento de Ingeniería Química y de Materiales de la UCM. 

Para llevar a cabo el estudio, los investigadores emplearon cinco tipos de arroz y se molieron “con el objetivo de distinguir el tipo de arroz no solo cuando está en grano, sino también cuando está molido en forma de harina”, aclara Torrecilla.

Con toda esta información, se diseñaron y optimizaron algoritmos basados en redes neuronales convolucionales que procesaban la información contenida en las imágenes para su clasificación basada en el tipo de arroz, obteniendo modelos de precisiones finales entre 93 y 99 %.

“Cabe destacar que el arroz es un mero ejemplo de cereal y, por tanto, esta tecnología podría ser extrapolada a otros tipos de cereales o alimentos”, concluye el químico de la UCM, dejando abierta la puerta a futuras aplicaciones en la industria alimentaria.

Referencia bibliográfica: 

Manuel Izquierdo, Miguel Lastra-Mejías, Ester González-Flores, Sandra Pradana-López, John C. Cancilla, José S. Torrecilla.“Visible imaging to convolutionally discern and authenticate varieties of rice and their derived flours”. Food Control. DOI: 10.1016/j.foodcont.2019.106971.