Método accesible para identificar adulteración en leche con IA y análisis morfológico

Abstract

La leche es un alimento esencial para el ser humano, por lo que detectar su adulteración de manera rápida y confiable es una necesidad prioritaria en el control de calidad alimentaria. En este trabajo se presenta un método novedoso y accesible para la detección de adulterantes en leche, basado en el análisis de gotas secas combinado con inteligencia artificial (IA). Se emplearon muestras de leche entera y deslactosada adulteradas con diferentes concentraciones de agua y formuladas con distintas concentraciones de sal. La hipótesis del estudio propone que la adición controlada de sal puede promover la formación de patrones en las muestras de leche, facilitando su diferenciación mediante herramientas computacionales. La complejidad de los depósitos secos se evaluó mediante análisis de lagunaridad y aprendizaje profundo. Ambos métodos alcanzaron una alta precisión, superior al 99 % en muestras con 2 % de sal. En condiciones más complejas (4 % de sal), la precisión del modelo de IA aumentó del 79 % al 91 %. Los resultados confirman que la combinación de métricas morfológicas y redes neuronales permite identificar variaciones de adulteración imperceptibles para el ojo humano. La detección temprana de adulteración es un tema importante en ganadería ya que ayuda a resguardar el valor nutricional de la leche y sostiene a los productores que dependen de una cadena láctea justa y confiable.