Modeling multidimensional quality in carrots from spectral responses, imaging, and consumer perception

Abstract

This thesis proposes an innovative framework to model the multidimensional quality of carrots by integrating geospatial technologies, spectral sensing, artificial intelligence, and consumer perception. The study addresses a key limitation in the carrot value chain: the disconnect between scientific research, largely focused on nutritional composition, and consumer preferences, which are primarily driven by sensory attributes. A mixed-methods methodological approach was implemented, combining bibliometric analysis, natural language processing of web trends, social media sentiment analysis, and structured surveys to identify the main determinants of carrot quality across regions and stakeholders. Results revealed that while approximately 85% of scientific studies emphasize nutritional properties, about 82% of consumers prioritize sensory characteristics, highlighting a critical mismatch in value-chain decision-making. Postharvest experiments demonstrated that refrigeration at 4 °C significantly reduces β-carotene degradation compared with room temperature storage, with purple genotypes showing superior stability. In parallel, non-destructive spectral techniques (VIS–NIR), hyperspectral imaging, and colorimetry were integrated with machine-learning models to estimate carotenoid content and detect defects. A novel spectral-color index (ICarot) achieved strong predictive performance (R² = 0.85), and deep-learning models reached 74% accuracy in automated defect classification.

Esta tesis propone un marco innovador para modelar la calidad multidimensional de la zanahoria mediante la integración de tecnologías geoespaciales, sensado espectral, inteligencia artificial y percepción del consumidor. El estudio aborda una limitación clave en la cadena de valor: la desconexión entre la investigación científica, centrada principalmente en la composición nutricional, y las preferencias del consumidor, dominadas por atributos sensoriales. Se aplicó un enfoque metodológico mixto que combinó análisis bibliométrico, procesamiento de lenguaje natural de tendencias web, análisis de sentimiento en redes sociales y encuestas estructuradas para identificar los determinantes de la calidad a lo largo de regiones y actores de la cadena. Los resultados mostraron que cerca del 85 % de los estudios científicos priorizan propiedades nutricionales, mientras que aproximadamente el 82 % de los consumidores priorizan características sensoriales, evidenciando una discrepancia crítica en la toma de decisiones del sistema productivo. Los experimentos poscosecha demostraron que la refrigeración a 4 °C reduce significativamente la degradación de β-caroteno frente al almacenamiento a temperatura ambiente, destacándose los genotipos morados por su mayor estabilidad. Paralelamente, técnicas no destructivas basadas en espectroscopía VIS–NIR, imágenes hiperespectrales y colorimetría se integraron con modelos de aprendizaje automático para estimar carotenoides y detectar defectos. El nuevo índice espectro-color (ICarot) mostró alta capacidad predictiva (R² = 0,85), mientras que modelos de aprendizaje profundo alcanzaron 74 % de exactitud en la clasificación automática de defectos. (Texto tomado de la fuente)