Revista Ciencias Técnicas Agropecuarias Vol. 35, January-December 2026, ISSN: 2071-0054
Código QR
Cu-ID: https://cu-id.com/2177/v35e14
Review

Trends in the postharvest treatment and handling of agricultural products: A Review and analysis

 

iDCarlos Modesto Martínez Hernández*✉:carlosmh@uclv.edu.cu


Universidad Central “Marta Abreu” de las Villas, Santa Clara, Villa Clara, Cuba.

 

*Author for correspondence: Carlos Modesto Martínez-Hernández, e-mail: carlosmh@uclv.edu.cu

Abstract

This work was developed considering the rise of new scientific information technologies and artificial intelligence (AI) at both the international and national levels. These technologies utilize software, sensors, and next-generation non-destructive measuring instruments as tools, and are related to reducing environmental pollution and improving the quality and traceability of agricultural production. Starting from the problem of the widespread use of destructive methods for analyzing post-harvest variables in agricultural products, a literature review was undertaken to identify international trends in this field, which was the primary objective of this study. The work is structured in three parts: first, the trends and methods for the handling, treatment, and use of agricultural products are described. Second, the specifics of using and implementing these treatments are addressed. Finally, their potential application in the Cuban context is analyzed. In conclusion, the current and future state of the art in post-harvest handling and treatment trends for agricultural products is presented, along with their advantages and limitations.

Keywords: 
Artificial intelligence (AI), non-destructive sensors and measuring instruments, traceability, post-harvest handling

Received: 15/11/2025; Accepted: 28/3/2026

Conflict of interest: The author of this work declares no conflict of interest.

Author contributions: Conceptualization, Data curation, Investigation, Methodology, Project administration, Resources, Supervision, Validation, Visualization, Writing - original draft, Writing - review & editing: Carlos Modesto Martínez Hernández.

The mention of specific brands of equipment, instruments, or materials is for identification purposes only and does not constitute any promotional endorsement by either the author or the publisher.

This article is under license Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)

CONTENT

Introduction

 ⌅

According to Kader (2002)KADER, A.A.: Postharvest technology of horticultural crops., 2002, ISBN: 1-879906-51-1. and Thompson (2015)THOMPSON, A.K.: Fruit and vegetable storage: hypobaric, hyperbaric and controlled atmosphere, Ed. Springer, 2015, ISBN: 3-319-23591-5., global agriculture faces one of its greatest challenges: feeding a population projected to reach 10 billion by 2050, while simultaneously grappling with resource constraints, climate change, and high levels of food waste. According to the FAO, approximately 14% of food is lost between harvest and retail, a percentage that increases dramatically in developing regions and for perishable products.

The post-harvest stage represents a critical link where significant economic losses and a reduction in nutritional quality are concentrated. Simultaneously, consumers are increasingly demanding transparency and traceability regarding the origin, production conditions, and handling of their food, driven by concerns about food safety, sustainability, and authenticity. (Dentoni, 2021DENTONI, D.: “Blockchain and Other Emerging Technologies for Food Traceability”, Revista Internacional Administración & Finanzas, 7(5): 61-76., 2021.).

The convergence of digital technologies is radically transforming agricultural management. Agriculture 4.0 integrates IoT sensors, drones, satellites, artificial intelligence, and big data to create more efficient, resilient, and transparent agri-food systems.

The agricultural and agro-industrial sector is undergoing a fundamental transformation in its quality control and product evaluation methods. Historically, destructive methods (random sampling followed by laboratory analysis) have dominated due to their analytical precision. However, they present critical limitations such as:

  • Limited representativeness (generally <1% of production);

  • Loss of product and economic value;

  • Delayed feedback in the production chain;

  • Inability to continuously evaluate.

The new paradigm seeks to implement 100% non-destructive inspection systems that allow for:

  • Real-time evaluation on processing lines;

  • Comprehensive quality control of the entire production process;

  • Preservation of the product's commercial value;

  • Complete traceability of quality attributes.

According to Valente (2021)VALENTE, J.: Robotics and Automation for Improving Agriculture, Burleigh Dodds Science Publishing, 2021., agriculture is undergoing an unprecedented technological transformation. Driven by the need for greater efficiency, sustainability, and profitability, the democratization of advanced tools is enabling historically marginalized actors, such as medium-sized farmers and cooperatives, to access capabilities that were previously the exclusive domain of large corporations. Two fundamental pillars of this revolution have undoubtedly been the miniaturization and cost reduction of portable sensors and spectrometers, as well as the increasing accessibility of agricultural robotics. The confluence of factors such as the structural labor shortage, which in the European Union (EU) has meant the loss of 2.5 million workers in a decade, and the technological maturity of artificial intelligence (AI), computer vision, and connectivity, has created the perfect breeding ground for this transition. The result is an ecosystem where decision-making is based on real-time data, collected on-site with affordable devices, and where repetitive and critical tasks such as harvesting are beginning to be automated cost-effectively.

According to Pritt & Chern (2017)PRITT, M.; CHERN, G.: “Satellite image classification with deep learning”, En: 2017 IEEE applied imagery pattern recognition workshop (AIPR), Ed. IEEE, pp. 1-7, 2017, ISBN: 1-5386-1235-6.; Kussul (2022)KUSSUL, N.: Deep Learning for Satellite Image Analysis, Springer, 2022., we are living through a turning point in industrial history. If the first industrial revolution gave us the steam engine, and the third automation and electronics, today we are witnessing the birth of a fourth revolution where value is no longer created solely with steel and gears, but with data, algorithms, and real-time decisions.

Given these perspectives, this work aimed to investigate current and future trends in methods and technologies for analyzing post-harvest variables in agricultural products.

Development

 ⌅

This study began with keywords related to the topic of study (trends in the post-harvest handling and treatment of agricultural products), as well as internet searches using specialized platforms and artificial intelligence. This allowed for the analysis of various concepts, including IoT technologies in agriculture, drones, remote sensing and satellites, post-harvest handling, and traceability, among others. As a result of the search on these topics, scientific articles published between 2019 and 2025 in journals such as Computers and Electronics in Agriculture (Elsevier); Biosystems Engineering (Elsevier); Precision Agriculture (Springer); Remote Sensing (MDPI); IEEE Transactions on AgriFood Electronics; Postharvest Biology and Technology (Elsevier); and Food Control (Elsevier) were consulted.

Technical reports and guides, government agencies, consortia and associations, online resources and platforms, technical standards, research databases, and training courses and programs were also consulted. Motivated by the vast amount of information analyzed, the results obtained have been presented by addressing aspects such as: types, device characteristics, advantages, applications, international regulations and standards, technical limitations, current limitations and technological challenges, barriers to mass adoption, active research areas, success stories and commercial applications, implemented industrial examples, and future perspectives. This approach allows for comparison and evaluation.

According to Ferrández (2022)FERRÁNDEZ, F.J.: IoT and Smart Technologies for Sustainable Agriculture, MDPI Books ed., 2022.; Ruiz (2022)RUIZ, L.: “Low-cost IoT-based sensor system for real-time monitoring of fruit cold chain”, IEEE Sensors Journal, 22(5): 4223-4232, 2022.; Chen (2023)CHEN, Y.: “A comprehensive review of IoT-based monitoring systems for postharvest quality management”, Computers and Electronics in Agriculture, 205: 107584, 2023.; Kamilaris (2023)KAMILARIS, A.: “A review of the combination of IoT, blockchain and AI for sustainable food supply chains”, IEEE Internet of Things Journal, 10(5): 3871-3890, 2023.; Zhang (2023)ZHANG, Q.: Internet of Things for Smart Agriculture: Technologies and Applications, Springer, 2023.; Mukhopadhyay & Postolache (2021)MUKHOPADHYAY, S.C.; POSTOLACHE, O.A.: Internet of Things for Agricultural Applications, Springer, 2021., the Internet of Things (IoT) for agriculture comprises four essential components:

  • Sensor devices: These convert physical, chemical, and biological parameters into electrical signals;

  • Sensor devices: These convert physical, chemical, and biological parameters into electrical signals; Connectivity: Communication protocols (LoRaWAN, Sigfox, NB-IoT, WiFi, 5G);

  • Processing platform: Data storage, analysis, and visualization;

  • User interface: Dashboards, alerts, automated control systems.

In the case of post-harvest, there are some specificities which can be classified as: Sensors for Environmental Conditions in Storage

Temperature sensors: Thermistors, RTDs, thermocouples, infrared sensors;

Typical range: -40°C to +85°C;

Accuracy: ±0.1°C to ±0.5°C;

Strategic placement: critical points in cold storage rooms;

Relative humidity sensors: Capacitive, resistive, dew point;

Range: 0-100% RH;

Accuracy: ±1.5% to ±3.5%;

Application: prevention of condensation and mold growth;

Controlled/modified atmosphere sensors:

  • O₂ concentration: Electrochemical and optical sensors (0-25%);

  • CO₂ concentration: NDIR and chemical sensors (0-20%);

  • Ethylene concentration: Photoacoustic and electrochemical sensors (ppb to ppm);

  • Air quality sensors: VOCs, ammonia, hydrogen sulfide;

Product Quality and Condition Sensors

Firmness sensors: Non-destructive force/pressure sensors;

Portable spectral sensors: NIR, VIS-NIR for soluble solids, acidity, and maturity;

Chlorophyll fluorescence sensors: Indicators of physiological stress;

Biosensors: Detection of pathogens (E. coli, Salmonella, Listeria);

Electronic nose and tongue sensors: Volatile and flavor profiles.

Logistics Monitoring Sensors

Impact and vibration sensors: Triaxial accelerometers;

Tilt sensors: For monitoring load orientation;

Light sensors: Detection of container opening;

GPS/GNSS Sensors: Real-time location.

Sensors for Smart Packaging

Time-Temperature Indicators (TTI);

Freshness Indicators: pH sensors, specific gases;

Active and semi-active RFID/NFC;

LoRa/LoRaWAN: Range 5-15 km in rural areas, low power, low cost;

Sigfox: Range 10-40 km, very small messages;

NB-IoT: Over cellular infrastructure, higher bandwidth.

IoT Satellite Communications:

  • For remote areas without terrestrial coverage;

  • Providers: Iridium, Orbcomm, Swarm Technologies.

Specialized IoT Platforms

General purpose: AWS IoT, Microsoft Azure IoT, Google Cloud IoT;

Specialized for agriculture: Arable, Pessl Instruments, CropX;

Open-source platforms: ThingsBoard, Node-RED, Home Assistant.

Regarding the topic of drones in agriculture, there is a wide variety of information sources that address different types and uses. Among the authors who have addressed this topic, the following were consulted García et al. (2021)GARCÍA, R.A.; POSADA, M.D.G.; TORRES, K.; VILLAZÓN, J.A.; ABELLÓN, M.I.; VELÁZQUEZ, E.C.: “Remote Sensing of Salinity in Agroecosystem of Mayarí, at Holguín Province, Cuba”, Revista Ciencias Técnicas Agropecuarias, 30(1): 26-32, 2021, ISSN: 1010-2760.; Jafarbiglu & Pourreza (2022)JAFARBIGLU, H.; POURREZA, A.: Unmanned Aerial Systems in Precision Agriculture, Ed. Elsevier., 2022.; Tripicchio (2022)TRIPICCHIO, P.: “Towards smart farming and sustainable agriculture with drones”, IEEE Transactions on Instrumentation and Measurement, ser. IoT and AI, 71: 1-11, 2022.; Zhang (2022)ZHANG, C.: “Automatic detection of postharvest fruit defects using drone-based multispectral imaging”, Precision Agriculture, 23(3): 987-1005, 2022.; Thenkabail & Lyon (2023)THENKABAIL, P.S.; LYON, J.G.: Drone Technology in Agriculture: Principles and Applications, CRC Press, 2023..

Drones (UAVs) in Post-Harvest Management

Specific Types and Configurations

Multirotor Drones (Multicopters);

Advantages: Hovering, vertical take-off and landing (VTOL);

Configurations: Quadcopters, hexacopters, octocopters;

Payload capacity: 0.5-10 kg;

Flight time: 15-40 minutes;

Applications: Detailed inspection, warehouse interiors

Fixed-Wing Drones

Advantages: Longer flight time, wider coverage;

Autonomy: 1-3 hours;

Speed: 50-100 km/h;

Applications: Monitoring of large facilities, storage yards.

Hybrid Drones (VTOL + Fixed Wing)

Combination of advantages: vertical takeoff + flight efficiency;

Emerging applications in agricultural logistics;

Specialized Onboard Sensors.

Multispectral Cameras

Typical bands: Green (550 nm), Red (660 nm), Red Edge (735 nm), NIR (790 nm);

Derived indices:

  • NDVI (Normalized Difference Vegetation Index): Plant health;

  • NDRE (Normalized Difference Red Edge): Chlorophyll content;

  • GNDVI (Green NDVI): Early stress;

  • Resolution: 2-20 MP;

Post-harvest applications: Detection of mechanical damage and physiological disorders.

Thermal Cameras

Spectral range: 7.5-13.5 μm (thermal infrared);

Thermal resolution: <0.05°C;

Applications:

  • Detection of hot spots in storage;

  • Leaks in refrigeration systems;

  • Thermal mapping of facilities.

  • Hyperspectral Cameras

  • Spectral bands: 100-300 contiguous bands;

  • Range: 400-1000 nm (VNIR) or 900-2500 nm (SWIR);

Advanced applications:

  • Detection of early spoilage;

  • Grading by quality/maturity;

  • Identification of contaminants.

LiDAR (Light Detection and Ranging) Sensors

Principle: Distance measurement using laser pulses;

Post-harvest applications:

  • 3D modeling of facilities;

  • Measurement of storage volumes;

  • Structural inspection of infrastructure.

  • High-Resolution RGB Cameras

  • Resolution: 20-45 MP;

Applications:

  • Detailed visual inspection;

  • Automated QR code/label reading;

  • Condition documentation.

Post-Harvest Operational Applications:

  • Infrastructure Inspection and Maintenance;

  • Thermal mapping of cold storage rooms;

  • Detection of inadequate insulation;

  • Inspection of ventilation/refrigeration systems.

External Storage Condition Monitoring:

  • Storage yards: detection of moisture accumulation and pests;

  • Silos and warehouses: structural integrity assessment;

Inventory Management:

  • Automated counting of pallets, boxes, and containers;

  • Verification of locations in storage yards.

Quality Control:

  • Early detection of rot and damage;

  • Sorting by size, color, and defects in stored batches.

Security and Surveillance:

  • Perimeter monitoring of facilities;

  • Intrusion and theft detection. Satellites for agricultural monitoring and logistics. According to Lambert (2022LAMBERT, M.J.: “Satellite-based verification of geographical origin for high-value agricultural products”, Food Control, 133: 108621, 2022.) satellites can be used in various activities, including agricultural and logistics monitoring. Some examples are shown below.

Earth Observation Satellites

Medium-High Resolution Satellites (10-30 m):

  • Sentinel-2 (ESA Copernicus):

  • Resolution: 10 m (4 bands), 20 m (6 bands), 60 m (3 bands);

  • Time span: 5 days (2 satellites);

  • Features: Free, 13 spectral bands;

Landsat 8 & 9 (NASA/USGS):

  • Resolution: 15 m (pan), 30 m (multispectral);

  • Time span: 16 days;

  • Features: Historical since 1972, 11 bands.

Radar Satellites (SAR)

  • Sentinel-1 (ESA): Synthetic Aperture Radar (C-band);

  • Advantage: Cloud-penetrating, operates day/night;

  • Applications: Monitoring soil moisture, ground deformation;

  • SAOCOM (Argentina): L-band SAR;

  • Specialized in soil moisture.

Integrated Traceability Systems

Regarding traceability, Weiss (2023)WEISS, M.: “Remote sensing for agricultural supply chain traceability: A review”, Remote Sensing of Environment, 284: 113338, 2023., addresses the use of sensors to track the traceability chain in agricultural products. Furthermore, Dentoni (2021)DENTONI, D.: “Blockchain and Other Emerging Technologies for Food Traceability”, Revista Internacional Administración & Finanzas, 7(5): 61-76., 2021. outlines some of the fundamentals of agri-food traceability:

Fundamentals of Agri-food Traceability

Traceability: The ability to track the movement of a food product through specified stages of production, processing, and distribution (Codex Alimentarius);

Backward Traceability: Origin of inputs;

Internal Traceability: Processes within the organization;

Forward Traceability: Destination of products.

International Regulations and Standards:

  • GS1: Global identification standards (GTIN, GLN, SSCC);

  • ISO 22005:2007: Traceability in the food chain;

  • FSMA (FDA): Food Safety Modernization Act (USA);

  • Regulation (EU) 178/2002: General principles of traceability in the EU;

  • GlobalG.A.P.: Good Agricultural Practices.

Integration of Technologies for End-to-End Traceability

Stage 1: Production and Harvesting

Satellites: Location verification, crop conditions;

Drones: Maturity monitoring, harvest estimation;

IoT: Environmental conditions in the field, practice records.

Stage 2: Initial Transport and Reception

IoT: Sensors in vehicles (temperature, humidity, impacts);

GPS/GLONASS: Real-time location tracking;

RFID: Automatic identification upon receiving.

Stage 3: Processing and Storage

IoT: Environmental sensor network in facilities;

Drones: Facility inspection, inventory;

Computer vision: Automated quality control;

Blockchain: Unalterable record of batches and conditions;

Stage 4: Distribution and Secondary Transport

IoT: Monitors in containers/vehicles;

Opening sensors: Seal integrity;

Logistics platforms: Route optimization.

Stage 5: Retail and Consumer

QR/NFC: Consumer access to traceability information;

Mobile apps: Authenticity verification, history;

Sensors on shelves: Monitoring of conditions at the point of sale.

Technical Limitations

IoT Sensors:

  • Battery life in remote locations;

  • Interference in wireless communications;

  • Sensor calibration and maintenance;

  • Integration of heterogeneous systems.

Drones:

  • Regulatory limitations (airspace, altitude, BVLOS);

  • Limited autonomy (especially with heavy sensors);

  • Adverse weather conditions;

  • Processing of large volumes of data.

Satellites:

  • Limited spatial/temporal resolution;

  • Clouds that block optical sensors;

  • Data availability latency;

  • Complex data interpretation.

Furthermore, according to Thompson (2015)THOMPSON, A.K.: Fruit and vegetable storage: hypobaric, hyperbaric and controlled atmosphere, Ed. Springer, 2015, ISBN: 3-319-23591-5.; Thenkabail (2021)THENKABAIL, P.S.: Remote Sensing of Agriculture and Land Cover/Land Use Changes, CRC Press, 2021.; Petropoulos & Srivastava (2023)PETROPOULOS, G.P.; SRIVASTAVA, P.K.: Satellite Remote Sensing of Agricultural Land, Elsevier, 2023., the dominant technologies in the new generation of sensors include:

Hyperspectral and multispectral near-infrared spectroscopy (NIRS):

  • Fundamental advancement: From spot spectra to spectral images;

  • Traditional NIRS: Provides an average spectrum of a small area;

  • Hyperspectral NIRS: Captures images with hundreds of continuous spectral bands;

  • Multispectral NIRS: Uses strategically selected spectral bands.

Revolutionary applications:

  • Compound distribution mapping: Spatial visualization of sugars, moisture, acidity, and phenolic compounds;

  • Internal defect detection: Brown spots, freezing damage, and glassiness;

  • Internal quality grading: Differentiation of fruit based on chemical parameters;

  • Shelf-life prediction: Modeling of ripening and deterioration.

Operational advantages:

  • Speed: Up to 10-20 fruits/second on grading lines;

  • Accuracy: R² > 0.90 for soluble solids in fruits such as apples and grapes;

  • Integration: Compatible with existing sorting systems;

  • Contactless: Eliminates cross-contamination.

Thermal and Fluorescence Imaging:

  • Agricultural Thermography: Beyond Surface Temperature;

  • Physical Principle: Detects infrared emission (8-14 μm) related to temperature and physiological properties;

  • Thermal Resolution: <0.1°C in advanced systems;

Applications in Crops:

  • Early Water Stress: Detection before visible symptoms through canopy temperature analysis;

  • Disease Detection: Abnormal thermal patterns due to pathogen metabolic activity;

  • Assessment of Chilling Injury: Changes in stomatal conductance and transpiration;

  • Irrigation Optimization: Zoning of water requirements within the field;

  • Chlorophyll Fluorescence Imaging:

  • Kautsky Induction: Measures photosynthetic efficiency (Fv/Fm) as an indicator of stress;

  • Multicolor Fluorescence: Differentiates types of stress (nutritional, water, pathological);

  • Ultra-early detection: Up to 5-7 days before visible symptoms of infection.

Portable magnetic resonance imaging (MRI) and computed tomography (CT):

  • Miniaturization of medical technology for the agricultural industry;

  • Low-field systems: 0.1-0.5 Tesla (vs. 1.5-3T medical);

  • Specialized geometries: Designed for specific agricultural products;

  • Decreasing costs: From >€500,000 to <€100,000 for specialized systems;

  • Applications in high-value fruits;

  • Non-destructive internal visualization: Holes, hail damage, internal rot;

  • Texture analysis: Air space distribution, tissue density;

  • Ripening studies: Structural changes during storage;

  • Parental selection: In genetic improvement programs;

Agricultural CT (Low-energy X-ray):

  • Submillimeter resolution: Detection of pits in shelled fruit, insects in grains;

  • 3D analysis: Reconstruction of complex internal structures;

  • Food safety: Detection of non-metallic foreign bodies. Tactile and Impact Sensors:

Inspection Robotics with Optical Feedback:

  • Distributed Force Sensors: Tactile arrays with spatial resolution;

  • Adaptive Actuation: Robotic arms that adjust pressure based on product response;

  • Machine Learning: Correlation between mechanical responses and quality attributes;

Measurable Parameters:

  • Objective Firmness: Force-deformation curves with >95% accuracy vs. penetrometer;

  • Elasticity/Viscosity: Rheological properties through dynamic testing;

  • Texture Homogeneity: Detection of locally soft/hard areas;

  • Maturity Classification: Based on evolving mechanical properties;

Non-Destructive Impact Systems:

  • Acoustic Response Analysis: Characteristic frequencies related to firmness;

  • Acceleration Sensors: Deceleration patterns during controlled impact;

  • Online Application: Up to 30-40 measurements/second in industrial systems.

Technological Integration and Converging Trends:

Sensor Fusion:

  • NIRS + Touch Combination: Chemical and mechanical attributes in a single measurement;

  • Thermal + Fluorescence: Comprehensive diagnosis of physiological state;

  • MRI/CT + Spectroscopy: Correlation of internal structure and chemical composition.

Artificial Intelligence and Big Data:

  • Convolutional Neural Networks: For hyperspectral image analysis;

  • Multivariate Predictive Models: PLS, SVM, Random Forest for calibration;

  • Recommendation Systems: Management suggestions based on sensory data.

Miniaturization and Democratization:

  • Sensors in Smartphones: Portable NIR spectrometers for <€5,000;

  • Equipped Drones: Precision aerial thermography and fluorescence;

  • IoT Systems: Distributed sensor networks in the field and post-harvest.

Current limitations and technological challenges:

Barriers to mass adoption:

  • Initial cost: Although decreasing, still significant for small producers;

  • Calibration complexity: Requires representative sampling and maintenance;

  • Speed vs. Accuracy: A trade-off in high-speed systems;

  • Natural variability: Adaptation to differences between crops, varieties, and conditions;

  • Data infrastructure: Need for robust connectivity and processing.

Active Research Areas:

  • Reducing Acquisition Time: Spectral Compression Techniques;

  • Standardizing Protocols: Metrology for Precision Agriculture;

  • Multi-Source Data Fusion: Satellite/Drone/Ground Integration;

  • Interpretable Physical Models: Beyond AI "Black Boxes"

Success Stories and Commercial Applications:

Implemented Industrial Examples:

  • Apple Sweetness Grading: Hyperspectral NIRS Systems on Packing Lines (European Union, USA);

  • Citrus Freeze Damage Detection: Thermography + NIR (Spain, Israel);

  • Avocado Maturity Selection: Portable MRI for High-Value Markets (Mexico, Peru);

  • Harvesting Robots with Haptic Feedback: For Delicate Fruits (Japan, Netherlands);

Documented ROI:

  • Loss Reduction: 15-30% in Perishable Fruits;

  • Product value increase: 20-50% through Premium classification;

  • Labor savings: 40-70% in inspection tasks;

  • Resource optimization: 10-25% in water, fertilizers, and energy.

Future outlook (2025-2035):

Emerging trends:

  • Quantum sensors: Terahertz spectroscopy for molecular analysis;

  • Implantable nanosensors: For continuous monitoring within plants

  • Augmented reality: Overlaying sensor data in the field;

  • Quality blockchain: Immutable record of measured attributes;

Expected scalability:

  • Additional cost reduction: 30-50% in the next 5 years;

  • Complete automation: Self-calibrating and self-diagnostic systems;

  • Vertical integration: From field to consumer with continuous data;

  • Global democratization: Access for small and medium-sized producers.

Today there is a wide range of portable, affordable and easy-to-use devices, among which we can mention:

  • Chlorophyll and Greenness Measurement: Devices such as portable chlorophyll meters (e.g., SPAD range 0.0-99.9) allow for the assessment of a plant's nutritional and health status, directly correlating with its photosynthetic potential and yield. These tools provide readings in under 3 seconds and are compact enough for daily use in the field.

  • Soluble Solids Analysis (°Brix): Refractometers, optical instruments for measuring sugars, are essential for determining the optimal harvest time for fruits and vegetables. Portable digital models have greatly simplified this task, offering automatic temperature compensation and accuracy comparable to laboratory equipment, but at a significantly lower cost and with a much shorter learning curve.

  • Comprehensive Soil and Sap Analysis: Portable kits allow for the simultaneous measurement of multiple parameters. One example is the LAQUAtwin sensor kit, which can measure pH, electrical conductivity (EC), nitrates (NO₃), calcium (Ca), potassium (K), and sodium (Na) in sap extracts or soil, with 90-95% accuracy compared to ion chromatography. This empowers farmers to become their own plant nutrition analysts.

Agricultural robotics is transitioning from a futuristic and expensive concept to a practical solution for pressing problems. Its adoption is no longer in question; the focus is now on how and when to integrate it cost-effectively. The deployment of robots is being accelerated by a perfect storm of factors:

  • Labor crisis: The scarcity and rising cost of labor, which can represent up to 38% of fruit production costs, make automation an economic necessity, not just a technological option.

  • Labor crisis: The scarcity and rising cost of labor, which can represent up to 38% of production costs in fruit orchards, make automation an economic necessity, not just a technological option.

  • Enabling technological maturity: The combination of machine vision with AI, advanced sensors (LiDAR, multispectral), and autonomous navigation systems (centimeter-level RTK GNSS) has resolved the main technical challenges of operating in complex and unstructured agricultural environments.

  • Business models and cost reduction: Larger-scale manufacturing, competition among suppliers, and the emergence of Robots as a Service (RaaS) models are lowering the capital barrier to entry. Projections indicate that robotics can reduce harvesting costs by 30% to 50%.

According to Tramallino & Zeni (2024)TRAMALLINO, C.P.; ZENI, A.M.: “Avances y discusiones sobre el uso de inteligencia artificial (IA) en educación”, Educación, 33(64): 29-54, 2024., the advancement of artificial intelligence (AI) and machine learning is characterized by:

  • AI as the brain of the data ecosystem within the following context:

  • The proliferation of sensors (IoT) generates massive volumes of data;

  • Data without intelligent processing is merely "noise";

AI as the central nervous system:

  • Integrates heterogeneous data;

  • Learns complex patterns;

  • Makes autonomous decisions.

These systems have countless applications in industry and agriculture, such as:

  • Predictive maintenance in wind turbines using vibration data and hybrid models;

  • Detection of defects imperceptible to the human eye;

  • Quality control: Detection of cracks in castings;

  • Predicting failures before they occur;

  • Detection of defects in internal layers, among others.

In summary: this work has shown that the predominant trends in methods and technologies for the analysis of post-harvest variables of agricultural products are related to the use of: Internet of Things (IoT), Sensors, Drones, IoT Satellite Communications and Specialized IoT Platforms.

Analysis

 ⌅

In Cuba, to date, very few of these technologies are used at the field level; however, initial steps are being taken in research projects, as well as in some universities and research centers. In this regard, remote sensing of soil salinity García et al. (2021)GARCÍA, R.A.; POSADA, M.D.G.; TORRES, K.; VILLAZÓN, J.A.; ABELLÓN, M.I.; VELÁZQUEZ, E.C.: “Remote Sensing of Salinity in Agroecosystem of Mayarí, at Holguín Province, Cuba”, Revista Ciencias Técnicas Agropecuarias, 30(1): 26-32, 2021, ISSN: 1010-2760., soil moisture, nutrient potential of different soils and crops, and impact damage to agricultural products have been studied in recent years using various techniques, such as VIS-NIR, by different authors. Currently, the use of drones for fertilizer application and the introduction of solar panels for irrigation and drying of agricultural products are some of the current trends in Cuba. Regarding new technologies for the post-harvest handling and treatment of agricultural products, the literature on this topic is primarily international, with few bibliographic references from our country contributing to the analysis in this work. It should be noted that these technologies can be considered mature, while in other cases, they are still developing. However, in our opinion, the limiting factor in this regard is their high price or cost. Whenever the introduction of any of these technologies is considered, the first step should be an economic feasibility analysis to determine in which contexts they can be used immediately and in which they cannot.

The development of each of these post-harvest handling and treatment techniques for agricultural products is based on national and international protocols and standards, which are strictly enforced according to the laws of each country. However, it is necessary to have sufficient training and equipment to determine which technique is most appropriate. In the Cuban case, this is both possible and feasible, as both of these prerequisites are met.

As can be seen in current and future conditions, a wide range of possibilities for measuring, monitoring, controlling, and tracing harvested and unharvested agricultural products are emerging daily. Hence the importance of staying informed and prepared for the application of all or some of these technologies, depending on the objective economic and financial conditions of each country for their implementation. In the author's opinion, the fundamental strength of this research lies in providing researchers and producers involved in the post-harvest handling and treatment of agricultural products with a compendium of the main current and future methods and technologies necessary for research and the application of results at the production level, within the framework of their technological and financial capabilities.

Conclusions

 ⌅

The miniaturization and democratization of technology is reshaping the agricultural landscape, bringing precision agriculture tools to a much broader base of producers. Portable spectrometers and sensors have transformed the accurate measurement of key parameters into a fast, cost-effective, and on-the-ground routine, displacing traditional laboratories for numerous applications. Simultaneously, agricultural robotics is moving beyond the pilot phase to establish itself as a tangible and increasingly accessible solution to the challenges of labor costs, quality, and traceability. The synergy between the Internet of Things (IoT), artificial intelligence (AI), and real-time computing is not a future trend, but a current operational reality. The integration of these technologies is creating industrial ecosystems where:

  • Sensors are the senses that capture physical reality.

  • Artificial intelligence (AI) is the brain that interprets and understands.

  • Predictive models are the intuition that anticipates.

Real-time calibration is the continuous learning that adapts. The tools and algorithms are available, accessible, and proven.

The transition to 100% non-destructive sensing systems represents a paradigm shift with profound implications:

  • Economic: Maximizing value and reducing losses;

  • Environmental: Optimizing inputs and promoting sustainability;

  • Social: Traceability and transparency for consumers;

  • Scientific: New understanding of biological processes.

The technologies described (hyperspectral NIRS, thermography, portable MRI/CT, tactile sensors) are not futuristic technologies, but implemented realities that are being refined and democratized. Their convergence with artificial intelligence (AI), robotics, and data science is creating a precision agriculture ecosystem that will radically transform how we produce, process, and ensure food quality.

The future is non-destructive, quantitative, and comprehensive. The ability to "see the invisible" and "measure without touching" is redefining quality and efficiency standards in the global agri-food chain.

References

 ⌅

CHEN, Y.: “A comprehensive review of IoT-based monitoring systems for postharvest quality management”, Computers and Electronics in Agriculture, 205: 107584, 2023.

DENTONI, D.: “Blockchain and Other Emerging Technologies for Food Traceability”, Revista Internacional Administración & Finanzas, 7(5): 61-76., 2021.

FERRÁNDEZ, F.J.: IoT and Smart Technologies for Sustainable Agriculture, MDPI Books ed., 2022.

GARCÍA, R.A.; POSADA, M.D.G.; TORRES, K.; VILLAZÓN, J.A.; ABELLÓN, M.I.; VELÁZQUEZ, E.C.: “Remote Sensing of Salinity in Agroecosystem of Mayarí, at Holguín Province, Cuba”, Revista Ciencias Técnicas Agropecuarias, 30(1): 26-32, 2021, ISSN: 1010-2760.

JAFARBIGLU, H.; POURREZA, A.: Unmanned Aerial Systems in Precision Agriculture, Ed. Elsevier., 2022.

KADER, A.A.: Postharvest technology of horticultural crops., 2002, ISBN: 1-879906-51-1.

KAMILARIS, A.: “A review of the combination of IoT, blockchain and AI for sustainable food supply chains”, IEEE Internet of Things Journal, 10(5): 3871-3890, 2023.

KUSSUL, N.: Deep Learning for Satellite Image Analysis, Springer, 2022.

LAMBERT, M.J.: “Satellite-based verification of geographical origin for high-value agricultural products”, Food Control, 133: 108621, 2022.

MUKHOPADHYAY, S.C.; POSTOLACHE, O.A.: Internet of Things for Agricultural Applications, Springer, 2021.

PETROPOULOS, G.P.; SRIVASTAVA, P.K.: Satellite Remote Sensing of Agricultural Land, Elsevier, 2023.

PRITT, M.; CHERN, G.: “Satellite image classification with deep learning”, En: 2017 IEEE applied imagery pattern recognition workshop (AIPR), Ed. IEEE, pp. 1-7, 2017, ISBN: 1-5386-1235-6.

RUIZ, L.: “Low-cost IoT-based sensor system for real-time monitoring of fruit cold chain”, IEEE Sensors Journal, 22(5): 4223-4232, 2022.

THENKABAIL, P.S.: Remote Sensing of Agriculture and Land Cover/Land Use Changes, CRC Press, 2021.

THENKABAIL, P.S.; LYON, J.G.: Drone Technology in Agriculture: Principles and Applications, CRC Press, 2023.

THOMPSON, A.K.: Fruit and vegetable storage: hypobaric, hyperbaric and controlled atmosphere, Ed. Springer, 2015, ISBN: 3-319-23591-5.

TRAMALLINO, C.P.; ZENI, A.M.: “Avances y discusiones sobre el uso de inteligencia artificial (IA) en educación”, Educación, 33(64): 29-54, 2024.

TRIPICCHIO, P.: “Towards smart farming and sustainable agriculture with drones”, IEEE Transactions on Instrumentation and Measurement, ser. IoT and AI, 71: 1-11, 2022.

VALENTE, J.: Robotics and Automation for Improving Agriculture, Burleigh Dodds Science Publishing, 2021.

WEISS, M.: “Remote sensing for agricultural supply chain traceability: A review”, Remote Sensing of Environment, 284: 113338, 2023.

ZHANG, C.: “Automatic detection of postharvest fruit defects using drone-based multispectral imaging”, Precision Agriculture, 23(3): 987-1005, 2022.

ZHANG, Q.: Internet of Things for Smart Agriculture: Technologies and Applications, Springer, 2023.

Revista Ciencias Técnicas Agropecuarias Vol. 35, January-December 2026, ISSN: 2071-0054
 
Revisión

Tendencias en el manejo y tratamiento poscosecha de productos agrícolas: Revisión y análisis

 

iDCarlos Modesto Martínez Hernández*✉:carlosmh@uclv.edu.cu


Universidad Central “Marta Abreu” de las Villas, Santa Clara, Villa Clara, Cuba.

 

*Autor para correspondencia: Carlos M. Martínez-Hernández, e-mail: carlosmh@uclv.edu.cu

Resumen

Teniendo en cuenta el auge de las nuevas tecnologías de la información cientifica y la inteligencia artificial (IA) a escala internacional y nacional, los cuales utilizan como herramientas softwares, sensores e instrumentos de medición de nueva generación no destructivos, asi como aspectos relacionados con la disminución de la contaminación medioambiental, calidad y trazabilidad de las producciones agricolas se desarrolló este trabajo. Partiendo de la problemática del uso masivo de los métodos destructivos de análisis de las variables poscosecha de productos agrícolas, se acometió una revision bibliográfica para conocer cuáles tendencias internacionales se presentarán en este campo, siendo este particular el objetivo del mismo. El trabajo se estructuró en tres partes: primeramente, se describen las tendencias y los métodos para la manipulación, tratamiento y utilización de los productos agricolas. Posteriormente se abordan las particularidades para utilizar y llevar a cabo estos tratamientos. Finalmente, se analiza su posible utilización en el caso cubano. Como conclusión, se muestra el estado del arte en las tendencias del manejo y tratamiento poscosecha de productos agricolas en la actualidad y a futuro, sus ventajas y limitaciones.

Palabras clave: 
inteligencia artificial (IA), sensores e instrumentos de medición no destructivos, trazabilidad, manejo poscosecha

Introducción

 ⌅

De acuerdo con Kader (2002)KADER, A.A.: Postharvest technology of horticultural crops., 2002, ISBN: 1-879906-51-1. y Thompson (2015)THOMPSON, A.K.: Fruit and vegetable storage: hypobaric, hyperbaric and controlled atmosphere, Ed. Springer, 2015, ISBN: 3-319-23591-5., la agricultura mundial enfrenta uno de sus mayores desafíos: alimentar a una población que alcanzará los 10 mil millones de personas para 2050, mientras enfrenta limitaciones de recursos, cambio climático y altos niveles de desperdicio alimentario. Según la FAO, aproximadamente el 14% de los alimentos se pierden entre la cosecha y la venta minorista, porcentaje que aumenta drásticamente en regiones en desarrollo y para productos perecederos.

La etapa poscosecha representa un eslabón crítico donde se concentran pérdidas económicas significativas y reducción de calidad nutricional. Simultáneamente, los consumidores exigen cada vez más transparencia y trazabilidad sobre el origen, condiciones de producción y manejo de sus alimentos, impulsados por preocupaciones de seguridad alimentaria, sostenibilidad y autenticidad (Dentoni, 2021DENTONI, D.: “Blockchain and Other Emerging Technologies for Food Traceability”, Revista Internacional Administración & Finanzas, 7(5): 61-76., 2021.).

La convergencia de tecnologías digitales está transformando radicalmente la gestión agrícola. La Agricultura 4.0 integra sensores IoT, drones, satélites, inteligencia artificial y big data para crear sistemas agroalimentarios más eficientes, resilientes y transparentes.

El sector agrícola y agroindustrial está experimentando una transformación fundamental en sus métodos de control de calidad y evaluación de productos. Históricamente, los métodos destructivos (muestreo aleatorio seguido de análisis de laboratorio) han dominado debido a su precisión analítica. Sin embargo, presentan limitaciones críticas tales como:

  • Representatividad limitada (generalmente <1% de la producción);

  • Pérdida de producto y valor económico;

  • Retroalimentación tardía en la cadena de producción;

  • Imposibilidad de evaluación continua.

El nuevo paradigma busca implementar sistemas de inspección 100% no destructivos que permitan:

  • Evaluación en tiempo real en líneas de procesamiento;

  • Control de calidad integral de toda la producción;

  • Preservación del valor comercial del producto;

  • Trazabilidad completa de atributos de calidad.

Según Valente (2021)VALENTE, J.: Robotics and Automation for Improving Agriculture, Burleigh Dodds Science Publishing, 2021., la agricultura se encuentra inmersa en una transformación tecnológica sin precedentes. Movida por la necesidad de una mayor eficiencia, sostenibilidad y rentabilidad, la democratización de herramientas avanzadas está permitiendo que actores históricamente relegados como agricultores medianos y cooperativas accedan a capacidades que antes eran dominio exclusivo de grandes empresas. Dos pilares fundamentales de esta revolución han sido sin dudas: la miniaturización y abaratamiento de sensores y espectrómetros portátiles, asi como la creciente accesibilidad de la robótica agrícola. La confluencia de factores como la escasez estructural de mano de obra, que en la Unión Europea (UE) ha significado la pérdida de 2.5 millones de trabajadores en una década, y la madurez tecnológica de la inteligencia artificial (IA), la visión por computadora y la conectividad, ha creado el caldo de cultivo perfecto para esta transición. El resultado es un ecosistema donde la toma de decisiones se basa en datos en tiempo real, recogidos in situ con dispositivos asequibles, y donde tareas repetitivas y críticas como la cosecha comienzan a automatizarse de forma rentable.

Según Pritt y Chern (2017)PRITT, M.; CHERN, G.: “Satellite image classification with deep learning”, En: 2017 IEEE applied imagery pattern recognition workshop (AIPR), Ed. IEEE, pp. 1-7, 2017, ISBN: 1-5386-1235-6.; Kussul (2022)KUSSUL, N.: Deep Learning for Satellite Image Analysis, Springer, 2022., vivimos un punto de inflexión en la historia industrial. Si la primera revolución industrial nos dio la máquina de vapor, la tercera la automatización y la electrónica, hoy estamos presenciando el nacimiento de una cuarta revolución donde el valor ya no se crea únicamente con acero y engranajes, sino con datos, algoritmos y decisiones en tiempo real.

Ante estas perspectivas este trabajo se propuso como objetivo fundamental investigar las tendencias actuales y futuras de los métodos y tecnologías para el análisis de las variables poscosecha de productos agrícolas.

Desarrollo

 ⌅

Para la realización de este trabajo se partió de palabras clave en el tema objeto de estudio (tendencias en el manejo y tratamiento poscosecha de productos agrícolas); asi como de la búsqueda en internet a través de plataformas especializadas e inteligencia artificial. De esta forma fueron objeto de análisis diferentes conceptos tales como: tecnologías IoT en agricultura, drones, teledetección y satélites, poscosecha y trazabilidad entre otros. Como resultado de la búsqueda en estas temáticas fueron consultados trabajos científicos comprendidos entre (2019 y 2025) en revistas tales como: Computers and Electronics in Agriculture (Elsevier); Biosystems Engineering (Elsevier); Precision Agriculture (Springer); Remote Sensing (MDPI); IEEE Transactions on AgriFood Electronics; Postharvest Biology and Technology (Elsevier); Food Control (Elsevier).

También se consultaron: informes técnicos y guías, agencias gubernamentales, consorcios y asociaciones, recursos en línea y plataformas, estándares técnicos, bases de datos de investigación, cursos y programas de capacitación. Motivado por el gran espectro de información analizada, los resultados obtenidos han sido expuestos por aspectos tratados tales como: tipos, características del dispositivo, ventajas, aplicaciones, regulaciones y estándares internacionales, limitaciones técnicas, limitaciones actuales y desafíos tecnológicos, barreras para adopción masiva, áreas de investigación activas, casos de éxitos y aplicaciones comerciales, ejemplos industriales implementados y perspectivas futuras. De esta forma se posibilita su contraste y valoración.

De acuerdo con Ferrández (2022)FERRÁNDEZ, F.J.: IoT and Smart Technologies for Sustainable Agriculture, MDPI Books ed., 2022.; Ruiz (2022)RUIZ, L.: “Low-cost IoT-based sensor system for real-time monitoring of fruit cold chain”, IEEE Sensors Journal, 22(5): 4223-4232, 2022.; Chen (2023)CHEN, Y.: “A comprehensive review of IoT-based monitoring systems for postharvest quality management”, Computers and Electronics in Agriculture, 205: 107584, 2023.; Kamilaris (2023)KAMILARIS, A.: “A review of the combination of IoT, blockchain and AI for sustainable food supply chains”, IEEE Internet of Things Journal, 10(5): 3871-3890, 2023.; Zhang (2023)ZHANG, Q.: Internet of Things for Smart Agriculture: Technologies and Applications, Springer, 2023.; Mukhopadhyay y Postolache (2021)MUKHOPADHYAY, S.C.; POSTOLACHE, O.A.: Internet of Things for Agricultural Applications, Springer, 2021., el Internet de las Cosas (IoT) para agricultura comprenden cuatro componentes esenciales:

  • Dispositivos sensores: Convierten parámetros físicos/químicos/biológicos en señales eléctricas;

  • Conectividad: Protocolos de comunicación (LoRaWAN, Sigfox, NB-IoT, WiFi, 5G;

  • Plataforma de procesamiento: Almacenamiento, análisis y visualización de datos;

  • Interfaz de usuario: Dashboards, alertas, sistemas de control automatizado.

En el caso de la poscosecha existen algunas especificidades las cuales pueden clasificarse como:

Sensores para Condiciones Ambientales en Almacenamiento

Sensores de temperatura: Termistores, RTD, termopares, sensores infrarrojos;

Rango típico: -40°C a +85°C;

Precisión: ±0.1°C a ±0.5°C;

Ubicación estratégica: puntos críticos en cámaras frigoríficas;

Sensores de humedad relativa: Capacitivos, resistivos, de punto de rocío;

Rango: 0-100% HR;

Precisión: ±1.5% a ±3.5%;

Aplicación: prevención de condensación y desarrollo de hongos;

Sensores de atmósfera controlada/modificada:

  • Concentración de O₂: Sensores electroquímicos, ópticos (0-25%);

  • Concentración de CO₂: Sensores NDIR, químicos (0-20%);

  • Concentración de etileno: Sensores fotoacústicos, electroquímicos (ppb a ppm);

  • Sensores de calidad del aire: COV, amoníaco, sulfuro de hidrógeno;

Sensores de Calidad y Estado del Producto·

Sensores de firmeza: Sensores de fuerza/presión no destructivos;

Sensores espectrales portátiles: NIR, VIS-NIR para sólidos solubles, acidez, madurez;

Sensores de clorofila fluorescencia: Indicadores de estrés fisiológico;

Biosensores: Detección de patógenos (E. coli, Salmonella, Listeria);

Sensores electrónicos de nariz y lengua: Perfiles de volátiles y sabores.

Sensores para Monitoreo Logístico

Sensores de impacto y vibración: Acelerómetros triaxiales;

Sensores de inclinación: Para monitorizar orientación de carga;

Sensores de luminosidad: Detección de apertura de contenedores;

Sensores GPS/GNSS: Localización en tiempo real.

Sensores para Embalajes Inteligentes

Indicadores de tiempo-temperatura (TTI);

Indicadores de frescura: Sensores de pH, gases específicos;

RFID/NFC activos y semiactivos;

LoRa/LoRaWAN: Alcance 5-15 km rural, baja potencia, bajo costo;

Sigfox: Alcance 10-40 km, mensajes muy pequeños;

NB-IoT: Sobre infraestructura celular, mayor ancho de banda.

Comunicaciones por Satélite IoT:

  • Para áreas remotas sin cobertura terrestre;

  • Proveedores: Iridium, Orbcomm, Swarm Technologies.

Plataformas IoT Especializadas

Propósitos generales: AWS IoT, Microsoft Azure IoT, Google Cloud IoT;

Especializadas agrícolas: Arable, Pessl Instruments, CropX;

Plataformas open-source: ThingsBoard, Node-RED, Home Assistant.

En la temática relativa a drones en la agricultura existe una gran variedad de fuentes de información que tratan el tema relativo a diferentes tipologías y usos. Dentro de los autores que han tratado el tema se consultaron a García et al. (2021)GARCÍA, R.A.; POSADA, M.D.G.; TORRES, K.; VILLAZÓN, J.A.; ABELLÓN, M.I.; VELÁZQUEZ, E.C.: “Remote Sensing of Salinity in Agroecosystem of Mayarí, at Holguín Province, Cuba”, Revista Ciencias Técnicas Agropecuarias, 30(1): 26-32, 2021, ISSN: 1010-2760.; Jafarbiglu y Pourreza (2022)JAFARBIGLU, H.; POURREZA, A.: Unmanned Aerial Systems in Precision Agriculture, Ed. Elsevier., 2022.; Tripicchio (2022)TRIPICCHIO, P.: “Towards smart farming and sustainable agriculture with drones”, IEEE Transactions on Instrumentation and Measurement, ser. IoT and AI, 71: 1-11, 2022.; Zhang (2022)ZHANG, C.: “Automatic detection of postharvest fruit defects using drone-based multispectral imaging”, Precision Agriculture, 23(3): 987-1005, 2022.; Thenkabail y Lyon (2023)THENKABAIL, P.S.; LYON, J.G.: Drone Technology in Agriculture: Principles and Applications, CRC Press, 2023..

Drones (UAVS) en la gestión poscosecha

Tipologías y Configuraciones Específicas

Drones Multirrotor (Multicópteros);

Ventajas: Vuelo estacionario, vertical take-off and landing (VTOL);

Configuraciones: Cuadricópteros, hexacópteros, octocópteros;

Capacidad de carga: 0.5-10 kg;

Autonomía: 15-40 minutos;

Aplicaciones: Inspección detallada, interiores de almacenes

Drones de Ala Fija

Ventajas: Mayor autonomía, cobertura extensa;

Autonomía: 1-3 horas;

Velocidad: 50-100 km/h;

Aplicaciones: Monitoreo de grandes instalaciones, patios de acopio.

Drones Híbridos (VTOL + Ala Fija)

Combinación de ventajas: despegue vertical + eficiencia en vuelo;

Aplicaciones emergentes en logística agrícola;

Sensores Embarcados Especializados.

Cámaras Multiespectrales

Bandas típicas: Verde (550 nm), Rojo (660 nm), Red Edge (735 nm), NIR (790 nm);

Índices derivados:

  • NDVI (Normalized Difference Vegetation Index): Salud vegetal;

  • NDRE (Normalized Difference Red Edge): Contenido de clorofila;

  • GNDVI (Green NDVI): Estrés temprano;

  • Resolución: 2-20 MP;

Aplicaciones poscosecha: Detección de daños mecánicos, desórdenes fisiológicos.

Cámaras Térmicas

Rango espectral: 7.5-13.5 μm (infrarrojo térmico);

Resolución térmica: <0.05°C;

Aplicaciones:

  • Detección de puntos calientes en almacenamiento;

  • Fugas en sistemas de refrigeración;

  • Mapeo térmico de instalaciones.

  • Cámaras Hiperespectrales

  • Bandas espectrales: 100-300 bandas contiguas;

  • Rango: 400-1000 nm (VNIR) o 900-2500 nm (SWIR);

Aplicaciones avanzadas:

  • Detección de descomposición temprana;

  • Clasificación por calidad/madurez;

  • Identificación de contaminantes.

Sensores LiDAR (Light Detection and Ranging)

Principio: Medición de distancia con pulsos láser;

Aplicaciones poscosecha:

  • Modelado 3D de instalaciones;

  • Medición de volúmenes de almacenamiento;

  • Inspección estructural de infraestructuras.

  • Cámaras RGB de Alta Resolución

  • Resolución: 20-45 MP;

Aplicaciones:

  • Inspección visual detallada;

  • Lectura automatizada de códigos QR/etiquetas;

  • Documentación de condiciones.

Aplicaciones Operativas en Poscosecha:

  • Inspección y Mantenimiento de Infraestructuras

  • Mapeo térmico de cámaras frigoríficas;

  • Detección de aislamientos deficientes;

  • Inspección de sistemas de ventilación/refrigeración.

Monitoreo de Condiciones de Almacenamiento Externo:

  • Patios de acopio: detección de acumulación de humedad, plagas;

  • Silos y bodegas: evaluación de integridad estructural;

Gestión de Inventarios

  • Conteo automatizado de pallets, cajas, contenedores;

  • Verificación de ubicaciones en patios de almacenamiento.

Control de Calidad:

  • Detección temprana de podredumbres, daños;

  • Clasificación por tamaño, color, defectos en lotes almacenados.

Seguridad y Vigilancia:

  • Monitoreo perimetral de instalaciones;

  • Detección de intrusiones, robos. Satélites para monitoreo agrícola y logística. De acuerdo con Lambert (2022)LAMBERT, M.J.: “Satellite-based verification of geographical origin for high-value agricultural products”, Food Control, 133: 108621, 2022. los satélites pueden ser utilizados en diferentes actividades dentro de las cuales está el monitoreo agrícola y logístico. A continuación, se muestran algunos ejemplos.

Satélites de Observación de la Tierra

Satélites de Resolución Media-Alta (10-30 m):

  • Sentinel-2 (ESA Copernicus):

  • Resolución: 10 m (4 bandas), 20 m (6 bandas), 60 m (3 bandas);

  • Banda temporal: 5 días (2 satélites);

  • Características: Gratuito, 13 bandas espectrales;

Landsat 8 & 9 (NASA/USGS):

  • Resolución: 15 m (pan), 30 m (multiespectral);

  • Banda temporal: 16 días;

  • Características: Histórico desde 1972, 11 bandas.

Satélites de Radar (SAR)

  • Sentinel-1 (ESA): Radar de apertura sintética (C-band);

  • Ventaja: Penetra nubes, opera día/noche;

  • Aplicaciones: Monitoreo de humedad, deformaciones del terreno;

  • SAOCOM (Argentina): L-band SAR;

  • Especializado en humedad del suelo.

Sistemas Integrados de Trazabilidad

Con respecto a la trazabilidad Weiss (2023)WEISS, M.: “Remote sensing for agricultural supply chain traceability: A review”, Remote Sensing of Environment, 284: 113338, 2023., abordan la utilización de sensores para dar seguimiento a la cadena de Trazabilidad en los productos agricolas. Por otra parte, Dentoni (2021)DENTONI, D.: “Blockchain and Other Emerging Technologies for Food Traceability”, Revista Internacional Administración & Finanzas, 7(5): 61-76., 2021. expone algunos de los fundamentos de la trazabilidad agroalimentaria:

Fundamentos de Trazabilidad Agroalimentaria

Trazabilidad: Capacidad para seguir el movimiento de un alimento a través de etapas especificadas de producción, procesamiento y distribución (Codex Alimentarius);

Trazabilidad hacia atrás (Backward): Origen de los insumos;

Trazabilidad interna (Internal): Procesos dentro de la organización;

Trazabilidad hacia adelante (Forward): Destino de los productos.

Regulaciones y Estándares Internacionales:

  • GS1: Estándares globales de identificación (GTIN, GLN, SSCC);

  • ISO 22005:2007: Trazabilidad en la cadena alimentaria;

  • FSMA (FDA): Food Safety Modernization Act (EE.UU.);

  • Reglamento (UE) 178/2002: Principios generales de trazabilidad en UE;

  • GlobalG.A.P.: Buenas prácticas agrícolas.

Integración de Tecnologías para Trazabilidad de Extremo a Extremo

Etapa 1: Producción y Cosecha

Satélites: Verificación de ubicación, condiciones de cultivo;

Drones: Monitoreo de madurez, estimación de cosecha;

IoT: Condiciones ambientales en campo, registros de prácticas.

Etapa 2: Transporte Inicial y Recepción

IoT: Sensores en vehículos (temperatura, humedad, golpes);

GPS/GLONASS: Rastreo de ubicación en tiempo real;

RFID: Identificación automática en recepción.

Etapa 3: Procesamiento y Almacenamiento

IoT: Red de sensores ambientales en instalaciones;

Drones: Inspección de instalaciones, inventario;

Visión por computadora: Control de calidad automatizado;

Blockchain: Registro inalterable de lotes y condiciones;

Etapa 4: Distribución y Transporte Secundario

IoT: Monitores en contenedores/vehículos;

Sensores de apertura: Integridad de sellos;

Plataformas logísticas: Optimización de rutas.

Etapa 5: Venta Minorista y Consumidor

QR/NFC: Acceso del consumidor a información de trazabilidad;

Apps móviles: Verificación de autenticidad, historial;

Sensores en estanterías: Monitoreo de condiciones en punto de venta.

Limitaciones Técnicas

Sensores IoT:

  • Vida útil de baterías en ubicaciones remotas;

  • Interferencias en comunicaciones inalámbricas;

  • Calibración y mantenimiento de sensores;

  • Integración de sistemas heterogéneos.

Drones:

  • Limitaciones regulatorias (espacio aéreo, alturas, BVLOS);

  • Autonomía limitada (especialmente con sensores pesados);

  • Condiciones climáticas adversas;

  • Procesamiento de grandes volúmenes de datos.

Satélites:

  • Resolución espacial/temporal limitada;

  • Nubes que bloquean sensores ópticos;

  • Latencia en disponibilidad de datos;

  • Interpretación compleja de datos.

Por otra parte, según Thompson (2015)THOMPSON, A.K.: Fruit and vegetable storage: hypobaric, hyperbaric and controlled atmosphere, Ed. Springer, 2015, ISBN: 3-319-23591-5.; Thenkabail (2021)THENKABAIL, P.S.: Remote Sensing of Agriculture and Land Cover/Land Use Changes, CRC Press, 2021.; Petropoulos y Srivastava (2023)PETROPOULOS, G.P.; SRIVASTAVA, P.K.: Satellite Remote Sensing of Agricultural Land, Elsevier, 2023., las Tecnologías dominantes en la nueva generación de sensores incluyen:

  • Espectroscopía del infrarrojo cercano (NIRS) hiperespectral y multiespectral:

  • Avance fundamental: De espectros puntuales a imágenes espectrales;

  • NIRS tradicional: Proporciona un espectro promedio de un área pequeña;

  • NIRS hiperespectral: Captura imágenes con cientos de bandas espectrales continuas;

  • NIRS multiespectral: Utiliza bandas espectrales seleccionadas estratégicamente.

Aplicaciones revolucionarias:

  • Mapeo de distribución de compuestos: Visualización espacial de azúcares, humedad, acidez, compuestos fenólicos;

  • Detección de defectos internos: Manchas marrones, daños por congelación, glassiness;

  • Clasificación por calidad interna: Diferenciación de frutas según parámetros químicos;

  • Predicción de vida útil: Modelado de maduración y deterioro.

Ventajas operativas:

  • Velocidad: Hasta 10-20 frutas/segundo en líneas de clasificación;

  • Precisión: R² > 0.90 para sólidos solubles en frutas como manzanas, uvas;

  • Integración: Compatible con sistemas de clasificación existentes;

  • No contacto: Elimina contaminación cruzada.

Imágenes térmicas y de fluorescencia:

  • Termografía agrícola: Más allá de la temperatura superficial;

  • Principio físico: Detecta emisión infrarroja (8-14 μm) relacionada con temperatura y propiedades fisiológicas;

  • Resolución térmica: <0.1°C en sistemas avanzados;

Aplicaciones en cultivos:

  • Estrés hídrico temprano: Detección antes de síntomas visibles mediante análisis de temperatura del dosel;

  • Detección de enfermedades: Patrones térmicos anómalos por actividad metabólica de patógenos;

  • Evaluación de daño por frío: Cambios en conductancia estomática y transpiración;

  • Optimización de riego: Zonificación de necesidades hídricas dentro de la parcela;

  • Imágenes de fluorescencia de clorofila:

  • Inducción Kautsky: Mide eficiencia fotosintética (Fv/Fm) como indicador de estrés;

  • Fluorescencia multicolor: Diferencia tipos de estrés (nutricional, hídrico, patológico);

  • Detección ultra-temprana: Hasta 5-7 días antes de síntomas visibles de infecciones.

Imágenes de resonancia magnética (MRI) y tomografía computarizada (CT) portátiles:

  • Miniaturización de tecnología médica para agroindustria;

  • Sistemas de bajo campo: 0.1-0.5 Tesla (vs 1.5-3T médicos);

  • Geometrías especializadas: Diseñadas para productos agrícolas específicos;

  • Costos decrecientes: De >500.000 € a <100.000 € para sistemas especializados;

  • Aplicaciones en frutas de alto valor;

  • Visualización interna no destructiva: Huecos, daños por granizo, pudrición interna;

  • Análisis de textura: Distribución de espacios de aire, densidad de tejidos;

  • Estudios de maduración: Cambios estructurales durante el almacenamiento;

  • Selección de parentales: En programas de mejoramiento genético;

CT agrícola (Rayos X de baja energía):

  • Resolución sub-milimétrica: Detección de huesos en frutas deshuesadas, insectos en granos;

  • Análisis 3D: Reconstrucción de estructuras internas complejas;

  • Seguridad alimentaria: Detección de cuerpos extraños no metálicos.

Sensores táctiles y de impacto:

  • Robótica de inspección con retroalimentación óptica:

  • Sensores de fuerza distribuidos: Matrices táctiles con resolución espacial;

  • Actuación adaptativa: Brazos robóticos que ajustan presión según respuesta del producto;

  • Aprendizaje automático: Correlación entre respuestas mecánicas y atributos de calidad;

Parámetros medibles:

  • Firmeza objetiva: Force-deformation curves con precisión >95% vs penetrómetro;

  • Elasticidad/viscosidad: Propiedades reológicas mediante pruebas dinámicas;

  • Homogeneidad de textura: Detección de áreas localmente blandas/duras;

  • Clasificación por madurez: Basada en propiedades mecánicas evolutivas;

Sistemas de impacto no destructivo:

  • Análisis de respuesta acústica: Frecuencias características relacionadas con firmeza;

  • Sensores de aceleración: Patrones de desaceleración durante impacto controlado;

  • Aplicación en línea: Hasta 30-40 mediciones/segundo en sistemas industriales.

Integración tecnológica y tendencias convergentes:

Fusión sensorial (Sensor Fusión):

  • Combinación NIRS + táctil: Atributos químicos + mecánicos en una medición;

  • Térmica + fluorescencia: Diagnóstico integral de estado fisiológico;

  • MRI/CT + espectroscopía: Correlación estructura interna + composición química.

Inteligencia Artificial y Big Data:

  • Redes neuronales convolucionales: Para análisis de imágenes hiperespectrales;

  • Modelos predictivos multivariados: PLS, SVM, Random Forest para calibración;

  • Sistemas de recomendación: Sugerencias de manejo basadas en datos sensoriales.

Miniaturización y democratización:

  • Sensores en smartphones: Espectrómetros NIR portátiles por <5.000 €;

  • Drones equipados: Termografía y fluorescencia aérea de precisión;

  • Sistemas IoT: Redes de sensores distribuidos en campo y poscosecha.

Limitaciones actuales y desafíos tecnológicos:

Barreras para adopción masiva:

  • Costo inicial: Aunque decreciente, aún significativo para pequeños productores;

  • Complejidad de calibración: Requiere muestreo representativo y mantenimiento;

  • Velocidad vs. Precisión: Compromiso en sistemas de alta velocidad;

  • Variabilidad natural: Adaptación a diferencias entre cultivos, variedades, condiciones;

  • Infraestructura de datos: Necesidad de conectividad y procesamiento robusto.

Áreas de investigación activa:

  • Reducción de tiempo de adquisición: Técnicas de compresión espectral;

  • Estandarización de protocolos: Metrología para agricultura de precisión;

  • Fusión de datos multi-fuente: Integración satélite/drones/suelo;

  • Modelos físicos interpretables: Más allá de "cajas negras" de IA.

Casos de éxito y aplicaciones comerciales:

Ejemplos industriales implementados:

  • Clasificación de manzanas por dulzura: Sistemas NIRS hiperespectral en líneas de empaque (Unión Europea, EE.UU.);

  • Detección de daño por congelación en cítricos: Termografía + NIR (España, Israel);

  • Selección de aguacates por madurez: MRI portátil para mercado de alto valor (México, Perú);

  • Robots cosechadores con retroalimentación táctil: Para frutas delicadas (Japón, Países Bajos);

ROI documentado:

  • Reducción de merma: 15-30% en frutas perecederas;

  • Incremento en valor de producto: 20-50% por clasificación Premium;

  • Ahorro en mano de obra: 40-70% en labores de inspección;

  • Optimización de recursos: 10-25% en agua, fertilizantes, energía.

Perspectivas futuras (2025-2035):

Tendencias emergentes:

  • Sensores cuánticos: Espectroscopía de terahercios para análisis molecular;

  • Nanosenores implantables: Para monitorización continua dentro de plantas;

  • Realidad aumentada: Superposición de datos sensoriales en campo;

  • Blockchain de calidad: Registro inmutable de atributos medidos;

Escalabilidad esperada:

  • Reducción adicional de costos: 30-50% en próximos 5 años;

  • Automatización completa: Sistemas autocalibrantes y autodiagnósticos;

  • Integración vertical: Del campo al consumidor con datos continuos;

  • Democratización global: Acceso para pequeños y medianos productores.

Hoy existe una amplia gama de dispositivos portátiles, asequibles y de fácil uso, dentro de los cuales se pueden mencionar:

  • Medición de Clorofila y "Verdor": Dispositivos como el medidor de clorofila portátil (ejemplo: rango 0.0-99.9 SPAD) permiten evaluar el estado nutricional y de salud de la planta, correlacionándose directamente con su potencial fotosintético y rendimiento. Estas herramientas ofrecen lecturas en menos de 3 segundos y son lo suficientemente compactas para su uso diario en el campo.

  • Análisis de Sólidos Solubles (°Brix): Los refractómetros, instrumentos ópticos para medir azúcares, son fundamentales para determinar el momento óptimo de cosecha en frutas y hortalizas. Los modelos digitales portátiles han simplificado enormemente esta tarea, ofreciendo compensación automática de temperatura y una precisión comparable a la de equipos de laboratorio, pero con un costo y una curva de aprendizaje radicalmente menores.

  • Análisis integral de suelos y savia: Kits portátiles permiten medir múltiples parámetros simultáneamente. Un ejemplo es el kit de sensores LAQUAtwin, que puede medir pH, conductividad eléctrica (CE), nitratos (NO₃), calcio (Ca), potasio (K) y sodio (Na) en extractos de savia o suelo, con una precisión del 90-95% frente a la cromatografía iónica. Esto convierte al agricultor en su propio analista de nutrición vegetal.

La robótica agrícola está pasando de ser un concepto futurista y de alto costo a una solución práctica para problemas acuciantes. Su adopción ya no se cuestiona, sino que se centra en el "cómo" y el "cuándo" integrarla de forma rentable. El despliegue de robots se ve acelerado por una tormenta perfecta de factores:

  • Crisis laboral: La escasez y el encarecimiento de la mano de obra, que puede representar hasta el 38% de los costos de producción en frutales, hacen de la automatización una necesidad económica, no solo una opción tecnológica.

  • Madurez tecnológica habilitadora: La combinación de visión artificial con IA, sensores avanzados (LiDAR, multiespectrales) y sistemas de navegación autónoma (GNSS RTK centimétrico) ha resuelto los principales desafíos técnicos para operar en entornos agrícolas complejos y no estructurados.

  • Modelos de negocio y reducción de costos: La fabricación a mayor escala, la competencia entre proveedores y el surgimiento de modelos de "Robots como Servicio (RaaS) están reduciendo la barrera de entrada de capital. Las proyecciones indican que la robótica puede reducir los costos de cosecha entre un 30% y un 50%.

De acuerdo con Tramallino y Zeni (2024)TRAMALLINO, C.P.; ZENI, A.M.: “Avances y discusiones sobre el uso de inteligencia artificial (IA) en educación”, Educación, 33(64): 29-54, 2024., el avance de la inteligencia artificial (IA) y el aprendizaje automático se caracteriza por:

  • IA como cerebro del ecosistema de datos enmarcado en el siguiente contexto:

  • La proliferación de sensores (IoT) genera volúmenes masivos de datos;

  • Los datos sin procesamiento inteligente son solo "ruido";

La IA como sistema nervioso central:

  • Integra datos heterogéneos;

  • Aprende patrones complejos;

  • Toma decisiones autónomas.

Estos sistemas tienen innumerables aplicaciones en la industria y la agricultura tales como:

  • Mantenimiento predictivo en aerogeneradores usando datos de vibración + modelos híbridos;

  • Detección de defectos imperceptibles para el ojo humano;

  • Control de calidad: Detección de grietas en piezas fundidas;

  • Predecir fallos antes de que ocurran;

  • Detección de defectos en capas internas entre otros.

Resumiendo: se ha podido constatar en este trabajo que las tendencias predominantes de los métodos y tecnologías para el análisis de las variables poscosecha de productos agrícolas están relacionadas con la utilización de: Internet de las Cosas (IoT), Sensores, Drones, Comunicaciones por Satélite IoT y Plataformas IoT Especializadas.

Análisis

 ⌅

En Cuba hasta el presente muy pocas de estas tecnologías son utilizadas a nivel de campo, sin embargo, a nivel de proyectos de investigación; asi como en algunas Universidades y centros de investigación se dan los primeros pasos. En este sentido el censado remoto de la salinidad de suelos García et al. (2021)GARCÍA, R.A.; POSADA, M.D.G.; TORRES, K.; VILLAZÓN, J.A.; ABELLÓN, M.I.; VELÁZQUEZ, E.C.: “Remote Sensing of Salinity in Agroecosystem of Mayarí, at Holguín Province, Cuba”, Revista Ciencias Técnicas Agropecuarias, 30(1): 26-32, 2021, ISSN: 1010-2760., la humedad de los suelos, el potencial de nutrientes de diferentes suelos y cultivos, los daños por impacto en productos agricolas han sido estudiado en años recientes con diferentes técnicas tales como: las técnicas VIS-NIR por diferentes autores. Actualmente, la utilización de drones para la aplicación de fertilizantes y la introducción de paneles solares para el riego y secado de productos agricolas son algunas de las tendencias actuales en Cuba hoy. En las nuevas tecnologías del manejo y tratamiento poscosecha de productos agricolas, la literatura que trata el tema es prioritariamente internacional y pocas referencias bibliográficas de nuestro país aportan al tema de análisis en este trabajo. Se debe destacar que estas tecnologías se pueden considerar maduras y en otros casos, en proceso de maduración, sin embargo, a nuestro criterio, la limitante en este sentido es su alto precio o valor, pero en este caso siempre que se piense en la introducción de algunas de estas, lo primero a realizar será un análisis de factibilidad económica para delimitar en qué contexto pueden ser utilizadas inmediatamente y en cuáles no.

El desarrollo de cada una de estas técnicas de manipulación y tratamiento poscosecha de productos agricolas se basan en protocolos y normas, nacionales e internacionales, las cuales son de estricto cumplimiento de acuerdo con las leyes de cada país; sin embargo, se hace necesario constar con la capacitación y el equipamiento suficiente para poder decidir cuál de ellas es más racional. En el caso cubano, esto es posible y factible ya que se cuenta con ambas premisas.

Como se puede observar en las condiciones actuales y futuras, un amplio espectro de posibilidades para la medición, monitoreo, control y trazabilidad de los productos agricolas cosechados y por cosechar se abren paso día a día. De aquí la importancia de mantenerse informado y preparado para la aplicación de todas o algunas de estas tecnologías en dependencia de las condiciones objetivas económicas-financieras de cada país para su implementación. A criterio del autor, la fortaleza fundamental de esta investigación consiste en brindar a los investigadores y a los productores en el manejo y tratamiento poscosecha de productos agrícolas, un compendio de los principales métodos y tecnologías actuales y futuras necesarias para la investigación y aplicación de resultados a nivel productivo en el marco de sus posibilidades tecnológicas y financieras.

Conclusiones

 ⌅

La miniaturización y democratización de la tecnología está reconfigurando el panorama agrícola, acercando las herramientas de la agricultura de precisión a una base mucho más amplia de productores. Los espectrómetros y sensores portátiles han convertido la medición precisa de parámetros clave en una rutina rápida, económica y en el campo, desplazando a los laboratorios tradicionales para numerosas aplicaciones. Paralelamente, la robótica agrícola está superando la fase piloto para consolidarse como una respuesta tangible y cada vez más accesible a los retos de costos laborales, calidad y trazabilidad. La sinergia entre el internet de las cosas (IoT), la inteligencia artificial (IA) y la computación en tiempo real no es una tendencia futura, sino una realidad operativa actual. La integración de estas tecnologías está creando ecosistemas industriales donde:

  • Los sensores son los sentidos que capturan la realidad física.

  • La inteligencia artificial (IA) es el cerebro que interpreta y comprende.

  • Los modelos predictivos son la intuición que anticipa.

La calibración en tiempo real es el aprendizaje continuo que adapta.

Las herramientas y algoritmos están disponibles, accesibles y probados.

La transición hacia sistemas de censado no destructivo 100% representa un cambio paradigmático con implicaciones profundas:

  • Económicas: Maximización del valor y reducción de pérdidas;

  • Ambientales: Optimización de insumos y sostenibilidad;

  • Sociales: Trazabilidad y transparencia para consumidores;

  • Científicas: Nueva comprensión de procesos biológicos.

Las tecnologías descritas (NIRS hiperespectral, termografía, MRI/CT portátil, sensores táctiles) no son tecnologías de futuro, sino realidades implementadas que se están perfeccionando y democratizando. Su convergencia con inteligencia artificial (IA), robótica y ciencia de datos está creando un ecosistema de agricultura de precisión que transformará radicalmente cómo producimos, procesamos y garantizamos la calidad de los alimentos.

El futuro es no destructivo, cuantitativo y total. La capacidad de "ver lo invisible" y "medir sin tocar" está redefiniendo los estándares de calidad y eficiencia en la cadena agroalimentaria global.