La automatización se define como el uso de tecnologías que requieren mínima intervención humana (Qazi et al., 2022). En el contexto de la Industria 4.0, esta transformación de la industria alimentaria se logra mediante la integración de sistemas avanzados de tecnología de la información (TI), optimizando los procesos y mejorando la eficiencia (Akyazi et al., 2020). Un aspecto clave de esta evolución es la inteligencia artificial (IA), que permite la optimización de procesos complejos, la informatización de sistemas y la transformación de productos en las industrias alimentarias (Rawat et al., 2021).

La automatización y las tecnologías de la información son esenciales para incrementar la productividad, mejorar la calidad y alcanzar una mayor eficiencia en la industria alimentaria (Nolasco et al., 2023). Desde una perspectiva financiera, la principal justificación para adoptar la automatización radica en la mejora de los productos (Seaton, 2022). Según Alqudhaibi et al. (2024), la Industria 4.0 aprovecha tecnologías inteligentes que optimizan los sistemas de control en los procesos de fabricación, mejorando la automatización, el análisis de datos y la toma de decisiones autónoma a través de la interconexión de equipos y maquinaria (Lin & Prasetyo, 2025).

El objetivo principal de estas tecnologías es la optimización de recursos, particularmente mediante la reducción de tiempos improductivos en las líneas de producción (De Savas et al., 2023). Los beneficios que ofrece la Industria 4.0 a la industria alimentaria incluyen menores tiempos de preparación, entregas más rápidas, reducción de costos, mayor flexibilidad de producción y mayor productividad (Vargas et al., 2023). Además, contribuye a la reducción de la intervención humana y a la disminución de los costos laborales (Arshad et al., 2023).

A nivel global, la automatización en la industria alimentaria se beneficia de tecnologías emergentes, como la industria inteligente propuesta por la Industria 4.0 (Majid et al., 2022). La Figura 1 ilustra las principales tecnologías de la Industria 4.0 aplicadas en el sector alimentario, agrupadas en tres categorías: tecnologías físicas, digitales y biológicas. Estas incluyen desde sistemas físicos como la robótica y la automatización de procesos, hasta tecnologías digitales como el Internet de las Cosas (IoT) y la inteligencia artificial (IA), y tecnologías biológicas que están revolucionando el procesamiento y la trazabilidad de los productos alimentarios

Estudios recientes indican que las redes 5G potencian el Internet de las Cosas (IoT) y las aplicaciones de automatización inteligente, mejorando la eficiencia en el procesamiento de ingredientes alimentarios funcionales (Attaran, 2023; Yi Ting Neo et al., 2023). La automatización robótica se ha implementado exitosamente en procesos como empaquetado, paletización y etiquetado (Xu et al., 2023), con innovaciones como una pinza robótica inteligente con sensores para manipular carne, superando desafíos previos (Takacs et al., 2024). Además, la automatización ha mejorado la eficiencia en el sacrificio y faenado de animales (Sawangwong et al., 2020), y la Resonancia Magnética Nuclear (RMN) se ha consolidado como una herramienta para el control en tiempo real de la calidad alimentaria (McCarney et al., 2023). Por otro lado, la automatización también reduce el consumo de energía y optimiza procesos en industrias azucareras, mejorando la eficiencia en la pre-molienda (Osore et al., 2020).

En la industria pesquera, la automatización ha demostrado mejoras significativas en la velocidad de procesamiento y el rendimiento (Einarsdóttir et al., 2022). En el sector de la carne roja, la automatización, junto con tecnologías como la sensorización y IoT, facilita tareas automáticas en el procesamiento (Hamill et al., 2024). Además, la integración de la IA ha optimizado la clasificación, detección de calidad y procesamiento de carne (Mingyu & Xinxing, 2024). Las tecnologías como RFID (identificación por radiofrecuencia) también están revolucionando la trazabilidad y la calidad percibida en la cadena de suministro de carnes (Barge et al., 2020).

Por otro lado, el uso de tecnologías avanzadas como Machine Learning (ML) y Visión Artificial (CV) está mejorando la gestión y detección de defectos en pollos de engorde mediante técnicas no invasivas (Tran et al., 2024). Una innovación destacada es la medición del peso de los pollos utilizando videos de vista superior, aprovechando las CNN (redes neuronales convolucionales) 3D. Además, las operaciones unitarias en el procesamiento de granos alimenticios se benefician de tecnologías de visión artificial que mejoran la clasificación, limpieza y selección (Ghangha et al., 2024).

Una Revisión Sistemática de la Literatura (RSL) sobre la automatización en la industria alimentaria es fundamental para comprender su impacto en la eficiencia y sostenibilidad del sector. El uso de herramientas como bases de datos confiables (SCOPUS), criterios metodológicos (PICOC), análisis bibliométrico (Bibliometrix) y pautas de transparencia (PRISMA) permite estructurar y analizar de manera rigurosa la información disponible. Este enfoque facilita la identificación de tendencias, beneficios y desafíos en la adopción de tecnologías automatizadas, proporcionando una base sólida para futuras investigaciones y estrategias dentro de la Industria 4.0.

El objetivo principal de esta revisión es analizar las aplicaciones actuales de la automatización en la industria alimentaria y su vínculo con la Industria 4.0. A través de la recopilación y evaluación crítica de la literatura existente, se identifican las principales tendencias, beneficios y desafíos asociados a la adopción de tecnologías automa-tizadas en el sector alimentario. Además, se resalta cómo estas innovaciones mejoran la eficiencia operativa, la trazabilidad de los productos y permiten una respuesta más ágil a las necesidades del mercado. Esta revisión sistemática de la literatura ofrece una base sólida para futuras investigaciones, contribuyendo al avance hacia industrias alimentarias más inteligentes y sostenibles.

Tabla 1

Matriz PICOC de la investigación

Metodología		Descripción	Palabras Clave en español	Palabras Clave en inglés
P	Problema	Factores como la globalización, la demanda de productos de alta calidad, la presión por cumplir con regulaciones estrictas de seguridad alimentaria y la competencia internacional impulsan la necesidad de modernizar los procesos productivos.	Automatización Industria Alimentaria Seguridad Alimentaria Fabricación inteligente Fabricación de alimentos	Automation Food industry Food safety Smart manufacturing Food manufacturing
I	Intervención	Implementación de tecnologías de automatización, que pueden incluir robots, sistemas de inteligencia artificial (IA), sensores, máquinas controladas por software, líneas de producción automáticas, entre otras tecnologías, para mejorar la eficiencia.	Clasificación Aprendizaje automático Tecnologías Costos Alimentos Automatización	Classification Match Learning Technologies Costs Food Automation
C	Comparación	Procesos manuales o semi-automatizados tradicionales utilizados en la industria alimentaria. También se pueden comparar con otros sectores que han implementado automatización de manera más intensiva, como la industria automotriz o electrónica.	Innovación tecnológica Robots de servicio Sistemas ciberfísicos Industrias Automatización	Technology innovation Service robots Cyber-physical systems Industries Automation
O	Resultado	Mayor eficiencia en la producción, con una reducción significativa en el tiempo de fabricación y los errores humanos. Además, con este sistema se mejora la calidad y seguridad de los alimentos, al minimizar la manipulación directa de los productos. Impacto en el empleo, como la disminución de trabajos manuales, pero con el aumento de la demanda de personal capacitado en tecnología. Reducción de costos a largo plazo y aumento de la competitividad.	Automatización Tecnologías 4.0 Inteligencia artificial Aprendizaje automático	Automation Technologies 4.0 Artificial intelligence Automated learning
C	Contexto	La automatización en la industria alimentaria se inserta en un contexto global de digitalización y adopción de tecnologías 4.0.	Industria alimentaria Tecnologías 4.0 Digital	Food industry Technologies 4.0 Digital

Tabla 2

Ecuación general de búsqueda – resultados obtenidos en Scopus

Base de Datos	Palabras /Ecuación de búsqueda	Resultados
Scopus	("Automation" or "food industry" or "food safety" or "Smart manufacturing" or "Food manufacturing") AND ("Segmentation" or "Classification" or "Match Learning" or "Technologies" or "Costs" or " food" or "innovation") AND ("Technology innovation" or "Service robots" or "Cyber-physical systems or "Industries" or "Automation") AND ("Automation" or "Technologies 4.0" or "Artificial intelligence" or "Automation" or "Automated learning") AND “Food industry” or "Technologies 4.0" or "Digital system"	1432

Tabla 3

Criterios para la búsqueda de artículos científicos

Tipo	Criterios de Inclusión	Tipo	Criterios de Exclusión
CI1	Artículos de los últimos 4 años (2020 - 2024)	CE1	Todos los artículos publicados antes del 2020.
CI2	Área temática - Todo	CE2	Todas las demás investigaciones que no sean artículos.
CI3	Tipo de documento - Artículo	CE3	Artículos cerrados o de pago.
CI4	Idiomas - Español e Inglés	CE4	Falta de DOI.
CI5	Países - Todo

Por otra parte, la Figura 4A presenta el crecimiento de términos clave a lo largo del tiempo. En este sentido, el año 2000 se muestra como un punto inicial, con investigaciones enfocadas en inteligencia artificial aplicada a alimentos, como el trabajo de Grenier et al. (2000) en vinos, o el de Goyache et al. (2001), que promovía el uso de técnicas de IA para evaluar la calidad de productos alimenticios. Ilyukhin et al. (2001) ya señalaban un aumento significativo en la automatización de procesos alimentarios, aunque advertían que la adopción era muy variable entre plantas, siendo las de mayor escala las más automatizadas, pero también las menos interesadas en futuras innovaciones tecnológicas.

Este contexto dio paso a una creciente producción científica, donde la automatización y su relación con la industria alimentaria comenzaron a ganar protagonismo desde 2003. Posteriormente, términos como “machine learning” emergen con fuerza a partir de 2012, coincidiendo con las primeras menciones de “industry 4.0”. Todas estas palabras clave han mostrado un crecimiento exponencial, siendo “artificial intelligence” la de mayor incremento acumulado.

El gráfico de pastel complementa este análisis, mostrando que los términos más utilizados durante el período 2020–2024, en orden descendente, son: “artificial intelligence”, “food industry”, “automation”, “machine learning” e “industry 4.0”. Esta tendencia guarda relación directa con lo mostrado en la Figura 3B, que también reflejaba la evolución temporal de los términos.

La Figura 4B, por su parte, clasifica las palabras clave en función de su densidad (grado de desarrollo interno) y centralidad (relevancia dentro de la red temática). En este contexto, el término “digital systems” (clúster celeste), ubicado en el cuadrante superior izquierdo, presenta alta densidad, pero baja centralidad, lo que sugiere que, aunque su desarrollo técnico ha sido significativo, su relevancia temática ha disminuido. Esta aparente contradicción se aclara al considerar que “digital systems” es un concepto consolidado, pero ha sido progresivamente desplazado por enfoques más integradores y actuales como “smart systems” o “cyber-physical systems”(Hassoun et al., 2023; Koulouris et al., 2021). Algo similar ocurre con “information technology” (clúster marrón), cuyo desarrollo previo no se traduce en una centralidad temática destacada en el contexto reciente.

En el cuadrante inferior izquierdo, con baja densidad y centralidad, se encuentran términos como “classification” y “optimization” (clúster rosado), considerados como temas emergentes aún en proceso de consolidación. Ejemplo de ello es el trabajo de Mansourvar et al. (2024), que desarro-llaron un enfoque de clasificación automática de imágenes mediante redes neuronales profundas para identificar hongos como Fusarium graminearum, y el de Duan et al. (2024), que utilizaron un modelo multicaracterística lenguaje-imagen (MFLI) para clasificar pomelos según su calidad.

En el cuadrante inferior derecho, que representa tópicos con alta centralidad, pero menor densidad, se sitúan “food industry”, “machine learning” y “deep learning” (clúster gris), lo que sugiere que, si bien son temas relevantes, aún tienen espacio para un mayor desarrollo teórico y metodológico. En este mismo cuadrante destaca “fuzzy logic” (clúster azul), aplicada por De Pilli (2022) para optimizar la producción de pizza tanto industrial como artesanal, a través de software y herramientas digitales.

Finalmente, en el cuadrante superior derecho, se ubican los términos con alta densidad y centralidad, es decir, los más desarrollados y relevantes para la comunidad científica. Aquí destacan “artificial intelligence”, “automation” e “industry 4.0” (clúster naranja), considerados fundamentales para las investigaciones actuales sobre la digitalización de la industria alimentaria. Estos resultados refuerzan lo ya discutido en la Figura 3.

En síntesis, los análisis bibliométricos y temáticos expuestos no solo permiten visualizar la evolución conceptual y temporal de la digitalización en el ámbito alimentario, sino que también evidencian tendencias consolidadas, áreas en expansión y temas emergentes aún poco explorados. Todo ello refuerza la necesidad de una revisión sistemática que profundice en el abordaje de la Industria 4.0 y su vinculación con los procesos de automatización en el rubro alimentario, la cual se desarrolla a continuación.

3.2. Análisis de información y desarrollo de preguntas PICOC

Se recolectaron datos de las investigaciones más recientes. Tras llevar a cabo una rigurosa investigación, se detectaron 157 artículos en total, de los cuales solo se tomaron en cuenta 120 artículos de literatura. Por lo tanto, fueron escogidos meticulosamente para cumplir con los criterios de selección y calidad, con la finalidad de asegurar la pertinencia del contenido en esta revisión sistemática.

A continuación, se expone a fondo la lista de trabajos escogidos, y se exponen las cuestiones propuestas de la matriz PICOC.

Q1: ¿Cuáles son las principales tecnologías de la implementación de la industria 4.0 dentro de la industria alimentaria?

Para responder la primera pregunta se ha encontrado 23 respuestas, lo cual esa cantidad de autores no responden a la respuesta planteada (Figura 5). Seguidamente, hemos encontrado 13 respuestas donde algunos autores, al menos han dado 1 respuesta, lo que más destaca son los sistemas cibernéticos el cual hace referencia la integración de sistemas ciberfísicos que permite automatizar los niveles operativos y tácticas de la cadena de suministro, facilitando una respuesta más rápida y eficiente a las necesidades del mercado. Asimismo, 36 autores argumentan 2 respuestas de 3 respuestas planteadas, el cual viene hacer el IoT y el big data lo cual estos modernizan y optimizan la cadena productiva mejorando la trazabilidad de los productos, igualmente los Brazos robóticos aumentan la productividad como también mejoran las condiciones de trabajo. El sistema "Food Forecast" de IA optimiza la previsión de ventas en panaderías, automatizando decisiones que tradicionalmente implican errores humanos y reduciendo así el desperdicio alimentario. Lo cual nos indica que se tiene mayor conocimiento frente a las respuestas que se tienen representando el 30% que es un porcentaje aceptable, por otro lado, 43 autores responden 3 respuestas, que más resalta es el uso de redes neuronales artificiales (RNA) máquinas de vectores de soporte (SVR) predice CO₂ y etileno, crucial para vida útil de los productos, la tecnología blockchain (BCT) que permite la automatización de procesos, mejorar la eficiencia operativa dentro de la cadena de suministro, representando un 35,83% del 100% que es un porcentaje admisible, por último tenemos que al menos los artículos que se tiene responden las 4 respuestas planteadas lo que significa que hay menor conocimiento de estos temas por los 5 autores que se están tratando que es 4,17% del 100%.

A continuación, se responde a la interrogante de investigación planteada.

El beneficio clave de la implementación de tecnologías de la Industria 4.0 en la industria agroalimentaria es la mejora en la precisión de la detección y localización de objetos en 3D para operaciones robóticas (Rapado et al., 2023).

Figura 5. Principales beneficios de la implementación de la industria 4.0 dentro de la industria alimentaria.

Según Kumar et al. (2021) menciona que la automatización basada en la inteligencia artificial (IA), aprendizaje automático (ML) y aprendizaje profundo (DL) permite mejorar los procesos de producción y entrega de alimentos, por lo tanto, también reduce la dependencia de la mano de obra humana. Asimismo, Squara et al. (2024) y Wright et al. (2024) coinciden que la implementación de tecnologías de la Industria 4.0 en la industria alimentaria incluyen el uso de técnicas avanzadas de perfilado de metaboloma y fusión de datos para mejorar la predicción de la calidad de productos como las avellanas, mejora en la automatización y en el sector del procesamiento de carne, ya que está afectado por la escasez de mano de obra.

Kim et al. (2024) afirma que la aplicación de inteligencia artificial para el control de la información del frente del paquete (FOP) brinda ventajas significativas, tales como la capacidad de control rápido y eficiente, lo cual disminuye la necesidad de procesos manuales intensos en el trabajo. Para facilitar la automatización, la eficiencia y la consistencia en la producción de grandes cantidades de jarabe de maíz las grandes fábricas suelen utilizar procesos de producción continua (Jen et al., 2024).

Sin embargo, Heinzova et al. (2024) indican que las tecnologías de automatización y digitalización ayudan a gestionar mejorar los flujos de producción, especialmente importante en un contexto de escasez de mano de obra. De la misma manera, Vargas et al. (2024) aborda la adopción de un modelo híbrido Lean/Six Sigma, junto con una red neuronal de tensión superficial (STNN), contribuye a la automatización de los procesos en la elaboración de sal de ajo. En comparación con Zarikhani & Mostafaee (2024) mencionan que el sistema "Food Forecast", (previsión de alimentos) de IA optimiza la previsión de ventas en panaderías, automatizando decisiones que tradicionalmente implican errores humanos y reduciendo así el desperdicio alimentario.

Por otro lado, Bhatia (2023) destaca sobre el uso de códigos QR y tecnología blockchain que permite a los consumidores acceder fácilmente a información sobre la calidad y seguridad de los productos alimenticios. Los Robots móviles transportan materiales, reduciendo la mano de obra (Pawananont & Kritchanan, 2022). Mientras que Misra et al. (2022) destaca que el lot y el big data ayudan a modernizar la cadena de suministro, optimizando procesos y mejorando la trazabilidad de los productos, mientras que otros autores como Ramirez et al. (2022) y Voipio et al. (2023) se enfocan en que la tecnología de autoservicio inteligente (ISS) posibilita la automatización de diversos aspectos del servicio en la industria de alimentos, tales como el procesamiento de pedidos, el pago y la gestión de inventario en tiempo real.

EQ1: ¿Cuáles son las principales tecnologías de automatización y de la industria 4.0 que se están implementando dentro de la industria alimentaria?

Para responder esta pregunta sobre las principales tecnologías de automatización dentro de la industria alimentaria tenemos 26 artículos que no responden ninguna de las 5 respuestas planteadas (Figura 6), pero tenemos 44 artículos que responden al menos 1 respuesta el cual nos habla sobre la inteligencia artificial que se está utilizando en la industria alimentaria para optimizar los procesos de producción, reducir errores humanos y mejorar la eficiencia operativa también los sistemas ciber físicos son fundamentales para la automatización dentro de la cadena de suministro. Permiten la interacción entre el mundo físico y el digital, facilitando la automatización y el control eficiente de procesos clave en la industria y también nos habla sobre las tecnologías de la Industria 4.0 que se aplican al secado incluyen la automatización, la inteligencia artificial, el aprendizaje automático, la IoT y los sistemas ciber físicos. Estas herramientas se combinan con técnicas de secado híbridas para mejorar los resultados en la conservación de alimentos funcionales. También tenemos 31 artículos que responden al menos 2 respuestas sobre Machine learning (ML) la cual estas tecnologías ayudan a mejorar la toma de decisiones en tiempo real al analizar grandes volúmenes de datos, otro autor menciona que el modelo GI-AAE se apoya en técnicas de ML para aprender patrones en los datos y realizar predicciones precisas también la tecnología de autoservicio inteligente la ISS, el ML se utiliza para personalizar recomendaciones de alimentos según las preferencias del cliente, mejorando la experiencia de autoservicio. Seguidamente tenemos 15 artículos que responden al menos 3 respuestas que hablan sobre Deep Learning (DL) esta tecnología DL ayudan a analizar patrones complejos en los datos microbiológicos, además estos modelos de aprendizaje profundo (DL), el VGG16 ayuda para la clasificación de enfermedades en cultivos también ayuda para la clasificación de alimentos secos, aplicados para clasificar la fruta según parámetros de calidad como madurez, tamaño y color, luego tenemos 4 artículos que responden al menos 4 respuestas que no hacen mención sobre tecnología de Blockchain, nos dicen que el Blockchain es empleado para la trazabilidad digital, mejorando la seguridad y transparencia en la cadena de suministro alimentaria, la entrada de un producto del fabricante al comprador es seguida por una red de almacenamiento de cultivo. Una etapa razonable que otorga a los miembros de la asociación a la granja en conjunto es una red de almacenamiento de cultivo basada en blockchain y por último tenemos 0 artículos que no responden ninguna respuesta, este análisis nos ayudará saber mejor que articulo responden a cada una de nuestras respuestas para hacer más énfasis en ese tema.

Figura 6. Principales tecnologías de automatización dentro de la industria alimentaria.

A continuación, se responde a la interrogante de investigación planteada.

Las principales tecnologías de la Industria 4.0 en el sector alimentario se centran en herramientas como Inteligencia Artificial (IA), Machine Learning (ML), Deep Learning (DL), Blockchain y otras tecnologías emergentes. A pesar de estas coincidencias, los enfoques específicos varían según cada autor, lo que refleja tanto la diversidad como la especificidad de las aplicaciones.

Según Kumar et al. (2021) menciona que la principal tecnología de automatización es la I.A ya que subrayan su capacidad para optimizar procesos, reducir errores humanos y mejorar la eficiencia operativa. Mientras que Bader et al. (2020) señala su uso potencial junto a robots industriales para abordar soluciones flexibles de automatización mediante la metodología FIRM. Asimismo, Gružauskas et al. (2022) enfocan la IA en sistemas ciberfísicos para la automatización dentro de la cadena de suministro, un componente clave en la transformación digital.

Por otro lado, Ramachandran et al. (2024) y Burgdorf et al. (2024) discrepan en los procesos específicos de la I.A, los primeros autores destacan su aplicación en procesos específicos como el secado, una etapa crucial en la conservación de alimentos, y los segundos autores asocian la IA con la visión artificial para monitorear la cristalización, evidenciando su uso en procesos especializados.

Kumar et al. (2021) y Akyazi et al. (2020) destacan Machine Learning (ML) y Deep Learning (DL) como extensiones de la IA, particularmente en el análisis de grandes volúmenes de datos y en la mejora de la toma de decisiones en tiempo real.

NN Misra et al. (2022) y Kumar et al. (2021) coinciden en el uso de la IA en Análisis de grandes volúmenes de datos para mejorar la eficiencia operativa y la toma de decisiones en tiempo real.

Nikhil Ghag et al. (2024) señala aplicaciones específicas como la cadena de suministro de alimentos, mientras que Wright et al. (2024) es aplicado en el procesamiento de carne, en cambio Squara et al. (2024) aplicado en la clasificación de productos mediante cromatografía de gases.

Rapado (2023) y Mokhtar et al. (2024) ambos autores coinciden en técnicas avanzadas como detección y seguimiento de objetos en 3D y modelos predictivos para producción agrícola.

En tanto Squara et al. (2024) y Ma et al. (2022) destacan la capacidad de DL para clasificar datos complejos y detectar microorganismos con alta precisión, subrayando su potencial en análisis microbiológicos.

Mientras que Voipio et al. (2023) menciona como principal tecnología al ML, destacando su uso en la personalización de recomendaciones de alimentos basadas en preferencias del cliente.

En relación a las discrepancias Kumar et al. (2021) y Ma et al. (2022) destacan el impacto en la eficiencia operativa y la detección rápida de microorganismos, mientras que Squara et al. (2024) se centran en mejorar técnicas analíticas complejas. En el mismo contexto Nikhil Ghag et al. (2024) y Gružauskas & Burinskienė (2022) identifican la IA como esencial para mejorar la logística y trazabilidad en la cadena de suministro, un enfoque que otros no mencionan. Mokhtar et al. (2024) son los únicos en enfocarse en la predicción de cultivos como el arroz, un área menos explorada por otros autores.

EQ2: ¿Cuáles son las barreras que enfrentan las empresas de la industria alimentaria para implementar tecnologías de la Industria 4.0?

Para responder a la pregunta EQ2 de los 120 artículos 84 artículos no responden a ninguna de las 3 respuestas, además 36 artículos responden al menos 1 pregunta de las 2 preguntas planteadas y no hay artículos que respondan 2 preguntas, los artículos que responden al menos 1 hablan acerca de que existen desafíos en la adopción de estas tecnologías (Figura 7). La automatización en la industria alimentaria, específicamente con el uso de robots industriales, ha sido más lenta en comparación con otros sectores de fabricación, también Los obstáculos incluyen la necesidad de contar con una fuerza laboral calificada, límites financieros, complejidad regulatoria y limitaciones tecnológicas, esto nos conlleva a una integración lenta de la Automatización en la FSC y por último una barrera es la poca flexibilidad de los sistemas de automatización en la industria de la carne.

A continuación, se responde a la interrogante de investigación planteada.

En la integración lenta de la automatización existen desafíos en la adopción de estas tecnologías. La automatización en la industria alimentaria, específicamente con el uso de robots industriales, ha sido más lenta en comparación con otros sectores de fabricación (Farah et al., 2020).

Gráfico, Gráfico de barras, Gráfico en cascada

El contenido generado por IA puede ser incorrecto.

Figura 7. Barreras para la implementación del sistema 4.0 en la industria alimentaria.

Por otro lado, Ghag et al. (2024) indica que los obstáculos incluyen la urgencia de disponer de una fuerza laboral debidamente calificada, límites financieros, complejidad regulatoria y limitaciones tecnológicas, lo cual nos conduce a una integración rápida de la automatización en la FSC. Asimismo, Wright et al. (2024) aborda que la escasa flexibilidad de los sistemas de automatización en la industria de la carne es insuficiente.

Cui et al. (2024) señala que las tecnologías de industria 4.0, tales como el GI-AAE, requiere inversiones significativas en infraestructura, equipos y formación. Para muchas organizaciones alimentarias, particularmente las pequeñas y medianas, estos costos pueden ser irracionales. En la Integración Lenta de la Automatización muchas empresas del sector alimentario aún dependen de procesos manuales y tradicionales. La transición a sistemas automatizados puede ser lenta debido a la resistencia al cambio (Hubener et al., 2024).

Pitjamit et al. (2024) y Tariq et al. (2024) coinciden en que se implementaron tecnologías como IoT y automatización en áreas críticas (cocción al vapor, pesaje, sellado, y envasado), la transición completa hacia un sistema totalmente automatizado requiere varios pasos y enfrenta algunos desafíos.

EQ3: ¿Qué mejoras existen al implementar tecnologías de la Industria 4.0 en la industria alimentaria?

Para responder la pregunta EQ3 sobre que mejoras existen al implementar la tecnología 4.0 dentro de la industria alimentaria, de los 120 artículos tenemos 32 artículos que no responden a ninguna respuesta (Figura 8), pero tenemos 25 artículos que responden al menos 1 pregunta las cuales hablan sobre la mejora de la automatización de procesos; uno de los artículos habla sobre la adopción de la automatización basada en IA, ML y DL para gestionar de manera más eficiente la producción y la entrega de alimentos, otros artículos habla sobre la introducción de los robots industriales que se ha convertido en un aspecto esencial en la adaptación de la industria alimentaria a los nuevos desafíos también otro artículo habla sobre el uso de técnicas de secado híbridas combinadas con tecnologías de la Industria 4.0, lo que indica un cambio hacia procesos más eficientes y controlados en la operación de secado. También tenemos 25 artículos que responden al menos 2 respuestas las cuales hablan acerca de la calidad y seguridad alimentaria como una mejora al implementar tecnologías de 4.0 uno de los artículos habla sobre la inteligencia artificial, el uso de esta tecnología ha mejorado los sistemas de envasado, aumentando la vida útil de los alimentos y haciendo más transparentes las cadenas de suministro, por otro lado un artículo menciona que la industria alimentaria ha comenzado a adaptarse a un modelo de cadena de suministro para mantener una alta calidad del producto, garantizando así la seguridad alimentaria, ´por otro lado la cadena de suministro alimentaria se está digitalizando mediante el uso de blockchain para garantizar la trazabilidad de los productos. Además de que se están empleando métodos avanzados de análisis, como la fusión de sensores y la secuenciación genética, para mejorar la calidad y la seguridad de los alimentos y así tenemos más artículos que hablan referente a la seguridad alimentaria y por último tenemos 9 artículos que responden al menos 3 preguntas la cual nos indican que la digitalización de la información sobre productos alimenticios a través de códigos QR permite a los consumidores y a los profesionales del sector obtener información relevante de manera rápida y fácil, también en otra parte las tecnologías de la Industria 4.0 permiten el uso racional de agua, energía y fertilizantes, lo que hace que la producción sea más sostenible y así también reducir errores humanos - Adaptabilidad y versatilidad de igual manera facilita un enfoque integrado en la gestión del nexo WEF, promoviendo políticas que combinan datos científicos y sostenibilidad y así tenemos artículos que responden a nuestras preguntas.

Figura 8. Mejoras que existen al implementar tecnologías de la Industria 4.0 en la industria alimentaria.

A continuación, se responde a la interrogante de investigación planteada.

Un ejemplo claro de esta evolución es el uso de sistemas basados en visión artificial, como lo destacan Xiong et al. (2024). Estos sistemas automatizan el control de calidad en el envasado de alimentos, permitiendo evaluar factores visuales e informativos de manera rápida y precisa. Esto no solo reduce los desperdicios en la producción, sino que también mejora el desempeño económico y ambiental de las empresas. Este tipo de innovación refleja cómo las tecnologías de datos pueden integrarse exitosamente en aplicaciones industria-les prácticas.

Por otro lado, Kumar et al. (2021) enfatizan la importancia de la inteligencia artificial (IA) y el aprendizaje automático (ML) en la gestión de la cadena de suministro también Nasurudeen & Ahamed (2021) destacan la utilidad de blockchain y Big Data para garantizar la trazabilidad de los productos, fortaleciendo la confianza entre productores y consumidores, estas herramientas han optimizado la previsión de la demanda, aumentado la transparencia y mejorado la seguridad alimentaria, eliminando errores humanos que previamente dificultan la eficiencia en la producción.

Además, las tecnologías de monitoreo remoto han revolucionado la detección de riesgos en la industria alimentaria. Ramalingam et al. (2020) proponen un sistema innovador que combina IoT y aprendizaje profundo para resolver problemas de forma temprana y con alta precisión de la misma manera Gružauskas & Burinskienė (2022) proponen un marco que aplica sistemas ciberfísicos para gestionar la complejidad en la cadena de suministro alimentaria donde permite a las industrias adaptarse a las exigencias del mercado, respondiendo con rapidez a las tendencias de consumo, como la preferencia por productos orgánicos.

Sheng-Jen et al. (2024) y Raamets et al. (2024) coinciden en que la automatización de procesos es una de las principales mejoras enfatizando en mayor precisión en el control de parámetros de calidad (pH y DE) en el jarabe de maíz, asimismo la confiabilidad del proceso. Asimismo, mejora en la eficiencia de procesos.

Una perspectiva más humana en la integración tecnológica es explorada por Holzinger et al. (2024), quienes destacan la relevancia de la Agricultura 5.0. Este modelo incorpora inteligencia artificial centrada en el ser humano, lo que permite combinar la destreza tecnológica con la experiencia y el juicio humano, especialmente en contextos agrícolas. Esto no solo facilita la toma de decisiones en condiciones cambiantes, como fenómenos climáticos extremos, sino que también refuerza la sostenibilidad a largo plazo.

Finalmente, en el ámbito del servicio alimentario, Hye Jin Sung & Hyeon Mo Jeon (2020) subrayan la aceptación positiva de los consumidores hacia tecnologías innovadoras, como los robots baristas. Esto demuestra que las herramientas tecnológicas no solo optimizan los procesos, sino que también mejoran la experiencia del cliente, un factor clave para su adopción exitosa.

Las generalizaciones del caso tienen énfasis en las mejoras que existen en tecnologías de la Industria 4.0 en la industria alimentaria está redefiniendo los estándares operativos y estratégicos. Desde la automatización del control de calidad y la optimización de la cadena de suministro hasta la humanización de la inteligencia artificial, estas innovaciones están transformando el sector, haciéndolo más eficiente, sostenible y resiliente. Sin embargo, es fundamental seguir avanzando en su implementación de manera que estas herramientas no sólo respondan a las necesidades del mercado, sino que también sean accesibles y alineadas con las expectativas de la sociedad.

La implementación de la Industria 4.0 y la automatización en el sector alimentario en América Latina, y específicamente en Perú, no solo representa una evolución tecnológica, sino una transformación cultural y operativa en las empresas del sector. A medida que tecnologías emergentes como la inteligencia artificial, el machine learning y la blockchain continúan desarrollándose, se espera que la industria alimentaria de la región adopte un enfoque más proactivo en la integración de estas innovaciones.

En el contexto latinoamericano, el futuro de esta industria se perfila hacia una mayor eficiencia, con procesos más ágiles y sostenibles que optimizan la producción y responden a las demandas cambiantes de los consumidores, quienes cada vez son más conscientes de la calidad y sostenibilidad de los productos. Las empresas que prioricen la formación continua de su personal y la adaptación a nuevas tecnologías estarán mejor posicionadas para enfrentar los desafíos del mercado, especialmente en un entorno competitivo y en constante cambio.

En Perú, la colaboración entre diferentes actores de la cadena de suministro —incluyendo productores, distribuidores y consumidores— será crucial para maximizar los beneficios de la automatización. Además, la implementación de estándares internacionales y regulaciones claras facilitará la adopción de estas tecnologías, asegurando un marco sólido para su desarrollo. La promoción de políticas públicas que apoyen la innovación y la capacitación técnica puede ser un motor clave para que el sector alimentario peruano se integre exitosamente en la economía global.

La importancia de los resultados en este trabajo es; resaltar cómo tecnologías como el Internet de las Cosas (IoT), la inteligencia artificial (IA), y la robótica están revolucionando la producción y distribución de alimentos. Estos avances permiten una mayor eficiencia, reducción de costos y mejora en la calidad de los productos. Además de discutir cómo la automatización y la digitalización contribuyen a prácticas más sostenibles, optimizando el uso de recursos y reduciendo desperdicios en el proceso alimentario. Finalmente analizar la importancia de la automatización en el monitoreo y control de calidad, garantizando que los productos cumplan con las normativas de seguridad alimentaria.

Según los resultados encontrados pueden ser aplicados por empresas del sector alimentario para implementar tecnologías que optimicen sus procesos, mejoren la trazabilidad y respondan rápidamente a las demandas del mercado.

Alqudhaibi, A., Albarrak, M., Jagtap, S., Williams, N., & Salonitis, K. (2025). Securing industry 4.0: Assessing cybersecurity challenges and proposing strategies for manufacturing management. Cyber Security and Applications,3,100067. https://doi.org/10.1016/j.csa.2024.100067

Ahamed, N. N., & Vignesh, R. (2022). Smart agriculture and food industry with blockchain and artificial intelligence. Journal of Computer Science, 18(1), 1-17. https://doi.org/10.3844/jcssp.2022.1.17

Qazi, A. M., Mahmood, S. H., Haleem, A., Bahl, S., Javaid, M., & Gopal, K. (2022). The impact of smart materials, digital twins (DTs) and Internet of things (IoT) in an industry 4.0 integrated automation industry. Materials Today: Proceedings, 62, 18-25. https://doi.org/10.1016/j.matpr.2022.01.387

Akyazi, T., Goti, A., Oyarbide, A., Alberdi, & E., Bayon, F. (2020). A Guide for the Food Industry to Meet the Future Skills Requirements Emerging with Industry4.0.Foods,9(4),492. https://doi.org/10.3390/foods9040492

Alsaedi, A.W.M., Al-Hilphy, A.R., Al-Mousawi, A.J., & Gavahian, M. (2024). Artificial intelligence-based modeling of novel non-thermal milk pasteurization to achieve desirable color and predict quality parameters during storage. Journal of Food Process Engineering, 47(7), e14658. https://doi.org/10.1111/JFPE.14658

Ananias, E., Gaspar, P. D., Soares, V. N., & Caldeira, J. M. (2021). Artificial intelligence decision support system based on artificial neural networks to predict the commercialization time by the evolution of peach quality. Electronics, 10(19), 2394. https://doi.org/10.3390/electronics10192394

Arshad, S., Kazmi, H., Javed, M., & Mohammed, S. (2023). Applicability of machine learning techniques in predicting wheat yield based on remote sensing and climate data in Pakistan, South Asia. European Journal of Agronomy, 1161-0301. https://doi.org/10.1016/j.eja.2023.126837

Attaran, M. (2023). The impact of 5G on the evolution of intelligent automation and industry digitization. Journal of Ambient Intelligence and Humanized Computing, 14, 5977–5993. https://doi.org/10.1007/s12652-020-02521-x

Bader, F., & Rahimifard, S. (2020). A methodology for the selection of industrial robots in food handling. Innovative Food Science & Emerging Technologies, 64,102379. https://doi.org/10.1016/j.ifset.2020.102379

Bali, K.C., Kaya Yıldırım, F., & Ulusoy, B.H. (2024). Artificial intelligence-based model for evaluating the inhibition of Listeria monocytogenes, Staphylococcus aureus, and Escherichia coli in kefir matrix. Quality Assurance and Safety of Crops & Foods, 16(4), 80–98. https://doi.org/10.15586/QAS.V16I4.1459

Banús, N., Boada, I., Xiberta, P., Toldrà, P., & Bustins, N. (2021). Deep learning for the quality control of thermoforming food packages. Scientific Reports, 11(1), 21887. https://doi.org/10.1038/s41598-021-01254-x

Barbut, S. (2020). Meat Industry 4.0: A Distant Future?. Animal Frontiers, 10(4), 38–47. https://doi.org/10.1093/af/vfaa038

Barge, P., Biglia, A., Comba, L., Ricauda Aimonino, D., Tortia, C., & Gay, P. (2020). Radio Frequency IDentification for Meat Supply-Chain Digitalisation. Sensors, 20(17), 4957. https://doi.org/10.3390/s20174957

Bhat, W., Manzoor, A., Ahmad, Z., & Qureshi, D. (2023). How to Conduct Bibliometric Analysis Using R-Studio: A Practical Guide. European Economics Letters, 13, 681–700. https://doi.org/10.52783/eel.v13i3.350

Bhatia, S., & Albarrak, A.S. (2023). A Blockchain-Driven Food Supply Chain Management Using QR Code and XAI-Faster RCNN Architecture. Sustainability, 15(3), 2579. https://doi.org/10.3390/su15032579

Borras, E., Wang, Y., Shah, P., Bellido, K., Hamera, K. L., Arlen, R. A., ... & Turpen, T. H. (2023). Active sampling of volatile chemicals for non-invasive classification of chicken eggs by sex early in incubation. Plos one, 18(5), e0285726. https://doi.org/10.1371/journal.pone.0285726

Bui, T.D., Tseng, J.W., Tran, T.P.T., Ha, H.M., Lim, M.K., & Tseng, M.L. (2023). Circular supply chain strategy in Industry 4.0: The canned food industry in Vietnam. Business Strategy and the Environment, 32(8), 6047–6073. https://doi.org/10.1002/BSE.3472

Burgdorf, S., Roddelkopf, T., & Thurow, K. (2024). Automated Crystallization Monitoring in Material Development using Computer Vision and Neuronal Networks. Chemie Ingenieur Technik, 96(3). https://doi.org/10.1002/cite.202300049

Casablanca, P.M., & Arroyo-Barrigüete, J.L. (2023). Productividad en la Industria 4.0. Evidencias empíricas en el sector de embotellado. Revista de Ingeniería de Organización, 79. https://doi.org/10.37610/dyo.v0i79.636

Chard, L. (2021). Lab Techniques for a More Sustainable World. BioTechniques, 71(4), 501–504. https://doi.org/10.2144/btn-2021-0081

Chen, T.-C., & Yu, S.-Y. (2022). The review of food safety inspection system based on artificial intelligence, image processing, and robotic. Food Science and Technology, 42, e35421. https://doi.org/10.1590/fst.35421

Chiras, D., Stamatopoulou, M., Paraskevis, N., Moustakidis, S., Tzimitra-Kalogianni, I., & Kokkotis, C. (2023). Explainable Machine Learning Models for Identification of Food-Related Lifestyle Factors in Chicken Meat Consumption Case in Northern Greece. BioMedInformatics, 3(3), 817–828. https://doi.org/10.3390/biomedinformatics3030051

D’Amore, G., Di Vaio, A., Balsalobre-Lorente, D., & Boccia, F. (2022). Artificial intelligence in the water–energy–food model: a holistic approach towards sustainable development goals. Sustainability, 14(2), 867. https://doi.org/10.3390/su14020867

Dadi, V., Nikhil, S. R., Mor, R., Agarwal, T., & Arora, S. (2021). Agri-food 4.0 and innovations: Revamping the supply chain operations. Production Engineering Archives, 27(2), 75-89. https://doi.org/10.30657/pea.2021.27.10

Dawid, H., & Neugart, M. (2023). Effects of technological change and automation on industry structure and (wage-) inequality: insights from a dynamic task-based model. Journal of Evolutionary Economics, 33(1), 35-63. https://doi.org/10.1007/s00191-022-00803-5

De Pilli, T. (2022). Application of fuzzy logic system for the pizza production processing optimisation. Journal of Food Engineering, 319, 110906. https://doi.org/10.1016/J.JFOODENG.2021.110906

Konur, S., Lan, Y., Thakker, D., Morkyani, G., Polovina, N., & Sharp, J. (2023). Towards design and implementation of Industry 4.0 for food manufacturing. Neural Computing and Applications, 35, 23753–23765. https://doi.org/10.1007/s00521-021-05726-z

Decardi-Nelson, B., & You, F. (2024). Artificial intelligence can regulate light and climate systems to reduce energy use in plant factories and support sustainable food production. Nature Food, 5(10), 869–881. https://doi.org/10.1038/S43016-024-01045-3

Di Vaio, A., Boccia, F., Landriani, L., & Palladino, R. (2020). Artificial Intelligence in the Agri-Food System: Rethinking Sustainable Business Models in the COVID-19 Scenario. Sustainability, 12(12), 4851. https://doi.org/10.3390/su12124851

Duan, J.L., Lai, L.Q., Yang, Z., Luo, Z.J., & Yuan, H.T. (2024). Multi-feature language-image model for fruit quality image classification. Computers and Electronics in Agriculture, 227, 109462. https://doi.org/10.1016/J.COMPAG.2024.109462

Einarsdóttir, H., Guðmundsson, B., & Ómarsson, V. (2022). Automation in the fish industry. Animal Frontiers, 12(2), 32-39. https://doi.org/10.1093/af/vfac020

Farah Bader., & Shahin Rahimifard (2020). A methodology for the selection of industrial robots in food handling. Innovative Food Science & Emerging Technologies, 64, 102379. https://doi.org/10.1016/j.ifset.2020.102379

Friege, H., & Eger, Y. (2022). Best practice for bio-waste collection as a prerequisite for high-quality compost. Waste Management & Research, 40(1), 104-110. https://doi.org/10.1177/0734242X211033714

Fries, M., & Ludwig, T. (2024). ‘why are the sales forecasts so low?’socio-technical challenges of using machine learning for forecasting sales in a bakery. Computer Supported Cooperative Work (CSCW), 33(2), 253-293. https://doi.org/10.1007/s10606-022-09458-z

Ghanghas, S., Kumar, N., Singh, V. K., Kumar, S., Birania, S., & Kumar, A. (2024). Image processing technology, imaging techniques, and their application in the food processing sector. Nonthermal Food Engineering Operations, 193-223. https://doi.org/10.1002/9781119776468.ch6

van der Burg, S., Giesbers, E., Bogaardt, M. J., Ouweltjes, W., & Lokhorst, K. (2024). Ethical aspects of AI robots for agri-food; a relational approach based on four case studies. AI & SOCIETY, 39(2), 541-555. https://doi.org/10.1007/s00146-022-01429-8

Goyache, F., Bahamonde, A., Alonso, J., López, S., Del Coz, J. J., Quevedo, J. R., ... & Díez, J. (2001). The usefulness of artificial intelligence techniques to assess subjective quality of products in the food industry. Trends in Food Science & Technology, 12(10), 370-381. https://doi.org/10.1016/S0924-2244(02)00010-9

Grenier, P., Alvarez, I., Roger, J.M., Steinmetz, V., Barre, P., & Sablayrolles, J.M. (2000). Artificial intelligence in wine-making. OENO One, 34(2), 61–68. https://doi.org/10.20870/OENO-ONE.2000.34.2.1007

Gružauskas, V., & Burinskienė, A. (2022). Managing Supply Chain Complexity and Sustainability: The Case of the Food Industry. Processes, 10(5), 852. https://doi.org/10.3390/pr10050852

Hamill, R.M., Ferragina, A., Mishra, J.P., Kavanagh, A., Hibbett, M., Gagaoua, M., Colreavy, J., & Rady, A. (2024). Toward Meat Industry 4.0: opportunities and challenges for digitalized red meat processing. Food Industry 4.0, 259–281. https://doi.org/10.1016/B978-0-443-15516-1.00013-X

Hassoun, A., Jagtap, S., Trollman, H., Garcia-Garcia, G., Abdullah, N. A., Goksen, G., ... & Lorenzo, J. M. (2023). Food processing 4.0: Current and future developments spurred by the fourth industrial revolution. Food Control, 145, 109507. https://doi.org/10.1016/j.foodcont.2022.109507

Heinzova, R., Strohmandl, J., & Janova, N. (2024). Production and logistics 4.0 in the food industry in the Czech Republic. International Scientific Journal about Logistica, 11, 421–427. https://doi.org/10.22306/al.v11i3.527

Heuson, E., Etchegaray, A., Filipe, S. L., Beretta, D., Chevalier, M., Phalip, V., & Coutte, F. (2019). Screening of lipopeptide‐producing strains of Bacillus sp. using a new automated and sensitive fluorescence detection method. Biotechnology Journal, 14(4), 1800314. https://doi.org/10.1002/biot.2018003

Einarsdóttir, H., Guðmundsson, B., & Ómarsson, V. (2022). Automation in the fish industry. Animal Frontiers, 12(2), 32-39. https://doi.org/10.1093/af/vfac020

Hobbs, J.E. (2021). The Covid-19 pandemic and meat supply chains. Meat Science, 181, 108459. https://doi.org/10.1016/j.meatsci.2021.108459

Holzinger, I., Fister, I., Fister, H.-P., Kaul, H.P., & Asseng, S. (2024). Human-Centered AI in Smart Farming: Toward Agriculture 5.0. IEEE Access, 12, 62199- 62214. https://doi.org/10.1109/ACCESS.2024.3395532

Hsieh, S.-J., & Hykin, J. (2024). Multi-Stage Corn-to-Syrup Process Monitoring and Yield Prediction Using Machine Learning and Statistical Methods. Sensors, 24(19), 6401. https://doi.org/10.3390/S24196401

Ibn-Mohammed, T., Mustapha, K. B., Godsell, J., Adamu, Z., Babatunde, K. A., Akintade, D. D., ... & Koh, S. C. L. (2021). A critical analysis of the impacts of COVID-19 on the global economy and ecosystems and opportunities for circular economy strategies. Resources, Conservation and Recycling, 164, 105169. https://doi.org/10.1016/j.resconrec.2020.105169

Ilyukhin, S.V., Haley, T.A., & Singh, R.K. (2001). A survey of automation practices in the food industry. Food Control, 12(5), 285–296. https://doi.org/10.1016/S0956-7135(01)00015-9

Jha, R., Lang, W., & Jedermann, R. (2023). Ultrasonic measurement setup for monitoring pre-thawing stages of food. Journal of Sensors and Sensor Systems, 12, 133–139. https://doi.org/10.5194/jsss-12-133-2023

Jossa-Bastidas, O., Sanchez, A. O., Bravo-Lamas, L., & Garcia-Zapirain, B. (2023). Iot system for gluten prediction in flour samples using NIRS technology, deep and machine learning techniques. Electronics, 12(8),1916. https://doi.org/10.3390/electronics12081916

Jung, D. H., Kim, N. Y., Moon, S. H., Jhin, C., Kim, H. J., Yang, J. S., ... & Park, S. H. (2021). Deep learning-based cattle vocal classification model and real-time livestock monitoring system with noise filtering. Animals, 11(2), 357. https://doi.org/10.3390/ani11020357

Saraji, M. K., Aliasgari, E., & Streimikiene, D. (2023). Assessment of the challenges to renewable energy technologies adoption in rural areas: A Fermatean CRITIC-VIKOR approach. Technological Forecasting and Social Change, 189, 122399. https://doi.org/10.1016/j.techfore.2023.122399

Katiyar, S., Khan, R., & Kumar, S. (2021). Artificial bee colony algorithm for fresh food distribution without quality loss by delivery route optimization. Journal of Food Quality, 2021(1), 4881289. https://doi.org/10.1155/2021/4881289

Koulouris, A., Misailidis, N., & Petrides, D. (2021). Applications of process and digital twin models for production simulation and scheduling in the manufacturing of food ingredients and products. Food and Bioproducts Processing, 126, 317–333. https://doi.org/10.1016/j.fbp.2021.01.016

Krishna, S., Kumar, R., Rose, J., Patidar, V. Soni, A., Mehta, D., & Ranadive, A. (2023). Artificial intelligence and big data analytics-based optimization of crop yields in sustainable agriculture. Carpathian Journal of Food Science and Technology, Special Issue, 1–15. https://doi.org/10.34302/SI/238

Kumar, I., Rawat, J., Mohd, N., & Husain, S. (2021). Opportunities of artificial intelligence and machine learning in the food industry. Journal of Food Quality, 2021(1), 4535567. https://doi.org/10.1155/2021/4535567

Lee, J., Kim, Y., & Kim, S. (2023). The study of an adaptive bread maker using machine learning. Foods, 12(22), 4160. https://doi.org/10.3390/foods12224160

Li, X., & Sharma, A. (2024). Development of NC Program Simulation Software Based on AutoCAD Swarm Optimization Algorithm. Computer-Aided Design and Applications, 21(S6), 30–40. https://doi.org/10.14733/cadaps.2024.S6.30-40

Lievano-Martínez, F. A., Fernández-Ledesma, J. D., Burgos, D., Branch-Bedoya, J. W., & Jimenez-Builes, J. A. (2022). Intelligent process automation: An application in manufacturing industry. Sustainability, 14(14), 8804. https://doi.org/10.3390/su14148804

Lin, C.J., & Prasetyo, R. (2025). Learning performance and physiological feedback-based evaluation for human–robot collaboration. Applied Ergonomics, 124, 104425. https://doi.org/10.1016/j.apergo.2024.104425

Luiz, L.da C., Nascimento, C.A., Bell, M.J.V., Batista, R.T., Meruva, S., & Anjos, V. (2022). Use of mid infrared spectroscopy to analyze the ripening of Brazilian bananas. Food Science and Technology, 42, e74221. https://doi.org/10.1590/fst.74221

Lutoslawski, K., Hernes, M., Radomska, J., Hajdas, M., Walaszczyk, E., & Kozina, A. (2021). Food demand prediction using the nonlinear autoregressive exogenous neural network. IEEE Access, 9, 146123-146136.https://doi.org/10.1109/ACCESS.2021.3123255

Madhavan, M., Sharafuddin, M. A., & Wangtueai, S. (2024). Impact of Industry 5.0 Readiness on Sustainable Business Growth of Marine Food Processing SMEs in Thailand. Administrative Sciences, 14(6), 110.https://doi.org/10.3390/admsci14060110

Makridis, G., Mavrepis, P., & Kyriazis, D. (2023). A deep learning approach using natural language processing and time-series forecasting towards enhanced food safety. Machine Learning, 112, 1287–1313. https://doi.org/10.1007/s10994-022-06151-6

Mansourvar, M., Funk, J., Petersen, S. D., Tavakoli, S., Hoof, J. B., Corcoles, D. L., ... & Frandsen, R. J. N. (2024). Automatic classification of fungal-fungal interactions using deep leaning models. Computational and Structural Biotechnology Journal, 23, 4222-4231.https://doi.org/10.1016/J.CSBJ.2024.11.027

Markovic, M., Li, A., Ayall, T. A., Watson, N. J., Bowler, A. L., Woods, M., ... & Leontidis, G. (2024). Embedding AI-Enabled Data Infrastructures for Sustainability in Agri-Food: Soft-Fruit and Brewery Use Case Perspectives. Sensors, 24(22), 7327.https://doi.org/10.3390/S24227327

McCarney, E. R., Dykstra, R., Dykstra, C. G., & FitzPatrick, A. (2023). Automated Eating Quality Measurements on Lamb Carcases in a Processing Plant Using Unilateral NMR. Applied Magnetic Resonance, 54(11), 1377-1389. https://doi.org/10.1007/s00723-023-01615-x

Wang, M., & Li, X. (2024). Application of artificial intelligence techniques in meat processing: A review. Journal of Food Process Engineering, 47(3), e14590. https://doi.org/10.1111/jfpe.14590

Mokhtar, A., He, H., Nabil, M., Kouadri, S., Salem, A., & Elbeltagi, A. (2024). Securing China’s rice harvest: Unveiling dominant factors in production using multi-source data and hybrid machine learning models. Scientific Reports, 14(1), 14699. https://doi.org/10.1038/s41598-024-64269-0

Neo, Y.T., Chia, W.Y., Lim, S.S., Ngan, C.L., Kurniawan, T.A., & Chew, K.W. (2023). Smart systems in producing algae-based protein to improve functional food ingredients industries. Food Research International, 165, 112480. https://doi.org/10.1016/j.foodres.2023.112480

Neri, I., Caponi, S., Bonacci, F., Clementi, G., Cottone, F., Gammaitoni, L., ... & Mattarelli, M. (2024). Real-Time AI-Assisted Push-Broom Hyperspectral System for Precision Agriculture. Sensors, 24(2), 344. https://doi.org/10.3390/S24020344

Nobel, S. N., Wadud, M. A. H., Rahman, A., Kundu, D., Aishi, A. A., Sazzad, S., ... & Bhuiyan, T. A. U. H. (2024). Categorization of dehydrated food through hybrid deep transfer learning techniques. Statistics, Optimization & Information Computing, 12(4), 1004-1018. https://doi.org/10.19139/soic-2310-5070-1896

Nolasco-Mamani, M. A., Vidaurre, S. M. E., & Choque-Salcedo, R. E. (2022). Innovación y Transformación Digital en la Empresa. ACVENISPROH Académico. https://doi.org/10.47606/ACVEN/ACLIB0039

Anam, K., & Al-Jumaily, A. (2020). Performance evaluation of SRELM on bio-signal pattern recognition using two electromyography channels. International Journal on Advanced Science, Engineering and Information Technology, 10(5), 1963–1969. https://doi.org/10.18517/ijaseit.10.5.9261

Suchacka, M., Pabian, A. M., & Ulewicz, R. (2023). Industry 4.0 and socio-economic evolution. Polish Journal of Management Studies, 28. https://doi.org/10.17512/pjms.2023.28.1.18

Park, J. Y., Park, K., Ok, G., Chang, H. J., Park, T. J., Choi, S. W., & Lim, M. C. (2020). Detection of Escherichia coli O157: H7 using automated immunomagnetic separation and enzyme-based colorimetric assay. Sensors, 20(5), 1395. https://doi.org/10.3390/s20051395

Ponce, J. M., Aquino, A., & Andujar, J. M. (2019). Olive-fruit variety classification by means of image processing and convolutional neural networks. IEEE Access, 7, 147629-147641. https://doi.org/10.1109/ACCESS.2019.2947160

Raamets, T., Majak, J., Karjust, K., Mahmood, K., & Hermaste, A. (2024). Autonomous mobile robots for production logistics: a process optimization model modification. Proceedings of the Estonian Academy of Sciences,73(2). https://doi.org/10.3176/proc.2024.2.06

Ramachandran, R. P., Nadimi, M., Cenkowski, S., & Paliwal, J. (2024). Advancement and Innovations in Drying of Biopharmaceuticals, Nutraceuticals, and Functional Foods. Food Engineering Reviews, 1-27. https://doi.org/10.1007/s12393-024-09381-7

Ramalingam, B., Mohan, R. E., Pookkuttath, S., Gómez, B. F., Sairam Borusu, C. S. C., Wee Teng, T., & Tamilselvam, Y. K. (2020). Remote Insects Trap Monitoring System Using Deep Learning Framework and IoT. Sensors, 20(18), 5280. https://doi.org/10.3390/s20185280

Ramirez-Asis, E., Vilchez-Carcamo, J., Thakar, C.M., Phasinam, K., Kassanuk, T., & Naved, M. (2022). A review on role of artificial intelligence in food processing and manufacturing industry. Materials Today: Proceedings, 51(8), 2462–2465. https://doi.org/10.1016/j.matpr.2021.11.616

Rapado-Rincón, D., Nap, H., Smolenova, K., Van-Henten, E., & Koostra, G. (2023). MOT-DETR: 3D single-shot detection and tracking with transformers to create 3D renderings for agri-food robots. Computers and Electronics in Agriculture, 225,109275. https://doi.org/10.48550/arXiv.2311.15674

Rashvand, M., Altieri, G., Abbaszadeh, R., Matera, A., Genovese, F., Feyissa, A. H., & Di Renzo, G. C. (2023). Prediction of CO2 and ethylene produced in‐packaged apricot under cold plasma treatment by machine learning approach. Journal of Food Process Engineering, 46(9), e14418. https://doi.org/10.1111/jfpe.14418

Redchuk, A., Walas Mateo, F., Pascal, G., Tornillo, J.E. (2023). Adoption Case of IIoT and Machine Learning to Improve Energy Consumption at a Process Manufacturing Firm, under Industry 5.0 Model. Big Data and Cognitive Computing, 7(1), 42. https://doi.org/10.3390/bdcc7010042

Rokhva, S., Teimourpour, B., & Soltani, A.H. (2024). Computer vision in the food industry: Accurate, real-time, and automatic food recognition with pretrained MobileNetV2. Food and Humanity, 3,100378. https://doi.org/10.1016/J.FOOHUM.2024.100378

Sawangwong, A., & Chaopaisarn, P. (2023). The impact of applying knowledge in the technological pillars of Industry 4.0 on supply chain performance. Kybernetes, 52(3), 1094–1126. https://doi.org/10.1108/K-07-2021-0555

Seaton, M. (2022). Lessons in automation of meat processing. Animal Frontiers, 12(2), 25–31. https://doi.org/10.1093/af/vfac022

Seifi, M. R., Alimardani, R., Mohtasebi, S. S., Mobli, H., & Firouz, M. S. (2023). A Supervisory Control System for Automation of Horizontal Form-Fill-Seal Packaging Plant Based on Modified Atmosphere Technology. Acta Mechanica et Automatica, 17(3), 423–434. https://doi.org/10.2478/ama-2023-0049

Shimizu, R., & Momoda, S. (2023). Does automation technology increase wage. Journal of Macroeconomics, 77, 103541. https://doi.org/10.1016/j.jmacro.2023.103541

Sindermann, D., Heidhues, J., Kirchner, S., Stadermann, N., & Kühl, A. (2021). Industrial processing technologies for insect larvae. Journal of Insects as Food and Feed, 7(5), 857–876. https://doi.org/10.3920/JIFF2020.0103

Squara, S., Caratti, A., Fina, A., Liberto, E., Koljančić, N., Špánik, I., ... & Cordero, C. (2024). Artificial intelligence decision making tools in food metabolomics: Data fusion unravels synergies within the hazelnut (Corylus avellana L.) metabolome and improves quality prediction. Food Research International, 194, 114873. https://doi.org/10.1016/J.FOODRES.2024.114873

Starynina, J., & Ustinovichius, L. (2020). A multi-criteria decision-making synthesis method to determine the most effective option for modernising a public building. Technological and Economic Development of Economy, 26(6), 1237–1262. https://doi.org/10.3846/tede.2020.13398

Takács, K., Takács, B., Garamvölgyi, T., Tarsoly, S., Alexy, M., Móga, K., Rudas, I.J., Galambos, P., & Haidegger, T. (2024). Sensor-Enhanced Smart Gripper Development for Automated Meat Processing. Sensors, 24(14), 4631. https://doi.org/10.3390/s24144631

Tell, F., López, J.M., Sanchéz, I.Y., Paredes, C.A., & Pisano, E. (2023). Evaluation of the degree of automation and digitalization using a diagnostic and analysis tool for a methodological implementation of Industry 4.0. Computers & Industrial Engineering, 177,109097. https://doi.org/10.1016/j.cie.2023.109097

Tleuvelessova, D., Medvedkov, Y., Kairbayeva, A., & Nazymbekova, A. (2023). Mechanisation of the primary processing of watermelons without destroying the rind. Food Science and Technology, 43, e86622. https://doi.org/10.1590/fst.86622

Tran, M., Troung, S., Fernandez, A., Kidd, M., & Le, N. (2024). CarcassFormer: an end-to-end transformer-based framework for simultaneous localization, segmentation and classification of poultry carcass defect. Poultry Science, 103(8), 103765. https://doi.org/10.1016/j.psj.2024.103765

Vargas, M., Mosquera, R., Fuertes, G., Alfaro, M., & Perez-Varga, G. (2024). Process optimisation in a condiment SME through Lean Six Sigma improvement with a neural network of surface tension. Processes, 12(9), 2001. https://doi.org/10.3390/pr12092001

Verma, P.K., Pathak, P., Kumar, B., Himani, H., & Preety, P. (2023). Automatic Optical Imaging System for Mango Fruit using Hyperspectral Camera and Deep Learning Algorithm. International Journal on Recent and Innovation Trends in Computing and Communication, 11(5s), 112–117. https://doi.org/10.17762/ijritcc.v11i5s.6635

Voipio, C., Vilko, J., Calvo, E., & Korpela, J. (2023). The future of work: skills and knowledge perspective on service automation in the foodservice industry. Technology Analysis & Strategic Management, 36(10), 2846–2860. https://doi.org/10.1080/09537325.2023.2165440

Vrchota, J., Vlčková, M., & Frantíková, Z. (2020). Division of Enterprises and Their Strategies in Relation to Industry 4.0. Central European Business Review, 9(4), 27–44. https://doi.org/10.18267/j.cebr.243

Vujičić, S., Hasanspahić, N., Car, M., & Čampara, L. (2020). Distributed Ledger Technology as a Tool for Environmental Sustainability in the Shipping Industry. Journal of Marine Science and Engineering, 8(5), 366. https://doi.org/10.3390/jmse8050366

Wang, Z., Makiyama, Y., & Hirai, S. (2021). A Soft Needle Gripper Capable of Grasping and Piercing for Handling Food Materials. Journal of Robotics and Mechatronics, 33(4), 935–943. https://doi.org/10.20965/jrm.2021.p0935

Wright, R., Parekh, S., & White, R. (2024). Safely and autonomously cutting meat with a collaborative robot arm. Scientific Reports, 14, 299. https://doi.org/10.1038/s41598-023-50569-4

Xu, W., He, Y., Li, J., Zhou, J., Xu, E., Wang, W., & Liu, D. (2023). Robotization and intelligent digital systems in the meat cutting industry: From the perspectives of robotic cutting, perception, and digital development. Trends in Food Science & Technology, 135, 234–251. https://doi.org/10.1016/j.tifs.2023.03.018

Zarikhani, Z., Mostafaee, K., & Azar, A. (2024). Route mapping of artificial intelligence technologies for the food industry: a TDE approach. Journal of Industrial and Production Management, 39, 299–326. https://doi.org/10.22034/jipm.2024.711533