Como método de detección no destructivo, un nariz electrónica puede ser utilizada para evaluar la frescura de las carnes recolectando y analizando su información de olor. El aprendizaje profundo puede extraer automáticamente características y descubrir patrones potenciales en los datos, minimizando la influencia de factores subjetivos como seleccionar características artificialmente. En este estudio se propuso un modelo basado en transfer learning para que la nariz electrónica detecte la frescura de pechugas de pollo. Primero, se utiliza un sistema de nariz electrónica impresa en 3D para recolectar los datos de olor de muestras de pechuga de pollo almacenadas a 4 grados Celsius durante 1-7 días. Luego, se utilizan tres métodos de conversión a imágenes para alimentar los datos de series temporales registrados en la red neuronal convolucional. Finalmente, los modelos pre-entrenados de AlexNet, GoogLeNet y ResNet son re-entrenados en las últimas tres capas mientras se comparan con métodos clásicos de aprendizaje automático como K Nearest Neighbors (KNN), Random Forest (RF) y Support Vector Machines (SVM). La precisión final de ResNet es del 99.70%, que es mayor que el 94.33% de tasa de acierto del popular modelo de aprendizaje automático SVM. Por lo tanto, la nariz electrónica combinada con la conversión a imágenes muestra un gran potencial para utilizar métodos de aprendizaje profundo para la clasificación de la frescura del pollo.