Espectroscopía con imágenes hiperespectrales y detección de bandas principales para estimar parámetros de control de calidad en la harina de pescado con modelos de Machine Learning

Abstract

La tesis tiene como objetivo desarrollar un modelo para estimar parámetros de calidad en la harina de pescado, mediante el uso de Imágenes hiperespectrales y modelos de Machine Learning. Se aplican métodos de reducción de características para encontrar las bandas de importancia de las firmas espectrales obtenidas. Con tal fin, primero se obtuvo el mejor número de componentes para el modelo PLS que se aplicaría en cada parámetro. Luego, se realizó la comparación entre los métodos de selección de bandas mediante BVE-PLS (Partial Least Square) y de valores VIP. Posteriormente, se compararon los resultados obtenidos por cada método, de los cuales el BVE-PLS fue el que obtuvo mejor desempeño. Con las bandas seleccionadas por este método, se redujo a los componentes principales del PLS y se emplearon redes neuronales. Finalmente, se comparó el desempeño de la regresión con PLS y redes neuronales. El estudio consigue determinar las bandas de importancia de las firmas espectrales a través de algoritmos BVE-PLS (eliminación de variables hacia atrás) y de VIP (variables en proyección), obteniendo una estrecha relación entre la absorbancia de las longitudes de onda determinadas y los parámetros de calidad de proteína, grasa y humedad, para los cuales se obtiene un valor de Q2 mayor a 0.5. Además, con las bandas determinadas, se logra desarrollar un modelo basado en Partial Least Square que permite predecir los parámetros de calidad de la harina de pescado. Se concluye que el método BVE-PLS es efectivo para la selección de las bandas de importancia y consigue mejor desempeño que el método de valores VIP. Además, el uso de redes neuronales favorece el ajuste del modelo.