Determinación del contenido de cadmio en granos de cacao mediante la aplicación de redes neuronales e imágenes hiperespectrales

Abstract

Los objetivos de esta tesis se centran en investigar la aplicabilidad de las imágenes hiperespectrales y de las metodologías inteligencia artificial para determinar el contenido de cadmio en granos de cacao seco. La investigación se concentra en implementar metodologías de Machine Learning, Deep Learning combinadas con imágenes hiperespectrales y análisis químico para predecir el contenido de cadmio en muestras de granos de cacao. Con tal fin se aplicaron las metodologías de Machine Learning: Regresión de mínimos cuadrados parciales (PLSR) y Regresión de vectores de soporte (SVR) y de Deep Learning, Perceptrón multicapa (MLP) con retropropagración. Además, se usaron los algoritmos de selección de bandas debido a la gran multicolinealidad de las variables de entrada: Algoritmo de proyecciones sucesivas (SPA) y Muestreo Reponderado Adaptativo Competitivo (CARS). Finalmente, se destaca la superioridad del modelo CARS-MLP para encontrar las bandas espectrales que contienen la información crucial para la predicción del contenido de cadmio. Se concluye que el estudio evidencia la gran capacidad de las imágenes hiperespectrales para la determinación de contenido de cadmio aplicando modelos de Machine Learning y Deep Learning. Los resultados obtenidos de los modelos propuestos demuestran la aplicabilidad de esta metodología confiable, rápida y basada en métodos no destructivos y supone una oportunidad para utilizarse en la práctica para la determinación del contenido de cadmio en granos de cacao secos. Asimismo se concluye que los algoritmos de selección de bandas espectrales SPA y CARS lograron destacables desempeños haciendo uso de parte de la información espectral de la muestra, ya que mejoraron significativamente la precisión de los modelos de MLP al combinarse con estos algoritmos.