Buscar en Google Scholar
Título: Monitoreo del estado de fermentación de café mediante espectroscopía de infrarrojo cercano con técnicas de aprendizaje automático y aprendizaje profundo
Asesor(es): Quijano Jara, Carlos Helí; Castro Silupú, Wilson Manuel
Campo OCDE: https://purl.org/pe-repo/ocde/ford#4.04.01
Fecha de publicación: 2024
Institución: Universidad Nacional de Trujillo
Resumen: La fermentación del café se controla de forma visual, lo que ocasiona procesos incompletos o excesivos que conducen a café con características indeseables. El pH y los sólidos solubles totales (SST) son indicadores fiables para determinar el fin del proceso, pero se necesitan técnicas rápidas, precisas y libres de químicos. En el presente trabajo se evaluó la viabilidad de la espectroscopia de infrarrojo cercano (NIR) acoplada a técnicas de aprendizaje automático y profundo para evaluar el progreso de la fermentación de café mediante la modelación del pH y los SST. Se adquirieron granos de café (Coffea arabica L.) variedad Typica, Caturra y Catimor sin fermentar y fermentados (4, 8, 12, 16, 20 y 24 h) procedentes de Sícchez en Perú. Los granos se molieron, se extrajeron los perfiles espectrales en el rango 1100-2100 nm y se evaluó el pH y los SST. Se desarrollaron modelos de regresión de mínimos cuadrados parciales (PLSR) completos y se evaluó el efecto de diez técnicas de preprocesamiento. Se siguió una estrategia de validación cruzada de cinco pasos para el entrenamiento y la validación de los modelos y después de determinar los mejores pretratamientos para cada parámetro, se implementaron modelos PLSR, bosque aleatorio (RF), perceptrón multicapa (MLP) y memoria a largo y corto plazo (LSTM). Los modelos se optimizaron al seleccionar el 10% de las características más relevantes con el algoritmo ReliefF, excepto para el modelo LSTM. Los modelos MLP optimizados mostraron los mejores rendimientos con valores R2 superiores a 0.88 y RPD superiores a 2 con mayor capacidad para predecir pH, seguido de °Brix, en café Catimor, seguido de Caturra y Typica. Los hallazgos obtenidos sugieren que la espectroscopia NIR tiene la capacidad de predecir la evolución del pH y SST durante la fermentación de café con fines de monitoreo y control.

Coffee fermentation is controlled visually and manually, which causes incomplete or excessive processes that lead to coffee with undesirable characteristics. pH and total soluble solids (TSS) are reliable indicators to determine the end of the process, but fast, accurate, and chemical-free techniques are needed. In the present work, the feasibility of near-infrared (NIR) spectroscopy coupled with machine and deep learning techniques to assess the progress of coffee fermentation by modeling pH and TSS was evaluated. Unfermented and fermented coffee beans (Coffea arabica L.) var. Typica, Caturra, and Catimor (4, 8, 12, 16, 20, and 24 h) were acquired from S´ıcchez in Peru. The grains were ground, spectral profiles were extracted in the range 1100 - 2100 nm, and pH and TSS were evaluated. Partial Least Squares Regression (PLSR) models were developed with all wavelengths and the effect of ten preprocessing techniques was evaluated. A K-Fold cross-validation strategy (K=5) was followed for training and validation of the models and after determining the best pretreatments for each parameter, PLSR, Random Forest (RF), Multilayer Perceptron (MLP), and Long-Short Term Memory (LSTM) models were implemented. The models were optimized by selecting the 10% most relevant features with the ReliefF algorithm, except for the LSTM model. The optimized MLP models showed the best performances with R 2 values greater than 0.88 and RPD greater than two with the best ability to predict pH, followed by °Brix, in Catimor coffee, followed by Caturra and Typica. The findings obtained suggest that NIR spectroscopy has the ability to predict the evolution of pH and TSS during coffee fermentation for monitoring and control purposes.
Disciplina académico-profesional: Maestría en Ciencias, mención Biotecnología Agroindustrial y Ambiental
Institución que otorga el grado o título: Universidad Nacional de Trujillo. Escuela de Posgrado
Grado o título: Maestro en Ciencias
Jurado: Mostacero León, José; De La Cruz Castillo, Anthony Jordan; González Velásquez, Carmen Lizbeth; Quijano Jara, Carlos Helí
Fecha de registro: 6-sep-2024



Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons