Aplicación de Espectroscopia con Infrarrojo y Técnicas de Aprendizaje Automático para la Detección y Clasificación de Frutas en la Agroindustria

Este trabajo de tesis aborda una problemática crucial en la agroindustria: la necesidad de optimizar los procesos de selección y clasificación de frutas, especialmente para la exportación donde se requieren altos estándares de calidad. La empresa TalSA, un importante exportador de arándanos frescos en Perú, enfrenta el desafío de asegurar la calidad de su producto y cumplir con las exigencias del mercado internacional. Los métodos tradicionales de clasificación manual son costosos y requieren tiempo, por lo que se busca una alternativa tecnológica que permita mejorar la eficiencia y reducir los costos. La tesis propone una solución basada en la combinación de espectroscopia de infrarrojo cercano (NIR) y técnicas de aprendizaje automático (Machine Learning y Deep Learning) para la detección y clasificación de arándanos. Esta innovadora propuesta busca ser una herramienta alternativa para el control de calidad en la producción de arándanos, mejorando la eficiencia del proceso y asegurando un producto de alta calidad.

La tesis explica en detalle los fundamentos de la espectroscopia NIR y las técnicas de aprendizaje automático empleadas en la investigación. La espectroscopia NIR permite obtener información sobre la composición química y física de las frutas a través del análisis de las longitudes de onda que reflejan. Esta información se utiliza para entrenar redes neuronales, las cuales son capaces de aprender patrones y relaciones entre los espectros NIR y la calidad de los arándanos. Se describe el proceso de entrenamiento de la red neuronal, la selección de las funciones de activación y los parámetros utilizados para optimizar el modelo. Se destaca la importancia de la plataforma Keras, que facilita la creación de prototipos de redes neuronales, y TensorFlow, una plataforma de aprendizaje profundo de código abierto, para el desarrollo de aplicaciones de Machine Learning y Deep Learning. La tesis también explora las ventajas de las redes neuronales, incluyendo su capacidad de aprendizaje, adaptabilidad y capacidad de generalización.

Se presenta la metodología utilizada para el desarrollo de la aplicación de clasificación de arándanos. Se describe el proceso de formación de la base de datos a través de la captura de espectros NIR de arándanos y la digitalización de los datos. Se detalla el procedimiento para dividir el conjunto de datos en variables independientes (X) y dependientes (Y), y cómo se realiza el entrenamiento de la red neuronal utilizando estos datos. Se mencionan los parámetros clave utilizados en el entrenamiento, como las funciones de activación, el optimizador ADAM y el tamaño del lote. Se explica cómo se evalúa el rendimiento de la red neuronal mediante una matriz de confusión, y se destaca la importancia de alcanzar un alto nivel de precisión para asegurar la calidad del proceso de clasificación.

La tesis presenta los resultados obtenidos con la aplicación desarrollada, mostrando una tasa de precisión del 92% en la clasificación de arándanos. Este resultado confirma la viabilidad de la propuesta y demuestra la utilidad de la combinación de espectroscopia NIR y aprendizaje automático para la detección y clasificación de frutas. Se resaltan las ventajas de esta solución en términos de reducción de costos, optimización del proceso de clasificación y mejora de la calidad del producto. Se destaca la importancia de la espectroscopia NIR como una herramienta no destructiva para evaluar la calidad de las frutas y su potencial para ser utilizada en otros tipos de productos agroindustriales. La tesis concluye que la aplicación desarrollada tiene un alto valor práctico y ofrece una solución innovadora para la agroindustria, contribuyendo a la mejora de la calidad y la eficiencia en los procesos de selección y clasificación de frutas.