Espectroscopia infrarrojo y técnicas de machine learning y deep learning para la detección y clasificación de arándanos

Resumen

RESUMEN

Las empresas comercializadoras de frutas tienen la necesidad de optimizar la selección y clasificación de las frutas que comercializan, específicamente aquellos productos que se enviarán al extranjero donde se exige altos índices de calidad. Necesitan asegurar que el proceso de selección y clasificación de frutas se realice con precisión para obtener un producto de alta calidad que satisfaga las exigencias de los clientes. Existen equipos que pueden realizar este trabajo de clasificación, pero son muy costosos para su adquisición al igual que su mantenimiento. El presente trabajo tiene por objetivo desarrollar una propuesta basada en la aplicación de espectroscopia con infrarrojo cercano, machine learning y deep learning para la detección y clasificación de frutas para la agroindustria.  Específicamente, se toma como caso de estudio, la clasificación de arándanos, con la finalidad de establecer una herramienta alternativa para poder hacer la clasificación de arándanos, que permita reducir el costo, el tiempo y optimizar el proceso de detección y clasificación de frutas. La investigación es de tipo cuasi-experimental, para lo cual se utilizó una muestra de 1000 arándanos. Utilizando un equipo de espectroscopia infrarrojo cercano, NIR, se obtuvo sus espectros electromagnéticos, los cuales fueron digitalizados, se realizó el entrenamiento de una red neuronal utilizando lenguaje de programación python y la plataforma de keras con tensor flow. Luego de realizado el entrenamiento, utilizó la red neuronal para realizar la etapa de testing, con los espectros NIR de nuevas muestras de arándanos, encontrándose que se pueden clasificar los arándanos con una exactitud del 92%.

Palabras clave: Machine learning, deep learning,  deep neural networks, espectroscopia, NIR, FTIR, reconocimiento de frutas, arándanos, red neuronal.

 

 

ABSTRACT

Fruit marketing companies have the need to optimize the selection and classification of the fruits they sell, specifically those products that will be sent abroad where high quality indices are required. They need to ensure that the selection and classification process of fruits is carried out with precision to obtain a high quality product that meets the demands of the customers. There are machines that can perform this sorting work, but they are very expensive to purchase as well as their maintenance. The purpose of this work is to develop a proposal based on the application of near infrared spectroscopy, Machine Learning and Deep Learning for the detection and classification of fruits for agribusiness. Specifically, the classification of blueberries is taken as a case study, with the purpose of establishing an alternative tool to be able to classify blueberries, which allows to reduce the cost, time and optimize the process of detection and classification of Fruits. The research is of a quasi-experimental type, for which a sample of 1000 blueberries was used, and using a near infrared spectroscopy equipment, NIR, its electromagnetic spectra were obtained, which were digitized, the training of a neural network was performed using Python programming language and the Keras platform with TensorFlow. Then, after the training, he used the neural network to perform the testing stage, with the NIR spectra of new blueberry samples, finding that blueberries can be classified with an accuracy of 92%..

Keywords: Machine learning, Deep learning, Deep neural networks, Spectroscopy, NIR, FTIR, Fruit recognition, blueberries, Neural network