Espectroscopia con infrarrojo y técnicas de Machine learning y Deep learning para la detección y clasificación de frutas para la agroindustria. Caso: arándanos - Empresa Talsa - 2018

• Autor: Lazo Aguirre, Walter Aurelio
• Formato: tesis de maestría
• Fecha de Publicación: 2019
• Institución: Universidad Privada Antenor Orrego
• Repositorio: UPAO-Tesis
• Lenguaje: español
• OAI Identifier: oai:repositorio.upao.edu.pe:20.500.12759/5106
• Enlace del recurso: https://hdl.handle.net/20.500.12759/5106
• Nivel de acceso: acceso abierto
• Materia: Machine learning; Deep learning; Deep neural networks; Espectroscopia; https://purl.org/pe-repo/ocde/ford#2.02.04

ESPECTROSCOPIA CON INFRARROJO Y TECNICAS DE MACHINE LEARNING Y DEEP LEARNING PARA LA DETECCIÓN Y CLASIFICACIÓN DE FRUTAS PARA LA AGROINDUSTRIA. CASO: ARÁNDANOS - EMPRESA TalSA -2018 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 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. Por lo expuesto anteriormente, la presente tesis desarrolla 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 en la empresa TalSA. 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. Para lograr lo antes indicado, se revisó el estado del arte de machine learning, deep learning, y deep neural networks, se revisó el uso de espectroscopia en el reconocimiento de frutas y sus propiedades, se analizó el proceso selección y clasificación de arándanos en la empresa TalSA. Luego, utilizando un equipo de espectroscopia infrarrojo cercano, NIR, se obtuvo el espectro de las muestras de arándanos. Con estos espectros, digitalizados, se realizó el entrenamiento de una red neuronal utilizando lenguaje de programación Python y la plataforma de Keras con TensorFlow. 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%, lo que permite confirmar la hipótesis de trabajo. Por el Br. Walter Aurelio Lazo Aguirre