Estimación de variables de importancia de un modelo basado en Machine Learning (ML) con imágenes hiperespectrales

• Autores: Cruz Ruiz, César Alejandro, Grados Portocarrero, Eduardo Renato
• Formato: tesis de grado
• Fecha de Publicación: 2023
• Institución: Universidad de Piura
• Repositorio: UDEP-Institucional
• Lenguaje: español
• OAI Identifier: oai:pirhua.udep.edu.pe:11042/6064
• Enlace del recurso: https://hdl.handle.net/11042/6064
• Nivel de acceso: acceso abierto
• Materia: Cacao -- Contaminación -- Investigaciones; Aprendizaje automático (Inteligencia artificial) -- Aplicaciones; 629.89; https://purl.org/pe-repo/ocde/ford#2.02.01

La presente tesis tiene por objetivo estimar el porcentaje de cadmio en una muestra de cacao reemplazando el método tradicional de medición invasivo por un método que aplica los algoritmos de Machine Learning (ML), además de la tecnología de imágenes hiperespectrales. El método planteado es no destructivo y de resultados inmediatos, cumpliendo el objetivo de reducir la intervención durante el proceso productivo. Con tal fin se estudian y comparan distintos algoritmos de Machine Learning, se definen las principales bandas de importancia, por métodos de reducción, para estimar el contenido de cadmio en el cacao y se desarrolla una metodología que permite relacionar las variables del contenido de cadmio con la firma espectral. En base a la normativa revisada y teniendo en cuenta las regulaciones internacionales establecidas, se definirán los parámetros máximos permisibles para el contenido de cadmio en el cacao. Se estudian distintos tipos de algoritmos de Machine Learning y se escoge el más adecuado para el caso de estudio, cuyos códigos son desarrollados en el lenguaje de programación Python. Posteriormente se realiza el proceso de entrenamiento y se obtiene un modelo inicial que permite estimar el contenido de cadmio en el cacao, con un error aceptable. Se concluye que es posible obtener la estimación del contenido de Cadmio en el grano de cacao haciendo uso de un análisis no destructivo utilizando algoritmos de ML en tiempo real.