Machine learning y discriminación de la carne de pulpo (Octopus mimus) y calamar gigante (Dosidicus gigas) usando imágenes hiperespectrales

• Autor: Vera Jimenez, William Daniel
• Formato: tesis de grado
• Fecha de Publicación: 2022
• Institución: Universidad Nacional de Frontera
• Repositorio: UNFS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unf.edu.pe:UNF/123
• Enlace del recurso: http://repositorio.unf.edu.pe/handle/UNF/123
• Nivel de acceso: acceso abierto
• Materia: Fraude alimentario; cefalópodos; Aprendizaje automático; Imágenes hiperespectrales; http://purl.org/pe-repo/ocde/ford#2.11.01

El pulpo es altamente susceptible al fraude por sustitución con otros cefalópodos de menor valor comercial, principalmente con calamar gigante, lo cual atenta contra el bienestar y la satisfacción de los consumidores, de modo que, es necesario contar con métodos rápidos, efectivos y de preferencia no invasivos, como la técnica de las imágenes hiperespectrales acopladas a herramientas de machine learning, para detectar esta práctica ilegal. Por tanto; el objetivo de esta investigación fue determinar si existe efecto en la aplicación de la técnica de machine learning sobre la discriminación de la carne de pulpo (Octopus mimus) y calamar gigante (Dosidicus gigas) usando perfiles espectrales. Se recolectaron muestras frescas de ambas especies en el puerto de Paita; se seleccionaron los brazos, por ser la parte de mayor similitud, a los cuales se les despojó la piel y se cortaron en trozos de 1.0 cm de longitud aproximadamente, obteniéndose 300 trozos por especie, divididos equitativamente para obtener muestras frescas, congeladas y cocidas. Las imágenes hiperespectrales se obtuvieron por reflectancia, en el rango espectral de 400-1000 nm., luego se segmentaron las imágenes para obtener los perfiles medios y se probaron modelos de machine learning para evaluar su rendimiento en base a los estadísticos de precisión y medida f-2. Los cálculos se realizaron en el software Matlab 2019a, aplicando 30 repeticiones y validación cruzada (K-fold = 5). Los resultados evidenciaron alto nivel de precisión para los modelos de Análisis Discriminante Lineal (Accuracy 99.9 %, Medida F-2 99.94%) y Maquinas de Vectores de Soporte (Accuracy 99.1 %, Medida F-2 99.06 %). Se concluye que existe efecto en la técnica de machine learning sobre la discriminación de la carne de pulpo y calamar gigante usando perfiles espectrales, con tasas de éxito de hasta 99.9%.