Clasificación de variedades de Coffea arabica en grano verde usando imágenes hiperespectrales y Machine Learning

• Autor: Gonzales Zapata, Anthony Josué
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Nacional de Frontera
• Repositorio: UNFS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unf.edu.pe:123456789/378
• Enlace del recurso: https://repositorio.unf.edu.pe/handle/123456789/378
• Nivel de acceso: acceso abierto
• Materia: Imágenes hiperespectrales; Aprendizaje automático; Café verde; Clasificación varietal; http://purl.org/pe-repo/ocde/ford#2.11.01

La investigación tuvo por objetivo desarrollar un madelo de clasificación no destructiva de variedades de grano café verde con imágenes hiperespectrales y aprendizaje automático. Se analizaron muestras de los cultivares Arábica Típica, Pacamara, Maracaturra, Caturra y Bourbón. Se realizaron análisis de pH, color y humedad. Asimismo, se adquirieron imágenes hiperespectrales Vis-NIR (400-1000 nm) para obtención de perfiles espectrales. Estos, se exploraron con PCA. Además, se pretrataron con Savitzky-Golay, normalización y variable normal estándar. Se seleccionaron longitudes de onda con ReliefF. Se aplicaron tres modelos (LDA, SVM, KNN) a los datos espectrales completos y seleccionados con ReliefF. El pH, color y humedad no diferenciaron variedades. El PCA explico el 93% de la varianza total acumulada con los dos primeros componentes. LDA mostró el mejor desempeño con precisión de 0.96 y medida F de 0.97 utilizando el espectro-completo y sin prerpocesar, superando a SVM y KNN. Los resultados demuestran el alto potencial de las imágenes hiperespectrales y LDA para la clasificación rápida y no destructiva de café verde, con implicaciones positivas para el control de calidad y trazabilidad varietal.