Diseño e implementación de un prototipo electrónico usando machine learning para la identificación del estado de descomposición de carne roja

• Autor: Santos Apaza, Yordy Williams
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Nacional de San Agustín
• Repositorio: UNSA-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsa.edu.pe:20.500.12773/19151
• Enlace del recurso: https://hdl.handle.net/20.500.12773/19151
• Nivel de acceso: acceso abierto
• Materia: Machine learning; descomposición de carne; internet de las cosas (IoT); https://purl.org/pe-repo/ocde/ford#2.02.05

El proyecto se centra en el desarrollo de un prototipo electrónico que utiliza técnicas de machine learning para detectar el estado de descomposición en carne roja, abordando un problema relevante en la seguridad alimentaria y la sostenibilidad. A nivel global, la pérdida de alimentos, especialmente en el sector cárnico, genera efectos económicos y ambientales negativos, incluyendo emisiones significativas de gases de efecto invernadero. En Perú, el consumo de carne ha crecido en las últimas décadas, y con él, la necesidad de garantizar su frescura y seguridad. Sin embargo, en el país existen limitaciones en infraestructura de refrigeración y conservación, particularmente en zonas rurales y mercados informales, lo cual incrementa el riesgo de descomposición antes de que la carne llegue al consumidor. El prototipo propuesto incorpora sensores electrónicos que miden parámetros, todos ellos indicadores relevantes del estado de descomposición en la carne. Los datos recopilados son procesados mediante un modelo de machine learning, diseñado para identificar patrones de descomposición con alta precisión y en tiempo real. Esto permite una respuesta rápida para la identificación de carne en mal estado, minimizando el desperdicio y contribuyendo a la seguridad alimentaria. El prototipo consta principalmente de sensores de gas MQ 2,5,7 y 135 y el sensor de color TCS3200, para la adquisición de datos de la carne. Para la implementación del algoritmo se utilizó los modelos de machine learning K-Nearest Neighbor (KNN) y Support Vector Machine (SVM), obteniendo una precisión de clasificación del prototipo de 98.90625%.