Predicción del color y contenido de humedad en café cerezo mediante redes neuronales y regresión de mínimos cuadrados parciales

© Universidad Científica del Perú Ciencia amazónica (Iquitos) 2015; 5(2): 91-103 http://dx.doi.org/10.22386/ca.v5i2.94 Artículo Original Predicción del color y contenido de humedad en café cerezo mediante redes neuronales y regresión de mínimos cuadrados parciales [Prediction of color and moisture content in coffee fruits by neural networks and partial least squares regression] Wilson Manuel Castro Silupu*, Ives Julian Yoplac Tafur, Cesar Augusto López Portocarrero Facultad de Ingeniería Zootecnista, Agronegocios y Biotecnología. Universidad Nacional Toribio Rodríguez de Mendoza. Ciudad Universitaria S/N, Barrio Higos Urco, Chachapoyas – Amazonas. * e-mail: Resumen La presente investigación se enfocó en el desarrollo de modelos de predicción del color en coordenadas CIELab y el contenido de humedad de café cerezo mediante la tecnología de imágenes hiperespectrales; comparando el ajuste por un modelo de regresión lineal múltiple – PLSR (Partialleastsquareregression) y un modelo no lineal (ANN – artiftial neural network). La muestra se conformó de 200 granos de café cerezo en diferentes estados de madurez, dividiéndola en 120 granos para calibración y 80 de validación.La muestra fue caracterizada mediante colorimetría en el espacio CIELab y determinación de la humedad. Posteriormente se adquirieron imágenes hiperespectrales de cada granos y se almacenaron en formato *.bil. El procesamiento de las imágenes se realizó mediante un sistema desarrollado e implementado en el software matemático Matlab 2010a, mediante funciones *.m e interfaces de usuario (GUIs). Se desarrollaron modelos de ajuste para cada una de las coordenadas de color y el contenido de humedad, calculándose los coeficientes de correlación en calibración y validación. Los resultados mostraron que las redes neuronales tienen un mayor ajuste en calibración con coeficientes de correlación superiores a 0,90 mientras que el PLSR genero coeficientes entre 0,42 y 0,48. Palabras clave: ANN, CIELab, PLSR Abstract This research was focused on the development of prediction models for colour in CIELab coordinates and the moisture content of coffee fruits by hyperspectral imaging technology; comparing the adjustment for multiple linear regression model - PLSR (Partial least square regression) and a nonlinear model (ANN - neural network artiftial). The sample consisted of 200 coffee fruits at different stages of maturity, dividing it into 120 grains for calibration and validation 80. The sample was characterized by colorimetry in the CIELAB space and moisture determination. Later hyperspectral images of each grain is acquired and stored in * .bil. The image processing was performed using a system developed and implemented in the mathematical software Matlab 2010a through functions * .m and graphical user interfaces (GUIs). Were developed models for each of the colour coordinates and the moisture content and calculated the correlation coefficients for calibration and validation. The results showed that neural networks have a best adjustment in calibration with correlation coefficients higher than 0.90 while the PLSR produce ratios between 0.42 and 0.48. Keywords: ANN, CIELab, PLSR Recibido: 10 de octubre de 2015 Aceptado para publicación: 15 de noviembre de 2015 91 Castro Silupu et al. INTRODUCCIÓN En la industria agroalimentaria el desarrollo de sistemas de control de calidad eficaces y que garanticen la producción segura de alimentos durante las operaciones procesamiento es una de las metas más buscadas por los científicos de alimentos. En la actualidad muchos sistemas de inspección de calidad alimentaria se realizan por inspectores entrenados, lo cual es tedioso, laborioso, lento, costoso y sujeto a subjetividad y error humano. En este panorama el desarrollo de métodos automatizados de evaluación de la calidad optimiza el control del proceso y elimina la subjetividad y errores humanos. Es así que técnicas ópticas, no destructivas, tales como el análisis de imagen y la espectroscopia están disponibles actualmente para la determinación y aseguramiento de la calidad alimentaria (Pallotino, Menesatti, Costa, Paglia, De Salvador, 2010; Kumar and Mittal,2007; Shankar, Sokhansanj, Bandyopadhyay, Bawa, 2010; Singh, Choudhary, Jayas, Paliwal, 2010). La simplicidad, precisión y rapidez así como el limitado nivel de preparación de las muestras hacen de las técnicas ópticas las más prometedoras en la determinación de las propiedades físicas y químicas de los productos agroalimentarios. De entre todas las técnicas ópticas las imágenes hiperespectrales acoplan tanto las ventajas de los sistemas de visión como la espectroscopia; proporcionando información del alimento, tanto espacial como espectral de manera simultánea. Esta técnica se puede definir como la “adquisición simultánea de imágenes espaciales en muchas bandas espectrales contiguas medidas a partir de una plataforma de operación remota” (Schaepman, 2007). El principio básico de las imágenes hiperespectrales se basa en el hecho de que todas las muestras bajo análisis, reflejan, dispersan, absorben y emiten energía electromagnética obteniendo diferentes patrones en longitudes de onda específicas debido a la diferencia en la composición química y estructura física inherente de la muestra bajo análisis. Estas características se denominan firmas espectrales o espectros de huella digital. La firma espectral es la característica única de la muestra bajo análisis. Para un material dado, si el porcentaje de reflectancia (también absorbancia o transmitancia) se representa frente a la Cienc amaz (Iquitos) 2015; 5(2): 91-103 Predicción del color y contenido de humedad en café cerezo longitud de onda, la curva resultante se conoce como la “firma espectral” de ese material” (Wu and Sun, 2013; Gómez, 2010). Según Liu et al. (2013) un sistema de imágenes hiperespectrales compuesto por una cámara, un espectrógrafo, una lente, un sistema de iluminación y un ordenador equipado con un software de adquisición de imágenes. En el caso de sistemas de escaneo lineal (Pushbroom) la cámara es un detector bidimensional que recoge simultáneamente la información espectral y espacial, el espectrógrafo es el corazón del sistema, se caracteriza por no tener partes móviles para generar un espectro en cada punto o línea escaneada, la lente, delante del espectrógrafo, enfoca el haz de luz procedente de la muestra y la dispersa en diferentes direcciones de acuerdo con la longitud de onda. Las señales recogidas se expresan como imagen de dos dimensiones, una dimensión representa el eje espectral (λ) y la otra contiene la dimensión espacial (X) de la línea analizada. La segunda dimensión espacial (Y) se genera mediante el movimiento de la muestra en la línea de la unidad óptica a lo largo de la escena, la resolución espectral del sistema depende de la resolución del espectrógrafo, la magnitud de la resolución espectral se determina por la anchura de la rendija del espectrógrafo y el tamaño de las abert (...truncated)