Detección de podredumbres en cítricos mediante espectroscopía VIS/NIR y métodos de aprendizaje automático
La presencia de podredumbres en poscosecha es uno de los principales problemas que afectan a la producción de cítricos. La detección y eliminación de la fruta infectada es una de las mayores preocupaciones de la industria debido a que un número relativamente bajo de frutos infectados puede propag...
| Autores principales: | , , , , , , , |
|---|---|
| Otros Autores: | |
| Formato: | conferenceObject |
| Lenguaje: | Español |
| Publicado: |
UMH (Universidad Miguel Hernández)
2020
|
| Materias: | |
| Acceso en línea: | http://hdl.handle.net/20.500.11939/6831 https://innovacionumh.es/editorial/VIII%20Congreso%20Iberico%20de%20Agroingenieria.pdf#page=1021 |
| Sumario: | La presencia de podredumbres en poscosecha es uno de los principales problemas que afectan
a la producción de cítricos. La detección y eliminación de la fruta infectada es una de las mayores
preocupaciones de la industria debido a que un número relativamente bajo de frutos infectados
puede propagar rápidamente la infección al resto de la producción. La detección de esta
enfermedad se ha llevado a cabo manualmente usando luz ultravioleta que induce la
fluorescencia visible de las lesiones fúngicas, pero la exposición de las personas a la iluminación
ultravioleta es potencialmente peligrosa y es necesario evitarla. Este trabajo estudia la viabilidad
de la espectroscopía de reflectancia en el visible e infrarrojo cercano (NIR) como una alternativa
no destructiva para la detección automática de cítricos con podredumbre. Se adquirieron
espectros de reflectancia de zonas sana y podrida de mandarinas cv. 'Clemenvilla' en la región
espectral entre 650 nm y 1700 nm utilizando dos espectrofotómetros. Se utilizaron varios
métodos de aprendizaje automático (análisis de componentes principales, análisis factorial y
mapeo de Sammon) para transformar los datos de cada espectro en representaciones
significativas de dimensionalidad reducida. Estas representaciones de menor dimensionalidad de
datos se utilizaron posteriormente como vectores de entrada de un clasificador basado en
análisis discriminante lineal para discriminar entre los dos tipos de piel: sana y podrida. Los
mejores resultados de detección de frutas con podredumbre se obtuvieron usando un análisis
factorial de los espectros NIR, dando una máxima precisión de la clasificación de 97,8%, con
porcentajes de clasificación de fruta sana y podrida del 100% y 94,4%, respectivamente. Estos
resultados hacen de esta herramienta una prometedora alternativa para detectar esta peligrosa
enfermedad mediante técnicas automáticas y no destructivas. |
|---|