Evaluación de precisión de red neuronal y espectroscopia NIR en predicción de calidad de taza de Coffea arabica
Date
2024-04-23
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Nacional de Frontera
Abstract
tiende a ser subjetiva, costosa y destructiva. La espectroscopia de infrarrojo cercano (Near Infrared – NIR) junto a redes neuronales ofrece una alternativa prometedora. Esta combinación permite una evaluación objetiva y eficiente, potencialmente transformando la industria cafetalera. Esta investigación tuvo como finalidad evaluar la precisión de una red neuronal acoplada a espectroscopia NIR en la predicción de calidad de taza de café. Se recepcionaron muestras de café tostado-molido, previamente catados por el método de la Specialty Coffe Association of America (SCAA). Luego, se evaluaron las muestras con un espectrómetro entre 1100-2100 nm de longitud de onda. La data fue analizada con cuatro pretratamientos y combinaciones para evaluar su efecto. La estructura de la red neuronal fue de Long-Short Term Memory (LSTM), que permite analizar principalmente secuencias de datos. Además, se utilizaron métodos de reducción de variables para optimizar los
modelos utilizados. Los resultados indican alta variabilidad, principalmente al utilizar diferentes pretratamientos con respecto a las métricas de rendimiento. El modelo LSTM optimizado fue el que obtuvo el mejor rendimiento, pretratado con SNV-SG: 0.95658, 1.2932 y 3.271, para R2, RMSE y RPD, respectivamente. Las redes neuronales LSTM acopladas a Espectroscopia NIR demostraron resultados satisfactorios para predecir calidad de taza de café, siendo una alternativa notable para los métodos tradicionales de catación de café.
Description
Keywords
Deep learning, Redes neuronales, Long-Short Term Memory, Espectroscopia NIR, Pretratamientos espectrales, Calidad de taza de café, Catación, Predicción