Predicción simultánea de calidad interna en múltiples frutas con espectroscopía VIS-NIR y aprendizaje profundo

Abstract

Acceder a la calidad interna de la fruta fresca de manera rápida y no destructiva es de gran interés en toda la cadena de producción, desde el momento de cosecha hasta el destino del producto. La espectroscopía de punto Vis-NIR permite relacionar atributos de calidad con absorciones vibracionales, pero se necesitan calibrar modelos específicos para frutas o atributos de interés. El aprendizaje profundo (DL) tiene el potencial para el modelado global, por ello, el objetivo de este estudio fue investigar el potencial del DL en la calibración de modelos multiproducto-multisalida. Se usó una base de datos de acceso libre con 300 espectros de absorbancia Vis-NIR de seis frutas de la familia Cucurbitaceae con mediciones de referencia de contenido de agua (CA) y contenido de sólidos solubles (CSS). Se realizó un aumento de datos y con ellos se optimizaron automáticamente tres redes neuronales convolucionales unidimensionales (1D CNN) de diferente profundidad y de salida múltiple para comparar su rendimiento con modelos de salida única y regresión por mínimos cuadrados parciales (PLSR). Al comparar los modelos base y óptimos, la raíz del error cuadrático medio combinado (RMSE) mejoró hasta 13.5%. El modelo de una capa convolucional obtuvo el mejor rendimiento en comparación con los modelos de dos y tres capas convolucionales, logró un RMSE ~ 3% menor que un estudio previo con PLSR de salida única y espectros preprocesados y hasta un 38% menor que con espectros en bruto. La optimización de modelos de salida única solo mejoró menos del 1% el RMSE del mejor modelo de salida múltiple y demoró el doble de tiempo. Aunque los tiempos de optimización superan por mucho la simplicidad de PLSR, el DL permite desarrollar modelos globales de manera más fácil y precisa.