POSTCOSECHA 62 La precisión lograda en todos los casos fue alta, con más del 95,9% de los píxeles clasificados correctamente, lo que llevó a una clasificación correcta del 100% de las frutas con daño USO DE IMAGEN HIPERESPECTRAL Y TÉCNICAS DE APRENDIZAJE AUTOMÁTICO PARA DETECTAR Y DISCRIMINAR DEFECTOS EN NÍSPERO D.O.P. CALLOSA D’EN SARRIÀ Sandra Munera1,3, Salvador Castillo-Gironés1, Marina López-Chulia1, Juan Gómez-Sanchís2, Nuria Aleixos3, Sergio Cubero1, Esteban Soler4, José Blasco1 1Centro de Agroingeniería, Instituto Valenciano de Investigaciones Agrarias (IVIA), Ctra. Moncada-Náquera Km 4.5, 46113, Moncada (Valencia), España. 2Departamento de Ingeniería Electrónica, Universitat de València, Av. Universitat, s/n, 46100, Burjassot (Valencia), España. 3Departamento de Ingeniería Gráfica, Universitat Politècnica de València, Camino de Vera, s/n, 46022, Valencia, España. 4Cooperativa de Callosa d’en Sarrià. Partida Micleta, s/n. 03510 Callosa d’en Sarrià, Alicante, España. El níspero ( Eriobotrya japonica L. ) es una fruta importante para la economía de algunas regiones de España, pero es muy susceptible a daños mecánicos y trastornos fisiológicos. Este hecho deprecia su valor e impide su exportación. Por ello, en este trabajo se utilizaron imágenes hiperespectrales en el espectro visible e infrarrojo cercano para detectar y discriminar entre algunos de los defectos externos e internos más comunes del níspero cv. ‘Algerie’. Se han evaluado dos algoritmos de aprendizaje automático (Machine Learning) como Random Forest y XGBoost, para distinguir entre frutas sanas y con cuatro tipos de defectos, de acuerdo con tres enfoques. En el primero, los píxeles de la fruta se clasificaron en dos clases, sanos o con daño, con una tasa de éxito del 97,5 %. En el segundo, se consideraron los daños internos (invisibles) y externos por separado, logrando una tasa de éxito del 96,7 %. Por último, se consideró cada tipo de defecto por separado, es decir, mancha púrpura, golpes, rameado y pardeamiento de la pulpa, con una tasa de identificación correcta del 95,9 %. Los resultados indicaron que XGBoost fue el mejor método en todos los casos.
RkJQdWJsaXNoZXIy Njg1MjYx