POSTCOSECHA 64 Esta tecnología captura un elevado número de imágenes monocromáticas en longitudes de onda consecutivas en regiones específicas (visibles y no visibles) del espectro electromagnético. Este tipo de imagen proporciona información espectral en las regiones del visible e infrarrojo cercano, que se puede asociar a determinados compuestos bioquímicos. Además, permite visualizar esta información de manera espacial, lo que permite ver la distribución de las propiedades o daños medidos. De esta forma, de cada píxel en la imagen se obtiene el espectro de la fruta en ese punto. Una de sus mayores ventajas es que permiten la inspección más allá de las capacidades del ojo humano, pudiendo detectar daños o defectos utilizando invisibles al ojo humano (Blasco et al., 2020; Munera et al., 2016 y 2018). Ahora bien, este tipo de imágenes genera mucha información, parte de la cual es redundante o está correlacionada. Cada longitud de onda representa una variable que ofrece determinada información del problema, pero, normalmente, imágenes capturadas en dos longitudes de onda muy próximas contendrán información similar. Para un análisis correcto de las imágenes, es necesario aplicar técnicas estadísticas multivariantes, algunos de los más utilizados son el análisis de componentes principales (PCA) o el de mínimos cuadrados parciales (PLS). Sin embargo, los métodos basados en aprendizaje automático o “Machine Learning” son apropiados y muy prometedores para extraer información de las imágenes hiperespectrales debido a su alta precisión en los problemas de clasificación. Este es el caso de los métodos Random Forest (RF) y Extreme Gradient Boosting (XGBoost). RF se basa la combinación de un conjunto de árboles de decisión. Los árboles de decisión son un tipo de algoritmos de aprendizaje supervisado que divide (ramifica) el espacio de predictores (variables independientes) en regiones distintas y no solapadas. Esta técnica crea distintos árboles que ven distintas porciones de los datos, lo que hace que cada uno se entrene con muestras de datos diferentes para un mismo problema. Al combinar sus resultados, unos errores se compensan con otros y se obtiene una predicción que generaliza (Heras 2020). Por otro lado, XGBoost es uno de los algoritmos supervisados de aprendizaje que más se usan en la actualidad. Generanmúltiples modelos de predicción “débiles” secuencialmente, de forma que cada uno toma los resultados del modelo anterior para generar un modelo más “fuerte”, con mejor poder predictivo y mayor estabilidad en sus resultados. El Instituto valenciano de Investigaciones Agrarias (IVIA) lidera una colaboración con la Universitat de Valencia, la Universitat Politècnica de València y la Cooperativa Agrícola de Callosa d'en Sarrià para investigar métodos automatizables y no destructivos garantizar la calidad del níspero en poscosecha, capaces de detectar e identificar defectos enníspero, especialmente no visibles, evitando que nísperos de menor calidad lleguen al mercado. Este trabajo describe los primeros pasos dados para alcanzar este objetivo a través del análisis de la fruta mediante imágenes hiperespectrales y sistemas de aprendizaje automático. FRUTA UTILIZADA Y CAPTURA Y ANÁLISIS DE LAS IMÁGENES Nísperos Para la realización de este estudio se utilizaron un total de 134 nísperos cv. ‘Algerie’ con madurez comercial, proporcionados por la Cooperativa Agrícola de Callosa d'en Sarrià (Alicante). Algunas de las frutas no contenían daños apreciables (77) mientras que otras presentaban diferentes defectos externos como rameados (17) y mancha púrpura (26), y daños Figura 1. Ejemplo de tipo de frutas bajo estudio. Defectos internos: pardeamiento interno de la pulpa (a) y golpe (b), defectos externos: rameado (c) y mancha purpura (d), fruta sana (e). La fila superior muestras las frutas intactas mientras que la fila inferior muestra las mismas frutas una vez peladas.
RkJQdWJsaXNoZXIy Njg1MjYx