Resumen

Uno de los retos importantes de la industria alimentaria es la determinacin del origen geogrfico, ya que los productos de distintas regiones pueden dar lugar a grandes variaciones en la leche cruda. Por lo tanto, controlar el origen de la leche cruda se ha convertido en algo muy relevante para productores y consumidores de todo el mundo. En este estudio exploratorio, se investig la espectroscopia de infrarrojo medio combinada con mtodos de clasificacin de aprendizaje automtico como mtodo rpido y no destructivo para la clasificacin de la leche segn su origen geogrfico. La maldicin de la dimensionalidad hace que algunos mtodos de clasificacin tengan dificultades para entrenar modelos eficientes. Por ello, se ha aplicado el anlisis de componentes principales (ACP) para crear un conjunto ms pequeo de caractersticas. La aplicacin de mtodos de aprendizaje automtico como PLS-DA, PCA-LDA, SVM y PCA-SVM demuestra que los mejores resultados se obtienen utilizando los mtodos PLS-DA, PCA-LDA y PCA-SVM, que muestran una tasa de clasificacin correcta (CCR) del 100% para PLS-DA y PCA-LDA y del 94,95% para PCA-SVM, mientras que la aplicacin de SVM sin extraccin de caractersticas arroja una baja CCR del 66,67%. Estos resultados demuestran que la espectroscopia FT-MIR, combinada con mtodos de aprendizaje automtico, es un enfoque eficaz y adecuado para clasificar los orgenes geogrficos de la leche cruda.

• Materias:Fármacos Electroforesis Microespectral Raman Espectro ultravioleta Teledetección
• Subjects:Pharmaceuticals Electrophoresis Microspectral Raman Ultraviolet spectrum Remote sensing
• Palabras claves:Industria alimentaria; Origen geográfico; Leche cruda; Espectroscopia del infrarrojo medio; Métodos de aprendizaje automático; Análisis de componentes principales
• Keywords:Food industry; Geographical origin; Raw milk; Midinfrared spectroscopy; Machine learning methods; Principal component analysis