Espectroscopia vibratoria (Raman e infrarrojo) y herramientas de aprendizaje automático en seguridad y composición de...

Área de la Ciencia:

• Ciencia y tecnología alimentaria
• Química analítica
• Ciencia de los datos

Sus antecedentes:

• La espectroscopia vibratoria (NIR, MIR, Raman) proporciona conocimientos moleculares de manera no destructiva.
• Los métodos de aprendizaje automático (ML) (SVM, PLSR, NNs) procesan de manera eficiente los datos espectrales complejos.
• El análisis actual de los alimentos se enfrenta a desafíos en cuanto a la velocidad, la precisión y la evaluación exhaustiva.

Objetivo del estudio:

• Explorar la integración del ML con la espectroscopia vibratoria para el análisis de alimentos.
• Destacar los avances en la evaluación de la calidad, autenticidad y seguridad de los alimentos.
• Abordar las limitaciones y mostrar el potencial transformador de esta sinergia.

Principales métodos:

• Utilizando el aprendizaje automático tradicional (SVM, PLSR) y el aprendizaje profundo (NNs, CNNs, RNNs) con datos espectrales.
• Aplicación de las técnicas de espectroscopia vibratoria no destructiva (NIR, MIR, Raman).
• Integración de espectrómetros portátiles con algoritmos ML para el análisis en tiempo real.

Principales resultados:

• Mejora de las capacidades de identificación de adulterantes, cuantificación de indicadores de calidad y detección de contaminantes.
• Clasificación exitosa, identificación del deterioro y verificación del origen utilizando datos espectrales.
• Desarrollo de soluciones de análisis de alimentos en tiempo real.

Conclusiones:

• La integración de la espectroscopia ML revoluciona el análisis de la industria alimentaria.
• Superar desafíos como la variabilidad y la interpretabilidad de los datos a través de técnicas como el aumento de datos y el aprendizaje de transferencia.
• Impulsar mejoras significativas en la seguridad alimentaria mundial, el control de calidad y la sostenibilidad.