Regresión basada en el aprendizaje profundo de los atributos de la calidad de los alimentos utilizando espectroscopia...

Área de la Ciencia:

• Ciencia y Tecnología de los Alimentos
• Espectroscopia
• Aprendizaje automático

Sus antecedentes:

• La espectroscopia de infrarrojo cercano (NIR) y las imágenes hiperespectrales (HSI) son métodos no destructivos establecidos para el análisis de alimentos.
• La cuantificación de los atributos de la calidad de los alimentos se basa en modelos de regresión que vinculan los datos espectrales/espaciales con los valores de atributo.
• Los enfoques convencionales de aprendizaje automático son ampliamente utilizados, pero el aprendizaje profundo ofrece capacidades avanzadas.

Objetivo del estudio:

• Revisar los avances recientes en la aplicación de algoritmos de aprendizaje profundo para la cuantificación de los atributos de la calidad de los alimentos.
• Comparar la regresión de aprendizaje profundo con las estrategias convencionales de análisis de datos.
• Destacar las estrategias para maximizar los beneficios del aprendizaje profundo en el análisis de alimentos.

Principales métodos:

• Revisión de la literatura sobre las aplicaciones del aprendizaje profundo en la espectroscopia NIR y HSI para la calidad de los alimentos.
• Introducción y comparación de los algoritmos de regresión de aprendizaje profundo con los métodos tradicionales.
• Discusión de la extracción de características (espectral, espacial, de fusión) y el desarrollo de modelos.

Principales resultados:

• La regresión basada en el aprendizaje profundo demuestra ventajas significativas para cuantificar los atributos de la calidad de los alimentos.
• La fusión de información espectral y espacial con el aprendizaje profundo mejora la precisión de la cuantificación.
• Las arquitecturas específicas de aprendizaje profundo muestran un rendimiento superior en diversas aplicaciones alimentarias.

Conclusiones:

• El aprendizaje profundo es una herramienta poderosa para avanzar en la cuantificación de la calidad de los alimentos utilizando NIR y HSI.
• Se necesita más investigación para abordar los desafíos y explorar nuevas estrategias de aprendizaje profundo.
• Esta revisión proporciona una comprensión completa del papel del aprendizaje profundo en la evaluación de la calidad de los alimentos.