POSTCOSECHA 66 obtenido para todas las técnicas de preprocesamiento y los dos clasificadores. Ambos métodos de aprendizaje automático lograron detectar la fruta dañada de manera similar, llegando a una tasa de clasificación muy alta en algunos casos. En general, XGBoost logró un mejor rendimiento que RF. Además, el mejor resultado se obtuvo utilizando los datos sin preprocesar (RAW). La tabla 1 muestra los resultados obtenidos mediante una validación cruzada y sobre un conjunto externo demuestras, utilizando la combinación de XGBoost y los datos sin preprocesar. La validación cruzada mostró un rendimiento cercano al 100% de precisión. El rendimiento del modelo también fue bueno para el conjunto de validación externa, pero la precisión cayó al 92,0% para las muestras sanas y al 98,8% para las muestras con daño. Por lo tanto, la precisión total se redujo ligeramente del 99,9% al 97,5%. Enfoque II Recordemos que este enfoque presentaba tres clases, fruta sana, fruta con daños de la piel (externos) y fruta con daños de la pulpa (internos). La figura 3 muestra la precisión de los dos clasificadores para cada preprocesado. Ambos clasificadores aún presentaCLASE SANO DEFECTO TOTAL Sano 92,0 8,0 97,5 Defecto 1,20 98,8 Figura 2. Evolución del AUC frente al método de preprocesado de los espectros para RF y XGBoost en el enfoque I. Tabla 1. Resultados de la clasificación para el enfoque I usando XGBoost y los espectros sin preprocesar, usando el conjunto de prueba independiente. Datos expresados en %. Figura 3. Evolución de la precisión frente al método de preprocesado de los espectros para RF y XGBoost en el enfoque II.
RkJQdWJsaXNoZXIy Njg1MjYx