POSTCOSECHA 68 preprocesar. Los resultados de la validación interna tambiénmostraron una buena precisión como en el caso de los enfoques I y II, con alrededor del 99,9% de las muestras correctamente clasificadas. Cuando se introdujo el conjunto externo de validación en el modelo, el rendimiento disminuyó a una precisión general del 95,9%, pero en todos los casos superior al 92%. Las tasas más altas de clasificación errónea se observaron principalmente entre golpe ymancha púrpura, pero también entre el pardeamiento de la pulpa y la fruta sana probablemente debido a los casos más leves o por confusión con una piel algomás oscura. La Figura 5 muestra el resultado de la segmentación de imágenes de nísperos con los diferentes defectos estudiados y clasificados utilizando este enfoque. Discusión XGBoost fue el mejor método de clasificación en todos los casos, especialmente cuando se utilizó con los datos sin ningún preprocesado. La precisión lograda en todos los casos fue alta, con más del 95,9% de los píxeles clasificados correctamente, lo que llevó a una clasificación correcta del 100% de las frutas con daño. El mejor resultado se logró para la clasificación binaria entre muestras sanas y con daño (enfoque I) con una precisión global del 97,5%, alcanzando una tasa de éxito del 98,8% en la detección de píxeles pertenecientes a cualquier defecto. Aunque es el caso más sencillo, la precisión también fue alta para los otros enfoques. Es de destacar que no hubo confusión entre piel sana y cualquier defecto externo, lo que indica que los clasificadores funcionaron bien con defectos visibles. La confusión entre la piel sana y los defectos internos se debió principalmente al pardeamiento interno de la pulpa, que probablemente pudiera confundir un oscurecimiento de la piel. Los resultados de este estudio se han obtenido utilizando el espectro completo y aunque fueron buenos, la investigación futura debe centrarse en realizar una selección adecuada de longitudes de onda óptimas para agilizar la discriminación entre las frutas sanas y los diferentes defectos. CONCLUSIONES En este trabajo se ha evaluado el uso de imágenes hiperespectrales en combinación con técnicas basadas en aprendizaje automático para detectar y discriminar defectos habituales en el níspero cv. ‘Algerie’, como mancha púrpura, rameado, golpes o pardeamiento de la pulpa. Se evaluaron dos algoritmos, RF y XGBoost, y diferentes preprocesados de los espectros para discriminar entre frutas sanas y defectuosas de acuerdo con tres enfoques: en el enfoque I, el mejor resultado se obtuvo utilizando XGBoost y los datos sin ningún procesamiento previo. Los píxeles de la fruta se clasificaron como sanos o defectuosos con una precisión del 97,5 %. En el enfoque II, el mejor resultado también se obtuvo utilizando XGBoost y los datos sin ningún tratamiento previo. Los píxeles de la fruta se clasificaron como sano, defecto interno o externo con una precisión del 96,7 %. Nuevamente, para el enfoque III, el mejor resultado se obtuvo usando XGBoost y los datos sin ningún procesamiento previo. Los píxeles de la fruta se clasificaron como sanos, mancha purpura, rameado, golpe o pardeamiento de la pulpa con una precisión del 95,9%. Finalmente, los resultados obtenidos por los mejores modelos pudieron ser visualizados en la superficie de la fruta. Estos resultados indican el potencial de la tecnología propuesta como una herramienta prometedora para evaluar la calidad del níspero.n AGRADECIMIENTOS Este trabajo se ha cofinanciado por los proyectos GVA-PROMETEO CIPROM/2021/014, PID2019-107347RR-C31, -C32 y -C33 / AEI / 10.13039/501100011033, GVA-IVIA 52204 y la UE a través del Programa FEDER de la CV 2014-2020. Salvador Castillo agradece el contrato predoctoral MICIN-AEI PRE2020-094491 cofinanciado por el FSE. Los autores agradecen a Nísperos Ruchey por proporcionar soporte técnico y los nísperos utilizados en este estudio. Figura 5. Imágenes originales y segmentadas de frutas sanas y con los diferentes defectos estudiados. Para consultar los datos bibliográficos del artículo, visite: www.interempresas.net/A468151
RkJQdWJsaXNoZXIy Njg1MjYx