Clasificación de granos de trigo utilizando modelos deep learning

Abstract

Actualmente, existen diversos métodos para la detección del deoxynivalenol (DON) una micotoxina que contamina diferentes tipos de cereales como el trigo, el maíz o la cebada. Algunos métodos que se utilizan para la detección de esta micotoxina son Enzyme-Linked Immunosorbent-Assay [10], high-performance liquid chromatography [11] y la detección de la micotoxina por imágenes hiperespectrales [12]. El problema con los dos primeros métodos es que utilizan la composición química para la detección y aunque dan buenos resultados estos métodos son muy costosos monetariamente y temporalmente. En el caso de la detección por imágenes hiperespectrales (NIR-HSI) este es un método no destructivo y rápido que se ha utilizado para la creación de modelos1 de regresión en diversos granos como la avena o el trigo dando en el primero un acierto del 77.8 % [13] y del segundo un 83 % [14]. En los granos de trigo el porcentaje de acierto fue mejorado con el modelo k-neighbors dando un resultado del 91.5 % [12]. Aunque esta mejora es sustancial en ninguno de los tres trabajos se utilizan modelos más complejos como los que se encuentran en el área de la inteligencia artificial popularmente conocida como deep learning. Por ello este trabajo se centra en utilizar dos arquitecturas populares del deep learning para observar si se puede llegar a mejorar estos resultados permitiendo demostrar que este es un buen camino a la hora de mejorar en la detección de micotoxinas.