Empreu aquest identificador per citar o enllaçar aquest ítem:
http://hdl.handle.net/10609/148753
Títol: | Detección de fraude alimentario en leche: Análisis de especiación de leche y detección de leche de cabra adulterada con leches de menor calidad, empleando aprendizaje automático e implementación en aplicación web |
Altres títols: | Detecció de frau alimentari en llet: Anàlisi d’especiació de llet i detecció de llet de cabra adulterada amb llets de qualitat menor, emprant aprenentatge automàtic i implementació en aplicació web Food fraud detection in milk: Milk speciation analisys and detection of adulterated goat milk with lower quality milk, using machine learning and implementation in web-based aplication |
Autoria: | López González, Miguel Ángel |
Tutor: | Rebrij, Romina |
Altres: | Ventrua Royo, Carles |
Resum: | El frau alimentari és un risc que compromet la qualitat i la seguretat alimentaria i implica un greuge econòmic. El present treball du a terme un estudi d'especiació i d'adulteració de llets a partir de dades d'espectrometria de masses. Té la finalitat de trobar els models més eficients i implementar-los en una eina que faci accessible la detecció de frau en llet. S'han emprat els algoritmes: support vector machines (SVM), artificial neural networks (NN) i random forests (RF), fent el disseny de diversos models amb diferent parametrització. L'alta dimensionalitat de les dades i l'escassetat de mostres ha fet necessari realitzar un augment de mostres per mitjà de la tècnica SMOTE, i reduir les dimensions per mitjà de la tècnica principal component analysis (PCA). L'aplicació d'aquestes tècniques juntes i per separat ha generat quatre escenaris de treball. La determinació del millor model es va basar en les mètriques d'exactitud, Kappa, sensibilitat i especificitat, a més de prioritzar el model més simple. Es van escollir com a òptims els models SVM amb kernel lineal, aconseguint un 100% d'exactitud en especiació i un 96.3% en adulteració. S'ha demostrat la capacitat dels models seleccionats per detectar frau en llet amb una exactitud mínima d'un 90%. També es demostra que reduir dimensions i augmentar dades és el millor escenari, millorant l'eficiència. Així doncs, s'ha pogut apreciar que PCA i SMOTE són bones tècniques per dur a terme aquestes tasques. Finalment, s'han implementat els models seleccionats en una eina web, facilitant la comprovació de frau d'una forma ràpida i senzilla. |
Paraules clau: | frau alimentari adulteració alimentaria llet aprenentatge automàtic seguretat alimentaria màquines de vector de suport xarxes neuronals artificials boscos aleatoris |
Tipus de document: | info:eu-repo/semantics/masterThesis |
Data de publicació: | 20-jun-2023 |
Llicència de publicació: | http://creativecommons.org/licenses/by-nc-sa/3.0/es/ |
Apareix a les col·leccions: | Trabajos finales de carrera, trabajos de investigación, etc. |
Arxius per aquest ítem:
Arxiu | Descripció | Mida | Format | |
---|---|---|---|---|
malopezgonzalezTFM0623memoria.pdf | Memoria del TFM | 1,92 MB | Adobe PDF | Veure/Obrir |
Comparteix:
Aquest ítem està subjecte a una llicència de Creative CommonsLlicència Creative Commons