Por favor, use este identificador para citar o enlazar este ítem:
http://hdl.handle.net/10609/148753
Registro completo de metadatos
Campo DC | Valor | Lengua/Idioma |
---|---|---|
dc.contributor.author | López González, Miguel Ángel | - |
dc.contributor.other | Ventrua Royo, Carles | - |
dc.coverage.spatial | Tarragona, ESP | - |
dc.date.accessioned | 2023-08-30T20:46:10Z | - |
dc.date.available | 2023-08-30T20:46:10Z | - |
dc.date.issued | 2023-06-20 | - |
dc.identifier.uri | http://hdl.handle.net/10609/148753 | - |
dc.description.abstract | El fraude alimentario es un riesgo que compromete la calidad y seguridad alimentaria e implica un agravio económico. El presente trabajo realiza un estudio de especiación y de adulteración de leches a partir de datos de espectrometría de masas. Tiene la finalidad de encontrar los modelos más eficientes e implementarlos en una herramienta que haga accesible la detección de fraude en leche. Se han empleado los algoritmos: support vector machines (SVM), artificial neural networks (NN) y random forests (RF), diseñando varios modelos con diferentes parámetros. La alta dimensionalidad de los datos y escasez de muestras ha hecho necesario un aumento de muestras mediante la técnica SMOTE y reducir dimensiones mediante principal component analysis (PCA). La aplicación de estas técnicas juntas y por separado ha generado cuatro escenarios de trabajo. La determinación del mejor modelo se basó en las métricas de exactitud, Kappa, sensibilidad y especificidad, además de priorizar el modelo más simple. Se escogieron como óptimos los modelos SVM con kernel lineal, consiguiendo un 100% de exactitud en especiación y un 96.3% en adulteración. Se ha demostrado la capacidad de los modelos seleccionados para detectar de fraude en leche con una exactitud mínima de un 90%. También se demuestra que reducir dimensiones y aumentar datos es el mejor escenario, mejorando la eficiencia. Por ende, se ha podido apreciar que PCA y SMOTE son buenas técnicas para dichas tareas. Finalmente se implementaron los modelos seleccionados en una herramienta web, facilitando la comprobación de fraude de una forma sencilla y rápida. | es |
dc.description.abstract | 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. | ca |
dc.description.abstract | Food fraud is a risk that compromises the quality and safety of food and involves an economic disadvantage. This work carries out a study of speciation and adulteration of milk from mass spectrometry data. It aims to find the most efficient models and implement them into a tool that facilitate the detection of fraud in milk. The following algorithms have been used: support vector machines (SVM), artificial neural networks (NN) and random forests (RF), from which several models with different parameters where designed. High dimensionality of data and scarcity of samples involved sample increasing using the SMOTE technique and also involved dimension reduction by principal component analysis (PCA). The application of these techniques together and separately has generated four working scenarios. The determination of the best model was based on accuracy, Kappa, sensitivity, and specificity metrics, as well as the prioritization of simplest model. SVM models with linear kernel were chosen as optimal, achieving 100% accuracy in speciation and 96.3% in adulteration. The ability of selected models to detect fraud in milk with a minimum accuracy of 90% has been demonstrated. It is also demonstrated that reducing dimensions and increasing data is the best scenario, improving efficiency. Therefore, it was found that PCA and SMOTE are good techniques for this aim. Finally, the selected models were implemented in a web-based tool, making accessible milk fraud checking in a simple and fast way. | en |
dc.format.mimetype | application/pdf | ca |
dc.language.iso | spa | ca |
dc.publisher | Universitat Oberta de Catalunya (UOC) | ca |
dc.rights | CC BY-NC-SA | - |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/es/ | - |
dc.subject | machine learning | es |
dc.subject | frau alimentari | ca |
dc.subject | machine learning | en |
dc.subject | fraude alimentario | es |
dc.subject | adulteración alimentaria | es |
dc.subject | leche | es |
dc.subject | aprendizaje automático | es |
dc.subject | seguridad alimentaria | es |
dc.subject | support vector machines | es |
dc.subject | artificial neural networks | es |
dc.subject | random forests | es |
dc.subject | máquinas de vector de soporte | es |
dc.subject | redes neuronales artificiales | es |
dc.subject | bosques aleatorios | es |
dc.subject | adulteració alimentaria | ca |
dc.subject | llet | ca |
dc.subject | aprenentatge automàtic | ca |
dc.subject | seguretat alimentaria | ca |
dc.subject | màquines de vector de suport | ca |
dc.subject | xarxes neuronals artificials | ca |
dc.subject | boscos aleatoris | ca |
dc.subject | food fraud | en |
dc.subject | food adulteration | en |
dc.subject | milk | en |
dc.subject | food safety | en |
dc.subject | support vector machines | en |
dc.subject | artificial neural networks | en |
dc.subject | random forests | en |
dc.subject | bionformatics | en |
dc.subject | biostatistics | en |
dc.subject.lcsh | Goat's milk -- TFM | en |
dc.title | 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 | es |
dc.title.alternative | 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 | ca |
dc.title.alternative | 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 | en |
dc.type | info:eu-repo/semantics/masterThesis | ca |
dc.audience.educationlevel | Estudis de Màster | ca |
dc.audience.educationlevel | Estudios de Máster | es |
dc.audience.educationlevel | Master's degrees | en |
dc.subject.lemac | Llet de cabra -- TFM | ca |
dc.contributor.tutor | Rebrij, Romina | - |
dc.rights.accessRights | info:eu-repo/semantics/openAccess | - |
Aparece en las colecciones: | Trabajos finales de carrera, trabajos de investigación, etc. |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
malopezgonzalezTFM0623memoria.pdf | Memoria del TFM | 1,92 MB | Adobe PDF | Visualizar/Abrir |
Comparte:
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons