Por favor, use este identificador para citar o enlazar este ítem:
http://hdl.handle.net/10609/148753
Título : | 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 |
Otros títulos : | 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 |
Autoría: | López González, Miguel Ángel |
Tutor: | Rebrij, Romina |
Otros: | Ventrua Royo, Carles |
Resumen : | 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. |
Palabras clave : | machine learning fraude alimentario adulteración alimentaria leche aprendizaje automático seguridad alimentaria support vector machines artificial neural networks random forests máquinas de vector de soporte redes neuronales artificiales bosques aleatorios |
Tipo de documento: | info:eu-repo/semantics/masterThesis |
Fecha de publicación : | 20-jun-2023 |
Licencia de publicación: | http://creativecommons.org/licenses/by-nc-sa/3.0/es/ |
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