Modelo predictivo para la medición del estado de madurez de Musáceas sp., cultivadas al suroeste del Ecuador, usando algoritmos de Machine Learning

Autores/as

  • Omar Martinez-Mora Universidad Nacional de Tumbes-Perú
  • Oscar Capuñay-Uceda Universidad Nacional Pedro Ruiz Gallo – Perú
  • Luis Caucha-Morales Universidad Nacional de Tumbes-Perú
  • María Bernarda Ruilova-Cueva Universidad Técnica de Babahoyo-Ecuador

DOI:

https://doi.org/10.33262/rmc.v7i2.2809

Resumen

El objetivo de la presente investigación fue, definir un modelo predictivo para la medición del estado de madurez de Musáceas sp., cultivadas al suroeste del Ecuador, usando algoritmos de Machine Learning. La metodología utilizada en la presente investigación, se dividió en dos etapas: la primera etapa, consistió en obtener los datos de las características fisicoquímicas, a través de los grados Brix y acidez titulable (AOAC,2009); la segunda etapa, mediante el uso de algoritmos de Machine Learning, se procesaron dos sets de datos, tanto para el entrenamiento, como para el Test. El presente trabajo llegó a la conclusión de que, se puede predecir el estado inmaduro, maduro o sobre maduro del banano, a través de un modelo predictivo, con una exactitud del 91 %.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

AOAC (Association Of Official Analytical Chemists). (1990). Official methods of analysis of the association of offi cial analytical chemists. 11a edition. Washington.

Beaudry, R. M., Severson, R. F., Black, C. C., & Kays, S. J. (1989). Banana ripening: implications of changes in glycolytic intermediate concentrations, glycolytic and gluconeogenic carbon flux, and fructose 2, 6-bisphosphate concentration. Plant physiology, 91(4), 1436-1444.

Bengio Y. (2009). Learning Deep Architectures for Al. Foundation and Trends in Machine Learning, 2(1), 1-27.

Bielza, C., Barreiro, P., Rodriguez-Galiano, M., & Martin, J. (2003). Logistic regression for simulating damage ocurrence on a fruit grading line. Computers and Electronics in Agriculture, 39(2), 95-113.

Casallas Malaver, L. F. (2010). Evaluación del análisis fisicoquímico del banano común (musa sapientum l) transformado por acción de la levadura Candida guilliermondii. Grado de Microbióloga industrial y Nutricionista dietista. Pontificia Universidad Javeriana – Colombia.

Corporación Financiera Nacional. (20 noviembre 2020). Ficha sectorial banano y plátano. Recuperado el 15 de enero 2022 de https://www.cfn.fin.ec/wp-content/uploads/downloads/biblioteca/2020/ficha-sectorial-4-trimestre-2020/FS- banano-4T2020.pdf.

Farkas, I., Remenyi, P., & Biró, A. (2000). A neural network topology for modelling grain drying. Computers and Electronics in Agriculture, 26(2), 147-158.

Jonathan Victor Aguilar-Alvarado; Milton Alfredo Campoverde-Molina (2020). Clasificación de frutas basadas en redes neuronales convolucionales. Pol. Con. 41 (5).

MUCHERINO, A., P. J. PAPAJORGJI, & P. M. PARDALOS. (2009). Data Mining in Agriculture. Vol. 34, Springer Optimization and Its Applications. Edited by Panos M. Pardalos. New York, NY: Springer Özsu. 532-538. New York: Springer US.

Periasamy, A.P., Chang, Y.-J., & Chen, S.-M (2011). Amperometric glucose base don glucose oxidase inmobililized on gelatin-multiwalled carbón nanotube modief glassy carbón electrode. Bioelectrochemistry, 80(2), 114-120.

Refaeilzadeh, P., Tang, L., & Liu, H. (2009). Cross-validation. Encyclopedia of database systems, (5), 532-538.

Romero G. (2016). Detección de vinos mediante una red de Biosensores de Pirrol y Nanopartículas de Oro. Grado de Ingeniería Mecánica. Universidad de Valladolid – España.

Roussel, S., Bellon-Maurel, V., Roger, J.-M., & Grenier, P. (2003). Authenticating White grape must variety with classification models base don aroma sensors, FT-IR and UV spectrometry. Journal of food engineering, 60(4), 407-419.

Shahin, M.A., Tollner, E. W., & McClendon, R.W. (2001). AE- Automation and Emergin Technologies: Artificial Intelligence Classifiers for sorting Apples base don Watercore. Journal of Agricultural Engineering Reseach, 79 (3), 265-274.

Torres, R., Montes, E. J., Pérez, O. A., & Andrade, R. D. (2013). Relación del color y del estado de madurez con las propiedades fisicoquímicas de frutas tropicales. Información tecnológica, 24(3), 51-56.

Villalba, A., Requena, T., Solanilla, F., y Rangel, J. C. (2020). Prototipo de un sistema que determine el estado de madurez de un plátano utilizando Deep Learning y Visión Artificial. Revista de Iniciación Científica, (6). 3p.

Yánez Bustamante, W. D., Quevedo Guerrero, J. N., García Batista, R. M., Herrera Reyes, S. N., y Luna Romero, Á. E. (2020). Determinación de la relación carga química grados brix en hojas y frutos de banano clon Williams (Musa paradisiaca). Revista Universidad y Sociedad, 12(5), 421-430.

Publicado

2022-04-04
Estadísticas
Resumen 186

Cómo citar

Martinez-Mora, O., Capuñay-Uceda, O., Caucha-Morales, L., & Ruilova-Cueva , M. B. (2022). Modelo predictivo para la medición del estado de madurez de Musáceas sp., cultivadas al suroeste del Ecuador, usando algoritmos de Machine Learning. Magazine De Las Ciencias: Revista De Investigación E Innovación, 7(2), 62–72. https://doi.org/10.33262/rmc.v7i2.2809

Número

Sección

Artículos