Publication:

Estudio y fabricación de sistemas de análisis óptico de alta eficiencia y amplio espectro para aplicaciones agroalimentarias: inteligencia artificial y espectroscopia óptica aplicada en el sector agroalimentario

La industria agroalimentaria atraviesa una etapa de creciente énfasis en asegurar la calidad y seguridad de los productos alimenticios, así como de optimización de los procesos de producción y reducción o reutilización de los productos de desecho, haciendo necesaria una caracterización analítica exhaustiva de los alimentos, junto con la utilización de técnicas de detección en línea. Esta tesis busca contribuir al desarrollo de dispositivos que, combinando dos técnicas distintas como la espectroscopia óptica—especialmente en los rangos ultravioleta, visible e infrarrojo cercano—y técnicas de Machine Learning y Deep Learning, sean capaces de evaluar, validar y solucionar los desafíos planteados por la industria agroalimentaria. Se desarrollan dos líneas de investigación. La primera aborda problemas específicos propuestos por la industria agroalimentaria en distintos sectores y con diferentes materias primas, abarcando desde forrajes para la alimentación animal, la detección de perturbaciones en tuberías, hasta la identificación de posibles adulteraciones en el aceite de oliva virgen extra que puedan ocurrir en las plantas de embotellado. La segunda línea de investigación se centra en uno de los principales desafíos al trabajar con modelos de inteligencia artificial y datos espectroscópicos: la falta de datos. Se propone la utilización de modelos generativos adversarios (GANs) para aumentar de manera rápida, sencilla y económica los conjuntos de datos, mejorando así el rendimiento de los modelos desarrollados.

The agro-food industry is currently experiencing a growing emphasis on ensuring the quality and safety of food products, as well as optimizing production processes and reducing or reusing waste products. This necessitates a thorough analytical characterization of food, along with the use of real-time detection techniques. This thesis aims to contribute to the development of devices that, by combining two different techniques—optical spectroscopy, especially in the ultraviolet, visible, and near-infrared ranges, and Machine Learning and Deep Learning methods—are capable of evaluating, validating, and addressing the challenges posed by the agro-food industry. Two lines of research are developed. The first one addresses specific problems raised by the agro-food industry in various sectors and with different raw materials, ranging from forage for animal feed, the detection of disturbances in pipelines, to the identification of potential adulterations in extra virgin olive oil that may occur in bottling plants. The second line of research focuses on one of the main challenges when working with artificial intelligence models and spectroscopic data: the lack of data. The use of Generative Adversarial Networks (GANs) is proposed to quickly, easily, and economically augment datasets, thereby improving the performance of the proposed models.