Doctorado Ingeniería Agroindustrial

El presente estudio busca desarrollar un método rápido y no destructivo mediante espectroscopía NIR y modelos quimiométricos para detectar adulteraciones en mashua negra en polvo. Se analizarán muestras auténticas a partir de tubérculos recolectados en Áncash (Perú) y mezclas adulteradas con harinas de menor costo (coronta de maíz morado, camote morado y mashua amarilla, de 5 al 30%). Los espectros se obtendrán en modo reflectancia y serán preprocesados con técnicas como Savitzky Golay, Variable Normal Estandar y Corrección Multiplicativa de la Dispersión. Mediante Análisis de Componentes Principales y algoritmos de selección de variables, se identificarán bandas espectrales clave para implementar modelos cualitativos y cuantitativos basados en algoritmos de machine learning y Deep learning, cuyo rendimiento en la detección de adulterantes será evaluada a través de métricas estandarizadas (precisión = 90 %) para determinar el mejor modelo. El proyecto pretende constituir la primera aplicación documentada de espectroscopía NIR y quimiometría para autenticación de mashua negra en polvo, realizando un análisis comparativo de diversos modelos de clasificación y predicción con algoritmos de Machine Learning y Deep Learning, integrado con algoritmos de selección de características, a fin de mejorar la eficiencia de los modelos.

VERA JIMENEZ ,WILLIAM DANIEL