Hyperspectral Imaging-Based Adulteration Detection of Edible Oil using Optimized Machine Learning Models

Resumen Técnico: Detección de adulteración de aceites comestibles mediante imágenes hiperespectrales utilizando modelos de aprendizaje automático optimizados

Planteamiento del problema
La adulteración de aceites comestibles, que implica la mezcla deliberada de aceites superiores con componentes más económicos o no comestibles, plantea riesgos significativos para la salud pública y compromete la calidad de los alimentos. Los métodos de detección tradicionales, como la Cromatografía Líquida de Alta Resolución (HPLC) y la Cromatografía de Gases (GC), suelen ser lentos, costosos, requieren reactivos tóxicos y conllevan una preparación de muestras compleja, lo que los hace inadecuados para el cribado industrial de alto rendimiento o en tiempo real. Existe una necesidad crítica de tecnologías rápidas, no destructivas y escalables capaces de identificar la contaminación en matrices alimentarias complejas.

Metodología
El estudio propone un marco no destructivo que integra Imágenes Hiperespectrales (HSI) con modelos de Aprendizaje Automático (ML) optimizados para detectar la adulteración en aceites comestibles.

• Adquisición de datos: Se generó un conjunto de datos compuesto por 480 muestras de aceite utilizando un sistema de cámara HSI Specim FX10 (rango espectral: 400–1000 nm). Las muestras incluyeron aceites puros (árbol de té, rosa, cúrcuma, escaramujo, limón, ajo, vitamina E y naranja) y sus variantes adulteradas mezcladas en cuatro niveles de concentración (2 ml, 4 ml, 8 ml y 16 ml).
• Preprocesamiento: Para garantizar la calidad de los datos, se aplicó el filtro Savitzky–Golay (SG) (polinomio de tercer orden, tamaño de ventana 11) para eliminar el ruido y suavizar las curvas espectrales preservando al mismo tiempo la forma de los picos. Los datos de reflectancia se convirtieron a espectros de absorción mediante el método de la línea empírica.
• Optimización de características: En lugar de utilizar el conjunto de datos espectrales completo (224 bandas), el estudio empleó una estrategia de selección de características para identificar las 20 bandas espectrales más informativas. Esta reducción de dimensionalidad se realizó mediante métodos multicriterio para mejorar la eficiencia computacional.
• Modelos de Aprendizaje Automático: Se entrenaron y evaluaron cuatro modelos de clasificación en el conjunto de datos optimizado: Análisis Discriminante Lineal (LDA), CatBoost, Máquina de Potenciación de Gradiente (GBM) y Máquina de Potenciación de Gradiente Extremo (XGBM). El conjunto de datos se dividió en conjuntos de entrenamiento y prueba utilizando una proporción de 80:20.

Contribuciones clave

1. Marco HSI-ML no destructivo: Desarrollo de un método de extremo a extremo para la identificación de la calidad de aceites comestibles que utiliza preprocesamiento radiométrico y filtrado SG para generar firmas espectrales fiables.
2. Conjunto de datos exhaustivo: Creación de un robusto conjunto de datos hiperespectrales que contiene 120,000 puntos de datos espectrales derivados de 480 muestras (160 puras y 320 adulteradas), cubriendo múltiples tipos de aceite y niveles de adulteración.
3. Selección de características optimizada: Demostración de que la selección de las 20 bandas espectrales superiores reduce significativamente la dimensionalidad de los datos y la complejidad del sistema, manteniendo una alta capacidad discriminatoria, lo que facilita la implementación industrial en tiempo real.
4. Evaluación comparativa del rendimiento de los modelos: Un análisis comparativo de las técnicas de aprendizaje lineal y de conjunto, identificando a XGBM como el modelo superior para esta aplicación específica.

Resultos
Los resultados experimentales indicaron que el modelo Smoothing + XGBM alcanzó el mayor rendimiento en todas las métricas:

• Precisión (Accuracy): 100% de precisión en el entrenamiento, con un 98% de precisión tanto en el conjunto de validación como en el de prueba.
• Métricas: El modelo demostró una alta precisión, exhaustividad (recall), puntuación F1 y precisión equilibrada (98%). También logró una baja pérdida de logaritmo (log loss) del 5% y una pérdida de Hamming del 2%, lo que indica una alta confianza y bajas tasas de clasificación errónea.
• Comparación:
  • GBM: Mostró un sólido rendimiento con aproximadamente un 97% de precisión, pero exhibió signos de sobreajuste (overfitting) en comparación con XGBM.
  • LDA: Logró un rendimiento moderado (93% de precisión), teniendo dificultades con las relaciones espectrales no lineales complejas, particularmente en niveles bajos de adulteración.
  • CatBoost: Arrojó una precisión ligeramente inferior (~91%) y tasas de error más altas en comparación con los otros modelos de conjunto.
• Importancia de las características: El análisis de significancia espectral reveló que XGBM priorizó eficazmente longitudes de onda específicas y altamente discriminativas (por ejemplo, índices alrededor de 48, 146 y 155), mientras que LDA dependió de una distribución de bandas más amplia y menos selectiva.

Significancia y Reivindicaciones
El artículo afirma que el enfoque propuesto integrado con HSI ofrece una solución rápida, fiable y escalable para la detección de la adulteración de aceites comestibles. Al combinar la optimización de características espectrales con el aprendizaje de conjunto avanzado (específicamente XGBM), el método logra una alta precisión de clasificación minimizando al mismo tiempo los costes computacionales. Los autores afirman que este marco es adecuado para aplicaciones en tiempo real en el sector industrial para la seguridad alimentaria y el control de calidad.

El estudio reconoce las limitaciones, señalando que el marco actual está restringido a la región del Visible-Infrarrojo Cercano (VNIR) (400–1000 nm), que captura principalmente información de superficie. Los autores sugieren que el trabajo futuro debería extender el análisis a la región NIR-SWIR (1000–2500 nm) para mejorar la caracterización a nivel molecular y mejorar aún más la precisión de la detección.