Nuevas herramientas para el análisis y control de adulteración en alimentos

Tamaño: px

Comenzar la demostración a partir de la página:

Download "Nuevas herramientas para el análisis y control de adulteración en alimentos"

Roberto Venegas Escobar
hace 7 años
Vistas:

1 1 UNIVERSIDAD COMPLUTENSE DE MADRID Nuevas herramientas para el análisis y control de adulteración en alimentos Jorge O. Cáceres Group of Laser Chemistry, Department of Analitycal Chemistry, UCM, Spain

2 2 Objetivo Demostrar que los procedimientos quimiométricos, en particular las redes neuronales son relativamente fáciles de implementar y poseen una amplia aplicabilidad en muy diferentes áreas de conocimiento Discutir como resolver un sistema de datos complejos e interconectados de forma no lineal mediante el uso de redes neuronales

3 3 LIBS Análisis Identificar Clasificar Mejorar la resolución Mejorar los limites de detección y cuantificación

4 4 Características de los espectros LIBS Muchos parámetros instrumentales (VARIABES) (longitud de onda del laser, irradiancia, parámetros de 1 adquisición temporal, etc.) C a Espectros altamente multidimensionales (muchas longitudes de onda) Ruido (una variable puede tomar varios valores) Fondo espectral (background) (interferencia en todas las variables) Redundancia (varios datos con la misma información) Posible no linealidad entre intensidad y concentración (sistema no lineal) Intensidad Emision (u.a.) C a C a S r M g C a W avelength(nm ) La quimiométria tiene varias ventajas importantes para manejar todos estas características. Adquisición de datos relativamente fácil.

5 Redes Neuronales 5

6 6 Fundamentos Una red neuronal artificial es una herramienta diseñada para emular la forma en que el cerebro humano funciona Pero: Cómo funciona el cerebro humano? Cómo aprende el ser humano? Dónde se guarda el conocimiento? Por qué es tan eficiente el cerebro humano?

7 7 El cerebro humano está compuesto por una gran cantidad de elementos básicos denominados neuronas Básicamente las neuronas están formadas por: Un cuerpo central o Núcleo Un mecanismo de conexión con otras neuronas (sinapsis): Axón y dendritas

8 8

9 9 Redes Neuronales Artificiales Se parece al cerebro en dos aspectos: 1. El conocimiento es obtenido por la red a través de un proceso de aprendizaje. 2. Las conexiones interneuronales conocidas como pesos sinápticos son utilizadas para almacenar dicho conocimiento.

10 10 Beneficios de usar una NN Generalización: Capacidad para producir respuestas razonables a estímulos no presentados durante su entrenamiento. Adaptabilidad: La red puede ser construida para adaptar sus pesos sinápticos al medio ambiente (re-entrenar). Robusta: Por su carácter distributivo, una red maneja muy bien daños a su estructura (ruido). Complejidad: Puede capturar comportamiento complejo que no es posible con métodos tradicionales. No-paramétrico: No hace suposiciones a priori.

11 11 Entrenamiento (training) Mediante un proceso de aprendizaje se logran establecer los niveles correctos de activación-inhibición de las neuronas Cuando este proceso se completa entonces ante determinados estímulos sabemos como responder y aprendemos El conocimiento adquirido está entonces en los niveles de relación entre las neuronas logrados durante el proceso de aprendizaje El cerebro es entrenado por repetición de estímulos. Mediante un proceso de aprendizaje se logran establecer los niveles correctos de activación-inhibición de las neuronas

12 Red Neuronal Dendritas: Para recibir el estímulo o establecer las conexiones sinápticas x 1 W 1 12 Pesos sinápticos: Cada dendrita tendrá un peso W i son la intensidad de la sinapsis que conecta dos neuronas; tanto X i como W i son valores reales. Estimulo x 2 W 2 n Repuesta neta W 3 x 3 Núcleo: Para procesar la información Axón Axón: Para enviar la respuesta

13 b 13

14 14 Hidden Layer Input Layer Output Layer

15 15 HOW DO SUPERVISED NEURAL NETWORKS WORK? Y expected (Target) Input signal Y network (output) Comparison Adjust weights Error calculation

16 16 Algoritmos de entrenamiento Existen muchos algoritmos de entrenamiento, algunos de los cuales se mencionan aquí: Error correction learning or delta rule: es un aprendizaje supervisado, en donde se usa el error obtenido en la presentación del estímulo para determinar el factor de corrección. Competitive learning: las neuronas compiten entre si para hacerse activas estableciendo. Solo una se activa a la vez (especialización). Hebbian learning: correlaciona la actividad pre y post-sináptica (si ambas neuronas se activan se fortalece la conexión y se debilita en caso contrario). Aquí el factor de corrección es multiplicativo entre la actividad pre y post-sináptica. Memory Based learning: la red almacena data ya procesada en memoria. Un nuevo patrón es procesado según su cercanía (en sentido euclideo) a un patrón en memoria.

17 17 Qué podemos hacer con Redes Neuronales? Aplicaciones

18 18 Diagnóstico de cáncer de pulmón : Cancer Inputs - a 9x699 matrix defining nine attributes of 699 biopsies. 1. Clump thickness 2. Uniformity of cell size 3. Uniformity of cell shape 4. Marginal Adhesion 5. Single epithelial cell size 6. Bare nuclei 7. Bland chomatin 8. Normal nucleoli 9. Mitoses Cancer Targets - a 2x966 matrix where each column indicates a correct category with a one in either element 1 or element Benign 2. Malignant UCI Repository of machine learning databases [

19 Análisis de imagen: La redes neuronales pueden recibir y procesar extensas cantidades de información inmediatamente, haciéndolas útiles en la compresión de imagen. 19

20 Nuestras aplicaciones 20

21 Applied Spectroscopy, Volume 67, Issue 9, pp. 1064-1072 (September 2013) La procedencia y adulteración de aceites de oliva es problema para la industria aceitera.

21 21 Applied Spectroscopy, Volume 67, Issue 9, pp (September 2013) La procedencia y adulteración de aceites de oliva es problema para la industria aceitera. Con el fin de obtener un mayor rendimiento en su comercialización, el aceite de oliva, es susceptible de ser adulterado con aceites más baratos de origen vegetal como girasol, maíz, etc. El control de la adulteración y trazabilidad de aceites es un elemento principal en controles de calidad. El objetivo de este trabajo es desarrollar una técnica basada en la espectroscopía de ablación láser LIBS (Laser Induced Breakdown Spectroscopy) combinada con un método avanzado de clasificación como las redes neuronales para la identificación y detección de adulteración en aceites de oliva virgen extra de forma rápida, simple, directa y eficaz

22 Sistema Experimental 22

23 Tabla 1: Aceites Puros utilizados en el estudio 23 Muestra Origen Marca Categoría Número de replicas analizadas 1 España Coosur (lote 1 ) Aceite de Oliva extra Virgen 4 2 España Cambril Aceite de Oliva extra Virgen 3 3 España Nuñez del Prado Aceite de Oliva extra Virgen 4 4 España Coosur (lote 2) Aceite de Oliva extra Virgen 3 5 España Hojiblanca Aceite de Oliva 3 6 España Carbonel Aceite de Oliva 3 7 España Ybarra Aceite de Oliva 3 8 España Koipesol Aceite de Girasol 3 9 España La Masia Aceite de Maíz 3 10 Italia De Marco Aceite de Oliva extra Virgen 3 11 Italia Pregio Aceite de Oliva extra Virgen 3 12 Italia Torreta Aceite de Oliva extra Virgen 3 13 Grecia Kretiko Aceite de Oliva extra Virgen 3 14 Grecia KanaKis Aceite de Oliva 3 15 Argentina Cocinero Aceite de Oliva extra Virgen 3 16 Argentina Altavia Aceite de Oliva extra Virgen 3 17 Argentina Gretvalue Aceite de Oliva extra Virgen 3 18 Argentina Indalo Aceite de Oliva extra Virgen 3 19 Argentina Lira Aceite de Oliva extra Virgen 3 20 Argentina Nucete Aceite de Oliva extra Virgen 3 21 Argentina Oleovita Aceite de Oliva extra Virgen 3 22 Argentina Toscana Aceite de Oliva extra Virgen 3

24 Tabla 2: Mezclas de Aceites utilizadas en el estudio 24 Muestra Origen Marca Categoría Número de replicas analizadas 23 España Coosur + 1% Koipesol Mezcla 2 24 España Coosur + 2% Koipesol Mezcla 2 25 España Coosur + 3% Koipesol Mezcla 2 26 España Coosur + 4% Koipesol Mezcla 2 27 España Coosur + 5% Koipesol Mezcla 2 28 España Cambril + 1% Koipesol Mezcla 2 29 España Cambril + 2% Koipesol Mezcla 2 30 España Cambril + 3% Koipesol Mezcla 2 31 España Cambril + 4% Koipesol Mezcla 2 32 España Cambril + 5% Koipesol Mezcla 2

25 Espectros LIBS de Muestras de Aceites 25 a) Espectros LIBS obtenidos para 4 tipos de aceite diferente, I-Oliva, II-Girasol, III-Maíz, IV-Avellana. b) Aceites de Oliva extra Virgen Coosur adulterado, I-Aceite puro, II- Adulterado con 1%Girasol, III- Adulterado con 3% Girasol, IV-Adulterado con 5% de Girasol

26 Resultados de la Clasificación 26 a) Salida de la Red Neuronal para muestras de Aceite puro y adulterado en tres porcentajes 1%, 3% y 5%, se observa como cada muestra es asignada a su correspondiente salida con un 100% de identificación. b) Salida de la Red Neuronal para tres aceites de Oliva Virgen extra, Coosur, Nuñez del Prado y Cambril.

27 Test de Robustez 27

28 Conclusiones 28 Los resultados para los diferentes aceites muestran un 100% de exactitud en la identificación. La técnica es capaz de distinguir entre dos aceites de la misma marca pero de diferentes lotes. Fue posible la diferenciación de mezclas de aceite de oliva virgen extra con aceite vegetal de girasol. El método desarrollado puede ser adaptado en un sistema portátil cuyo uso no implique personal cualificado, produciendo análisis rápidos, fiables y robustos a tiempo real. Laser Chemistry Research Group, Department of Analytical Chemistry, UCM, Spain

29 Conclusiones 29 La Redes Neuronales Artificiales ofrecen un número de ventajas (detección no lineal, algoritmos de entrenamiento múltiple, etc.) para mejorar significativamente la performance del modelo predictivo El método es robusto a pesar de las variaciones de las condiciones experimentales (variaciones instrumentales), y durante un lago periodo de tiempo. Laser Chemistry Research Group, Department of Analytical Chemistry, UCM, Spain

30 30 MUCHAS GRACIAS POR SU ATENCIÓN! Laser Chemistry Research Group, Department of Analytical Chemistry, UCM, Spain

Documentos relacionados

CONCEPTOS BÁSICOS (Freeman capt.1; Neural Nets capt. 4,5 y 7)

Tema 1: Conceptos Básicos Sistemas Conexionistas 1 CONCEPTOS BÁSICOS (Freeman capt.1; Neural Nets capt. 4,5 y 7) 1.- Introducción. 1.1.- Redes Neuronales de Tipo Biológico. 1.2.- Redes Neuronales dirigidas