Publicació a la revista AUTOMATICA and INFORMATICS

El professor Dr. Jordi Cruz acaba de publicar un article a la revista AUTOMATICA and INFORMATICS, titulat “A Comparative Evaluation of the Predictive Ability of PLS and RBF ANN Calibration Techniques Applied to SW-NIR Meat Data”. Aquest treball ha estat fruit de la investigació d’en Jordi amb els Químics de la Bulgarian Academy of Sciences.

En aquest estudi s’han comparat els mètodes quimiomètrics lineals i no lineals. Els espectres de transmitància de mostres de carn de porc es van registrar mitjançant Short Wave-Near Infrared Spectroscopy (SW-NIR) (850 nm-1.050 nm).

S’han seleccionat el Partial Least Squares Regresion (PLSR) i Radial Basis Functions Neural Networks (RBF NN) per tal de determinar el contingut d’humitat i greix.

La raó per utilitzar RBF ANN és ​​la no linealitat significativa que s’exhibeix entre els espectres i el contingut de greix i humitat.

Figura 1. Els espectres NIR i els espectres preprocessats: MSC, SNV i D1+SNV del conjunt de dades de calibratge.

S’han combinat PLSR i RBF NN amb arquitectura diferent amb diferents tècniques de pretractaments de dades com la Primera Derivada (D1), Standard Normal Variate (SNV), Multiplicative Signal Correction (MSC) i les combinacions de MSC i SNV amb primera derivada. 

Els pretractaments òptims per humitat han estat MSC per a la humitat, i la combinació de D1 i SNV per al greix.

Per PLSR, els valors RMSEP  utilitzant MSC amb un 2,3% (PLSR) i un 1,3% (NN) per a la determinació de la humitat.

Figura 2. Gràfic predit versus nominal per a la determinació òptima d’humitat PLS (MSC). Gràfic predit versus nominal per a la determinació òptima d’humitat RBF ANN (MSC). EJCR i gràfic de residuals per a dos models.

En el cas de la determinació del greix PLSR emprant la combinació de SNV i D1, es va obtenir uns valors de RMSEP  de 1,7% (PLSR) i un 0,7% (NN).

Els valors d’error de predicció per a xarxes neuronals són millors que pels obtinguts amb PLSR, però l’aplicació d’aquests mètodes és costosa i la millora predictiva respecte els mètodes PLSR no és significativa per apostar per un canvi a mètodes no lineals. 

Figura 3. Gràfic predit versus nominal per a la determinació òptima de greix PLS (D1+ SNV). Gràfic predit versus nominal per a la determinació òptima de greix  RBF ANN (D1+ SNV). EJCR i gràfic de residuals per a dos models.

Aquests resultats de predicció fan el PLSR i l’espectroscòpia SW-NIR idònies a implementar en el control de la qualitat en la indústria càrnica.