Algoritmo para caracterizar las principales propiedades morfométricas de, al menos, dos variedades de pan de molde

Este trabajo explora el uso del procesamiento digital de imágenes como herramienta no invasiva para evaluar las
propiedades físicas del pan. El estudio propone un conjunto de algoritmos de aprendizaje automático y
procesamiento digital de imágenes para analizar propiedades físicas del pan y su asociación con las características
sensoriales, contribuyendo a la industria alimentaria en la toma de decisiones sobre la aceptabilidad y calidad del
producto. En el capítulo de resultados, en la sección 3.1 se realiza una revisión sobre el uso de Sistemas de Visión
Computacional en productos panificados, destacando su potencial para medir propiedades físicas de forma no
invasiva. Se revisa la literatura reciente, concluyendo que estos sistemas ofrecen precisión y eficiencia en la
clasificación de alimentos, aunque existen limitaciones en cuanto a la estandarización del hardware. La sección 3.2.
detalla el desarrollo de un algoritmo específico para analizar propiedades físicas del pan de molde blanco e integral;
mediante un algoritmo diseñado a la medida que hace uso de un Sistema de Visión Computacional que mide color,
tamaño y morfología de la estructura alveolar del pan en dos variedades de pan. Los resultados para la medición del
color, en el sistema CIELAB, fueron favorables al encontrar que los modelos polinómicos de cuarto grado y Stacked
ensamble obtuvieron un coeficiente de determinación superior a 0,93. De igual forma, la correcta detección y
caracterización de 9 variables asociadas a la estructura alveolar del pan, soportan la necesidad de hacer mediciones
comparables para diferentes formulaciones de pan. Por último, se destacó de la prueba sensorial que los panes
blancos, con una textura más esponjosa, obtuvieron mayor aceptación sensorial en comparación con los panes
integrales. Finalmente, en la sección 3.3. se implementaron diferentes algoritmos para predecir características de
textura en dos variedades de pan, utilizando análisis de imágenes y análisis del perfil de textura. En el estudio se
encontró mayor capacidad de aprendizaje durante el entrenamiento en diferentes algoritmos que obtuvieron
imágenes transformadas en otros espacios vectoriales a comparación del aprendizaje abordado desde la imagen
directamente, encontrando el mayor coeficiente de determinación de 0.53 para el modelo lineal generalizado. En
general la capacidad de generalizar los datos fue restrictiva dada la complejidad del objetivo de predicción y la falta
de variabilidad de los datos de dureza capturados.