México - Manejo de datos no lineales con calibraciones de Red Neural Artificial (ANN)

Las Redes Neurales Artificiales, ANN, juegan un importante papel en el mundo de la quimiometría. Es una herramienta que ha sido utilizada por FOSS durante más de una década y es una herramienta importante para los instrumentos basados en NIR y en imágenes. Martin Lagerholm, de FOSS, profundiza sobre este tema.

Una Red Neural Artificial es una construcción inspirada de alguna forma en el funcionamiento del cerebro de los mamíferos. Alguien podría decir que la Red Neural Biológica es la base de la vida inteligente. Y ahora podría indicarse que las Redes Neurales Artificiales son la base de las calibraciones inteligentes, aunque eso sería una ligera exageración.

En sí misma, una neurona artificial es una construcción muy simple inspirada en las neuronas biológicas reales. Una única neurona sólo puede realizar cálculos muy simples, normalmente respondiendo a un input no lineal, por ejemplo, produciendo un único número como resultado. Pero una red de neuronas altamente conectadas puede, en principio, realizar cualquier cálculo posible para un ordenador.

Una atractiva característica de ANN es que es fuerte (igual que el cerebro) allí donde la informática tradicional es débil, por ejemplo, en las previsiones, tareas de reconocimiento, aprendizaje por ejemplo o tareas de optimización.

Dentro del campo NIR, un método de calibración estándar es PLS (Mínimo Cuadrático Parcial), un método fundamentalmente lineal que en muchos casos funciona muy bien, al menos siempre que el problema a una buena aproximación sea lineal. Las no linealidades entran al problema desde diversos sitios; por ejemplo, dispersión, diferencias de instrumento, efectos de la temperatura, el método de referencia.

Además, la ley fundamental en este campo, la ley Beer-Lamberts, que expresa una relación lineal entre la absorción de la luz y la concentración de materiales es una aproximación de la compleja física que hay subyacente.

Incluso con un preprocesamiento inteligente que elimine los efectos no lineales, a menudo se ve que los métodos lineales son superados por ANN. Esto es especialmente el caso cuando se disponen de grandes bases de datos y cuando la calibración se evalúa sobre un gran número de instrumentos. Ejemplos del portfolio de productos de FOSS incluyen la carne con FoodScan™ y el trigo con Infratec™. En algunos casos, una aproximación lineal es especialmente pobre y puede utilizarse ANN incluso para bases de datos más pequeñas y para instrumentos individuales, por ejemplo, humedad en el grano entero para un rango amplio o un rango amplio de grasa en la carne.

ANN se utiliza también ampliamente para el análisis de imágenes. Del porfolio de productos de FOSS, el mejor ejemplo es la serie de productos Cervitec™ utilizado para la clasificación de daños en el núcleo en el arroz y en el trigo.

Con fenómenos tan complejos como daños en el núcleo (Figuras 1 y 2) uno no puede asumir que la respuesta de las imágenes sea lineal. Por tanto, la opción obvia para las técnicas de calibración es ANN.

E incluso si alguno de los fenómenos son de una naturaleza lineal, ANN es excelente para manejar esos también. Aunque los parámetros a analizar sean complejos, el desarrollo de la calibración es sencillo: Todo lo que necesita es una base de datos con los núcleos clasificados en sus clases finales; esto le permitirá entrenar a la ANN de forma ‘intuitiva’.

Figura 1. Un ejemplo de arroz de grano largo capturado por un Cervitec™ 1625 en el que ANN coge rápidamente las diferencias entre las clases y aprende cómo predecir con precisión los ejemplos desconocidos. Hay 13 núcleos sólidos, uno roto, dos calcáreos y dos núcleos descoloridos (en ese orden). También es muy fácil para nosotros detectar los núcleos no sólidos con nuestro ojo humano y nuestra red neural biológica, pero cuando es necesario analizar decenas de miles de imágenes a la hora, se convierte en un trabajo duro y tedioso.

Figura 2. Ejemplo de imágenes de un Cervitec™ 1642 que muestra trigo duro australiano. Una calibración ANN predijo que los seis primeros núcleos estaban vítreos (núcleos duros que forman buena semolina para hacer pasta), el siguiente como no vítreo (núcleo opaco) y el último descolorido (la superficie hace que sea difícil ver a través del núcleo).