Godoy Medel, SebastiánStaforelli, Juan PabloJofré Cerda, Rodrigo Andrés2024-11-172024-11-172024https://doi.org/10.29393/TMUdeC-139JR1AA139https://repositorio.udec.cl/handle/11594/8897Tesis presentada para optar al grado de Magíster en Ciencias de la IngenieríaLa autenticidad y calidad de la miel han sido temas de creciente interés a nivel mundial debido a su importancia económica, nutricional y medicinal. Los consumidores y reguladores demandan métodos más precisos y rápidos para garantizar la pureza de la miel, especialmente ante el aumento de casos de adulteración con azúcares y otras sustancias. Además, determinar el origen botánico de la miel es crucial para su clasificación y comercialización, lo que presenta desafíos significativos en términos de tiempo y recursos necesarios para el análisis palinológico tradicional. Los métodos convencionales de análisis palinológico, que se utilizan para identificar el origen botánico de la miel mediante la identificación de polen bajo microscopía, son procedimientos que demandan una gran cantidad de tiempo en estudios y requirieren el conteo de 1200 a 1800 granos de polen de una sola especie para clasificar una muestra en una clase específica. Este proceso puede extenderse de días a semanas, dependiendo de la experiencia del profesional, lo cual representa una significativa limitación para la industria apícola nacional. Además, la detección de adulterantes en la miel, como diferentes azúcares (fructosa, glucosa, maltosa), es otro desafío debido a la necesidad de métodos rápidos y mínimamente destructivos. Para abordar estos desafíos, se han integrado tecnologías de Espectroscopía de Plasma Inducido por Láser (LIBS) y visión artificial, asistidas por algoritmos de aprendizaje automático, aplicadas a muestras endémicas del sector Alto Bío – Bío, Región del Bío – Bío, Chile. La técnica LIBS permite obtener firmas espectrales específicas de muestras de miel y adulterantes, logrando detectar adulteraciones en tiempos significativamente reducidos, en general de minutos a algunas horas, sin requerir una preparación compleja de las muestras. Simultáneamente, se ha empleado redes neuronales convolucionales para analizar imágenes microscópicas de polen, con el fin de determinar el origen botánico de las muestras mediante el análisis de características morfológicas específicas de cada especie de polen, como tamaño, forma, geometría y textura. Los resultados obtenidos mediante el uso combinado de LIBS y visión artificial demuestran una mejora significativa en la eficiencia del proceso de autenticación y clasificación de la miel. En la detección de adulterantes, los errores de clasificación se mantienen bajos, con resultados como un error mínimo de 3.7% para glucosa en Quillaja saponaria y 9.2% para fructosa en Eucryphia glutinosa. Por otro lado, los modelos de visión artificial han mostrado eficacias de clasificación superiores al 90% en la mayoría de las muestras de la base de datos local, destacando especialmente en la clasificación de la especie endémica Eucryphia glutinosa. Así, el método propuesto proporciona una ventaja significativa para los apicultores locales, permitiéndoles acceder a resultados de calidad y origen, que son factores críticos para la industria apícola, garantizando el cumplimiento de los estándares de calidad en tiempos menores en comparación con los métodos convencionales, ya contando con los modelos de aprendizaje entrenados.esCC BY-NC-ND 4.0 DEED Attribution-NonCommercial-NoDerivs 4.0 InternationalEspectroscopía de plasma inducido por láserVisión artificialMiel de abejas Chile AnálisisThesis