Clasificación de espectros electromagnéticos en el rango visible utilizando aprendizaje de máquina

Abstract

Spectrophotometers are instruments that measure parameters of samples as a function of wavelength and are composed of a source of broad spectrum light, a di ractive element and a detector. Those instruments are widely used in chemistry, physics materials and medicine labs among others. The design of a spectrophotometer in the visible range of the electromagnetic spectrum is presented is this thesis and is composed of a white LED, a holographic grating and the Samsung camera as a detector; the spectrum generated by placing a liquid sample in the spectrophotometer is analyzed by three arti cial intelligence algorithms that are arti cial neural networks, convolutional neural networks and support vector machines. These type of algorithms take part of machine learning which is currently used to solve classi cation and regression problems, for example facial recognition, speech recognition, search engine and medical diagnostic, amog others. In this thesis, these algorithms were implemented to determinate which one is the best to classi cate the samples, considering account the accuracy and run time.

Los espectrofot ometros son instrumentos que miden par ametros de una muestra, tales como absorbancia, transmitancia o re- ectancia, como funci on de la longitud de onda y sus principales componentes son la fuente emisora de luz, el elemento difractivo y el detector de irradiancia. Dichos instrumentos son de amplio uso en laboratorios de qu mica, f sica de materiales, medicina, entre otros. En esta tesis se presenta el dise~no de un espectrofot ometro en el rango visible del espectro electromagn etico que esta compuesto por un LED de luz blanca, una rejilla hologr a ca y una c amara de la marca Samsung como detector; los espectros que se generar an al colocar una muestra l quida en el espectrofot ometro dise~nado ser an analizados mediante tres algoritmos de inteligencia arti cial que son redes neuronales arti ciales, redes neuronales convolucionales y m aquinas de soporte vectorial. Este tipo de algoritmos pertecen al llamado aprendizaje de m aquina, que actualmente es utilizado para resolver problemas de clasi caci on y regresi on, como lo son reconocimiento facial, reconocimiento del habla, motores de b usqueda y diagn ostico m edico, entre otros. En esta tesis se implementaron estos algoritmos con la nalidad de encontrar cual de ellos es el mejor para resolver el problema de clasi caci on de muestras, en cuesti on de e ciencia y tiempo de c omputo.