Este estudio utilizó las técnicas de espectroscopía de transformada de Fourier en el infrarrojo cercano (FT-NIR), espectroscopía infrarroja de reflexión total atenuada con transformada de Fourier (ATR-FTIR) y espectroscopía bidimensional correlacional (2DCOS), combinadas con quimiometría y aprendizaje profundo para construir modelos de discriminación mediante análisis PLS-DA y redes neuronales convolucionales residuales (ResNet) para rastrear rápida y precisamente 221 muestras de fruto de anís estrellado de 7 regiones principales. Los resultados muestran que el modelo PLS-DA construido sobre datos ATR-FTIR preprocesados con segunda derivada (2nd) y transformación estándar normal (SNV) tuvo el mejor desempeño (95,31%), aunque el mejor preprocesamiento para los datos FT-NIR fue la segunda derivada. El modelo ResNet basado en imágenes 2DCOS síncronas derivadas de FT-NIR y ATR-FTIR no requiere selección del mejor preprocesamiento ni transformaciones de datos complejas para alcanzar una precisión del 100%. De estos modelos, el ResNet basado en imágenes 2DCOS síncronas derivadas de datos FT-NIR tuvo el menor número de iteraciones, menor tiempo y costo. Este estudio proporciona un nuevo método rápido y preciso para identificar frutos de anís estrellado de diferentes orígenes geográficos, estableciendo la base para futuras investigaciones en el sistema de evaluación de calidad del fruto.

fruto de anís estrellado; quimiometría; aprendizaje automático; espectroscopía correlacional bidimensional; origen geográfico