El objetivo de la tesis es incorporar la estrategia de Machine Learning y la tecnología de la visión hiperespectral para el diseño de estrategias que permitan la detección en tiempo real del contenido de cadmio de muestras de cacao, con el fin de intervenir en el proceso productivo del cacao y, de esta manera, reducir el riesgo de contaminación con cadmio en el producto final. Para el desarrollo del proyecto, se hizo uso de la Cámara Hiperespectral Resonon, dentro la infraestructura del departamento de Automática y Control de la Universidad de Piura, contando con muestras de cacao tomadas de algunas locaciones de la región, con la finalidad de obtener las firmas hiperespectrales de las muestras para realizar la modelación de la predicción. A lo largo del trabajo, se muestran los resultados obtenidos con diversos algoritmos de predicción con Machine Learning, lo que permitirá comparar el mejor modelo de predicción para este caso específico. Finalmente, con un monitoreo en tiempo real, se toman las medidas correctivas, logrando mitigar la contaminación por metales pesados como el cadmio. Se concluye que las imágenes multiespectrales vienen siendo, últimamente, muy empleadas en la industria agrícola por sus buenos resultados, pudiéndose verificar que la estrategia de Machine Learning, adicionada a esta herramienta, se complementa muy bien en la detección de cadmio en el cacao.