Procesamiento de imágenes para la detección de la madurez del fruto: una revisión sistemática
Authors:
- Richard InjanteRIRichard Injante
- Gian Rios-TrigosoGRGian Rios-Trigoso
- Segundo Ramírez-ShupingahuaSRSegundo Ramírez-Shupingahua
- Katterine Tejada ShupingahuaKSKatterine Tejada Shupingahua
Open Access
- 20 February 2025
- journal article
- Published by Universidad de Huánuco in Revista Peruana de Ingeniería, Arquitectura y Medio Ambiente
- Vol. 2 (1)
Abstract
El presente estudio ofrece una revisión sistemática sobre la detección de la madurez en frutos mediante el uso de Inteligencia Artificial (IA). Para ello se seleccionaron 15 artículos originales de la base de datos Scopus durante el periodo 2019 y 2024. Se evaluaron múltiples aspectos incluyendo los frutos estudiados, las características físicas consideradas, los algoritmos de IA empleados, su precisión y los desafíos enfrentados. Se encontró que, aunque la manzana es el fruto más investigado, otros como la naranja, el tomate y la fresa también reciben atención significativa. La coloración y textura emergen como indicadores primordiales de madurez, respaldados por el uso común de algoritmos como CNN, SVM Y ANN que muestran altos niveles de precisión. Sin embargo, persisten desafíos como la variabilidad en las características de los frutos y la falta de datos etiquetados de calidad. Además, se identifican preocupaciones éticas y sociales relacionadas con la automatización agrícola. Se destacan áreas clave para futuras investigaciones como la mitigación de la variabilidad en las características de los frutos, la mejora de la calidad de los datos y la comprensión del comportamiento de los modelos de IA.Keywords
This publication has 14 references indexed in Scilit:
- Convolutional neural network ensemble learning for hyperspectral imaging-based blackberry fruit ripeness detection in uncontrolled farm environmentEngineering Applications of Artificial Intelligence, 2024
- Linear mathematical models for yield estimation of baby corn (Zea mays L.)Plant Science Today, 2023
- Fruit ripeness identification using YOLOv8 modelMultimedia Tools and Applications, 2023
- A Fruit Ripeness Detection Method using Adapted Deep Learning-based ApproachInternational Journal of Advanced Computer Science and Applications, 2023
- A Systematic Literature Review of Machine Learning Techniques Deployed in Agriculture: A Case Study of Banana CropIEEE Access, 2022
- Classification of fruits ripeness using CNN with multivariate analysis by SGDNeural Network World, 2022
- Automated Agronomy: Evaluation of Fruits Ripeness Using Machine Learning Approach2021
- Development of rapid and non-destructive technique for the determination of maturity indices of pomelo fruit (Citrus grandis)Journal of Food Measurement and Characterization, 2020
- Recent advances in detecting and regulating ethylene concentrations for shelf-life extension and maturity control of fruit: A reviewTrends in Food Science & Technology, 2019
- Using rootstock to increase watermelon fruit yield and quality at low potassium supply: A comprehensive analysis from agronomic, physiological and transcriptional perspectiveScientia Horticulturae, 2018