Gian Rios-Trigoso
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Gian Rios-Trigoso has a total of 4 co-authors. Here are the top co-authors by number of shared publications:
- Richard Injante
Universidad Nacional de San Martín
2 shared publications - Segundo Ramírez-Shupingahua
Facultad de Ingeniería de Sistemas e Informática, Universidad Nacional de San Martín
2 shared publications Katterine Tejada Shupingahua
1 shared publication- Katterine Tejada Shupingahua
Facultad de Ingeniería de Sistemas e Informática, Universidad Nacional de San Martín
1 shared publication
Latest Publications
- Open Access
- 29 April 2025
- Published by Universidad de Huánuco in Revista Científica de Ingeniería, Diseño y Arquitectura Contemporánea
- Vol. 2 (1)
Procesamiento de imágenes para la detección de la madurez del fruto: una revisión sistemática
El presente estudio ofrece una revisión sistemática sobre la detección de la madurez en frutos mediante el uso de Inteligencia Artifcial (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 signifcativa. La coloración ytextura 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 identifcan 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.
- 29 April 2025
- Published by Universidad de Huánuco in Revista Científica de Ingeniería, Diseño y Arquitectura Contemporánea
- Vol. 2 (1)
Open AccessProcesamiento de imágenes para la detección de la madurez del fruto: una revisión sistemática
El presente estudio ofrece una revisión sistemática sobre la detección de la madurez en frutos mediante el uso de Inteligencia Artifcial (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 signifcativa. La coloración ytextura 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 identifcan 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.
- Open Access
- 20 February 2025
- Published by Universidad de Huánuco in Revista Peruana de Ingeniería, Arquitectura y Medio Ambiente
- Vol. 2 (1)
Procesamiento de imágenes para la detección de la madurez del fruto: una revisión sistemática
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.
- 20 February 2025
- Published by Universidad de Huánuco in Revista Peruana de Ingeniería, Arquitectura y Medio Ambiente
- Vol. 2 (1)
Open AccessProcesamiento de imágenes para la detección de la madurez del fruto: una revisión sistemática
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.