Desarrollo de un Sistema de Visión Artificial para la Detección no Destructiva de Plátanos
Barra lateral del artículo
Contenido principal del artículo
Resumen
La evaluación de la calidad en frutas frescas es esencial para garantizar su valor comercial y reducir pérdidas en la cadena de suministro. Este artículo presenta el desarrollo de un sistema basado en visión artificial para la detección no destructiva de plátanos, con el fin de automatizar el proceso de clasificación según su madurez. Se utilizó el algoritmo YOLOv11 entrenado con un conjunto de datos que consta de 824 imágenes de plátanos en diferentes estados (verde, maduro y pasado). El sistema fue implementado sobre una banda transportadora, incorporando componentes impresos en 3D y un mecanismo de segregación automática. Las pruebas realizadas demostraron una precisión del 97.2% en la clasificación, validando su aplicabilidad en entornos agroindustriales.
Descargas
Métricas
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Citas
D. Escobar Figueroa y E. Roa Guerrero, «Sistema de visión artificial para la identificación del estado de madurez de frutas (granadilla)», Redes de Ingeniería, vol. 7, n.o 1, pp. 78-86, jun. 2016, https://doi.org/10.14483/udistrital.jour.redes.2016.1.a08.
L. O. Villarreal Ger, «Prototipo para la detección y clasificación de productos alimenticios mediante visión artificial en base al color», Conectividad, vol. 5, n.o 2, pp. 46-62, feb. 2024, https://doi.org/10.37431/conectividad.v5i2.129.
K. Yu et al., «Advances in Computer Vision and Spectroscopy Techniques for Non-Destructive Quality Assessment of Citrus Fruits: A Comprehensive Review», Foods, vol. 14, n.o 3, p. 386, ene. 2025, https://doi.org/10.3390/foods14030386.
R. Sucari León, Y. Aroquipa Durán, L. D. Quina Quina, y E. Quispe Yapo, «Visión artificial en reconocimiento de patrones para clasificación de frutas en agronegocios», PURIQ, vol. 2, n.o 2, abr. 2020, [En línea]. Disponible en: https://www.researchgate.net/publication/340571315_Vision_artificial_en_reconocimiento_de_patrones_para_clasificacion_de_frutas_en_agronegocios
G. Madasamy Raja, P. Selvaraju, P. Pathmanaban, y C. G. Manuvel Antony, «YOLOv11n for precision agriculture: lightweight and efficient detection of guava defects across diverse conditions», Journal of the Science of Food and Agriculture, vol. 105, n.o 11, pp. 6182-6195, may 2025, https://doi.org/10.1002/jsfa.14331.
G. Shanmugam, D. Balusamy, K. R. KavinSubash, S. Ajay, y K. Gokul, «Sustainable Agriculture with Advanced Plant Disease Detection using YOLOv11 and XAI», presentado en 2025 IEEE 14th International Conference on Communication Systems and Network Technologies (CSNT), Bhopal, India, mar. 2025, pp. 598-603. https://doi.org/10.1109/CSNT64827.2025.10968901.
M. Al Husaini, A. R. Raharja, V. H. C. Putra, y H. H. Lukmana, «Enhanced Plant Disease Detection Using Computer Vision YOLOv11: Pre-Trained Neural Network Model Application», Journal of Computer Networks, Architecture and High Performance Computing, vol. 7, n.o 1, pp. 82-95, 2025.
A. Fahriansyah, P. M. El Zaky, L. Novamizanti, y S. Sa’idah, «YOLOv11 for Classification of Strawberry Quality and Ripeness», presentado en 2025 IEEE International Conference on Artificial Intelligence for Learning and Optimization (ICoAILO), Bali, Indonesia, ago. 2025, pp. 93-99. https://doi.org/10.1109/ICoAILO66760.2025.11156057.
S. M. Shendkar, R. V. Shimpi, A. S. Todmal, C. Sukte, P. Futane, y M. Kodmelwa, «Utilizing YOLOv10 and YOLO11 for Tomato Ripeness Detection in Vertical Farming», Advances in Nonlinear Variational Inequalities, vol. 28, n.o 5s, pp. 290-302, ene. 2025, https://doi.org/10.52783/anvi.v28.3905.
A. B. Shaik, A. K. Kandula, G. K. Tirumalasetti, B. Yendluri, y H. K. Kalluri, «Comparative Analysis of YOLOv11 and YOLOv12 for Automated Weed Detection in Precision Agriculture», presentado en 2025 5th International Conference on Pervasive Computing and Social Networking (ICPCSN), Salem, India, may 2025, pp. 787-793. https://doi.org/10.1109/ICPCSN65854.2025.11036078.
A. C. Ferreira et al., «Aplicando o Modelo YOLOv11 para Detectar e Segmentar Viveiros de Camarão em Imagens Georreferenciadas», presentado en XVI Workshop de Computação Aplicada à Gestão do Meio Ambiente e Recursos Naturais, Maceió, Brasil: SBC, jul. 2025, pp. 30-38. https://doi.org/10.5753/wcama.2025.7190.
L. Pencue-Fierro y J. León Téllez, «Detección y clasificación de defectos en frutas mediante el procesamiento digital de imágenes», Revista Colombiana de Física, vol. 35, n.o 1, enero de 2003. [En línea]. Disponible en: https://www.researchgate.net/publication/238095132_Deteccion_y_clasificacion_de_defectos_en_frutas_mediante_el_procesamiento_digital_de_imagenes
Ultralytics, «YOLOv11 Documentation». Accedido: 22 de mayo de 2025. [En línea]. Disponible en: https://docs.ultralytics.com/es/models/yolo11
J. Redmon, S. Divvala, R. Girshick, y A. Farhadi, «You Only Look Once: Unified, Real-Time Object Detection», 9 de mayo de 2016, arXiv:1506. Accedido: 22 de mayo de 2025. [En línea]. Disponible en: https://arxiv.org/abs/1506.02640
I. Goodfellow, Y. Bengio, y A. Courville, Deep Learning. en Adaptive Computation and Machine Learning series. MIT Press, 2016. [En línea]. Disponible en: https://mitpress.mit.edu/9780262035613/deep-learning/
E. Saldaña, R. Siche, M. Luján, y R. Quevedo, «Review: computer vision applied to the inspection and quality control of fruits and vegetables Review: computer vision applied to the inspection and quality control of fruits and vegetables», Brazilian Journal of Food Technology, vol. 16, n.o 4, diciembre de 2013. [En línea]. https://doi.org/10.1590/S1981-67232013005000031
L. Yang et al., «Automatic Detection of Banana Maturity—Application of Image Recognition in Agricultural Production», Processes, vol. 12, n.o 4, p. 799, abril de 2024.
R. E. Saragih, A. R. Purnajaya, I. Syafrinal, Y. Pernando, y Yodi, «Mango and Banana Ripeness Detection based on Lightweight YOLOv8», Jurnal Buana Informatika, vol. 15, n.o 2, pp. 79-88, oct. 2024.