Métodos y tecnologías emergentes para la detección y clasificación automatizada del estado de madurez en frutas: una revisión sistemática

• Autor: Ayala Cabrera, Willians
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/14656
• Enlace del recurso: https://hdl.handle.net/20.500.12802/14656
• Nivel de acceso: acceso abierto
• Materia: Inteligencia artificial; Redes neuronales convolucionales; Aprendizaje profundo; Clasificación de madurez; Agroindustria; https://purl.org/pe-repo/ocde/ford#2.02.04

Este trabajo de investigación realiza una revisión sistemática de los métodos y tecnologías emergentes para la detección y clasificación automatizada del estado de madurez en frutas, con un enfoque en el uso de inteligencia artificial (IA) y aprendizaje profundo. Se analizan diversas técnicas, como redes neuronales convolucionales (CNN), modelos YOLO, Random Forest y Support Vector Machines (SVM), que han demostrado una precisión superior al 90% en la clasificación de frutas como plátanos, mangos, tomates y duraznos. Los resultados indican que estas tecnologías superan los métodos tradicionales, optimizando la cadena de suministro agrícola y reduciendo el desperdicio. Sin embargo, se identifican desafíos como la variabilidad en los datos de entrenamiento, la necesidad de condiciones controladas y la dificultad de generalización en entornos reales. Además, se destaca la tendencia hacia el desarrollo de modelos más ligeros y eficientes, capaces de ser implementados en dispositivos móviles y sistemas embebidos, lo que facilitaría su adopción en el campo. La integración de visión artificial con sensores adicionales, como espectroscopía y sensores olfativos, también se perfila como una dirección prometedora para mejorar la precisión y fiabilidad de los sistemas de clasificación. La investigación concluye que, aunque estas tecnologías tienen un gran potencial, es necesario abordar limitaciones como la falta de estandarización en los métodos de evaluación y la heterogeneidad en los conjuntos de datos para garantizar su implementación efectiva en la agroindustria.