Estimación de producción de frutos de mango mediante análisis de imágenes y machine learning

• Autor: Arcila Diaz, Liliana Nataly
• 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:20.500.12802/14174
• Enlace del recurso: https://hdl.handle.net/20.500.12802/14174
• Nivel de acceso: acceso abierto
• Materia: Detección de frutos; Estimación de producción; YOLO; Faster R-CNN; Extrapolación; https://purl.org/pe-repo/ocde/ford#2.02.04

La producción de mango es esencial para la economía agrícola. La estimación precisa de su producción optimiza la planificación y logística de la cosecha. Sin embargo, los métodos tradicionales son ineficientes y propensos a errores. En este estudio se analizó la detección de frutos de mango mediante algoritmos de aprendizaje automático, específicamente YOLO versión 8 y Faster R-CNN. Para el entrenamiento de los modelos, se utilizó un conjunto de datos inicial de 212 imágenes con 9,604 anotaciones, el cual fue ampliado a 2,449 imágenes y 116,654 anotaciones con el objetivo de mejorar la robustez y la capacidad de generalización de los modelos. En la detección de frutos, YOLO alcanzó una precisión del 96.72%, un recall del 77.4% y un F1 Score del 86%, superando a Faster R-CNN, que logró una precisión del 98.57%, un recall del 63.80% y un F1 Score del 77.46%. YOLO demuestra una mayor eficiencia, siendo más rápido en el entrenamiento, consumiendo menos memoria y utilizando menos recursos de CPU. Además, en este trabajo se ha desarrollado una aplicación web con una interfaz de usuario que facilita la carga de imágenes de los árboles de mango considerados muestras. El modelo entrenado con YOLO detecta los frutos de cada árbol en la muestra representativa y utiliza técnicas de extrapolación para estimar el número total de frutos en toda la población de árboles de mango.