Aplicación de aprendizaje profundo para la detección de defectos internos en frutos de Punica granatum mediante imágenes térmicas

• Autor: Rodas Vigo, Rolando Ismael
• Formato: tesis de grado
• Fecha de Publicación: 2026
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/17143
• Enlace del recurso: https://hdl.handle.net/20.500.12802/17143
• Nivel de acceso: acceso abierto
• Materia: Termografía infrarroja; Aprendizaje profundo; Sistema web; Detección no destructiva; Punica granatum; https://purl.org/pe-repo/ocde/ford#2.02.04

La detección de defectos internos en frutas representa un desafío relevante para el control de calidad en la industria agroalimentaria, debido a las limitaciones de los métodos tradicionales basados en inspección visual y pruebas destructivas. En el caso de la granada (Punica granatum), muchos defectos internos no presentan señales externas evidentes, lo que incrementa las pérdidas poscosecha y reduce la eficiencia de los procesos de clasificación. En este estudio se propone un enfoque no destructivo para la detección automatizada de defectos internos, se empleó un dataset público de imágenes térmicas, ampliado mediante técnicas de aumento de datos hasta un total de 780 imágenes, el cual fue dividido de manera estratificada en conjuntos de entrenamiento, validación y prueba. Se implementaron y entrenaron dos arquitecturas avanzadas utilizando transfer learning: Swin Transformer y EfficientNetV2 integrando el módulo de atención Convolutional Block Attention Module (CBAM). Ambos modelos alcanzaron una exactitud del 100% en la fase de validación. En el conjunto de prueba, EfficientNetV2+CBAM presentó un desempeño superior, logrando una exactitud del 96.64%, un F1-score macro aproximado de 0.97, un mAP promedio de 0.999 y una tasa de error del 3.36%, superando a Swin Transformer. Adicionalmente, EfficientNetV2+CBAM alcanzó una sensibilidad del 100% en la detección de defectos mayores. Como parte del estudio, el modelo con mejor desempeño fue integrado en un sistema web desarrollado para la inferencia en tiempo real de imágenes térmicas, demostrando la viabilidad práctica de la propuesta como herramienta de apoyo al control de calidad poscosecha.