Procesamiento de imágenes para la detección de la madurez del fruto: una revisión sistemática
DOI:
https://doi.org/10.37711/Resumen
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 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 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.
Descargas
Referencias
Chmaj, G., Sharma, S., & Selvaraj, H. (2021). Automated Agronomy: Evaluation of Fruits Ripeness Using Machine Learning Approach (pp. 183–191). https://doi.org/10.1007/978-3-
030-65796-3_17
Gupta, A. K., Medhi, M., Chakraborty, S., Yumnam, M., &
Mishra, P. (2021). Development of rapid and non-destructive technique for the determination of maturity indices of
pomelo fruit (Citrus grandis). Journal of Food Measurement and Characterization, 15(2), 1463–1474. https://doi.
org/10.1007/s11694-020-00734-4
Hu, B., Sun, D.-W., Pu, H., & Wei, Q. (2019). Recent advances
in detecting and regulating ethylene concentrations for
shelf-life extension and maturity control of fruit: A review.
Trends in Food Science & Technology, 91, 66–82. https://
doi.org/10.1016/j.tifs.2019.06.010
Hyun Cho, W., Kyoon Kim, S., Hwan Na, M., & Seop Na, I.
(2021). Fruit Ripeness Prediction Based on DNN Feature
Induction from Sparse Dataset. Computers, Materials &
Continua, 69(3), 4003–4024. https://doi.org/10.32604/
cmc.2021.018758
Kitchenham, B., & Charters, S. (2007). Guidelines for performing Systematic Literature Reviews in Software Engineering. Keele University y University of Durham. https://legacyfleshare.elsevier.com/promis_misc/525444systematicre
viewsguide.pdf
Lai, J. W., Ramli, H. R., Ismail, L. I., & Wan Hasan, W. Z. (2023).
Oil Palm Fresh Fruit Bunch Ripeness Detection Methods:
A Systematic Review. Agriculture, 13(1), 156. https://doi.
org/10.3390/agriculture13010156
Ljubobratovic, D., Guoxiang, Z., Brkic Bakaric, M., Jemric, T.,
& Matetic, M. (2020). Predicting Peach Fruit Ripeness Using Explainable Machine Learning (pp. 0717–0723). https://
doi.org/10.2507/31st.daaam.proceedings.099
Olisah, C. C., Trewhella, B., Li, B., Smith, M. L., Winstone, B.,
Whitfeld, E. C., Fernández, F. F., & Duncalfe, H. (2024).
Convolutional neural network ensemble learning for hyperspectral imaging-based blackberry fruit ripeness detection in uncontrolled farm environment. Engineering Applications of Artifcial Intelligence, 132, 107945. https://doi.
org/10.1016/j.engappai.2024.107945
Rani, N., Bamel, J. S., Garg, S., Shukla, A., Pathak, S. K., Singh,
R. N., Singh, N., Gahlot, S., & Bamel, K. (2023). Linear
mathematical models for yield estimation of baby corn (Zea
mays L.). Plant Science Today. https://doi.org/10.14719/
pst.2618
Sahu, P., Singh, A. P., Chug, A., & Singh, D. (2022). A Systematic Literature Review of Machine Learning Techniques
Deployed in Agriculture: A Case Study of Banana Crop.
IEEE Access, 10, 87333–87360. https://doi.org/10.1109/
ACCESS.2022.3199926
Sumathi, K., & Vinod, V. (2022). Classifcation of fruits ripeness using CNN with multivariate analysis by SGD. Neural
Network World, 32(6), 319–332. https://doi.org/10.14311/
NNW.2022.32.019
Xiao, B., Nguyen, M., & Yan, W. Q. (2023). Fruit ripeness identifcation using YOLOv8 model. Multimedia Tools and Applications, 83(9), 28039–28056. https://doi.org/10.1007/
s11042-023-16570-9
Zhang, W. (2023). A Fruit Ripeness Detection Method using
Adapted Deep Learning-based Approach. International
Journal of Advanced Computer Science and Applications,
14(9). https://doi.org/10.14569/IJACSA.2023.01409121
Zhong, Y., Chen, C., Nawaz, M. A., Jiao, Y., Zheng, Z., Shi, X.,
Xie, W., Yu, Y., Guo, J., Zhu, S., Xie, M., Kong, Q., Cheng,
F., Bie, Z., & Huang, Y. (2018). Using rootstock to increase
watermelon fruit yield and quality at low potassium supply:
A comprehensive analysis from agronomic, physiological
and transcriptional perspective. Scientia Horticulturae, 241,
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Richard Injante, Gian Rios-Trigoso, Segundo Ramírez-Shupingahua, Katterine Tejada Shupingahua
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
