Procesamiento
de imágenes para la detección de la madurez del fruto: una revisión sistemática
Image processing for fruit maturity detection: A
systematic review
Richard Injante 1,*; https://orcid.org/0000-0002-2449-8937; richard@unsm.edu.pe
Gian Rios-Trigoso 1; https://orcid.org/0000-0002-2449-8937;
gpriost@alumno.unsm.edu.pe
Segundo Ramírez-Shupingahua 1;
https://orcid.org/0000-0002-7137-9746 sramirez@unsm.edu.pe
Katterine Tejada 1; https://orcid.org/0000-0003-4841-9014; kc.tejadat@gmail.com
1 Universidad Nacional de San Martín,
Facultad de Ingeniería de Sistemas e Informática. Tarapoto, Perú.
a. Estudiante de ingeniería de Sistemas e
Informática
*Autor de correspondencia: Richard Injante, richard@unsm.edu.pe
Citar
como: Richard
Injante, Gian Rios-Trigoso, Segundo Ramírez-Shupingahua,
Katterine Tejada (2025). Procesamiento
de imágenes para la detección de la madurez del fruto: una revisión
sistemática. Revista Científica de
Ingeniería, Diseño y Arquitectura Contemporánea 1(2), 01-16.
https://doi.org/10.37711/idac.2025.2.1.2
RESUMEN
El presente estudio ofrece una
revisión sistemática sobre la detección de la madurez en frutos mediante el uso
de Inteligencia Artificial (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 significativa. 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 identifican
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.
Palabras clave: Agricultura automatizada, Agricultura
inteligente, Visión artificial, Inteligencia Artificial, Análisis digital
INTRODUCCIÓN
La detección precisa de la madurez
de los frutos es crucial para optimizar la calidad y sabor de los productos
agrícolas, reducir desperdicios y mejorar la eficiencia de la cadena de
suministro. Evaluar correctamente la madurez permite determinar el momento
ideal de cosecha, asegurando que los frutos alcancen su máximo valor
nutricional y organoléptico. Sumathi & Vinod (2022) señala que la estimación de la madurez de los
frutos es un proceso esencial que impacta la calidad de los frutos y su
comercialización.
En la agricultura, la limitada vida
útil de los productos debido al etileno, una fitohormona, es un problema grave.
Esta sustancia acelera el proceso de maduración y deterioro, reduciendo la
calidad y durabilidad de los productos (Hu et al.,
2019). Además, la detección precisa de madurez en frutos es esencial para
mejorar la productividad, requiriendo el uso de técnicas de aprendizaje
automático y captura de imágenes desde varios ángulos (Sahu
et al., 2022).
En particular, la madurez de los
frutos debe determinarse con precisión y de manera no destructiva para
garantizar la calidad y satisfacción tanto de productores como de consumidores
(Gupta et al., 2021). Aunque se reconoce la
importancia de evaluar la madurez de las frutas de manera no destructiva, la
variedad de métodos disponibles puede generar confusión sobre cuál es el más
efectivo (Rani et al., 2023). Por otro lado, el
injerto en productos como la sandía plantea interrogantes sobre cómo afecta la
calidad y valor nutritivo de los frutos, incluyendo aspectos como sabor y
textura. Finalmente, la clasificación y detección precisa de la madurez de los
racimos frescos de frutas de palma aceitera es vital para la sostenibilidad de
la producción de aceite de palma, motivando el desarrollo de diversas técnicas
para abordar este desafío (Lai et al., 2023). Por
último, se destaca la importancia de la clasificación y detección precisa de la
madurez de los racimos frescos de frutas. Este proceso es crucial para la
eficiencia y sostenibilidad de la producción, y se están desarrollando diversas
técnicas para lograrlo de manera eficiente (Lai et
al., 2023).
El estudio sobre la detección y
regulación de las concentraciones de etileno para extender la vida útil de las
frutas revela la importancia de abordar esta fitohormona para mantener la
calidad de los productos (Hu et al., 2019). Por otro
lado, en la agricultura, el uso de técnicas de aprendizaje automático para la
detección de enfermedades en cultivos de plátano ha sido revisado, resaltando
la necesidad de investigaciones futuras para mejorar la salud de los cultivos (Sahu et al., 2022). En cuanto a los cítricos, se han
explorado diversas tecnologías no destructivas, como la espectroscopía
NIR y Raman, para evaluar su madurez de manera rápida
y precisa (Gupta et al., 2021). Sin embargo, la
evaluación no destructiva de la madurez de las frutas enfrenta desafíos, ya que
no existe un método universalmente aplicable (Rani et
al., 2023).
En el caso de los frutos de sandía,
se han examinado los efectos del injerto en su calidad, identificando la
importancia de seleccionar adecuadamente el portainjerto
para optimizar la calidad de los frutos (Devi et al.,
2020). En la producción de aceite de palma, las técnicas de visión por
computadora y aprendizaje automático se han destacado como herramientas
prometedoras para clasificar la madurez de los racimos de frutas, lo que podría
mejorar la eficiencia y la calidad del producto final (Lai
et al., 2023).
El objetivo de este artículo de
revisión es examinar el uso de la IA en la detección de la madurez de los
frutos, proporcionando una visión integral de los avances y aplicaciones en
este campo. Se busca identificar y analizar los algoritmos utilizados, evaluar
la precisión obtenida por estos modelos y determinar los tipos de frutos más
estudiados. Además, se explorarán las características físicas de los frutos que
son consideradas en los modelos de IA, como color, textura y firmeza. El
artículo también aborda los desafíos y limitaciones que enfrentan estos modelos
en la práctica, tales como la variabilidad en las condiciones de cultivo y la
necesidad de grandes cantidades de datos de entrenamiento.
MÉTODOS
Se realizó una revisión sistemática
exploratoria con el objetivo principal de analizar y sintetizar la literatura
académica en un área específica del conocimiento (Codina, 2021). Esta revisión
permite obtener una comprensión completa y rigurosa del estado actual del
conocimiento al evaluar críticamente los resultados de estudios previos (Munn et al., 2018). Así, se considera una herramienta
esencial en la investigación científica para identificar vacíos en el
conocimiento y establecer una base sólida para futuras decisiones informadas.
El método seguido se basó en las
fases propuestas por Kitchenham & Charters (2007): planificación, realización de la revisión
y redacción del informe. Este enfoque tiene como objetivo definir las preguntas
de investigación, establecer los términos clave y sus sinónimos para la
búsqueda bibliográfica, seleccionar las bases de datos relevantes y establecer
criterios para incluir o excluir estudios pertinentes. Una vez encontrado el
material relevante, se examina minuciosamente para extraer información
importante y finalmente se presentan los hallazgos (García-Alba et al., 2022).
A partir de esta explicación, se describen a continuación las fases llevadas a
cabo durante esta revisión.
Preguntas de investigación
Para responder el objetivo
propuesto, se trazaron las siguientes preguntas de investigación:
¿Cuáles son los frutos que más se
estudian?
¿Cuáles son las características
físicas para detectar la madurez de los frutos?
¿Cuáles son los algoritmos de
inteligencia artificial más utilizados para detectar la madurez de frutos?
¿Cuál es la precisión de los
algoritmos de inteligencia artificial?
¿Qué desafíos enfrentan los modelos
de inteligencia artificial en la evaluación de la madurez de los frutos y cómo
se están abordando?
Estrategia de búsqueda
Se utilizó el término clave
"madurez de la fruta", traducido al inglés como "fruit ripeness". Además, se
empleó el conector "OR" para incluir el término similar "fruit maturity". Definida la
cadena de búsqueda como "fruit ripeness" OR "fruit maturity", se seleccionaron tres bases de datos: Scopus, IEEE Xplore y ACM, debido
a su amplia cobertura internacional y regional, la facilidad para aplicar
filtros de búsqueda avanzada y la calidad académica de sus contribuciones.
El proceso de selección de artículos comenzó aplicando la cadena de búsqueda utilizando las herramientas de búsqueda avanzada de cada base de datos. Se consideraron los campos de título para la primera clasificación. Luego, se aplicaron filtros manuales teniendo en cuenta criterios como años de cobertura, idioma, fuente y tipo de documento para la segunda clasificación. Posteriormente, se organizaron los metadatos en Excel y se eliminaron los duplicados usando Scopus como referencia para la tercera clasificación. A partir de la lectura de los títulos y resúmenes, se filtraron los artículos enfocados en la detección de la madures en frutos usando inteligencia artificial para la cuarta clasificación. Finalmente, se realizó la descarga de los artículos según su disponibilidad en línea, constituyendo la quinta clasificación.
Criterios de inclusión y exclusión
Establecer criterios de inclusión y
exclusión es crucial para asegurar la objetividad y reproducibilidad de la
revisión. Estos criterios garantizan que los artículos seleccionados sean
pertinentes a las preguntas de investigación y cumplan con los estándares de
calidad (Kitchenham & Charters,
2007). Por lo tanto, se definieron los siguientes criterios de inclusión:
• Publicados
entre el año 2020 y abril 2024.
• Idioma
español e inglés.
• Artículos
de investigación (originales o empíricos) y conferencias.
• Enfocados
a la detección de madurez en frutos.
En cuanto a los criterios de
exclusión se establecieron los siguientes:
• Artículos
de revisión u otros tipos de fuentes secundarias.
• Publicaciones
duplicadas.
Extracción de datos
Entre la información recopilada de
los 17 artículos seleccionados, se incluyen los siguientes aspectos: código,
título, autor y base de datos.
RESULTADOS
Después de completar la selección de
los artículos relevantes y realizar una revisión exhaustiva de cada uno de
ellos, se procedió a responder las preguntas de investigación formuladas:
P1: ¿Cuáles son los frutos que más
se estudian?
Según la tabla 2, los frutos con mayor cantidad de estudios son la manzana 8, la naranja, el tomate y la fresa 4 menciones cada uno, seguidos por la banana, la pera y el mango 3 menciones cada uno. Otros frutos como el durazno, el aguacate, la piña, el manglar, la papaya y la uva tienen solo un estudio cada uno.
La manzana es el fruto más
estudiado, con 8 menciones, lo que sugiere su importancia tanto económica como
nutricional. Este fruto es ampliamente disponible y consumido globalmente, lo
cual podría explicar el mayor interés de la investigación científica en sus
beneficios para la salud.
Los naranjas, tomates y fresas
también destacan con 4 estudios cada uno. Las naranjas son ricas en vitamina C
y antioxidantes, lo que justifica su interés. El tomate, además de ser
utilizado como fruta y verdura, es conocido por su contenido de licopeno, un
potente antioxidante. Las fresas son populares por su sabor y su alto contenido
de antioxidantes.
Las bananas, peras y mangos, con 3
estudios cada uno, también reciben considerable atención. La banana es conocida
por su alto contenido de potasio y su consumo masivo. Las peras son valoradas
por su contenido de fibra y vitaminas, mientras que los mangos son apreciados
por su perfil nutricional y su sabor.
Frutos como el durazno, aguacate,
piña, manglar, papaya y uva son menos estudiados, cada uno con solo una
mención. Esto puede deberse a varios factores, como su menor importancia
económica o ya tener suficiente información disponible sobre ellos.
P2: ¿Cuáles son las características
físicas para detectar la madurez de los frutos?
La tabla 3 presenta una lista de características físicas y otros atributos sensoriales utilizados para detectar la madurez de los frutos, junto con la frecuencia que podría representar la importancia o la cantidad de estudios que han abordado cada característica.
La madurez de los frutos es crucial
tanto para los agricultores como para los consumidores y se evalúa mediante
diversas características físicas y sensoriales. Según la tabla, el color y la
textura son los indicadores más importantes, 8 y 7 menciones respectivamente.
Estos cambios son visibles y palpables, lo que los hace prácticos para la
evaluación diaria. Además, el tamaño y la firmeza, 4 y 3 menciones
respectivamente, son esenciales para determinar la madurez. El contenido de
azúcar y la acidez, 2 y 3 menciones respectivamente, son indicadores internos
significativos. Aunque otras características como aroma, peso, volumen y forma
se mencionan una vez, también son relevantes.
El color es el indicador más
mencionado, con 8 menciones, lo que sugiere su importancia tanto económica como
práctica en la evaluación de la madurez. Este indicador es ampliamente visible
y fácilmente evaluable, lo cual podría explicar el mayor interés de la
investigación científica en su uso.
La textura, con 7 menciones, es otro
indicador clave debido a su relevancia sensorial y su facilidad de evaluación
mediante el tacto. El tamaño, mencionado 4 veces, es también un indicador
visible que permite a los agricultores y consumidores juzgar la madurez con
facilidad. La firmeza, con 3 menciones, ofrece una evaluación física más
precisa del estado del fruto.
El contenido de azúcar y la acidez,
2 y 3 menciones respectivamente, son indicadores internos que proporcionan una
evaluación más detallada del estado del fruto. Estas características son más
difíciles de evaluar visualmente, pero son cruciales para determinar el sabor y
la calidad del fruto.
Aunque otras características como
aroma, peso, volumen y forma se mencionan solo una vez, también son relevantes
para una evaluación completa de la madurez. La interpretación revela que,
mientras el color y la textura son fácilmente perceptibles, el contenido de
azúcar y la firmeza ofrecen una evaluación más precisa del estado interno del
fruto. Integrar métodos que evalúen estas características internas puede
mejorar la precisión en la detección de la madurez. La impedancia eléctrica se
presenta como una técnica prometedora para medir la composición interna sin
dañar el fruto.
P3: ¿Cuáles son los algoritmos de
inteligencia artificial más utilizados para detectar la madurez de frutos?
La pregunta se enfoca en identificar
y listar los algoritmos de inteligencia artificial más comúnmente empleados en
la detección de la madurez de frutos. Permite conocer cuáles técnicas de IA son
preferidas y utilizadas en la práctica para este propósito específico en el
campo de la agricultura y tecnología alimentaria.
Según la tabla 4, los algoritmos de inteligencia artificial más utilizados para la detección de la madurez de frutos son CNN con 10 menciones, SVM con 6 menciones, y ANN con 4 menciones. YOLOv8 y MLP son mencionados 3 veces cada uno, seguidos por LSTM con 2 menciones. Otros algoritmos, como Naive Bayes, K-Means Clustering, Swin Transformer, ViT, SoftMax, Kmeans, WMRD, y SSD, tienen una sola mención cada uno.
CNN es el algoritmo más utilizado,
sugiriendo su eficacia en la detección de la madurez de frutos mediante el
procesamiento de imágenes. Este algoritmo es capaz de reconocer y clasificar
características visuales complejas, lo que lo hace ideal para esta tarea.
SVM y ANN también son algoritmos
destacados. SVM es especialmente útil para tareas de clasificación y regresión,
reflejando su utilidad en la identificación de la madurez de los frutos. ANN,
por su parte, sobresale en la identificación de patrones complejos, lo que
refuerza su relevancia en este campo.
YOLOv8, mencionado en varios
estudios, demuestra la importancia de la detección de objetos en imágenes para
determinar la madurez de los frutos. MLP, una forma de red neuronal, también se
utiliza debido a su capacidad para aprender de datos estructurados.
LSTM, aunque menos mencionado,
indica que la secuenciación de datos temporales es útil en algunos contextos,
probablemente para predecir la madurez basándose en datos históricos.
Algoritmos como Naive
Bayes, K-Means Clustering, Swin Transformer, ViT, SoftMax, Kmeans, WMRD, y SSD
tienen menciones únicas. Esto sugiere que, aunque son menos comunes, se
consideran relevantes en contextos específicos para la detección de la madurez
de frutos. La ausencia de menciones para Random Forest podría indicar que los métodos basados en árboles no
son tan eficaces o populares para esta tarea.
P4: ¿Cuál es la precisión de los
algoritmos de inteligencia artificial?
Se refiere a evaluar cuán exactos y
confiables son los algoritmos de inteligencia artificial en términos de su
capacidad para realizar predicciones o clasificaciones correctas.
Según la figura 1, los algoritmos de redes neuronales profundas y YOLO demostraron ser los más precisos. Los modelos YOLOv8, utilizados en dos artículos, destacaron con una precisión del 99,5 % en A6 y del 98,1 % en A9. La RNN también sobresalió con una precisión del 99,1 % en A3. Otros algoritmos como ANN, con una precisión del 93,6 % en A2, CNN, con un 91,6 % en A5 y A12, y un 96,43 % en A8, y VGG16, con un 92 % en A7, mostraron alta precisión en un total de cinco artículos.
La precisión superior de los modelos
YOLOv8 y RNN resalta su capacidad excepcional para aplicaciones que requieren
alta precisión. YOLOv8, con precisiones de 99,5 % y 98,1 %, demuestra su
efectividad en la detección y reconocimiento de patrones complejos. La RNN, con
una precisión del 99,1 %, subraya su eficiencia en el procesamiento de
secuencias de datos y su aplicabilidad en tareas que requieren análisis
temporal.
Por otro lado, los métodos
tradicionales como SVM y KSVM mostraron menor precisión comparativamente. SVM
obtuvo un 80% en A13 y un 93,75 % en A4, mientras que KSVM alcanzó un 85 % en
A1. Estos resultados destacan la capacidad superior de las redes neuronales
profundas para captar características complejas en los datos, haciéndolas
preferibles para aplicaciones que requieren alta precisión.
En resumen, los algoritmos de redes
neuronales profundas y YOLOv8 son los más precisos según los artículos
mencionados, con YOLOv8 y RNN mostrando rendimientos excepcionales, seguidos
por ANN, CNN y VGG16. Los métodos tradicionales como SVM y KSVM, aunque útiles,
presentan una menor precisión en comparación.
P5: ¿Qué desafíos enfrentan los
modelos de inteligencia artificial en la evaluación de la madurez de los frutos
y cómo se están abordando?
Esta pregunta se refiere a los
obstáculos y dificultades que los modelos de inteligencia artificial (IA)
encuentran al evaluar la madurez de los frutos. Además, indaga sobre las
estrategias y métodos que se están implementando para superar estos desafíos.
Según la tabla 5, las principales preocupaciones se centran en la variabilidad de las características de los frutos y la dificultad para establecer estándares universales de madurez, con una alta cantidad de menciones en seis y cinco artículos respectivamente. Esto resalta la complejidad y diversidad de los frutos, lo que complica la creación de criterios uniformes para determinar su madurez. Además, se subraya la necesidad de mejorar la precisión de los modelos de predicción, un aspecto abordado en tres artículos. Esto indica una atención considerable en perfeccionar las herramientas predictivas para lograr resultados más fiables y consistentes.
La calidad de los datos y la
comprensión de los modelos emergen también como desafíos críticos, mencionados
en uno y cuatro artículos respectivamente. La necesidad de datos de alta
calidad es esencial para la construcción de modelos robustos y precisos,
mientras que la comprensión profunda de estos modelos es crucial para su
correcta aplicación y optimización. Por último, los aspectos éticos y sociales
relacionados con la automatización en la agricultura son igualmente destacados
en seis artículos. Esto refleja una preocupación creciente por las
implicaciones morales y sociales que conlleva la implementación de tecnologías
avanzadas en este sector.
CONCLUSIONES
La detección precisa de la madurez
de los frutos es esencial para mejorar la calidad y sabor de los productos
agrícolas, reducir desperdicios y optimizar la eficiencia de la cadena de
suministro. Este artículo de revisión ha analizado exhaustivamente la
literatura científica en este campo, abordando preguntas clave relacionadas con
los frutos estudiados, las características físicas consideradas, los algoritmos
de inteligencia artificial utilizados, su precisión y los desafíos enfrentados
por estos modelos.
Se encontró que la manzana es el
fruto más estudiado, seguido por la naranja, el tomate y la fresa, destacando
la importancia económica y nutricional de estos productos. La coloración y
textura son características predominantes para evaluar la madurez, mientras que
algoritmos como CNN, SVM y ANN son comúnmente empleados, mostrando altos
niveles de precisión, especialmente en redes neuronales profundas.
Sin embargo, persisten desafíos como
la variabilidad en las características de los frutos, la falta de estándares
universales de madurez y la necesidad de datos de alta calidad. Además, se
señalan preocupaciones éticas y sociales relacionadas con la automatización en
la agricultura. Estos hallazgos subrayan la importancia de abordar estos
desafíos de manera integral en futuras investigaciones y desarrollos
tecnológicos para avanzar en la detección precisa de la madurez de los frutos y
mejorar la eficiencia y sostenibilidad en la producción agrícola.
Limitaciones y futuras investigaciones
A pesar de los avances
significativos en la detección de la madurez de los frutos mediante el uso de
inteligencia artificial, este estudio también identifica varias limitaciones y
áreas para futuras investigaciones. Una limitación clave es la variabilidad en
las características de los frutos, lo que dificulta la creación de estándares
universales de madurez y afecta la precisión de los modelos. Además, la calidad
y cantidad de datos etiquetados disponibles pueden ser insuficientes para
entrenar modelos de manera efectiva, lo que destaca la necesidad de mejorar la
recopilación y etiquetado de datos.
Otra limitación es la falta de
comprensión completa del comportamiento de los modelos de inteligencia
artificial, lo que puede dificultar su interpretación y confianza en los
resultados. Además, se observa que los desafíos éticos y sociales relacionados
con la automatización en la agricultura necesitan una consideración más
profunda y una integración en el desarrollo de estos sistemas.
Para abordar estas limitaciones, se
requiere investigación adicional en varias áreas. Por ejemplo, se necesitan
estudios que investiguen métodos para mitigar la variabilidad en las
características de los frutos y desarrollar técnicas para la recopilación y etiquetado
eficiente de datos. Además, se deben explorar enfoques para mejorar la interpretabilidad de los modelos de inteligencia artificial
y desarrollar métodos explicativos para comprender su comportamiento.
Además, se requiere una mayor
atención a los aspectos éticos y sociales de la automatización en la
agricultura, incluida la equidad en el acceso y uso de la tecnología, así como
el impacto en los trabajadores agrícolas y las comunidades rurales. En resumen,
futuras investigaciones deben abordar estas limitaciones para avanzar en la
detección precisa de la madurez de los frutos y garantizar su aplicación
efectiva y ética en la agricultura.
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://legacyfileshare.elsevier.com/promis_misc/525444systematicreviewsguide.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., Whitfield, 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 Artificial 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). Classification 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 identification 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,
144–151. https://doi.org/10.1016/j.scienta.2018.06.091
Contribución de los autores
Conceptualización, Análisis formal,
Investigación, Metodología, Administración del proyecto, Supervisión,
Validación, Redacción - borrador original y Redacción: Todos los autores
Fuentes de financiamiento
Los autores no recibieron
financiación para el desarrollo de la presente investigación.
Conflictos de interés
Los autores declaran que no existe
conflicto de intereses.
