Implementación del Aprendizaje Profundo para las Normas de Exportación de Arándanos Peruanos: Una Solución Yolov8n
DOI:
https://doi.org/10.29019/enfoqueute.1187Palabras clave:
Aprendizaje profundo, visión por computadora, YOLOv8n, arándano, clasificación de madurez, agricultura de precisiónResumen
Este estudio propone un sistema de visión artificial basado en YOLOv8n, una arquitectura de red neuronal convolucional optimizada, para la clasificación en tiempo real del grado de madurez de arándanos. La solución desarrollada automatiza la detección de tres estados de madurez (verde, semi-ripe y maduro) para aplicaciones de agricultura de precisión y cumplimiento de la Norma Técnica Peruana (NTP) para exportación. A partir de una experimentación exhaustiva utilizando un conjunto de datos curado de 550 imágenes recolectadas en campo, el modelo optimizado alcanza un desempeño competitivo en métricas clave de evaluación —incluyendo precisión, exhaustividad, precisión promedio (AP), precisión promedio media (mAP) y puntuación F1— en comparación con estudios previos relevantes. Se destaca su sólido desempeño en la identificación de fruta madura, con un F1-score de 0.886. Los resultados validan el potencial del sistema para mejorar la eficiencia de cosecha y garantizar el cumplimiento de estándares internacionales de calidad mediante inspección visual automatizada.
Descargas
Referencias
[1] V. Fuentes. “Las agroexportaciones, un caso de desarrollo económico y social.” Instituto Peruano de Economía. Accessed: Nov. 12, 2024. [Online]. Available: Document Link
[2] P. Ghezzi and E. Stein. “Los arándanos en el Perú.” BID. Accessed: Nov. 12, 2024. [Online]. Available: Document Link
[3] ProArándanos. “Evolución en el Perú.” ProArándanos. Accessed: Nov. 12, 2024. [Online]. Available: Document Link
[4] Ministerio de Desarrollo Agrario y Riego. “Importancia en la calidad de las agroexportaciones.” MIDAGRI. Accessed: Nov. 14, 2024. [Online]. Available: Document Link
[5] Arándano Fresco Requisitos. NTP 012.501. Instituto Nacional de Calidad, Perú, December 2019.
[6] A. Vina. “De la Granja a la Mesa: Cómo la IA impulsa la innovación en la agricultura.” Ultralytics. Accessed: Nov. 14, 2024. [Online]. Available: Document Link
[7] F. Rozo. “Revisión de las tecnologías presentes en la industria 4.0,” UIS Ingenierías, vol. 19, no. 2, pp. 177–192. Apr. 2020. [Online]. Available: Document Link
[8] G. Litjens, T. Kooi, B. Ehteshami Bejnordi, A. Adiyoso Setio, F. Ciompi, M. Ghafoorian, J. van der Laak, B. van Ginneken and C. Sánchez, “A survey on deep learning in medical image analysis,” Medical Image Analysis, vol. 42. [Online]. Available: Document Link
[9] A. Gerón, “Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow”, O’Reilly, 2019, pp. 93–94.
[10] B. Wang, “A parallel implementation of computing mean average precision,” arXiv preprint arXiv:2206.09504, 2022. [Online]. Available: Document Link
[11] A. Koirala, K. Walsh, Z. Wang and C. McCarthy. “Deep Learning – Method overview and review of use for fruit detection and yield estimation,” Computers and Electronics in Agriculture, vol. 162, pp. 219–234. [Online]. Available: Document Link
[12] C. MacEachern, T. Esau, A. Schumann, P. Hennessy and Q. Zaman. “Detection of fruit maturity stage and yield estimation in wild blueberry using deep learning convolutional neural networks,” Smart Agricultural Technology, vol. 3, no. 100099. [Online]. Available: Document Link
[13] F. Xiao, H. Wang, Y. Xu and Z. Shi. “A lightweight detection method for blueberry fruit maturity based on an improved YOLOv5 Algorithm,” Agriculture, vol. 14, no. 36. [Online]. Available: Document Link
[14] Y. Wenji, M. Xixin and A. Hang. “Blueberry Ripeness Detection Model Based on Enhanced Detail Feature and Content-Aware Reassembly,” Agronomy, vol. 13, no. 1613. [Online]. Available: Document Link
[15] Ultralytics. “YOLOv8.” Ultralytics. Accessed: Nov. 24, 2024. [Online]. Available: Document Link
[16] X. Hu, L. Chu, J. Pei, W. Liu and J. Bian. “Model Complexity of Deep Learning: A Survey,” arXiv, 2021. [Online]. Available: Document Link
[17] S. Gonzalez, C. Arellano and J. E. Tapia, “Deepblueberry: Quantification of blueberries in the wild using instance segmentation,” IEEE Access, vol. 7, pp. 105776–105788, 2019. [Online]. Available: Document Link
[18] L. Osses, February 2022. “Blueberry F image Dataset,” distributed by Roboflow. [Online]. Available: Document Link
[19] E. Hassan, M. Sharms, N. Hikal and S. Elmougy. “The effect of choosing optimizer algorithms to improve computer vision tasks: a comparative study,” Multimedia Tools and Applications, vol. 82, pp. 16591–16633. [Online]. Available: Document Link
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Los Autores
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores retienen todos sus derechos (© copyright).
- Los autores retienen sus derechos de marca y patente, y también sobre cualquier proceso o procedimiento descrito en el artículo.
- Los autores retienen el derecho de compartir, copiar, distribuir, ejecutar y comunicar públicamente el artículo publicado en Enfoque UTE (por ejemplo, colocarlo en un repositorio institucional o publicarlo en un libro), siempre que se dé el reconocimiento de su publicación inicial en la revista Enfoque UTE.
- Los autores retienen el derecho a hacer una posterior publicación de su trabajo, de utilizar el artículo o cualquier parte de aquel (por ejemplo: una compilación de sus trabajos, notas para conferencias, tesis, o para un libro), siempre que indiquen la fuente de publicación (autores del trabajo, revista, volumen, número y fecha).
