Desarrollo de un método de procesamiento de imágenes para la identificación de los cinco estados de maduración del fruto de Acai en un ambiente controlado
No hay miniatura disponible
Archivos
Fecha
2025-05
Título de la revista
Publicado en
Publicado por
URL de la fuente
Enlace a contenidos multimedia
ISSN de la revista
Título del volumen
Resumen
El fruto de açaí ha evidenciado un crecimiento industrial significativo en Colombia, impulsado por la diversidad de productos derivados de su procesamiento. Sin embargo, durante la etapa de poscosecha se generan pérdidas económicas considerables, asociadas principalmente a una clasificación inadecuada del estado de maduración de los frutos. Frente a esta problemática, se propone el desarrollo de un sistema automatizado de clasificación mediante procesamiento digital de imágenes, orientado a identificar los cinco estados fisiológicos de madurez (verde, dos cuartos, tres cuartos, maduro y sobremaduro) en un entorno controlado.
El algoritmo fue desarrollado en Python, utilizando las bibliotecas Keras y TensorFlow para la implementación de una red neuronal convolucional (CNN). El modelo fue entrenado con un conjunto de imágenes capturadas bajo condiciones estandarizadas, validadas previamente mediante pruebas fisicoquímicas que garantizan la concordancia entre el estado de madurez y los parámetros de calidad del fruto.
Los resultados de validación indicaron un desempeño destacado en la clasificación de los estados tres cuartos y sobremaduro, alcanzando una precisión del 91%. En contraste, los estados verde y dos cuartos presentaron precisiones inferiores, superiores al 60%, lo que sugiere una mayor similitud visual entre las etapas tempranas de maduración.
Descripción
Abstract
The açaí fruit has shown significant industrial growth in Colombia, driven by the wide range of products derived from its processing. However, substantial postharvest losses are reported, mainly due to inadequate classification of the fruit's ripeness stages. To address this issue, the development of an automated classification system based on digital image processing is proposed, aiming to identify the five physiological ripeness stages (green, two-quarters, three-quarters, ripe, and overripe) within a controlled environment.
The algorithm was developed in Python using the Keras and TensorFlow libraries to implement a convolutional neural network (CNN). The model was trained with a dataset of images acquired under standardized conditions, previously validated through physicochemical tests to ensure consistency between ripeness labels and fruit quality parameters.
Validation results indicated strong classification performance for the three-quarters and overripe stages, reaching an accuracy of 91%. In contrast, the green and two-quarters stages yielded lower accuracies, above 60%, suggesting greater visual similarity between the early stages of ripeness.
Palabras clave
Ambiente controlado, Frutos de Açai, Identificación de estado de maduración, Procesamiento de imagen.
Keywords
Controlled environment, Açai fruits, Ipening state identification, Image processing