Desarrollo de métodos para la clasificación por madurez de la fresa utilizando procesamiento de imágenes digitales y machine learning

Abstract

Actualmente, la clasificación de fresas se realiza principalmente de forma manual, lo que puede provocar errores, mayor tiempo de procesamiento y pérdida de calidad. Esto representa un desafío para las industrias que venden fresas, ya que deben tomar decisiones basadas en la madurez de las frutas para optimizar la gestión de cultivos y la comercialización. Los modelos tradicionales de machine learning son complejos y requieren pasos como la extracción de características y grandes cantidades de datos para entrenarse de manera efectiva. Para mejorar este proceso, se propuso el uso de modelos de clasificación basados en transfer learning y aprendizaje supervisado, que pueden clasificar las fresas según su nivel de madurez con menos datos de entrenamiento. En esta investigación, se utilizaron modelos de transfer learning para el desarrollo de un primer método y aprendizaje supervisado para el desarrollo de un segundo método para clasificar las fresas en tres niveles de madurez: verde, madura y muy madura. Los modelos evaluados fueron VGG19, VGG16, ResNet50, MobileNetV2, AlexNet, regresion logistica, random forest, SVM y Naive bayes. Los modelos de regresión logística y Random Forest usados en el segundo método mostraron un excelente desempeño, alcanzando una precisión del 100% en el test y del 100% en la validación, otro lado, entre en el método con transfer learning, el modelo ResNet50 logró el mejor rendimiento con 97.66%. La implementación de estos modelos de clasificación puede mejorar la eficiencia y calidad en el proceso de selección de las fresas, beneficiando a agricultores y pequeñas industrias en su comercialización.