Modelo de visión artificial basada en redes neuronales convolucionales para la clasificación de frutos de aguaymanto

Abstract

Modelo de visión artificial basada en redes neuronales convolucionales para la clasificación de frutos de aguaymanto El estudio se centra en el desarrollo de un modelo de visión artificial mediante redes neuronales convolucionales (CNN) para clasificar frutos de aguaymanto (Physalis peruviana) en tres niveles de madurez: verde, semimaduro y maduro. La investigación se realizó en la ciudad de Tarapoto, Perú, durante 2023 y 2024. El objetivo principal fue mejorar la precisión y eficiencia en la clasificación del aguaymanto frente a métodos manuales y algoritmos tradicionales. El diseño del modelo incluyó etapas de adquisición de datos, procesamiento y entrenamiento. Se capturaron imágenes en un entorno controlado y se emplearon técnicas de aumento de datos para mejorar la robustez del modelo. Para la evaluación, se compararon los resultados con algoritmos tradicionales como K-Nearest Neighbors (KNN), Support Vector Machines (SVM) y Random Forest Classifier (RFC), usando métricas de precisión, exactitud y F1-Score. Se implementó una validación cruzada con 5 pliegues para evaluar el rendimiento del modelo. El modelo CNN alcanzó una precisión del 99.22%, superando a los otros métodos. Los resultados indican que el modelo es altamente efectivo para la clasificación de frutos en función de su madurez, mejorando la velocidad y precisión respecto a métodos manuales. Se concluye que el modelo CNN desarrollado es altamente efectivo para la clasificación de frutos de aguaymanto según su madurez, y que la automatización de este proceso puede contribuir significativamente a la mejora de la eficiencia y la calidad en la industria agrícola.Computer vision model based on convolutional neural networks for the classification of aguaymanto fruits The study focuses on the development of a computer vision model using convolutional neural networks (CNN) to classify aguaymanto (Physalis peruviana) fruits into three maturity levels: green, semi-ripe and ripe. The research was conducted in the city of Tarapoto, Peru, during 2023 and 2024. The main objective was to improve the accuracy and efficiency of aguaymanto classification compared to manual methods and traditional algorithms. The model design included data acquisition, processing and training stages. Images were captured in a controlled environment and data augmentation techniques were employed to improve the robustness of the model. For evaluation, results were compared with traditional algorithms such as K-Nearest Neighbors (KNN), Support Vector Machines (SVM) and Random Forest Classifier (RFC), using precision, accuracy and F1-Score metrics. A cross-validation with 5 folds was implemented to evaluate the model performance. The CNN model achieved an accuracy of 99.22%, outperforming the other methods. The results indicate that the model is highly effective for the classification of fruits according to their maturity, improving the speed and accuracy with respect to manual methods. It is concluded that the CNN model developed is highly effective for the classification of aguaymanto fruits according to their maturity, and that the automation of this process can contribute significantly to the improvement of efficiency and quality in the agricultural industry.