Detección automática de defectos en aguacates usando técnicas de aprendizaje de máquina

Abstract

La creciente demanda de aguacate, especialmente de la variedad Fuerte, ha generado la necesidad de mejorar los procesos de clasificación poscosecha para garantizar la calidad del producto. En Ecuador, este proceso aún se realiza de manera manual, lo que lo vuelve propenso a errores humanos, lentitud e inconsistencias. En este contexto, el presente trabajo propone el desarrollo de un sistema inteligente para la detección automática de defectos en aguacates mediante técnicas de aprendizaje de máquina y visión artificial. El sistema se implementa sobre la plataforma Jetson Nano, incorporando una cámara usb para capturar imágenes de los frutos en tiempo real. A través del preprocesamiento y análisis de características visuales como color, textura y tamaño, el algoritmo clasifica los aguacates según los criterios establecidos en la norma ecuatoriana NTE INEN 1755. Se emplearon redes neuronales convolucionales (CNN) entrenadas con conjuntos de datos etiquetados, logrando una precisión superior al 90% en la identificación de defectos. La metodología utilizada fue experimental, con enfoques descriptivo y documental. Las pruebas se realizaron sobre muestras reales, obteniendo resultados favorables en cuanto a precisión, portabilidad y bajo consumo energético. El sistema desarrollado permite una clasificación consistente, autónoma y de bajo costo, representando una solución viable para pequeños y medianos productores agrícolas. En conclusión, este proyecto demuestra que la aplicación de técnicas de inteligencia artificial puede optimizar significativamente la clasificación de aguacates, reduciendo errores humanos y mejorando la eficiencia del proceso poscosecha.