Evaluación de la madurez del banano usando aprendizaje de máquinas basado en reconocimiento de imágenes – Revisión

• López- Jiménez, Cristhian David ^[1] ; González- Salcedo, Luis Octavio ^[1] ; Ordóñez-Santos, Luis Eduardo ^[1]
  1. [1] Universidad Nacional de Colombia
• Localización: Revista UIS Ingenierías, ISSN-e 2145-8456, ISSN 1657-4583, Vol. 24, Nº. 3, 2025 (Ejemplar dedicado a: Revista UIS Ingenierías), págs. 29-42
• Idioma: español
• Títulos paralelos:
  • Banana Maturity Assessment Using Machine Learning, Based on Image Recognition – A Review
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    En este trabajo se realiza una revisión sistemática de la literatura sobre las diferentes técnicas de aprendizaje de máquinas utilizadas para la evaluación de la madurez de las frutas, específicamente del banano (Musa spp.), mediante el reconocimiento de imágenes. Los resultados muestran que existen diversas técnicas de aprendizaje de máquinas, como máquinas de soporte vectorial, redes neuronales artificiales, y árboles de decisiones, entre otras. Se encontró que estas técnicas son capaces de analizar imágenes digitales de las frutas, extraer características y patrones relevantes, y realizar la clasificación y regresión para la determinación de la madurez de las mismas. Se concluye que las técnicas de aprendizaje de máquinas basadas en reconocimiento de imágenes, son una herramienta efectiva no invasiva, rápida y precisa. Su implementación en la cadena agroindustrial del banano permitiría optimizar la cosecha, clasificación y distribución del fruto, mejorando la eficiencia del proceso productivo, reduciendo pérdidas postcosecha y garantizando una mayor calidad y uniformidad del producto para su comercialización, especialmente en mercados de exportación.

  • English

    This work presents a systematic literature review of the different machine learning techniques used for assessing the ripeness of fruits, specifically bananas (Musa spp.), through image recognition. The results show that various machine learning techniques are employed, such as support vector machines, artificial neural networks, and decision trees, among others. These techniques are capable of analyzing digital images of fruits, extracting relevant features and patterns, and performing classification and regression tasks to determine their ripeness. It is concluded that machine learning techniques based on image recognition represent a non-invasive, fast, and accurate tool. Their implementation in the banana agro-industrial chain would enable optimization of the harvesting, classification, and distribution processes, improving the overall efficiency of production, reducing post-harvest losses, and ensuring higher quality and consistency of the product for commercialization, especially in export markets.