Detección automatizada de madurez de frutos de tomate en campo mediante Redes Neuronales Convolucionales

Abstract

La presente investigación aborda la detección automatizada de la madurez de frutos de tomate en campo mediante el uso del modelo YOLOv8 y Faster R-CNN. Se implementó un enfoque basado en redes neuronales convolucionales para clasificar los frutos en estados de madurez, evaluando su precisión y desempeño en condiciones reales. Para el entrenamiento y validación se ha utilizado un dataset compuesto por 520 imágenes de plantas de tomate en etapa de producción. Los resultados demostraron el superior rendimiento de YOLOv8, alcanzando una precisión del 91.39%, recall del 87.28% y F1-score de 89.2%, superando ligeramente a Faster R-CNN que obtuvo 90.30%, 85.26% y 87.71% respectivamente. El análisis comparativo con investigaciones precedentes confirma que la implementación de arquitecturas CNN avanzadas, particularmente YOLOv8, proporciona ventajas significativas para aplicaciones agrícolas en tiempo real debido a su equilibrio entre precisión y velocidad de procesamiento. La investigación finalizó con la implementación de una aplicación web funcional para realizar la detección de madurez de frutos de tomate en tiempo real. Las implicaciones prácticas de este estudio son sustanciales para la agricultura de precisión, ofreciendo una solución tecnológica viable y accesible para la integración en sistemas IoT y plataformas robóticas de cosecha