Abstract
La visión artificial tiene una participación importante en el sector agrícola debido a las soluciones que proporciona mediante el reconocimiento de imágenes de frutos considerando su color y forma. El problema es la dificultad en la evaluación de la calidad del fruto, siendo realizado por personas, se cometen errores al realizar la selección manual, ya que se involucra el aspecto subjetivo y sus capacidades de percepción. Siendo necesario implementar sistemas de este tipo, se desarrolló una revisión sistemática de literatura utilizando la metodología PRISMA, el cual busca identificar los algoritmos, modelos, dispositivos informáticos, librerías o software vigentes que son utilizados en implementaciones de visión artificial para la fruta. Los resultados evidencian 32 algoritmos, 32 equipamientos informáticos, 25 modelos, 8 librerías o software que posibilita la realización de implementaciones para la selección visual. En síntesis, la visión artificial impacta significativamente en la selección y clasificación de frutas al mejorar la eficiente, reducir el trabajo manual y acelerar el tiempo de selección. Este avance no solo contribuye la agricultura precisa, sino que también promueve la sostenibilidad al optimizar los procesos y mejorar la calidad de productos, obteniendo un importante en la unión de la tecnología con la agricultura.
Publisher
Universidad Nacional de San Martin
Reference53 articles.
1. Adeniji, K. A., Onibonoje, M. O., Minevesho, A., Ejidokun, T., & Omitola, O. O. (2022). A robust 4.0 dual-classifier for determining the internal condition of watermelons using YOLOv4-tiny and sensory. Indonesian Journal of Electrical Engineering and Computer Science, 28(3), 1834–1844. https://doi.org/10.11591/ijeecs.v28.i3.pp1834-1844
2. Adhitya, Y., Prakosa, S. W., Köppen, M., & Leu, J. S. (2020). Feature extraction for cocoa bean digital image classification prediction for smart farming application. Agronomy, 10(11). https://doi.org/10.3390/agronomy10111642
3. Aguilar Alvarado, V., & Campoverde Molina, M. A. (2019). Classification of fruits based on convolutional neural networks Classificação de frutos com base em redes neurais convolucionais Ciencias de la ingeniería Artículo de investigación. Polo Del Conocimiento: Revista Científico - Profesional, ISSN-e 2550-682X, Vol. 5, No. 1, 2020, Págs. 3-22, 5(01), 3–22. https://doi.org/10.23857/pc.v5i01.1210
4. Aiadi, O., Khaldi, B., Kherfi, M. L., Mekhalfi, M. L., & Alharbi, A. (2022). Date Fruit Sorting Based on Deep Learning and Discriminant Correlation Analysis. IEEE Access, 10(August), 79655–79668. https://doi.org/10.1109/ACCESS.2022.3194550
5. Álvarez-Bermejo, J. A., Morales-Santos, D. P., Castillo-Morales, E., Parrilla, L., & López-Ramos, J. A. (2019). Efficient image-based analysis of fruit surfaces using CCD cameras and smartphones. Journal of Supercomputing, 75(3), 1026–1037. https://doi.org/10.1007/s11227-018-2284-y