Desarrollo de un método de procesamiento de imágenes para la identificación de los cinco estados de maduración del fruto de Acai en un ambiente controlado

El fruto de açaí ha evidenciado un crecimiento industrial significativo en Colombia, impulsado por la diversidad de productos derivados de su procesamiento. Sin embargo, durante la etapa de poscosecha se generan pérdidas económicas considerables, asociadas principalmente a una clasificación inadecua...

Full description

Autores:: Manrique Montero, Gabriela Liliana

Tipo de recurso:: https://purl.org/coar/resource_type/c_7a1f

Fecha de publicación:: 2025

Institución:: Universidad El Bosque

Repositorio:: Repositorio U. El Bosque

Idioma:: spa

id	UNBOSQUE2_cc7f0df67530a7b184ddebd3bfcd582f
oai_identifier_str	oai:repositorio.unbosque.edu.co:20.500.12495/14576
network_acronym_str	UNBOSQUE2
network_name_str	Repositorio U. El Bosque
repository_id_str
dc.title.none.fl_str_mv	Desarrollo de un método de procesamiento de imágenes para la identificación de los cinco estados de maduración del fruto de Acai en un ambiente controlado
dc.title.translated.none.fl_str_mv	Development of an image processing method for identifying the five ripening stages of the Acai fruit in a controlled environment
title	Desarrollo de un método de procesamiento de imágenes para la identificación de los cinco estados de maduración del fruto de Acai en un ambiente controlado
spellingShingle	Desarrollo de un método de procesamiento de imágenes para la identificación de los cinco estados de maduración del fruto de Acai en un ambiente controlado Ambiente controlado Frutos de Açai Identificación de estado de maduración Procesamiento de imagen. 610.28 Controlled environment Açai fruits Ipening state identification Image processing
title_short	Desarrollo de un método de procesamiento de imágenes para la identificación de los cinco estados de maduración del fruto de Acai en un ambiente controlado
title_full	Desarrollo de un método de procesamiento de imágenes para la identificación de los cinco estados de maduración del fruto de Acai en un ambiente controlado
title_fullStr	Desarrollo de un método de procesamiento de imágenes para la identificación de los cinco estados de maduración del fruto de Acai en un ambiente controlado
title_full_unstemmed	Desarrollo de un método de procesamiento de imágenes para la identificación de los cinco estados de maduración del fruto de Acai en un ambiente controlado
title_sort	Desarrollo de un método de procesamiento de imágenes para la identificación de los cinco estados de maduración del fruto de Acai en un ambiente controlado
dc.creator.fl_str_mv	Manrique Montero, Gabriela Liliana
dc.contributor.advisor.none.fl_str_mv	Roldan Olarte, Didier Jean Paul Avendaño Pérez, Jonathan
dc.contributor.author.none.fl_str_mv	Manrique Montero, Gabriela Liliana
dc.subject.none.fl_str_mv	Ambiente controlado Frutos de Açai Identificación de estado de maduración Procesamiento de imagen.
topic	Ambiente controlado Frutos de Açai Identificación de estado de maduración Procesamiento de imagen. 610.28 Controlled environment Açai fruits Ipening state identification Image processing
dc.subject.ddc.none.fl_str_mv	610.28
dc.subject.keywords.none.fl_str_mv	Controlled environment Açai fruits Ipening state identification Image processing
description	El fruto de açaí ha evidenciado un crecimiento industrial significativo en Colombia, impulsado por la diversidad de productos derivados de su procesamiento. Sin embargo, durante la etapa de poscosecha se generan pérdidas económicas considerables, asociadas principalmente a una clasificación inadecuada del estado de maduración de los frutos. Frente a esta problemática, se propone el desarrollo de un sistema automatizado de clasificación mediante procesamiento digital de imágenes, orientado a identificar los cinco estados fisiológicos de madurez (verde, dos cuartos, tres cuartos, maduro y sobremaduro) en un entorno controlado. El algoritmo fue desarrollado en Python, utilizando las bibliotecas Keras y TensorFlow para la implementación de una red neuronal convolucional (CNN). El modelo fue entrenado con un conjunto de imágenes capturadas bajo condiciones estandarizadas, validadas previamente mediante pruebas fisicoquímicas que garantizan la concordancia entre el estado de madurez y los parámetros de calidad del fruto. Los resultados de validación indicaron un desempeño destacado en la clasificación de los estados tres cuartos y sobremaduro, alcanzando una precisión del 91%. En contraste, los estados verde y dos cuartos presentaron precisiones inferiores, superiores al 60%, lo que sugiere una mayor similitud visual entre las etapas tempranas de maduración.
publishDate	2025
dc.date.accessioned.none.fl_str_mv	2025-06-06T16:49:34Z
dc.date.available.none.fl_str_mv	2025-06-06T16:49:34Z
dc.date.issued.none.fl_str_mv	2025-05
dc.type.coar.fl_str_mv	http://purl.org/coar/resource_type/c_7a1f
dc.type.local.spa.fl_str_mv	Tesis/Trabajo de grado - Monografía - Pregrado
dc.type.coar.none.fl_str_mv	https://purl.org/coar/resource_type/c_7a1f
dc.type.driver.none.fl_str_mv	info:eu-repo/semantics/bachelorThesis
dc.type.coarversion.none.fl_str_mv	https://purl.org/coar/version/c_970fb48d4fbd8a85
format	https://purl.org/coar/resource_type/c_7a1f
dc.identifier.uri.none.fl_str_mv	https://hdl.handle.net/20.500.12495/14576
dc.identifier.instname.spa.fl_str_mv	instname:Universidad El Bosque
dc.identifier.reponame.spa.fl_str_mv	reponame:Repositorio Institucional Universidad El Bosque
dc.identifier.repourl.none.fl_str_mv	https://repositorio.unbosque.edu.co
url	https://hdl.handle.net/20.500.12495/14576 https://repositorio.unbosque.edu.co
identifier_str_mv	instname:Universidad El Bosque reponame:Repositorio Institucional Universidad El Bosque
dc.language.iso.fl_str_mv	spa
language	spa
dc.relation.references.none.fl_str_mv	Aranguren, C. I., Galeano, G., & Bernal, R. (2014). Manejo actual del Açai (Euterpe precatoria Mart.) para la producción de frutos en el sur de la Amazonia colombiana. Colombia Forestal, 17(1), 77–99. Atencio, P. (2009). Desarrollo de un sistema de visión artificial para el control de calidad del mango de azúcar de exportación. Programa de Ingeniería de Sistemas. https://core.ac.uk/download/pdf/198275742.pdf Autor invitado. (2012). ¿Sabes para qué sirve la sensibilidad ISO de tu cámara? dzoom. https://www.dzoom.org.es/sabes-para-que-sirve-la-sensibilidad-iso-de-tu-camara Bill Wilson. (2021, noviembre 18). Comprensión de la media armónica. http://groups.di.unipi.it/~bozzo/The%20Harmonic%20Mean.htm Brenes, G. (2016). Desarrollo de un ambiente controlado para la producción de hortalizas para la Empresa Indigo Drones. https://repositoriotec.tec.ac.cr/bitstream/handle/2238/7261/Desarrollo_ambiente_controlado_produccion_hortalizas_empresa_indigo_drones.pdf Buda, M., Maki, A., & Mazurowski, M. A. (2018). A systematic study of the class imbalance problem in convolutional neural networks. Neural Networks, 106, 249–259. https://doi.org/10.1016/j.neunet.2018.07.011 Canon EOS Rebel T5 + EF-S 18-55mm Juego de Cámara SLR 18 MP CMOS 5184 X 3456 Pixeles Negro. (2022). Castañeda, H., Vásquez, J., & Pineda, D. (2023). Clasificación automática para animales en peligro de extinción en Colombia mediante redes neuronales convolucionales. Revista Mundo FESC, 13(2), 45–52. https://www.fesc.edu.co/Revistas/OJS/index.php/mundofesc/article/view/1031 Castro, E., Melo, R., Costa, E., Pessoa, A., Oliveira, R., & Bertini, C. (2022, octubre 4). Classification of Phaseolus lunatus L. using image analysis and machine learning models. SciELO. https://doi.org/10.1590/1983-21252022v35n404rc Chamoun, I., Acosta, L., & Villagomez, H. (2011). Administración de color. Revista Offset Comercial CMYK más dos pantones. Escuela Superior Politécnica del Litoral. https://www.dspace.espol.edu.ec/bitstream/123456789/21623/2/cmyk%20tesis%20terminada%20copia.pdf Cindap. (2004). Fortalecimiento socioempresarial para el aprovechamiento sostenible de recursos no maderables del bosque en la Amazonia colombiana. Bogotá: Informe Técnico. Contribuyendo a La Bioeconomía En Colombia a Través Del Fortalecimiento de La Cadena de Valor Acai. (2024). Partnerships for Forests. https://partnershipsforforests.com/wp-content/uploads/2024/04/Contribuyendo-a-la-bioeconomia-de-Colombia-a-traves-del-acai-1.pdf Corpoamazonia. (2024). Sistema de Información para la Administración y Manejo Sostenible de los Recursos Naturales del sur de la Amazonia colombiana (SARA). https://sara.corpoamazonia.gov.co/ Etitudela. (2010). Visión artificial. http://www.etitudela.com/celula/downloads/visionartificial.pdf Farbe Naturals. (2018). La medición del pH en la industria de los alimentos. https://farbe.com.mx/la-medicion-del-ph-en-la-industria-los-alimentos/ FAO. (2022). Technical guidelines for the processing and commercialization of açaí (Euterpe spp.). Food and Agriculture Organization of the United Nations. https://www.fao.org/documents/card/en/c/CB9320EN/ Fawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Letters, 27(8), 861–874. https://doi.org/10.1016/j.patrec.2005.10.010 Figueroa, E., Pérez, F., & Godínez, L. (2015). La producción y el consumo de café. ECORFAN - Spain. https://www.ecorfan.org/spain/libros/LIBRO_CAFE.pdf Galeano, G., & Bernal, R. (2010). Palmas de Colombia. Guía de campo. Bogotá: Editorial Universidad Nacional de Colombia. Gamarra-Castillo, O., Sánchez-Camargo, A. del P., & Hernández-Carrión, M. (2025). Biorefinery approach for Colombian açaí drupe valorization (Euterpe oleracea): Physicochemical characterization, anthocyanin extraction, and development of antioxidant-enriched ice cream and cookies. ACS Food Science & Technology, 5(2). https://doi.org/10.1021/acsfoodscitech.4c01005 García Martínez, N. (s. f.). Determinación de la humedad de un alimento por un método gravimétrico indirecto por desecación. https://riunet.upv.es/bitstream/handle/10251/16339/Determinaci%C3%B3n%20de%20humedad.pdf Georgieva, L., Dimitrova, T., & Angelov, N. (2015). RGB and HSV colour models in colour identification of digital trauma images. CompSysTech. http://ecet.ecs.uni-ruse.bg/cst05/Docs/cp/sV/V.12.pdf Guerrero, J. (2012). Asistencia técnica dirigida en: toma de muestras y recomendaciones de fertilización en cultivos tropicales. Agrobanco. https://www.agrobanco.com.pe/data/uploads/ctecnica/039-a-tropicales.pdf Guerrero, J., González, C., & Andrade, L. (2021). An algorithm for classifying handwritten signatures using convolutional neural networks. IEEE Latin America Transactions, 19(7), 1200–1207. https://latamt.ieeer9.org/index.php/transactions/article/view/5849 Gonzalez, R. C., & Woods, R. E. (2018). Digital image processing (4ª ed.). Pearson. Henderson, A. (1995). The palms of the Amazon. Oxford University Press. ICONTEC. (1978). Resolución 2408. Normas de calidad y clasificación de frutas y hortalizas frescas en Colombia. https://tienda.icontec.org/productos-y-servicios/normas/normas-tecnicas/2408/ ICONTEC. (2004). NTC 5313: Alimentos. Muestreo. Técnicas de muestreo para productos alimenticios a granel. Instituto Colombiano de Normas Técnicas y Certificación. Interempresas. (2015). Los conceptos de Machine Learning y Deep Learning en la industria. https://www.interempresas.net/MetalMecanica/Articulos/347471 iPhone 14 - Especificaciones Técnicas - Soporte Técnico de Apple. (2022). Isaza, C., Galeano, G., & Bernal, R. (2013a). Manejo actual de Mauritia flexuosa para la producción de frutos en el sur de la Amazonia colombiana. En C. A. Lasso, A. Rial & V. González-B. (Eds.), VII. Morichales y canangunchales de la Orinoquia y Amazonia: Colombia - Venezuela. Parte I (pp. 247–276). Instituto de Investigación de Recursos Biológicos Alexander von Humboldt. Isaza, C., Núñez, L. A., Galeano, G., Bernal, R., Nascimento, A., Da Silva, R., & Piñeros, A. (2013b). Cartilla para la cosecha y el manejo de palmas productoras de frutos (Açai, canangucho y milpesos). Instituto de Ciencias Naturales, Universidad Nacional de Colombia. Liu, Z., Jiang, F., Mo, Y., Liao, H., Chen, P., & Zhang, H. (2022). Effects of ethanol treatment on storage quality and antioxidant system of postharvest papaya. Frontiers in Plant Science, 13. https://doi.org/10.3389/fpls.2022.856499 López Hernández, O. D., & Gómez Carril, M. (2008). Preparación de microesferas mediante secado por aspersión. Revista Cubana de Farmacia, 42(3). MacEachern, C. B., Esau, T. J., Schumann, A. W., Hennessy, P. J., & Zaman, Q. U. (2023). Detection of fruit maturity stage and yield estimation in wild blueberry using deep learning convolutional neural networks. Smart Agricultural Technology, 3, 100099. https://doi.org/10.1016/j.atech.2022.100099 Materka, A., & Strzelecki, M. (1998). Texture analysis methods – A review (Reporte COST B11). Institute of Electronics, Technical University of Lodz. Ministerio de Agricultura y Desarrollo Rural. (2015). Resolución 3882. Por la cual se establecen las normas técnicas para la producción y comercialización de frutas y hortalizas frescas. https://www.minagricultura.gov.co/Normatividad/Forms/DispForm.aspx?ID=3111 Mittal, A., Soundararajan, R., & Bovik, A. C. (2013). Making a “completely blind” image quality analyzer. IEEE Signal Processing Letters, 20(3), 209–212. https://doi.org/10.1109/LSP.2012.2227726 Mittal, A., Soundararajan, R., & Bovik, A. C. (2023). Optimizing multiclass classification using convolutional neural networks with class weights and early stopping for imbalanced datasets. Electronics, 14(4), 705. https://doi.org/10.3390/electronics14040705 Parvathi, S., & Tamil Selvi, S. (2021). Detection of maturity stages of coconuts in complex background using faster R-CNN model. Biosystems Engineering, 202, 119–132. https://doi.org/10.1016/j.biosystemseng.2020.12.002 Quimitube. (2025). Medida de pH en laboratorio químico con pHmetro. https://www.quimitube.com/medida-ph-laboratorio-quimico-phmetro/ Ramos, V., Aquino, E., & Ruiz, M. (2018, septiembre 7). Investigación aplicada para el estudio del Açai como cultivo alternativo en beneficio de las comunidades nativas de la selva baja del Perú. ESAN Graduate School of Business. https://repositorio.esan.edu.pe/bitstream/handle/20.500.12640/1412/2018_MATP16-3_01_T.pdf?sequence=1 Rawat, W., & Wang, Z. (2017). Deep convolutional neural networks for image classification: A comprehensive review. Neural Computation, 29(9), 2352–2449. https://doi.org/10.1162/neco_a_00990 Russo, C., Ramón, H., Serfanio, S., Cicerchia, B., Sarobe, M., & Balmer, A. (2018). Visión artificial aplicada en agricultura de precisión. X Workshop de Investigadores en Ciencias de la Computación. http://sedici.unlp.edu.ar/bitstream/handle/10915/68308/Documento_completo.pdf SINCHI. (s. f.). Açai (Euterpe precatoria): Cadena de valor en el sur de la región amazónica. https://www.sinchi.org.co/files/publicaciones/publicaciones/pdf/Açaipubli.pdf Singh, A., & Ganapathino, S. (2024). Improving remote sensing dehazing quality through local hybrid correction and optimization of atmospheric attenuation model based on wavelength. Frontiers in Remote Sensing, 5, Article 1543342. https://www.frontiersin.org/articles/10.3389/frsen.2024.1543342/full Sonka, M., Hlavac, V., & Boyle, R. (1993). Image pre-processing. In Image Processing, Analysis and Machine Vision. Springer. https://link.springer.com/chapter/10.1007/978-1-4899-3216-7_4 USAID. (2019). Plan de negocios Açai. https://pdf.usaid.gov/pdf_docs/PA00M957.pdf Valencia, C. (2015). Metodología para un sistema de visión artificial apoyado con realidad aumentada. ITM. https://repositorio.itm.edu.co/bitstream/handle/20.500.12622/88/ValenciaHernandezCarlosAlberto2015.pdf?sequence=2 Yuyama, L. K., Aguiar, O., Filho, D. F. S., Yuyama, K., et al. (2011). Caracterización físico-química del jugo de Açai de Euterpe precatoria. Acta Amazónica, 14, 545–552. Zabala-Vargas, S., Maldonado, J. M., & Rivera, G. Y. (2009). Metodología para implementación de visión artificial en manipuladores robóticos. ITECKNE, 6. https://www.researchgate.net/publication/280929393 Zhang, Y., & Zhao, Y. (2019). Image classification using deep convolutional neural networks. Journal of Visual Communication and Image Representation, 58, 442–453. https://doi.org/10.1016/j.jvcir.2019.01.005
dc.rights.en.fl_str_mv	Attribution-NonCommercial-NoDerivatives 4.0 International
dc.rights.uri.none.fl_str_mv	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.local.spa.fl_str_mv	Acceso cerrado
dc.rights.accessrights.none.fl_str_mv	info:eu-repo/semantics/closedAccess http://purl.org/coar/access_right/c_14cb
rights_invalid_str_mv	Attribution-NonCommercial-NoDerivatives 4.0 International http://creativecommons.org/licenses/by-nc-nd/4.0/ Acceso cerrado http://purl.org/coar/access_right/c_14cb
eu_rights_str_mv	closedAccess
dc.format.mimetype.none.fl_str_mv	application/pdf
dc.publisher.program.spa.fl_str_mv	Bioingeniería
dc.publisher.grantor.spa.fl_str_mv	Universidad El Bosque
dc.publisher.faculty.spa.fl_str_mv	Facultad de Ingeniería
institution	Universidad El Bosque
bitstream.url.fl_str_mv	https://repositorio.unbosque.edu.co/bitstreams/50de6c67-8593-4253-b010-f3411c71dfd1/download https://repositorio.unbosque.edu.co/bitstreams/220b2f36-b5a3-466c-ba70-b3c3bdfda86d/download https://repositorio.unbosque.edu.co/bitstreams/167ca31b-3877-42b1-bdba-22f110d14f54/download https://repositorio.unbosque.edu.co/bitstreams/99ca773a-4972-4cbc-b2bd-4216935f9752/download https://repositorio.unbosque.edu.co/bitstreams/df245164-5761-43b1-be2a-f30f84a17eee/download https://repositorio.unbosque.edu.co/bitstreams/0a92cd6e-3fe3-46f1-8cb3-ed605b159544/download
bitstream.checksum.fl_str_mv	e94a78614c6b94c40c51fab6a421e73d 17cc15b951e7cc6b3728a574117320f9 d1a4d6d8ed5b7a69ee8ad4a4c40f0f62 3b6ce8e9e36c89875e8cf39962fe8920 4d93d6f3b381219bf863a46486ac7605 7ae523d002f519cd4ede989006a4a28d
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5 MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio Institucional Universidad El Bosque
repository.mail.fl_str_mv	bibliotecas@biteca.com
_version_	1836752078085554176
spelling	Roldan Olarte, Didier Jean PaulAvendaño Pérez, JonathanManrique Montero, Gabriela Liliana2025-06-06T16:49:34Z2025-06-06T16:49:34Z2025-05https://hdl.handle.net/20.500.12495/14576instname:Universidad El Bosquereponame:Repositorio Institucional Universidad El Bosquehttps://repositorio.unbosque.edu.coEl fruto de açaí ha evidenciado un crecimiento industrial significativo en Colombia, impulsado por la diversidad de productos derivados de su procesamiento. Sin embargo, durante la etapa de poscosecha se generan pérdidas económicas considerables, asociadas principalmente a una clasificación inadecuada del estado de maduración de los frutos. Frente a esta problemática, se propone el desarrollo de un sistema automatizado de clasificación mediante procesamiento digital de imágenes, orientado a identificar los cinco estados fisiológicos de madurez (verde, dos cuartos, tres cuartos, maduro y sobremaduro) en un entorno controlado. El algoritmo fue desarrollado en Python, utilizando las bibliotecas Keras y TensorFlow para la implementación de una red neuronal convolucional (CNN). El modelo fue entrenado con un conjunto de imágenes capturadas bajo condiciones estandarizadas, validadas previamente mediante pruebas fisicoquímicas que garantizan la concordancia entre el estado de madurez y los parámetros de calidad del fruto. Los resultados de validación indicaron un desempeño destacado en la clasificación de los estados tres cuartos y sobremaduro, alcanzando una precisión del 91%. En contraste, los estados verde y dos cuartos presentaron precisiones inferiores, superiores al 60%, lo que sugiere una mayor similitud visual entre las etapas tempranas de maduración.BioingenieroPregradoThe açaí fruit has shown significant industrial growth in Colombia, driven by the wide range of products derived from its processing. However, substantial postharvest losses are reported, mainly due to inadequate classification of the fruit's ripeness stages. To address this issue, the development of an automated classification system based on digital image processing is proposed, aiming to identify the five physiological ripeness stages (green, two-quarters, three-quarters, ripe, and overripe) within a controlled environment. The algorithm was developed in Python using the Keras and TensorFlow libraries to implement a convolutional neural network (CNN). The model was trained with a dataset of images acquired under standardized conditions, previously validated through physicochemical tests to ensure consistency between ripeness labels and fruit quality parameters. Validation results indicated strong classification performance for the three-quarters and overripe stages, reaching an accuracy of 91%. In contrast, the green and two-quarters stages yielded lower accuracies, above 60%, suggesting greater visual similarity between the early stages of ripeness.application/pdfAttribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/Acceso cerradoinfo:eu-repo/semantics/closedAccesshttp://purl.org/coar/access_right/c_14cbAmbiente controladoFrutos de AçaiIdentificación de estado de maduraciónProcesamiento de imagen.610.28Controlled environmentAçai fruitsIpening state identificationImage processingDesarrollo de un método de procesamiento de imágenes para la identificación de los cinco estados de maduración del fruto de Acai en un ambiente controladoDevelopment of an image processing method for identifying the five ripening stages of the Acai fruit in a controlled environmentBioingenieríaUniversidad El BosqueFacultad de IngenieríaTesis/Trabajo de grado - Monografía - Pregradohttps://purl.org/coar/resource_type/c_7a1fhttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/bachelorThesishttps://purl.org/coar/version/c_970fb48d4fbd8a85Aranguren, C. I., Galeano, G., & Bernal, R. (2014). Manejo actual del Açai (Euterpe precatoria Mart.) para la producción de frutos en el sur de la Amazonia colombiana. Colombia Forestal, 17(1), 77–99.Atencio, P. (2009). Desarrollo de un sistema de visión artificial para el control de calidad del mango de azúcar de exportación. Programa de Ingeniería de Sistemas. https://core.ac.uk/download/pdf/198275742.pdfAutor invitado. (2012). ¿Sabes para qué sirve la sensibilidad ISO de tu cámara? dzoom. https://www.dzoom.org.es/sabes-para-que-sirve-la-sensibilidad-iso-de-tu-camaraBill Wilson. (2021, noviembre 18). Comprensión de la media armónica. http://groups.di.unipi.it/~bozzo/The%20Harmonic%20Mean.htmBrenes, G. (2016). Desarrollo de un ambiente controlado para la producción de hortalizas para la Empresa Indigo Drones. https://repositoriotec.tec.ac.cr/bitstream/handle/2238/7261/Desarrollo_ambiente_controlado_produccion_hortalizas_empresa_indigo_drones.pdfBuda, M., Maki, A., & Mazurowski, M. A. (2018). A systematic study of the class imbalance problem in convolutional neural networks. Neural Networks, 106, 249–259. https://doi.org/10.1016/j.neunet.2018.07.011Canon EOS Rebel T5 + EF-S 18-55mm Juego de Cámara SLR 18 MP CMOS 5184 X 3456 Pixeles Negro. (2022).Castañeda, H., Vásquez, J., & Pineda, D. (2023). Clasificación automática para animales en peligro de extinción en Colombia mediante redes neuronales convolucionales. Revista Mundo FESC, 13(2), 45–52. https://www.fesc.edu.co/Revistas/OJS/index.php/mundofesc/article/view/1031Castro, E., Melo, R., Costa, E., Pessoa, A., Oliveira, R., & Bertini, C. (2022, octubre 4). Classification of Phaseolus lunatus L. using image analysis and machine learning models. SciELO. https://doi.org/10.1590/1983-21252022v35n404rcChamoun, I., Acosta, L., & Villagomez, H. (2011). Administración de color. Revista Offset Comercial CMYK más dos pantones. Escuela Superior Politécnica del Litoral. https://www.dspace.espol.edu.ec/bitstream/123456789/21623/2/cmyk%20tesis%20terminada%20copia.pdfCindap. (2004). Fortalecimiento socioempresarial para el aprovechamiento sostenible de recursos no maderables del bosque en la Amazonia colombiana. Bogotá: Informe Técnico.Contribuyendo a La Bioeconomía En Colombia a Través Del Fortalecimiento de La Cadena de Valor Acai. (2024). Partnerships for Forests. https://partnershipsforforests.com/wp-content/uploads/2024/04/Contribuyendo-a-la-bioeconomia-de-Colombia-a-traves-del-acai-1.pdfCorpoamazonia. (2024). Sistema de Información para la Administración y Manejo Sostenible de los Recursos Naturales del sur de la Amazonia colombiana (SARA). https://sara.corpoamazonia.gov.co/Etitudela. (2010). Visión artificial. http://www.etitudela.com/celula/downloads/visionartificial.pdfFarbe Naturals. (2018). La medición del pH en la industria de los alimentos. https://farbe.com.mx/la-medicion-del-ph-en-la-industria-los-alimentos/FAO. (2022). Technical guidelines for the processing and commercialization of açaí (Euterpe spp.). Food and Agriculture Organization of the United Nations. https://www.fao.org/documents/card/en/c/CB9320EN/Fawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Letters, 27(8), 861–874. https://doi.org/10.1016/j.patrec.2005.10.010Figueroa, E., Pérez, F., & Godínez, L. (2015). La producción y el consumo de café. ECORFAN - Spain. https://www.ecorfan.org/spain/libros/LIBRO_CAFE.pdfGaleano, G., & Bernal, R. (2010). Palmas de Colombia. Guía de campo. Bogotá: Editorial Universidad Nacional de Colombia.Gamarra-Castillo, O., Sánchez-Camargo, A. del P., & Hernández-Carrión, M. (2025). Biorefinery approach for Colombian açaí drupe valorization (Euterpe oleracea): Physicochemical characterization, anthocyanin extraction, and development of antioxidant-enriched ice cream and cookies. ACS Food Science & Technology, 5(2). https://doi.org/10.1021/acsfoodscitech.4c01005García Martínez, N. (s. f.). Determinación de la humedad de un alimento por un método gravimétrico indirecto por desecación. https://riunet.upv.es/bitstream/handle/10251/16339/Determinaci%C3%B3n%20de%20humedad.pdfGeorgieva, L., Dimitrova, T., & Angelov, N. (2015). RGB and HSV colour models in colour identification of digital trauma images. CompSysTech. http://ecet.ecs.uni-ruse.bg/cst05/Docs/cp/sV/V.12.pdfGuerrero, J. (2012). Asistencia técnica dirigida en: toma de muestras y recomendaciones de fertilización en cultivos tropicales. Agrobanco. https://www.agrobanco.com.pe/data/uploads/ctecnica/039-a-tropicales.pdfGuerrero, J., González, C., & Andrade, L. (2021). An algorithm for classifying handwritten signatures using convolutional neural networks. IEEE Latin America Transactions, 19(7), 1200–1207. https://latamt.ieeer9.org/index.php/transactions/article/view/5849Gonzalez, R. C., & Woods, R. E. (2018). Digital image processing (4ª ed.). Pearson.Henderson, A. (1995). The palms of the Amazon. Oxford University Press.ICONTEC. (1978). Resolución 2408. Normas de calidad y clasificación de frutas y hortalizas frescas en Colombia. https://tienda.icontec.org/productos-y-servicios/normas/normas-tecnicas/2408/ICONTEC. (2004). NTC 5313: Alimentos. Muestreo. Técnicas de muestreo para productos alimenticios a granel. Instituto Colombiano de Normas Técnicas y Certificación.Interempresas. (2015). Los conceptos de Machine Learning y Deep Learning en la industria. https://www.interempresas.net/MetalMecanica/Articulos/347471iPhone 14 - Especificaciones Técnicas - Soporte Técnico de Apple. (2022).Isaza, C., Galeano, G., & Bernal, R. (2013a). Manejo actual de Mauritia flexuosa para la producción de frutos en el sur de la Amazonia colombiana. En C. A. Lasso, A. Rial & V. González-B. (Eds.), VII. Morichales y canangunchales de la Orinoquia y Amazonia: Colombia - Venezuela. Parte I (pp. 247–276). Instituto de Investigación de Recursos Biológicos Alexander von Humboldt.Isaza, C., Núñez, L. A., Galeano, G., Bernal, R., Nascimento, A., Da Silva, R., & Piñeros, A. (2013b). Cartilla para la cosecha y el manejo de palmas productoras de frutos (Açai, canangucho y milpesos). Instituto de Ciencias Naturales, Universidad Nacional de Colombia.Liu, Z., Jiang, F., Mo, Y., Liao, H., Chen, P., & Zhang, H. (2022). Effects of ethanol treatment on storage quality and antioxidant system of postharvest papaya. Frontiers in Plant Science, 13. https://doi.org/10.3389/fpls.2022.856499López Hernández, O. D., & Gómez Carril, M. (2008). Preparación de microesferas mediante secado por aspersión. Revista Cubana de Farmacia, 42(3).MacEachern, C. B., Esau, T. J., Schumann, A. W., Hennessy, P. J., & Zaman, Q. U. (2023). Detection of fruit maturity stage and yield estimation in wild blueberry using deep learning convolutional neural networks. Smart Agricultural Technology, 3, 100099. https://doi.org/10.1016/j.atech.2022.100099Materka, A., & Strzelecki, M. (1998). Texture analysis methods – A review (Reporte COST B11). Institute of Electronics, Technical University of Lodz.Ministerio de Agricultura y Desarrollo Rural. (2015). Resolución 3882. Por la cual se establecen las normas técnicas para la producción y comercialización de frutas y hortalizas frescas. https://www.minagricultura.gov.co/Normatividad/Forms/DispForm.aspx?ID=3111Mittal, A., Soundararajan, R., & Bovik, A. C. (2013). Making a “completely blind” image quality analyzer. IEEE Signal Processing Letters, 20(3), 209–212. https://doi.org/10.1109/LSP.2012.2227726Mittal, A., Soundararajan, R., & Bovik, A. C. (2023). Optimizing multiclass classification using convolutional neural networks with class weights and early stopping for imbalanced datasets. Electronics, 14(4), 705. https://doi.org/10.3390/electronics14040705Parvathi, S., & Tamil Selvi, S. (2021). Detection of maturity stages of coconuts in complex background using faster R-CNN model. Biosystems Engineering, 202, 119–132. https://doi.org/10.1016/j.biosystemseng.2020.12.002Quimitube. (2025). Medida de pH en laboratorio químico con pHmetro. https://www.quimitube.com/medida-ph-laboratorio-quimico-phmetro/Ramos, V., Aquino, E., & Ruiz, M. (2018, septiembre 7). Investigación aplicada para el estudio del Açai como cultivo alternativo en beneficio de las comunidades nativas de la selva baja del Perú. ESAN Graduate School of Business. https://repositorio.esan.edu.pe/bitstream/handle/20.500.12640/1412/2018_MATP16-3_01_T.pdf?sequence=1Rawat, W., & Wang, Z. (2017). Deep convolutional neural networks for image classification: A comprehensive review. Neural Computation, 29(9), 2352–2449. https://doi.org/10.1162/neco_a_00990Russo, C., Ramón, H., Serfanio, S., Cicerchia, B., Sarobe, M., & Balmer, A. (2018). Visión artificial aplicada en agricultura de precisión. X Workshop de Investigadores en Ciencias de la Computación. http://sedici.unlp.edu.ar/bitstream/handle/10915/68308/Documento_completo.pdfSINCHI. (s. f.). Açai (Euterpe precatoria): Cadena de valor en el sur de la región amazónica. https://www.sinchi.org.co/files/publicaciones/publicaciones/pdf/Açaipubli.pdfSingh, A., & Ganapathino, S. (2024). Improving remote sensing dehazing quality through local hybrid correction and optimization of atmospheric attenuation model based on wavelength. Frontiers in Remote Sensing, 5, Article 1543342. https://www.frontiersin.org/articles/10.3389/frsen.2024.1543342/fullSonka, M., Hlavac, V., & Boyle, R. (1993). Image pre-processing. In Image Processing, Analysis and Machine Vision. Springer. https://link.springer.com/chapter/10.1007/978-1-4899-3216-7_4USAID. (2019). Plan de negocios Açai. https://pdf.usaid.gov/pdf_docs/PA00M957.pdfValencia, C. (2015). Metodología para un sistema de visión artificial apoyado con realidad aumentada. ITM. https://repositorio.itm.edu.co/bitstream/handle/20.500.12622/88/ValenciaHernandezCarlosAlberto2015.pdf?sequence=2Yuyama, L. K., Aguiar, O., Filho, D. F. S., Yuyama, K., et al. (2011). Caracterización físico-química del jugo de Açai de Euterpe precatoria. Acta Amazónica, 14, 545–552.Zabala-Vargas, S., Maldonado, J. M., & Rivera, G. Y. (2009). Metodología para implementación de visión artificial en manipuladores robóticos. ITECKNE, 6. https://www.researchgate.net/publication/280929393Zhang, Y., & Zhao, Y. (2019). Image classification using deep convolutional neural networks. Journal of Visual Communication and Image Representation, 58, 442–453. https://doi.org/10.1016/j.jvcir.2019.01.005spaORIGINALTrabajo de grado.pdfTrabajo de grado.pdfapplication/pdf7239334https://repositorio.unbosque.edu.co/bitstreams/50de6c67-8593-4253-b010-f3411c71dfd1/downloade94a78614c6b94c40c51fab6a421e73dMD51LICENSElicense.txtlicense.txttext/plain; charset=utf-82000https://repositorio.unbosque.edu.co/bitstreams/220b2f36-b5a3-466c-ba70-b3c3bdfda86d/download17cc15b951e7cc6b3728a574117320f9MD55Carta autorizacion.pdfapplication/pdf744920https://repositorio.unbosque.edu.co/bitstreams/167ca31b-3877-42b1-bdba-22f110d14f54/downloadd1a4d6d8ed5b7a69ee8ad4a4c40f0f62MD57CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8899https://repositorio.unbosque.edu.co/bitstreams/99ca773a-4972-4cbc-b2bd-4216935f9752/download3b6ce8e9e36c89875e8cf39962fe8920MD56TEXTTrabajo de grado.pdf.txtTrabajo de grado.pdf.txtExtracted texttext/plain101858https://repositorio.unbosque.edu.co/bitstreams/df245164-5761-43b1-be2a-f30f84a17eee/download4d93d6f3b381219bf863a46486ac7605MD58THUMBNAILTrabajo de grado.pdf.jpgTrabajo de grado.pdf.jpgGenerated Thumbnailimage/jpeg3295https://repositorio.unbosque.edu.co/bitstreams/0a92cd6e-3fe3-46f1-8cb3-ed605b159544/download7ae523d002f519cd4ede989006a4a28dMD5920.500.12495/14576oai:repositorio.unbosque.edu.co:20.500.12495/145762025-06-07 05:03:38.639http://creativecommons.org/licenses/by-nc-nd/4.0/Attribution-NonCommercial-NoDerivatives 4.0 Internationalrestrictedhttps://repositorio.unbosque.edu.coRepositorio Institucional Universidad El Bosquebibliotecas@biteca.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

Desarrollo de un método de procesamiento de imágenes para la identificación de los cinco estados de maduración del fruto de Acai en un ambiente controlado

Publicaciones similares