📄 agricultura

Integrating postharvest quality assessment and deep learning to identify the optimal harvest maturity stage of apricot fruit

Este estudio identifica la Etapa 3 como la madurez de cosecha óptima para los albaricoques basándose en una calidad superior de retención postcosecha y desarrolla un modelo de aprendizaje profundo ligero utilizando imágenes RGB para clasificar rápidamente y de forma no destructiva los estadios de madurez para mejorar la toma de decisiones de la cosecha.

Autores originales: Shima Naeimifar, Hojatollah Bodaghi, Seyed Iman Saedi

Publicado 2026-09-21

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Shima Naeimifar, Hojatollah Bodaghi, Seyed Iman Saedi

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Cada año, los huertos de todo el mundo producen millones de albaricoques, una fruta celebrada por su sabor dulce y su rica nutrición. Sin embargo, estos frutos se enfrentan a una implacable carrera contra el tiempo. A diferencia de muchos cultivos que pueden ser recolectados y almacenados durante meses, los albaricoques son blandos, perecederos y maduran rápidamente una vez que dejan el árbol. Si se recogen demasiado pronto, permanecen duros y sin sabor; si se recogen demasiado tarde, se vuelven pastosos y se estropean antes de llegar al mercado. La clave para resolver este problema reside en encontrar el momento exacto de la cosecha, una etapa de desarrollo en la que la fruta esté lo suficientemente madura para tener buen sabor pero aún lo suficientemente firme para sobrevivir al viaje hasta una tienda de comestibles. Durante décadas, los agricultores han dependido de sus ojos y su experiencia para adivinar este momento, un método que suele ser inconsistente y propenso al error. Ahora, un nuevo enfoque combina el estudio cuidadoso de la química de la fruta con la visión computacional avanzada para encontrar una respuesta más fiable.

Investigadores de la Universidad Tecnológica de Shahrood en Irán se propusieron resolver este enigma comprendiendo primero la biología del albaricoque y luego enseñando a una computadora a reconocer el momento adecuado para recogerlo. Se centraron en una variedad específica conocida como Zafarani, que crece en la región de Shahrood. El equipo comenzó cosechando fruta en cinco etapas distintas de crecimiento, que van desde muy inmadura hasta totalmente madura. Colocaron estas frutas en un entorno de almacenamiento en frío, imitando las condiciones utilizadas por los distribuidores comerciales, y observaron cómo cambiaban a lo largo de treinta y cinco días. Cada semana, los científicos midieron una amplia gama de cualidades: qué tan dura era la fruta, cuánta pérdida de peso sufría por la evaporación del agua, el nivel de dulzor, la cantidad de acidez y el color preciso de la piel. Buscaban la etapa única donde la fruta mantuviera mejor su forma y sabor mientras resistía la decadencia natural que viene con el tiempo.

Los resultados de esta larga observación revelaron un claro ganador. Las frutas cosechadas en la tercera etapa de madurez, un punto que no es ni demasiado verde ni totalmente blando, resultaron ser las más resilientes. Estos albaricoques mantuvieron su firmeza mejor que los recogidos antes o después. Perdieron menos peso, lo que significa que se mantuvieron más carnosos y jugosos por más tiempo. Su equilibrio químico, incluyendo su dulzor y acidez, se mantuvo más estable, y su color cambió de forma menos drástica que los otros. Las frutas recogidas demasiado pronto lucharon por mantener su calidad, cambiando rápidamente y perdiendo firmeza con rapidez. Aquellas recogidas demasiado tarde ya estaban demasiado blandas para soportar el periodo de almacenamiento, deteriorándose casi inmediatamente. El estudio confirmó que esta ventana de tiempo específica ofrece el mejor compromiso, permitiendo que la fruta se almacene durante semanas sin perder las cualidades que la hacen deseable para comer.

Habiendo identificado esta etapa de cosecha ideal, los investigadores pasaron a la segunda parte de su trabajo: enseñar a una máquina a encontrarla. Se dieron cuenta de que si una computadora pudiera mirar un albaricoque en el árbol y saber instantáneamente si estaba en esa tercera etapa perfecta, los agricultores podrían cosechar con mucha mayor precisión. Para hacer esto, tomaron más de mil fotografías de los albaricoques en el huerto bajo la luz solar natural, capturando la fruta exactamente como aparecía en el mundo real, con todas las sombras y ángulos variables que un agricultor encontraría. No utilizaron luces especiales ni configuraciones controladas; querían que el sistema funcionara en la realidad desordenada de un huerto.

El equipo construyó entonces un programa informático personalizado, un tipo de inteligencia artificial conocida como modelo de aprendizaje profundo (deep learning), diseñado específicamente para clasificar imágenes. Este programa fue entrenado para mirar las fotos y categorizar la fruta en una de las cinco etapas de madurez. El modelo fue diseñado para ser ligero, lo que significa que podía ejecutarse rápidamente en dispositivos estándar sin necesidad de una potencia de cómputo masiva. Tras ser entrenado con miles de imágenes, la computadora fue probada con un nuevo conjunto de fotos que nunca había visto antes. Identificó con éxito la etapa de madurez correcta en la gran mayoría de los casos. Cuando cometía errores, estos eran usualmente errores pequeños, como confundir una fruta que estaba a punto de alcanzar la etapa perfecta con una que acababa de pasarla. Esto demostró que la computadora comprendía los cambios graduales en la apariencia de la fruta en lugar de solo memorizar patrones aleatorios.

La importancia de este trabajo reside en su capacidad para cerrar la brecha entre la ciencia biológica y la agricultura práctica. Al demostrar primero qué etapa de crecimiento conduce a la vida útil más larga, y luego crear una herramienta para identificar esa etapa instantáneamente, los investigadores han ofrecido un camino hacia la reducción del desperdicio y la mejora de la calidad. El sistema de visión computacional no reemplaza el conocimiento del agricultor, sino que lo aumenta, proporcionando una forma objetiva y rápida de tomar decisiones de cosecha. Aunque el estudio se realizó en una sola variedad de albaricoque en una ubicación, el método sugiere un futuro poderoso para la agricultura. Si esta tecnología puede adaptarse a otras frutas y diferentes condiciones de cultivo, podría transformar la forma en que se cosecha la producción, asegurando que la fruta que llega a los consumidores sea tan fresca y sabrosa como el día en que fue recogida. El estudio concluye que, si bien la herramienta es prometedora, se necesitan más pruebas en diferentes huertos y estaciones para confirmar su fiabilidad a escala comercial.

Resumen Técnico: Integración de la Evaluación de la Calidad Poscosecha y el Aprendizaje Profundo para Identificar la Etapa Óptima de Madurez de Cosecha del Albaricoque

Planteamiento del Problema
El fruto del albaricoque (Prunus armeniaca cv. Zafarani) es altamente perecedero, caracterizado por un ablandamiento rápido y una rápida deterioro de la calidad a temperaturas ambiente. La etapa de madurez de cosecha es un determinante crítico del rendimiento poscosecha, la vida de almacenamiento y la aceptación del consumidor. Sin embargo, la determinación del tiempo óptimo de cosecha depende actualmente en gran medida de la estimación visual humana, la cual es subjetiva, incierta e ineficiente. Los métodos tradicionales de procesamiento de imágenes para la clasificación de frutas suelen carecer de robustez bajo condiciones naturales de huertos debido a su dependencia de una iluminación controlada y geometrías de cámara fijas. Además, aunque el aprendizaje profundo ha avanzado en el monitoreo agrícola, su aplicación específica para la clasificación de la madurez del albaricoque de forma no destructiva y en tiempo real bajo condiciones de campo no estructuradas sigue siendo relativamente inexplorada. Existe la necesidad de integrar datos de calidad fisiológica con visión computacional avanzada para establecer un método confiable y no destructivo para identificar la etapa de madurez específica que maximice el potencial de almacenamiento.

Metodología
El estudio se llevó a cabo en dos fases integradas:

Evaluación de la Calidad Fisiológica:
- Diseño Experimental: Los frutos de albaricoque fueron cosechados en cinco etapas distintas de madurez fisiológica (Etapas 1–5) basadas en la escala de madurez de Edwards.
- Protocolo de Almacenamiento: Los frutos se almacenaron a 6 °C durante 35 días. Los atributos de calidad se evaluaron en intervalos semanales (0, 7, 14, 21, 28 y 35 días).
- Métricas: El estudio midió firmeza, pérdida de peso, sólidos solubles totales (SST), acidez titulable (AT), pH y atributos de color ( $L^*$ , $C^*$ , $h^\circ$ y $\Delta E$ ).
- Análisis Estadístico: Los datos se analizaron mediante un diseño factorial en un diseño completamente aleatorizado (DCA) con tres réplicas, utilizando el software SAS para las comparaciones de medias (prueba de Duncan, $p < 0.05$ ).
Desarrollo del Modelo de Aprendizaje Profundo:
- Adquisición de Datos: Se capturaron 1,032 imágenes RGB de albaricoques bajo condiciones naturales de huerto (junio–julio 2024) utilizando un teléfono inteligente Samsung Galaxy A54. No se ejerció control sobre la iluminación, la distancia o el ángulo.
- Partición del Conjunto de Datos: El conjunto de datos se dividió en conjuntos de entrenamiento (660 imágenes), validación (165 imágenes) y prueba independiente (207 imágenes).
- Arquitectura: Se desarrolló una red neuronal convolucional (CNN) de doble vía ligera y personalizada. La arquitectura presenta dos ramas paralelas:
  - Vía 1: Utiliza capas convolucionales regulares.
  - Vía 2: Utiliza capas convolucionales dilatadas (factor de dilatación = 2) para expandir el campo receptivo sin reducir la resolución ni aumentar la carga computacional, recuperando así la información espacial perdida durante el pooling.
  - Integración: Los mapas de características de ambas vías se concatenan y se pasan a capas densas con una activación Softmax para la clasificación.
- Entrenamiento: El modelo fue entrenado utilizando el optimizador Nadam, pérdida de entropía cruzada categórica, un tamaño de lote de 8 y 80 épocas dentro del entorno Google Colaboratory (Python, Keras/TensorFlow).
- Evaluación: El rendimiento se evaluó mediante precisión, exhaustividad (recall), puntuación F1 y matrices de confusión.

Resultados Clave

Hallazgos Fisiológicos:
- Etapa Óptima: Los frutos cosechados en la Etapa 3 demostraron el desempeño poscosecha general más favorable.
- Firmeza: Los frutos de la Etapa 3 exhibieron una retención de firmeza superior en comparación con las Etapas 4 y 5, que se ablandaron rápidamente, y las Etapas 1 y 2, que mostraron cambios significativos.
- Pérdida de Peso: La Etapa 3 mostró la menor pérdida de peso acumulada durante el período de 35 días.
- Estabilidad Química: Los frutos de la Etapa 3 mantuvieron los cambios relativos más pequeños en SST (4.16%), pH (6.54%) y acidez titulable, lo que indica una mayor estabilidad composicional.
- Color: Aunque todas las etapas experimentaron cambios de color, la Etapa 3 mostró una progresión equilibrada en el ángulo de tono ( $h^\circ$ ) y la diferencia de color total ( $\Delta E$ ), evitando la inestabilidad observada en las etapas tempranas y la senescencia avanzada de las etapas posteriores.
Desempeño del Aprendizaje Profundo:
- La CNN de doble vía clasificó con éxito las cinco etapas de madurez bajo condiciones naturales de campo.
- Métricas: En el conjunto de prueba independiente, el modelo alcanzó una precisión ponderada de 0.81, una exhaustividad de 0.78 y una puntuación F1 de 0.79.
- Análisis de Errores: Las clasificaciones erróneas ocurrieron predominantemente entre etapas de madurez adyacentes (por ejemplo, Etapa 2 vs. Etapa 3), lo que refleja la transición biológica gradual entre etapas en lugar de discontinuidades visuales distintas. El modelo demostró una buena generalización sin un sobreajuste significativo.

Contribuciones Clave

Identificación de la Ventana Óptima de Cosecha: El estudio identifica empíricamente la Etapa 3 como la etapa de madurez fisiológica específica que ofrece el mejor compromiso entre maduración y estabilidad de almacenamiento para los albaricoques 'Zafarani', basado en una evaluación de calidad multiparamétrica.
Arquitectura Novedosa: El desarrollo de una CNN de doble vía ligera que incorpora convoluciones regulares y dilatadas específicamente diseñada para la clasificación de la madurez del fruto en entornos no estructurados.
Enfoque Integrado: La investigación logra cerrar la brecha entre la evaluación fisiológica poscosecha tradicional y el aprendizaje profundo moderno, utilizando la primera para definir las clases objetivo de la segunda.
Aplicación de Campo No Destructiva: El modelo fue entrenado y validado con imágenes capturadas bajo condiciones de huerto naturales y no controladas, demostrando la viabilidad para un despliegue en el mundo real.

Significancia y Reivindicaciones
El artículo sostiene que la integración de la evaluación de la calidad fisiológica con el aprendizaje profundo proporciona un marco robusto para la toma de decisiones de cosecha basada en la madurez de forma rápida y no destructiva. La principal significancia radica en la capacidad de identificar objetivamente la madurez de la Etapa 3 en el campo, permitiendo a los productores iniciar la cosecha cuando los frutos poseen el mayor potencial de vida de almacenamiento extendida.

Los autores enfatizan que el modelo de aprendizaje profundo fue diseñado para reconocer la etapa de madurez identificada como óptima por los datos fisiológicos, en lugar de determinar la optimalidad de forma independiente. Concluyen que, si bien el enfoque es prometedor, es necesaria una validación adicional en diferentes cultivares, huertos, estaciones y condiciones de imagen variables para establecer la robustez y la aplicabilidad práctica del sistema para el despliegue comercial. El estudio no pretende una preparación comercial inmediata, sino que establece una prueba de concepto para una solución escalable impulsada por IA para la gestión poscosecha del albaricoque.

Más como este