Sistema de visión artificial basado en redes  
neuronales convolucionales para la selección de  
arándanos según estándares de exportación  
Artificial vision system based on convolutional neural networks for the  
selection of blueberries according to export standards  
Recibido: mayo ꢎ4 de ꢏ0ꢏꢎ | Revisado: julio ꢏꢎ de ꢏ0ꢏꢎ | Aceptado: agosto ꢏ0 de ꢏ0ꢏꢎ  
Wꢀꢁꢂ Aꢁꢃꢄ Nꢅꢆꢇꢀꢈꢄ Hꢄꢆꢉꢅ1 resumen  
2
La exportación de arándano es una de las actividades que  
mayormente ha crecido durante los últimos años en el  
sector agroindustrial del Perú. Sin embargo, las empresas  
locales aún presentan dificultades con la automatización  
de sus procesos, destacando entre ellos la selección de las  
frutas, la cual de realizarse inadecuadamente puede provocar  
su rápido deterioro. Es así que, la presente investigación  
propone un sistema de visión artificial para la detección de  
los defectos más comunes en los arándanos, de tal forma que  
puedan ser clasificados para su potencial exportación. Para  
este cometido, se ha utilizado el modelo de detección Faster  
R-CNN que se basa en la aplicación de redes neuronales  
convolucionales y propuesta de regiones. El trabajo ha  
involucrado la creación de una base de datos propia, el pre-  
procesamiento de las imágenes adquiridas para su posterior  
entrenamiento con las redes neuronales, y finalmente la  
validación de los resultados obtenidos en base a la opinión  
de un grupo de expertos, cuya información se registró  
a partir de encuestas. Finalmente, se utilizó el criterio  
IoU (intersección sobre unión) para poder determinar la  
precisión de nuestro sistema.  
Eꢃꢊꢅꢆ Aꢉꢃꢆꢋ Mꢅꢉꢌꢅꢉꢄ Rꢅꢍꢄꢈ  
Palabras clave:arándano;redesneuronalesconvolucionales;  
visión artificial; Faster-RCNN  
absTracT  
e export of blueberries is one of the activities that has  
grown the most in recent years in the agro-industrial sector  
ꢎ
ꢏ
Departamento de Ingeniería Mecatrónica, of Peru. However, local companies still have difficulties with  
Universidad Nacional de Trujillo. Trujillo – the automation of their processes, highlighting among them  
Perú. wnarciso@unitru.edu.pe  
the selection of fruits, which if done improperly can cause  
rapid deterioration. us, the present research proposes  
an artificial vision system for the detection of the most  
common defects in blueberries, in such a way that they can  
be classified for their potential export. For this purpose, the  
FasterR-CNNdetectionmodelhasbeenused, whichisbased  
on the application of convolutional neural networks and the  
proposal of regions. e work has involved the creation of its  
Departamento de Ingeniería Mecatrónica,  
Universidad Nacional de Trujillo. Trujillo –  
Perú. emanzano@unitru.edu.pe  
Autor para correspondencia  
E-mail: narciso@unitru.edu.pe  
©
Los autores. Este artículo es publicado por la Revista Campus de la Facultad de Ingeniería y Arquitectura de la Universidad  
de San Martín de Porres. Este artículo se distribuye en los términos de la Licencia Creative Commons Atribución No-comercial  
–
Compartir-Igual 4.0 Internacional (https://creativecommons.org/licenses/ CC-BY), que permite el uso no comercial,  
distribución y reproducción en cualquier medio siempre que la obra original sea debidamente citada. Para uso comercial  
contactar a: revistacampus@usmp.pe.  
https://doi.org/ꢎ0.ꢏ4ꢏ65/campus.ꢏ0ꢏꢎ.vꢏ6n3ꢎ.0ꢎ  
|
ISSN (impreso): ꢀ8ꢀꢁ-6ꢂ49 | ISSN (en línea): ꢁ5ꢁꢃ-ꢀ8ꢁꢂ |  
| Cꢅꢍꢐꢑꢈ | V. XXV I|N.3ꢏ |PP . 1ꢒ ꢒ- 1 ꢓꢓ |ꢔ ꢑꢁ ꢀ ꢄ- ꢃꢀ ꢇꢀ ꢋ ꢍꢕꢆꢋ| 2 ꢖ 2 1
155  
Wꢀꢁꢂ Aꢁꢃꢄ Nꢅꢆꢇꢀꢈꢄ Hꢄꢆꢉꢅ - Eꢃꢊꢅꢆ Aꢉꢃꢆꢋ Mꢅꢉꢌꢅꢉꢄ Rꢅꢍꢄꢈ  
own database, the pre-processing of the acquired images for  
their subsequent training with neural networks, and finally  
the validation of the results obtained based on the opinion  
of a group of experts, whose information was recorded from  
surveys. Finally, the IoU (intersection over union) criterion  
was used to determine the accuracy of our system.  
Key words: blueberry; artificial neural network; artificial  
vision; Faster-RCNN  
Introducción  
(mayores a ꢎT/h), generalmente, requieren  
la utilización de máquinas de las marcas  
TOMRA y WECO, mientras que otros  
de menor escala tienen como alternativa  
marcas como CNTAIZI o UNITEC. Sin  
embargo, la utilización de las máquinas  
mencionadas conlleva una inversión muy  
elevada tanto en la adquisición como en  
los gastos de importación (Rudas, ꢏ0ꢎ5;  
Rojas, ꢏ0ꢏ0).  
Unadelasfrutasquees,principalmente,  
exportada por el Perú hacia países como  
Estados Unidos, China y los Países Bajos  
es el arándano. Al ꢏ0ꢎ9, el Perú posee  
más de ꢎꢏ000 hectáreas ya cultivadas,  
las cuales se distribuyen en seis de sus  
regiones: Lambayeque, La Libertad,  
Arequipa, Cajamarca, Ancash y Lima. La  
Libertad es la región que abarca más del  
6
0% de la producción nacional.  
Debido a lo anteriormente expuesto,  
se encuentra la necesidad del desarrollo  
de visión artificial que pueda cumplir  
con los estándares de selección de  
arándanos, evitando de esta manera su  
manipulación excesiva; y así también, ser  
potencialmente utilizado en un sistema  
automatizado de bajo costo.  
El mismo año, el Perú se posicionó por  
primera vez como el principal exportador  
de arándanos a nivel mundial, superando  
a otros países exportadores como Chile  
y México, generando ganancias de hasta  
8
ꢎ0 millones de dólares. Así también,  
la creciente importación de arándanos  
por parte de los países inicialmente  
mencionados, especialmente, China,  
ha elevado los estándares de calidad y  
velocidad de producción requeridos por  
parte de los países productores (Rivas,  
ꢏ0ꢎ8; Rojas, ꢏ0ꢏ0).  
La utilización de sistemas de visión  
artificial en la selección y clasificación  
de frutas se da desde hace varios años,  
incluso la utilización de la inteligencia  
artificial. Por ejemplo, Zhang, Wang, Ji y  
Phillips (ꢏ0ꢎ4) proponen en su trabajo un  
método de clasificación híbrido basado  
en el algoritmo de colonia de abejas  
caóticas artificiales a escala de aptitud  
(FSABC) para el entrenamiento de su red  
neuronal de alimentación (FNN), con el  
propósito de clasificar frutas en base a sus  
características de textura.  
Es así que empresas locales,  
especialmente, de la región La Libertad han  
visto la necesidad de optimizar sus procesos,  
incluyendo sistemas automatizados que  
trabajan en base a sistemas de visión  
artificial para el proceso de selección de  
arándanos. Esto también se debe a que una  
selección manual conlleva a la pérdida de  
Bloom, cubierta del fruto que previene su  
descomposición. Procesos de gran volumen  
Un par de años más tarde, ya se trataban  
de investigaciones en esta área utilizando  
las redes neuronales convolucionales  
|
Campus | V. XXVI | No. 32 | julio-diciembre | 2021 |  
| ISSN (impreso): ꢀ8ꢀꢁ-6ꢂ49 | ISSN (en línea): ꢁ5ꢁꢃ-ꢀ8ꢁꢂ |  
156  
Sꢀꢈꢗꢋꢍꢅ ꢃꢋ ꢘꢀꢈꢀꢙꢉ ꢅꢆꢗꢀꢚꢀꢇꢀꢅꢁ ꢕꢅꢈꢅꢃꢄ ꢋꢉ ꢆꢋꢃꢋꢈ ꢉꢋꢑꢆꢄꢉꢅꢁꢋꢈ ꢇꢄꢉꢘꢄꢁꢑꢇꢀꢄꢉꢅꢁꢋꢈ ꢐꢅꢆꢅ ꢁꢅ ꢈꢋꢁꢋꢇꢇꢀꢙꢉ ꢃꢋ  
ꢅꢆꢛꢉꢃꢅꢉꢄꢈ ꢈꢋꢊꢜꢉ ꢋꢈꢗꢛꢉꢃꢅꢆꢋꢈ ꢃꢋ ꢋꢝꢐꢄꢆꢗꢅꢇꢀꢙꢉ  
(
CNN). Yalcin y Razavi (ꢏ0ꢎ6) utilizan  
un método de aprendizaje profundo  
mediante el uso del modelo Faster  
R-CNN para clasificar varias frutas,  
enfocándose en el mango y la pitaya,  
utilizando la plataforma Tensorflow para  
esta aplicación, llegando a la conclusión  
que se trata de una técnica apropiada para  
sistemas en tiempo real. Dentro de sus  
parámetros de precisión, haciendo uso  
de su aplicación, obtienen un rango del  
64.4% al 70.6%, el cual varía de acuerdo  
a los parámetros considerados.  
esta arquitectura para la clasificación de  
diferentes especies vegetales. Así también,  
Yu, Mao y Wang (ꢏ0ꢎ6) proponen un  
método para el reconocimiento decategorías  
de alimentos, utilizanod las CNN, además  
de otras técnicas del Deep Learning.  
Un trabajo que podríamos considerar  
más cercano es el desarrollado por  
Reátegui  
desarrollan una aplicación informática  
para el reconocimiento de camu camu,  
utilizando también redes neuronales  
convolucionales para este cometido.  
y
Velazco (ꢏ0ꢎ8) que  
De la misma manera, Wan y Goudos  
(ꢏ0ꢏ0) destacan la eficacia de este método,  
especialmente, para el desarrollo de  
sistemas de detección de frutas en tiempo  
real, puesto que ellos utilizan la técnica  
mencionada como parte del desarrollo de  
un sistema robótico de visión de detección  
de diferentes tipos de fruta.  
No obstante, uno de los modelos de  
detección de objetos más contemporáneo  
basados en las CNN es el Faster R-CNN.  
Mai, Zhang, Jia y Meng (ꢏ0ꢎ8) evalúan  
las primeras versiones de esta técnica con  
el objetivo de detectar frutas de pequeño  
tamaño en diferentes fotografías.  
Es así que se concluye que, el modelo  
FasterR-CNNesidóneoparaladetección  
y clasificación de frutas en sistemas en  
tiempo real.  
Porsuparte,Basri,SyarifySukaridhoto  
ꢏ0ꢎ8) en su investigación proponen  
(
Figura 1. Metodología de trabajo  
|
ISSN (impreso): ꢀ8ꢀꢁ-6ꢂ49 | ISSN (en línea): ꢁ5ꢁꢃ-ꢀ8ꢁꢂ |  
| Campus | V. XXVI | No. 32 | julio-diciembre | 2021 |  
157  
Wꢀꢁꢂ Aꢁꢃꢄ Nꢅꢆꢇꢀꢈꢄ Hꢄꢆꢉꢅ - Eꢃꢊꢅꢆ Aꢉꢃꢆꢋ Mꢅꢉꢌꢅꢉꢄ Rꢅꢍꢄꢈ  
Método  
Para el desarrollo de nuestro sistema  
de visión artificial se ha considerado  
la estructura de trabajo indicada por  
la Figura ꢎ que señala cada una de las  
etapas incluidas, las cuáles se detallan a  
continuación.  
Figura 2. Base de datos construida  
El sistema de visión artificial tiene la  
siguiente estructura de desarrollo como  
se aprecia en la Figura ꢎ.  
Claro está, también se realizó el  
descarte de diferentes fotografías que no  
eran adecuadas para el entrenamiento.  
B. Preprocesamiento de las imágenes  
A. Base de datos de imágenes  
Después de haber recaudado cientos de  
imágenes de arándano, se encontró que  
estasteníantamañosypesosporencimade  
403ꢏ x ꢏꢏ68 p y 6.4 MB. Estas imágenes  
necesitan de un preprocesamiento con el  
objetivo de disminuir su peso y tamaño  
para que el entrenamiento no sea tan  
complejo. Lo recomendado era tener  
imágenes con las siguientes condiciones:  
ꢎ) resolución menor a ꢎꢏ80x 7ꢏ0 p y ꢏ)  
peso menor o igual a ꢎ50kb; con estos  
valores establecidos se procedió con la  
etapa de preprocesamiento haciendo uso  
de la librería Image Processing Toolbox  
del software MatLab, con la cual también  
se pudo recortar algunas imágenes ya que  
fue mucho el espacio dejado alrededor  
del arándano como se muestra en la  
Figura 3.  
Para el presente trabajo se crea una  
base de datos propia y se realiza la  
toma de fotos de diferentes calidades de  
arándanos que fueron obtenidas de un  
mercado local con la finalidad de tener  
disponibilidad de los diversos potenciales  
defectos que pudiese tener esta fruta que  
es nuestro objeto principal de estudio.  
Es así que se logró recaudar un total de  
ꢏ0 imágenes, de las cuales se utilizaron  
00 que corresponden a los cinco defectos  
8
5
más comunes que se presentan en las  
empresas agroindustriales de la región La  
Libertad como son: corola, desgarrado,  
picado de pájaro, pedicelo y rojo. La  
Figura ꢏ da un esbozo de la clasificación  
considerada.  
Figura 3 . Reducción del peso y tamaño de las imágenes.  
|
Campus | V. XXVI | No. 32 | julio-diciembre | 2021 |  
| ISSN (impreso): ꢀ8ꢀꢁ-6ꢂ49 | ISSN (en línea): ꢁ5ꢁꢃ-ꢀ8ꢁꢂ |  
158  
Sꢀꢈꢗꢋꢍꢅ ꢃꢋ ꢘꢀꢈꢀꢙꢉ ꢅꢆꢗꢀꢚꢀꢇꢀꢅꢁ ꢕꢅꢈꢅꢃꢄ ꢋꢉ ꢆꢋꢃꢋꢈ ꢉꢋꢑꢆꢄꢉꢅꢁꢋꢈ ꢇꢄꢉꢘꢄꢁꢑꢇꢀꢄꢉꢅꢁꢋꢈ ꢐꢅꢆꢅ ꢁꢅ ꢈꢋꢁꢋꢇꢇꢀꢙꢉ ꢃꢋ  
ꢅꢆꢛꢉꢃꢅꢉꢄꢈ ꢈꢋꢊꢜꢉ ꢋꢈꢗꢛꢉꢃꢅꢆꢋꢈ ꢃꢋ ꢋꢝꢐꢄꢆꢗꢅꢇꢀꢙꢉ  
Figura 4 . Etiquetado de los defectos en las imágenes.  
C. Preparación de los datos de entrada  
Por último, convertimos estos archivos  
.csv de entrenamiento y test a uno en  
*
Para el entrenamiento de nuestro  
sistema, se necesita que las imágenes  
se encuentren etiquetadas. Por tanto,  
con las imágenes ya preprocesadas y  
clasificadas para el entrenamiento y test,  
nos disponemos a etiquetar las imágenes  
con la ayuda del software LablelImg. Para  
ser más exactos, procedemos a etiquetar  
los defectos que presenta cada arándano,  
defectos mencionados anteriormente  
y que fueron indicados por expertos a  
partir de las encuestas realizadas.  
formato TFrecord (formato simple para  
almacenar una secuencia de registros  
binarios.). El proceso de conversión de  
las imágenes a archivos *.csv y Tfrecord,  
lo podemos resumir en la Figura 5.  
Se crea un archivo *.xml con las  
coordenadas correspondientes a cada  
defecto localizado en cada imagen.  
La Figura 4 muestra una imagen ya  
etiquetada.  
Figura 5. Proceso de conversión de las  
Unavezrealizadoeletiquetadoparatodas  
las imágenes y generado los archivos *.xml,  
se necesitan que estos estén contenidos en  
un solo archivo para lo cual lo convertimos  
a uno en formato *.csv el cual viene a ser  
una hoja de cálculo en la que se encuentran  
listadas todas las imágenes y coordenadas,  
tanto para las imágenes del entrenamiento  
como las de test.  
imágenes a un registro de archivo  
D. Configuración de los parámetros  
de la red neuronal  
Para la configuración de la red hemos  
considerado un modelo pre-entrenado  
de detección Faster RCNN con ꢏ04  
neuronas con ꢎ3 capas convoluciones, ꢎ3  
|
ISSN (impreso): ꢀ8ꢀꢁ-6ꢂ49 | ISSN (en línea): ꢁ5ꢁꢃ-ꢀ8ꢁꢂ |  
| Campus | V. XXVI | No. 32 | julio-diciembre | 2021 |  
159  
Wꢀꢁꢂ Aꢁꢃꢄ Nꢅꢆꢇꢀꢈꢄ Hꢄꢆꢉꢅ - Eꢃꢊꢅꢆ Aꢉꢃꢆꢋ Mꢅꢉꢌꢅꢉꢄ Rꢅꢍꢄꢈ  
capas rectificadas (ReLu) y cuatro (04)  
capas de agrupación.  
A continuación, se procede con los si-  
guientes pasos:  
Para comenzar con el procedimiento  
mencionado se ha de crear un mapa de  
etiquetas en un archivo de extensión  
1. Especificación del modelo de detec-  
ción.  
2
3
. Obtención de parámetros del modelo  
*
.pbtxt, el cuál luego vendrá a ser un  
a partir del archivo *. cktp generado.  
archivo gráfico para la plataforma  
TensorFlow.  
. Ingreso del número de imágenes a  
considerar para el Test (ꢏ0% de la  
cantidad total de imágenes de la base  
de datos).  
La Figura 6 detalla las cinco clases de  
defectos considerados por el mapa de  
etiquetas creado.  
4
. Direccionamiento de los archivos re-  
cord del test y mapa de etiquetas para  
que se utilicen como entradas de la  
evaluación del modelo.  
De la misma manera, se configuran los  
números de pasos, el tamaño de matriz  
de maxPooling, el máximo número de  
clases, el número máximo de detecciones  
por imagen, número de propuestas de  
región, umbralesdepuntajeeintersección  
de unión (IoU), entre otros.  
Figura 6. Creación del mapa de etiquetas  
para la clase de arándanos  
Figura 7. Pérdidas en el inicio del entrenamiento  
|
Campus | V. XXVI | No. 32 | julio-diciembre | 2021 |  
| ISSN (impreso): ꢀ8ꢀꢁ-6ꢂ49 | ISSN (en línea): ꢁ5ꢁꢃ-ꢀ8ꢁꢂ |  
160  
Sꢀꢈꢗꢋꢍꢅ ꢃꢋ ꢘꢀꢈꢀꢙꢉ ꢅꢆꢗꢀꢚꢀꢇꢀꢅꢁ ꢕꢅꢈꢅꢃꢄ ꢋꢉ ꢆꢋꢃꢋꢈ ꢉꢋꢑꢆꢄꢉꢅꢁꢋꢈ ꢇꢄꢉꢘꢄꢁꢑꢇꢀꢄꢉꢅꢁꢋꢈ ꢐꢅꢆꢅ ꢁꢅ ꢈꢋꢁꢋꢇꢇꢀꢙꢉ ꢃꢋ  
ꢅꢆꢛꢉꢃꢅꢉꢄꢈ ꢈꢋꢊꢜꢉ ꢋꢈꢗꢛꢉꢃꢅꢆꢋꢈ ꢃꢋ ꢋꢝꢐꢄꢆꢗꢅꢇꢀꢙꢉ  
Figura 8. Gráfica de pérdidas durante el entrenamiento  
Figura 9. Valores de pérdidas para 4ꢎ400 pasos  
E. Entrenamiento  
Así  
también,  
la  
herramienta  
Tensorboard nos permite monitorear  
en tiempo real las pérdidas de manera  
clasificada. Las gráficas correspondientes a  
este monitoreo se detallan en la Figura 8.  
Una vez configurados los parámetros  
del modelo, se procede con el  
entrenamiento del sistema. La Figura 7  
muestra como en el inicio del proceso  
se tienen pérdidas, desviaciones entre las  
predicciones realizadas y los datos reales,  
con valores relativamente altos.  
Finalmente, tal como se puede verificar  
en las gráficas de la Figura 8, así como en  
los valores encontrados para la etapa final de  
|
ISSN (impreso): ꢀ8ꢀꢁ-6ꢂ49 | ISSN (en línea): ꢁ5ꢁꢃ-ꢀ8ꢁꢂ |  
| Campus | V. XXVI | No. 32 | julio-diciembre | 2021 |  
161  
Wꢀꢁꢂ Aꢁꢃꢄ Nꢅꢆꢇꢀꢈꢄ Hꢄꢆꢉꢅ - Eꢃꢊꢅꢆ Aꢉꢃꢆꢋ Mꢅꢉꢌꢅꢉꢄ Rꢅꢍꢄꢈ  
entrenamiento (Figura 9), las pérdidas llegan  
a valores aceptables. Para ello, se realizaron  
ꢎ 400 pasos en un entrenamiento que  
duró aproximadamente cinco horas.  
Resultados y Discusión  
A. Test individuales  
los Pdefectos de los arándanos que se  
desean detectar (corola, rojo, desgarrado,  
cicatriz y pedicelo), esto con la finalidad  
de verificar a primera mano la eficacia del  
sistema desarrollado.  
4
Cabe señalar, que las imágenes  
consideradas para todo el proceso de  
evaluación (Test) no son las mismas  
que las utilizadas para el proceso de  
entrenamiento y validación de nuestra  
red neuronal.  
Primero, a partir del archivo de  
imágenes, se realizan pruebas para  
fotografías que contienen claramente  
Figura 10 . Prueba para arándanos con corola  
a.1. Corola  
ꢎꢎ correctamente, tal como se muestra  
en la Figura ꢎ0. Concluyendo que el  
porcentaje de detección para este defecto  
está por encima del 45 %.  
De ꢏ4 arándanos con el defecto de  
corola visible, el sistema logró detectar  
Figura 11. Prueba para arándanos rojo  
|
Campus | V. XXVI | No. 32 | julio-diciembre | 2021 |  
| ISSN (impreso): ꢀ8ꢀꢁ-6ꢂ49 | ISSN (en línea): ꢁ5ꢁꢃ-ꢀ8ꢁꢂ |  
162  
Sꢀꢈꢗꢋꢍꢅ ꢃꢋ ꢘꢀꢈꢀꢙꢉ ꢅꢆꢗꢀꢚꢀꢇꢀꢅꢁ ꢕꢅꢈꢅꢃꢄ ꢋꢉ ꢆꢋꢃꢋꢈ ꢉꢋꢑꢆꢄꢉꢅꢁꢋꢈ ꢇꢄꢉꢘꢄꢁꢑꢇꢀꢄꢉꢅꢁꢋꢈ ꢐꢅꢆꢅ ꢁꢅ ꢈꢋꢁꢋꢇꢇꢀꢙꢉ ꢃꢋ  
ꢅꢆꢛꢉꢃꢅꢉꢄꢈ ꢈꢋꢊꢜꢉ ꢋꢈꢗꢛꢉꢃꢅꢆꢋꢈ ꢃꢋ ꢋꢝꢐꢄꢆꢗꢅꢇꢀꢙꢉ  
a.2. Rojo  
correctamente. Esto se puede detallar en  
la Figura ꢎꢎ. Se concluye una detección  
de arándanos rojos del ꢏ5 %.  
Así también, de 3ꢏ arándanos rojos o  
inmaduros, el sistema logró detectar ocho  
Tabla ꢎ  
Porcentaje de detección  
Característica  
Rojo  
25 %  
Cicatriz  
48%  
Pedicelo  
42%  
Desgarrado Corola  
64.% 45%  
Porcentaje  
Figura 12. Prueba para arándanos desgarrados  
a.3. Desgarrado  
a.4. Cicatriz (picado de pájaro)  
La imagen considerada para la  
evaluación de arándanos desgarrados se  
muestra en la Figura ꢎꢏ. Se tiene una  
detección mayor al 64 % para este defecto  
en particular.  
Por su parte, la detección para el  
defecto de cicatriz o picado de pájaro  
logró alcanzar una detección mayor al  
48%. La Figura ꢎ3 muestra un ejemplo  
de la detección obtenida.  
Figura 13. Prueba para arándanos con  
cicatriz  
Figura 14. Prueba para arándanos con  
pedicelo  
|
ISSN (impreso): ꢀ8ꢀꢁ-6ꢂ49 | ISSN (en línea): ꢁ5ꢁꢃ-ꢀ8ꢁꢂ |  
| Campus | V. XXVI | No. 32 | julio-diciembre | 2021 |  
163  
Wꢀꢁꢂ Aꢁꢃꢄ Nꢅꢆꢇꢀꢈꢄ Hꢄꢆꢉꢅ - Eꢃꢊꢅꢆ Aꢉꢃꢆꢋ Mꢅꢉꢌꢅꢉꢄ Rꢅꢍꢄꢈ  
a.5. Pedicelo  
B. Test grupales:  
La Figura ꢎ4 muestra cómo se realizó  
la detección del defecto pedicelo. La  
evaluación de éxito del sistema obtuvo  
un porcentaje superior al 4ꢏ %.  
Así también, se procedió a realizar  
pruebas de precisión del sistema de  
visión artificial para la detección de todos  
los defectos de arándanos considerados,  
los cuales fueron agrupados de forma  
indistinta en diferentes imágenes.  
Los resultados obtenidos para cada  
uno de los defectos considerados se  
resumen en la Tabla ꢎ.  
Figura 15. Ejemplo de prueba grupal con detecciones correcta  
Figura 16. Ejemplo de prueba grupal con falsas detecciones  
Luego de realizar las pruebas grupales  
correspondientes, se obtuvieron  
detecciones como la que se muestra en la  
Figura ꢎ5, dónde aparecen las etiquetas  
para cada defecto encontrado.  
Por otro lado, también se encontraron  
falsas detecciones por parte del sistema.  
Un ejemplo claro se muestra en la Figura  
ꢎ6, donde se han enmarcado en rojo en la  
imagen de la izquierda aquellos defectos  
que fueron etiquetados con un defecto  
que no corresponde.  
|
Campus | V. XXVI | No. 32 | julio-diciembre | 2021 |  
| ISSN (impreso): ꢀ8ꢀꢁ-6ꢂ49 | ISSN (en línea): ꢁ5ꢁꢃ-ꢀ8ꢁꢂ |  
164  
Sꢀꢈꢗꢋꢍꢅ ꢃꢋ ꢘꢀꢈꢀꢙꢉ ꢅꢆꢗꢀꢚꢀꢇꢀꢅꢁ ꢕꢅꢈꢅꢃꢄ ꢋꢉ ꢆꢋꢃꢋꢈ ꢉꢋꢑꢆꢄꢉꢅꢁꢋꢈ ꢇꢄꢉꢘꢄꢁꢑꢇꢀꢄꢉꢅꢁꢋꢈ ꢐꢅꢆꢅ ꢁꢅ ꢈꢋꢁꢋꢇꢇꢀꢙꢉ ꢃꢋ  
ꢅꢆꢛꢉꢃꢅꢉꢄꢈ ꢈꢋꢊꢜꢉ ꢋꢈꢗꢛꢉꢃꢅꢆꢋꢈ ꢃꢋ ꢋꢝꢐꢄꢆꢗꢅꢇꢀꢙꢉ  
Tabla ꢏ  
Precisión en cada defecto  
Característica  
Rojo Cicatriz Pedicelo Desgarrado Corola  
24% 26% 40.5% 39.8%  
Precisión  
36%  
Figura 17. Porcentaje de precisión del sistema  
C. Precisión  
experimentales de nuestro sistema para  
nuevos valores de los hiperparámetros  
considerados inicialmente.  
Para la evaluación de la precisión de  
nuestro sistema se utilizó la medida  
de evaluación IoU (intersección sobre  
la unión), la cual es, generalmente,  
utilizada para evaluar este parámetro  
Un dato adicional es que el tiempo  
de procesamiento y detección para cada  
imagen es de aproximadamente cinco  
segundos.  
(
precisión) en sistemas de detección de  
objetos. Esto se puede evidenciar en la  
Figura ꢎ7, donde cada uno de los cinco  
defectos considerados se evaluó en una  
fila, teniendo como resultado final de  
precisión el valor que se encuentra a la  
derecha. Estos datos se resumieron para  
una mejor visualización en la Tabla ꢏ.  
Conclusiones  
En el presente trabajo se diseñó un  
sistema de visión artificial por medio  
de redes neuronales convolucionales  
(CNN) aplicando el modelo Faster  
R-CNN con el propósito de desarrollar  
una alternativa para la automatización  
del proceso de selección de arándano  
para su correspondiente exportación.  
Tomando en consideración el trabajo  
realizado por Basri et al. (ꢏ0ꢎ8), donde  
se alcanzaron precisiones del 64.4%  
al 70.6%, nuestro sistema muestra un  
intervalo con valores más pequeños. Este  
vendría ser del ꢏ4% al 40.5%, tal como  
se puede concluir a partir de la Tabla ꢏ.  
Se ha realizado una evaluación de  
expertos por medio de encuestas, en la  
cual se ha determinado los defectos más  
comunes en arándanos además de las  
variedades más cultivadas en las empresas  
agroindustriales liberteñas de este sector.  
Realizando un análisis de todo el  
procesorealizado,sepodríaconcluirquela  
principalcausadelosresultadosobtenidos  
es la cantidad de imágenes utilizadas  
en el proceso de entrenamiento. Así  
también, se vienen realizando las pruebas  
El entrenamiento demandó un tiempo  
aproximado de cinco horas que en total  
involucró 4ꢎ 400 pasos. Se obtuvo un  
|
ISSN (impreso): ꢀ8ꢀꢁ-6ꢂ49 | ISSN (en línea): ꢁ5ꢁꢃ-ꢀ8ꢁꢂ |  
| Campus | V. XXVI | No. 32 | julio-diciembre | 2021 |  
165  
Wꢀꢁꢂ Aꢁꢃꢄ Nꢅꢆꢇꢀꢈꢄ Hꢄꢆꢉꢅ - Eꢃꢊꢅꢆ Aꢉꢃꢆꢋ Mꢅꢉꢌꢅꢉꢄ Rꢅꢍꢄꢈ  
rango de precisiones del ꢏ4% al 40.5%  
para los cinco defectos de arándano  
considerados.  
pueden ser mejorados mediante el  
enriquecimiento de nuestra base de datos  
que será utilizada por nuestro sistema  
tanto para el entrenamiento como la  
validación.  
Se concluye que los resultados  
Referencias  
Basri, H., Syarif, I., & Sukaridhoto, S.  
destinada-al-cultivo-de-arandanos-  
podria-llegar-a-ꢎ4000-hectareas-  
en-peru/#:~:text=Actualmente%ꢏ0  
las%ꢏ0%C3%Aꢎreas%ꢏ0de%ꢏ0  
ar%C3%Aꢎndano,ejecutivo%ꢏ0  
d e % ꢏ 0 C u l t i v i d a % ꢏ C % ꢏ 0  
Carlos%ꢏ0Rodr%C3%ADguez  
(
ꢏ0ꢎ8, October). Faster R-CNN  
implementation method for multi-  
fruit detection using tensorflow  
platform. In ꢏ0ꢎ8 international  
on  
knowledge creation and intelligent  
computing (IES-KCIC) (pp. 337-  
electronics  
symposium  
3
40). IEEE.  
Rudas Ramírez, C. A. (ꢏ0ꢎ6). Diseño  
de un sistema mecatrónico para la  
selección de arándanos. [Tesis de  
Maestría]. Pontificia Universidad  
Católica del Perú.  
Mai, X., Zhang, H., Jia, X., & Meng,  
M. Q. H. (ꢏ0ꢏ0). Faster R-CNN  
with classifier fusion for automatic  
detection of small fruits. IEEE  
Transactions  
on  
Automation  
Wan, S., & Goudos, S. (ꢏ0ꢏ0). Faster  
R-CNN for multi-class fruit  
detection using a robotic vision  
system. Computer Networks, ꢎ68,  
ꢎ07036.  
Science and Engineering, ꢎ7(3),  
ꢎ555-ꢎ569  
Reátegui Pezo, A., & Velasco Meléndez,  
Aplicación  
M.  
A.  
(ꢏ0ꢎ8).  
informática para reconocimiento  
de la especie camu camu (Myrciaria  
Dubia) a través de redes neuronales  
convolucionales, en Iquitos Perú,  
durante el año ꢏ0ꢎ7. [Tesis de  
Maestría]. Universidad Nacional  
de la Amazonía Peruana.  
Yalcin,H.,&Razavi,S.(ꢏ0ꢎ6,July).Plant  
classification using convolutional  
neural networks. In ꢏ0ꢎ6 Fifth  
International  
Conference  
on  
Agro-Geoinformatics  
(Agro-  
Geoinformatics) (pp. ꢎ-5). IEEE.  
Yu, Q., Mao, D., & Wang, J. (ꢏ0ꢎ6).  
food  
recognition. Technical report,  
Stanford University.  
Rivas, P. (ꢏ0ꢎ8). Blueberries Consulting.  
https://blueberriesconsulting.  
com/la-industria-del-arandano-  
en-sudafrica-busca-competir-con-  
productores-latinoamericanos/  
Deep  
learning-based  
Zhang, Y., Wang, S., Ji, G., & Phillips,  
P. (ꢏ0ꢎ4). Fruit classification using  
computer vision and feedforward  
neural network. Journal of Food  
Engineering, ꢎ43, ꢎ67-ꢎ77.  
Rojas, N. (ꢏ0ꢏ0). Arándanos Perú.  
h t t p s : / / a r a n d a n o s p e r u .  
pe/ꢏ0ꢏ0/05/05/superficie-  
|
Campus | V. XXVI | No. 32 | julio-diciembre | 2021 |  
| ISSN (impreso): ꢀ8ꢀꢁ-6ꢂ49 | ISSN (en línea): ꢁ5ꢁꢃ-ꢀ8ꢁꢂ |  
166