Evaluación de bandas espectrales en la clasificación de tipos de defectos de la manzana mediante aprendizaje profundo.

Este estudio aborda la clasificación temprana de defectos en manzanas, un aspecto clave para reducir pérdidas económicas y mejorar la calidad en la cadena de suministro. Se propone un enfoque basado en imágenes multiespectrales que combinan cuatro bandas espectrales: roja (RE), azul (BL), verde (GR) e infrarroja (IR), superando las limitaciones de investigaciones previas centradas únicamente en el espectro visible. La metodología emplea redes neuronales convolucionales (DenseNet121, MobileNetV1 y MobileNetV2) con fine-tuning, data augmentation y mecanismo de atención por canal (SE), que permiten resaltar automáticamente las características espectrales más relevantes. Además, se realizó un análisis de ablación de bandas para evaluar la contribución de cada una en la detección de los tres tipos de defectos (podredumbre, magulladuras y manchas por estrés climático), así como en las clases anatómicas del fruto (tallo y cáliz) y en manzanas sanas. Los resultados mostraron que MobileNetV2 + SE alcanzó el mejor desempeño, con un accuracy del 95% y valores superiores al 91% en precisión, recall y F1-score. MobileNetV1 + SE obtuvo 94%, y DenseNet121 + SE 89%, mejorando significativamente respecto a la versión sin atención (84 %). La ablación indicó que la banda verde (GR) fue la más informativa, proporcionando mayor contraste entre zonas sanas y afectadas. Además, se ha puesto en marcha una plataforma interactiva que permite cargar imágenes multiespectrales de manzanas y recibir automáticamente un informe con la clasificación del defecto y la banda espectral más relevante.

• Yazar: Auria Pérez, Eliana Lilibeth (author)
• Diğer Yazarlar: Yaguana Mendoza, George Sebastián (author), Vintimilla Burgos, Boris Xavier, Director (author)
• Materyal Türü: bachelorThesis
• Baskı/Yayın Bilgisi: 2025
• Konular: Defectos en manzanas; Imágenes multiespectrales; Redes neuronales convolucionales; Módulos de atención; Transfer learning; Bandas espectrales
• Online Erişim: http://www.dspace.espol.edu.ec/handle/123456789/67333