La clasificación precisa de las etapas de maduración del tomate y la estimación de calidad son fundamentales para optimizar la gestión post-cosecha y garantizar el valor de mercado. Este estudio presenta un análisis comparativo riguroso de las características morfológicas y colorimétricas extraídas a través de dos marcos de segmentación de instancias basados en aprendizaje profundo de última generación—Mask R-CNN y YOLOv8n-seg—y su eficacia en la clasificación de etapas de maduración y predicción de calidad impulsada por aprendizaje automático. Usando 216 frutas de tomate del mercado fresco a través de cuatro etapas de maduración definidas, extrajimos 27 características derivadas de imágenes por modelo, junto con 12 rasgos fisio-morfológicos medidos en laboratorio. Los análisis multivariados revelaron que las características de R-CNN capturan variaciones colorimétricas y estructurales sutiles, mientras que YOLOv8 enfatiza características morfológicas. Los clasificadores de aprendizaje automático entrenados con validación cruzada estratificada de 10 pliegues lograron hasta un 95.3% de puntaje F1 al combinar ambos conjuntos de características, mientras que R-CNN y YOLOv8 solos alcanzaron una precisión del 96.9% y 90.8%, respectivamente. Estos hallazgos destacan un compromiso entre la precisión superior de R-CNN y la escalabilidad en tiempo real de YOLOv8. Nuestros resultados demuestran el potencial de integrar características derivadas de la segmentación complementaria con métricas de laboratorio para permitir un fenotipado robusto y no destructivo. Este trabajo avanza la aplicación de aprendizaje automático basado en visión en la agricultura de precisión, facilitando un monitoreo automatizado, escalable y preciso de la madurez y calidad de la fruta.
Ahmad et al. (Fri,) estudiaron esta cuestión.