Neuroagro inteligencia artificial: Arquitectura de sistemas inteligentes
Palabras clave:
Inteligencia Artificial, Aprendizaje profundo, Visión por computadora, Detección de objetosSinopsis
La presente investigación aborda el diseño, desarrollo e implementación de un sistema inteligente orientado a la evaluación automatizada de productos agrícolas mediante técnicas avanzadas de visión por computadora y aprendizaje profundo. El presente estudio adopta un enfoque aplicado y de carácter experimental, orientado a disminuir la subjetividad inherente a los métodos tradicionales de inspección visual. Dichos métodos, si bien son de uso extendido, presentan limitaciones relacionadas con la consistencia de los resultados, así como con su escalabilidad y reproducibilidad en distintos contextos. En respuesta a esta problemática, se plantea el desarrollo de un sistema basado en detección de objetos mediante arquitecturas del tipo YOLO, el cual ha sido ajustado para su aplicación en entornos agrícolas. Este proceso de adaptación permitió optimizar el rendimiento del modelo durante la inferencia en condiciones reales del entorno agrícola. La solución presentada se realiza siguiendo un enfoque cliente-servidor basado en Flask, permitiendo gestionar el flujo completo del procesamiento, desde la adquisición de imágenes hasta la salida estructurada. Respecto al pipeline, el flujo va organizado en etapas de preprocesamiento orientadas a la normalización de la imagen y, posteriormente, se encuentra la fase correspondiente a la inferencia mediante el modelo entrenado siguiendo esta, se encuentra la etapa de análisis. En esta etapa las detecciones se transforman en variables derivadas que permiten describir el comportamiento del sistema de manera más resumida. A partir de estas variables es más fácil interpretar los resultados, especialmente desde un punto de vista operativo. Para la validación experimental se han utilizado registros obtenidos en condiciones de prácticas reales. En total, se registraron 71 detecciones a lo largo de cuatro ejecuciones del sistema, con una confianza media de 0,5946. El índice de calidad del arreglo se sitúa entre 65 y 85, evidenciando una generación consistente de información estructurada para la obtención de resultados. La propuesta constituye un sistema basado en detección de objetos inteligente que permite la gestión automática del análisis agronómico, contribuyendo a mejorar la objetividad, reproducibilidad y escalabilidad frente a antiguos métodos.
Descargas
Los datos de descarga aún no están disponibles.
Referencias
Benos, L., Tagarakis, A. C., Dolias, G., Berruto, R., Kateris, D., & Bochtis, D. (2021). Machine learning in agriculture: A comprehensive updated review. Sensors, 21(11), 3758. https://doi.org/10.3390/s21113758
Botero-Valencia, J., et al. (2025). Machine learning in sustainable agriculture: A systematic review. Agriculture, 15(4), 377. https://doi.org/10.3390/agriculture15040377
Buitrago Bolívar, E., et al. (2024). Monitoreo de cultivos y suelos en agricultura de precisión con UAV e inteligencia artificial. Tecnura. http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S0123-921X2024000400075
Everingham, M., Van Gool, L., Williams, C. K. I., Winn, J., & Zisserman, A. (2010). The Pascal Visual Object Classes (VOC) challenge. International Journal of Computer Vision, 88(2), 303–338. https://doi.org/10.1007/s11263-009-0275-4
Ferentinos, K. P. (2018). Deep learning models for plant disease detection and diagnosis. Computers and Electronics in Agriculture, 145, 311–318. https://doi.org/10.1016/j.compag.2018.01.009
Ghazal, S., Munir, A., & Qureshi, W. (2024). Computer vision in smart agriculture and precision farming: Techniques and applications. Artificial Intelligence in Agriculture, 13, 64–83. https://doi.org/10.1016/j.aiia.2024.06.004
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press. https://www.deeplearningbook.org
Hassan, E., et al. (2025). Sustainable deep vision systems for fruit quality assessment. Frontiers in Plant Science. https://doi.org/10.3389/fpls.2025.1521508
Kamat, P., et al. (2025). Multi-class fruit ripeness detection using YOLO and SSD models. SN Applied Sciences. https://doi.org/10.1007/s42452-025-07617-7
Kamilaris, A., & Prenafeta-Boldú, F. X. (2021). Deep learning in agriculture: A survey. Computers and Electronics in Agriculture, 147, 70–90. https://doi.org/10.1016/j.compag.2018.02.016
Karacaoglu, B., et al. (2025). Optimized YOLO architectures for efficient kiwi detection in complex orchard environments. Scientific Reports. https://doi.org/10.1038/s41598-025-32770-9
Koirala, A., Walsh, K. B., Wang, Z., & McCarthy, C. (2022). Deep learning—Method overview and review of use for fruit detection and yield estimation. Computers and Electronics in Agriculture, 162, 219–234. https://doi.org/10.1016/j.compag.2019.04.017
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. https://doi.org/10.1038/nature14539
León León, R. A., Barrantes Vargas, C. A., & Bacilio de la Cruz, F. D. (2024). Desarrollo de un sistema de visión artificial con la red neuronal convolucional (YOLO v8) para clasificar el arándano por su grado de madurez.
https://www.iiis.org/CDs2024/CD2024Summer/papers/CA682TT.pdf
Liakos, K. G., et al. (2022). Machine learning in agriculture: A review. Sensors, 18(8), 2674. https://doi.org/10.3390/s18082674
Padilla, R., Passos, W. L., Dias, T. L. B., Netto, S. L., & da Silva, E. A. B. (2020). A comparative analysis of object detection metrics. Electronics, 10(3), 279. https://doi.org/10.3390/electronics10030279
Redmon, J., et al. (2016). You Only Look Once: Unified, real-time object detection. CVPR. https://doi.org/10.1109/CVPR.2016.91
Sasmoko, D., et al. (2025). CNN and YOLO algorithms for detecting plant diseases in precision agriculture: A review. https://www.researchgate.net/publication/390688664
Shorten, C., & Khoshgoftaar, T. M. (2019). A survey on image data augmentation for deep learning. Journal of Big Data, 6, 60. https://doi.org/10.1186/s40537-019-0197-0
Sornalakshmi, K., et al. (2024). Fruit detection and counting for yield analysis in digital agriculture. SCITEPRESS. https://www.scitepress.org/Papers/2024/128812/128812.pdf
Talaviya, T., Shah, D., Patel, N., Yagnik, H., & Shah, M. (2020). Implementation of artificial intelligence in agriculture for optimisation of irrigation and application of pesticides and herbicides. Artificial Intelligence in Agriculture, 4, 58–73. https://doi.org/10.1016/j.aiia.2020.04.002
Tan, C., Sun, F., Kong, T., Zhang, W., Yang, C., & Liu, C. (2018). A survey on deep transfer learning. International Conference on Artificial Neural Networks. https://doi.org/10.1007/978-3-030-01424-7_27
Villalobos-Culqui, C., et al. (2025). Artificial vision model based on convolutional neural networks for crop classification. https://revistas.unsm.edu.pe/index.php/rcsi/article/download/678/1413
Weng, W., et al. (2025). A deep learning network for accurate tomato fruit detection using improved YOLO. Smart Agricultural Technology. https://www.sciencedirect.com/science/article/pii/S2772375525006963
Wolfert, S., et al. (2021). Big data in smart farming: A review. Agricultural Systems, 153, 69–80. https://doi.org/10.1016/j.agsy.2017.01.023
Xiao, F., et al. (2023). Fruit detection and recognition based on deep learning: A review. Agronomy, 13(6), 1625. https://doi.org/10.3390/agronomy13061625
Zhang, W., et al. (2022). Deep-learning-based in-field citrus fruit detection and tracking. Horticulture Research. https://doi.org/10.1093/hr/uhac003
Descargas
Publicado
marzo 2, 2026
Derechos de autor 2026 Gianmarco Garcia Curo, Jose Manuel Turpo Muñoz (Autor/a)
Detalles sobre esta monografía
ISBN-13 (15)
978-612-99367-1-0
Cómo citar
Neuroagro inteligencia artificial: Arquitectura de sistemas inteligentes. (2026). Fondo Editorial UNIDX. https://doi.org/10.56275/ng33px32
