Aplicación de los modelos supervisados y la termografía infrarroja en la identificación de lesiones mecánicas en la guayaba
Introducción: El artículo es producto de la investigación “Aplicación de los modelos supervisados y la termografía infrarroja en la identificación de lesiones mecánicas en la guayaba”, desarrollada en la Universidad de Cartagena, Colombia, en el año 2025.
Problema: En la agroindustria, la clasificación de frutos se basa en la inspección visual o en sistemas automatizados limitados, lo que dificulta la detección temprana de lesiones mecánicas y genera pérdidas económicas por deterioro poscosecha, especialmente en frutos climatéricos como la guayaba.
Objetivo: Evaluar la capacidad de ajuste de seis modelos de aprendizaje supervisado sobre un conjunto de datos de imágenes termográficas de guayabas sanas y con lesiones mecánicas.
Metodología: Se realizó una adaptación de la metodología CRISP-DM: F1. Entendimiento del negocio y de los datos, F2. Preparación de los datos, F3. Modelado, y F4. Evaluación y despliegue.
Resultados: Se evaluaron seis modelos mediante validación cruzada sobre 84 imágenes termográficas de guayabas sanas y lesionadas. Se observó que Random Forest alcanzó métricas de accuracy, precision y recall superiores a 0.82 con imágenes originales, mientras que SVM superó 0.85 al emplear imágenes recortadas.
Conclusión: Se evidencia la factibilidad de integrar la termografía infrarroja y el aprendizaje supervisado en sistemas automatizados agroindustriales para la detección de lesiones en frutos.
Originalidad: Se propone un enfoque centrado en la combinación de técnicas de termografía infrarroja y aprendizaje automático para la clasificación de frutos de guayaba con lesiones.
Limitaciones: Fue necesario segmentar el contorno de las imágenes para mejorar el ajuste, lo que implicó una etapa adicional de preprocesamiento.
Cómo citar
Licencia
Derechos de autor 2026 Ingeniería Solidaria
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Compromiso ético y cesión de derechos
El autor debe declarar que su trabajo es original e inédito y que no se ha postulado a evaluación simultánea para su publicación por otro medio. Además, debe asegurar que no tiene impedimentos de ninguna naturaleza para la concesión de los derechos previstos en el contrato.
El autor se compromete a esperar el resultado de evaluación de la revista Ingeniería Solidaria, antes de considerar su presentación a otro medio; en caso de que la respuesta de publicación sea positiva, adicionalmente, se compromete a responder por cualquier acción de reivindicación, plagio u otra clase de reclamación que al respecto pudiera sobrevenir por parte de terceros.
Asimismo, debe declarar que, como autor o coautor, está de acuerdo por completo con los contenidos presentados en el trabajo y ceder todos los derechos patrimoniales, es decir, su reproducción, comunicación pública, distribución, divulgación, transformación, puesta a disposición y demás formas de utilización de la obra por cualquier medio o procedimiento, por el término de su protección legal y en todos los países del mundo, al Fondo Editorial de la Universidad Cooperativa de Colombia, de manera gratuita y sin contraprestación presente o futura.
[1] K. Hong, J. Xie, L. Zhang, D. Sun, and D. Gong, “Effects of chitosan coating on postharvest life and quality of guava (Psidium guajava L.) fruit during cold storage,” Scientia Horticulturae, vol. 144, pp. 172–178, Sep. 2012, doi: https://doi.org/10.1016/j.scienta.2012.07.002.
[2] J. C. Alonso-Cifuentes, P. J. Ordóñez-Morales, and A. F. Rivera-Triviño, “La demanda de guayaba en Colombia,” Corpoica Ciencia y Tecnología Agropecuaria, vol. 18, no. 1, p. 27, 2017, doi: https://doi.org/10.21930/rcta.vol18_num1_art:557.
[3] J. E. Angulo-López, A. C. Flores-Gallegos, C. Torres-León, K. N. Ramírez-Guzmán, G. A. Martínez, and C. N. Aguilar, “Guava (Psidium guajava L.) fruit and valorization of industrialization by-products,” Processes, vol. 9, no. 6, pp. 1–2, Jun. 2021, doi: https://doi.org/10.3390/pr9061075.
[4] F. Solarte, C. G. Muñoz, S. S. N. Maharachchikumbura, and E. Álvarez, “Diversity of Neopestalotiopsis and Pestalotiopsis spp., causal agents of guava scab in Colombia,” Plant Disease, vol. 102, no. 1, p. 49, Jan. 2018, doi: https://doi.org/10.1094/PDIS-01-17-0068-RE.
[5] 17 B. J. Gonçalves, T. M. de O. Giarola, D. F. Pereira, E. V. de B. Vilas Boas, and J. V. de Resende, “Using infrared thermography to evaluate the injuries of cold-stored guava,” Journal of Food Science and Technology, vol. 53, no. 2, pp. 1063–1064, Feb. 2016, doi: https://doi.org/10.1007/s13197-015-2141-4.
[6] Z. Li and C. Thomas, “Quantitative evaluation of mechanical damage to fresh fruits,” Trends in Food Science & Technology, vol. 35, no. 2, pp. 138–150, Feb. 2014, doi: https://doi.org/10.1016/j.tifs.2013.12.001.
[7] T. M. Berry, T. S. Fadiji, T. Defraeye, and U. L. Opara, “The role of horticultural carton vent hole design on cooling efficiency and compression strength: A multi-parameter approach,” Postharvest Biology and Technology, vol. 124, pp. 62–74, Feb. 2017, doi: https://doi.org/10.1016/j.postharvbio.2016.10.005.
[8] S. B. Navarro, “Fisiología de poscosecha,” pp. 16–24, Aug. 2012. [Online]. Available: https://exa.unne.edu.ar/biologia/fisiologia.vegetal/Fisiologiaposcocsecha.pdf
[9] T. Mulkay Vitón, “Pérdidas poscosecha de frutas,” Proyecto de apoyo al fortalecimiento de cadenas de frutales a nivel local, pp. 1–8, 2021. [Online]. Available: https://www.undp.org/sites/g/files/zskgke326/files/migration/cu/a54797bff5636f11bfed463e3529ddfd4cfb-9c5514eecce26b2eb6c4326a4d98.pdf
[10] Departamento Nacional de Planeación (DNP), “Pérdida y desperdicio de alimentos en Colombia,” pp. 29–37, Apr. 2016. [Online]. Available: https://colaboracion.dnp.gov.co/CDT/Prensa/Publicaciones/P%C3%A9rdida%20y%20desperdicio%20de%20alimentos%20en%20colombia.pdf
[11] Organización de las Naciones Unidas para la Alimentación y la Agricultura (FAO), “Pérdidas y desperdicios de alimentos en América Latina y el Caribe,” pp. 2–6, Jul. 2014. [Online]. Available: https://openknowledge.fao.org/server/api/core/bitstreams/6b37c91c-d542-4403-b24e-36b091ed0236/content
[12] R. Usamentiaga, P. Venegas, J. Guerediaga, L. Vega, J. Molleda, and F. Bulnes, “Infrared thermography for temperature measurement and non-destructive testing,” Sensors, vol. 14, no. 7, pp. 12306–12318, Jul. 2014, doi: https://doi.org/10.3390/s140712305.
[13] S. K. Gurupatham, E. Ilksoy, N. Jacob, K. Van Der Horn, and F. Fahad, “Fruit ripeness estimation for avocado using thermal imaging,” in Proc. ASME Int. Mech. Eng. Congr. Expo. (IMECE), 2018, pp. 1–1, doi: https://doi.org/10.1115/IMECE2018-86290.
[14] B. Yanmaz, “Use of infrared thermography in determining meat quality,” Eurasian Journal of Food Science and Technology, vol. 4, no. 2, pp. 54–55, 2020. [Online]. Available: https://dergipark.org.tr/en/pub/ejfst/article/789134
[15] A. T. Atta, B. Ogunsina, A. Adegbenjo, and O. Awe, “Prediction of tomatoes freshness using infrared thermography,” Journal of Agricultural Engineering and Technology, vol. 27, no. 2, pp. 150–154, 2022. [Online]. Available: https://www.researchgate.net/publication/370751209
[16] B. Guo, B. Li, Y. Huang, F. Hao, B. Xu, and Y. Dong, “Bruise detection and classification of strawberries based on thermal images,” Food and Bioprocess Technology, vol. 15, no. 5, pp. 1134–1139, May 2022, doi: https://doi.org/10.1007/s11947-022-02804-5.
[17] R. Jebita, J. S. Jeyanathan, S. Fathima, V. S., S. S., and S. K., “Segmentation of bruises in fruit thermograms during postharvest stage using K-means clustering technique,” in Proc. Int. Conf. Intelligent Techniques in Control, Optimization and Signal Processing (INCOS), 2024, pp. 1–4, doi: https://doi.org/10.1109/INCOS59338.2024.10527591.
[18] N. Fa, R. A. Saputra, and J. Nangi, “Classification of apple maturity based on color using the K-nearest neighbor (KNN) method,” Telematika, vol. 21, no. 1, pp. 55–58, Jun. 2024, doi: https://doi.org/10.31315/telematika.v21i1.11773.
[19] J. M. Dueñas Quesada, “Aprendizaje supervisado para la detección de amenazas web mediante clasificación basada en árboles de decisión,” p. 5, Jun. 2020. [Online]. Available: https://openaccess.uoc.edu/server/api/core/bitstreams/1db8662c-63a0-4382-946a-41243e7ab73c/content
[20] J. Demšar, “Orange data mining,” 2013. [Online]. Available: https://orangedatamining.com/
[21] M. Saba, D. Valdelamar Martínez, L. K. Torres Gil, G. E. Chanchí Golondrino, and M. A. O. Alarcón, “Application of supervised learning methods and information gain methods in the determination of asbestos–cement roofs’ deterioration state,” Applied Sciences, vol. 14, no. 18, p. 15, Sep. 2024, doi: https://doi.org/10.3390/app14188441.
[22] J. Bokrantz, M. Subramaniyan, and A. Skoogh, “Realising the promises of artificial intelligence in manufacturing by enhancing CRISP-DM,” Production Planning & Control, vol. 35, no. 16, pp. 2234–2254, Dec. 2024, doi: https://doi.org/10.1080/09537287.2023.2234882.
[23] F. Fuentes-Peñailillo, G. Carrasco Silva, R. Pérez Guzmán, I. Burgos, and F. Ewertz, “Automating seedling counts in horticulture using computer vision and AI,” Horticulturae, vol. 9, no. 10, p. 1134, Oct. 2023, doi: https://doi.org/10.3390/horticulturae9101134.
[24] S. Kovalenko, S. Kovalenko, A. Kutsenko, M. Godlevskyi, V. Severin, and A. Kovalenko, “Methodology for creating annotated datasets of biological objects in microscopic images,” in Proc. IEEE KhPI Week on Advanced Technology (KhPIWeek), 2024, pp. 1–6, doi: https://doi.org/10.1109/KhPIWeek61434.2024.10878016.
[25] H. Kaur, H. S. Pannu, and A. K. Malhi, “A systematic review on imbalanced data challenges in machine learning,” ACM Computing Surveys, vol. 52, no. 4, p. 1, Jul. 2020, doi: https://doi.org/10.1145/3343440.
[26] P. Kumar, R. Bhatnagar, K. Gaur, and A. Bhatnagar, “Classification of imbalanced data: Review of methods and applications,” IOP Conference Series: Materials Science and Engineering, vol. 1099, no. 1, pp. 1–4, Mar. 2021, doi: https://doi.org/10.1088/1757-899X/1099/1/012077.
[27] P. Thölke et al., “Class imbalance should not throw you off balance: Choosing the right classifiers and performance metrics for brain decoding with imbalanced data,” NeuroImage, vol. 277, p. 120253, Aug. 2023, doi: https://doi.org/10.1016/j.neuroimage.2023.120253.
[28] P. Godec et al., “Democratized image analytics by visual programming through integration of deep models and small-scale machine learning,” Nature Communications, vol. 10, no. 1, pp. 1–3, Oct. 2019, doi: https://doi.org/10.1038/s41467-019-12397-x.
[29] D. Shin, H. Choi, D. Kim, J. Park, T. K. Yoo, and K. Koh, “Code-free machine learning approach for EVO-ICL vault prediction: A retrospective two-center study,” Translational Vision Science & Technology, vol. 13, no. 4, pp. 2–4, Apr. 2024, doi: https://doi.org/10.1167/tvst.13.4.4
[30] R. Thakur et al., “A comprehensive analysis of image classification: Understanding techniques and exploring data preprocessing using a non-linear approach,” Adv. Nonlinear Var. Inequalities, vol. 26, no. 2, pp. 110–121, Jun. 2023, doi: https://doi.org/10.52783/anvi.v26.i2.287.
[31] H. Ghasemzadeh, R. E. Hillman, and D. D. Mehta, “Toward generalizable machine learning models in speech, language, and hearing sciences: Estimating sample size and reducing overfitting,” J. Speech Lang. Hear. Res., vol. 67, no. 3, pp. 1–7, Mar. 2024, doi: https://doi.org/10.1044/2023_JSLHR-23-00273.
[32] A. Vabalas, E. Gowen, E. Poliakoff, and A. J. Casson, “Machine learning algorithm validation with a limited sample size,” PLoS One, vol. 14, no. 11, pp. 1–5, Nov. 2019, doi: https://doi.org/10.1371/journal.pone.0224365.
[33] G. M. Foody, “Challenges in the real-world use of classification accuracy metrics: From recall and precision to the Matthews correlation coefficient,” PLoS One, vol. 18, no. 10, pp. 1–9, Oct. 2023, doi: https://doi.org/10.1371/journal.pone.0291908.
[34] J. C. Obi, “A comparative study of several classification metrics and their performances on data,” World J. Adv. Eng. Technol. Sci., vol. 8, no. 1, pp. 309–310, Feb. 2023, doi: https://doi.org/10.30574/wjaets.2023.8.1.0054.
[35] A. Marioriyad and P. Ramazi, “Optimizing accuracy, recall, specificity, and precision using ILP,” Mathematics, vol. 13, no. 7, pp. 6–8, Mar. 2025, doi: https://doi.org/10.3390/math13071059.
[36] O. Rainio, J. Teuho, and R. Klén, “Evaluation metrics and statistical tests for machine learning,” Sci. Rep., vol. 14, no. 1, pp. 2–6, Mar. 2024, doi: https://doi.org/10.1038/s41598-024-56706-x.
[37] A. Nouri, B. M. Merzah, S. Mosayyebpour, R. Mousa, and S. Hesaraki, “Evaluation metrics in learning systems: A survey,” Aug. 2025, doi: https://doi.org/10.20944/preprints202508.1594.v1.
[38] M. F. Amin, “Confusion matrix in binary classification problems: A step-by-step tutorial,” J. Eng. Res., vol. 6, no. 5, pp. 1–2, Dec. 2022, doi: https://doi.org/10.21608/erjeng.2022.274526.
[39] T. Xu, Z. Wei, Z. Li, X. Xu, and X. Rao, “Bruise detection of apples based on passive thermal imaging technology,” J. Food Meas. Charact., vol. 18, no. 11, pp. 9125–9130, Nov. 2024, doi: https://doi.org/10.1007/s11694-024-02864-5.
[40] C. Moreno and A. K. Sotelo, “Predicción del crecimiento del hongo Botrytis spp. en fresa (Fragaria ananassa) por medio de termografía infrarroja,” pp. 37–98. [Online]. Available: https://hdl.handle.net/20.500.14625/33631
