nova página do texto(beta)
Espanhol (pdf)
Artigo em XML
Referências do artigo
Tradução automática
Enviar este artigo por email
Citado por SciELO 
Similares em
SciELO 
Permalink
Introducción
En 2022, México fue el primer productor mundial de aguacate, seguido de Colombia y Perú (FAOSTAT 2023). Esto explica la importancia económica que tiene este cultivo en el sector agrícola mexicano. A nivel nacional la producción se concentra por orden de importancia en Michoacán, Jalisco, Estado de México, Nayarit y Morelos (SIAP 2023). Estos estados en su conjunto aportan 95% de la producción nacional.
El aguacate es originario del sur de México y de las zonas tropicales y subtropicales de Centroamérica (Sangerman-Jarquín et al. 2014). Se reconocen cuatro razas: mexicana, guatemalteca, antillana y costarricense (Pérez-Álvarez et al. 2015). La variedad 'Hass' fue seleccionada en la década de 1920 en la granja de Rudolph Hass en La Habra, California (Miller 2020). El fruto se consume en fresco, pero también se procesa para extraer aceite y otros productos, además varios componentes, como la semilla, cáscara y pulpa contienen diferentes compuestos bioactivos de importancia para la salud humana (Salazar-López et al. 2020). El aguacate tiene excelentes características nutricionales porque contiene fibra dietética, azúcares totales, K, Na, Mg, vitamina A, C, E, K1, B6, folato, niacina, ácido pantoténico, riboflavina, colina, luteína/zeaxantina, fitoesteroles y ácidos grasos altamente monoinsaturados (Dreher y Davenport 2013).
Las distintas estrategias en el manejo de los huertos ocasionan diferencias en la calidad de los frutos (Nolasco-González y Osuna-García 2017). Por ejemplo, en huertos de Valle de Bravo, México, la productividad, calidad y maduración de frutos de aguacate ‘Hass’ mostraron diferencias significativas debido a la condición particular del estatus nutrimental de los árboles y la fertilidad del suelo (García-Martínez et al. 2021). En la evaluación calidad y comportamiento poscosecha de frutos de aguacate se requiere del análisis de variables como contenido de materia seca, contenido de aceite, color del epicarpio y mesocarpio, diámetro y longitud de fruto, velocidad de respiración, producción de etileno, firmeza y pérdida de peso (Herrera-González et al. 2017). La NMX-FF-016-SCFI-2016, que regula la calidad del aguacate fresco para consumo humano con fines de exportación, establece que los defectos superficiales no superen 2 cm2 de la superficie del exocarpio, ya sea por roña, trips, granizo y rozaduras y no impacte negativamente en su conservación (SE 2016). Esta situación implica que la clasificación en el empacado debe realizarse con rigurosidad para evitar penalizaciones. Por lo tanto, al empacar el producto se debe mantener la calidad y las operaciones de recepción, lavado, secado, encerado, empaque y preenfriado se vuelven críticas (Demerutis-Peña 2010).
Para reducir problemas de identificación de defectos físicos en el fruto se han propuesto sistemas basados en visión por computadora. Los sistemas de visión artificial aplicado a frutos operan a través de las cinco etapas: adquisición de imágenes, preprocesamiento de imágenes, extracción de características, segmentación de imágenes y reconocimiento de imágenes (Xiao et al. 2023). En estudios realizados con distintas frutas, las características que mejor las describieron fueron los valores medios de los canales RGB y la longitud del eje mayor y menor (Montoya-Holguin et al. 2014). En tomate, se desarrolló un método de detección de frutos maduros que combina el aprendizaje profundo con la detección de contornos de bordes, con ello se logra separar eficientemente los tomates objetivo de los tomates superpuestos para detectar frutas individuales (Hu et al. 2019). Estos métodos pueden orientarse a otros frutos, como el aguacate, para mejorar la eficiencia en la selección, identificación de defectos de calidad y predecir características fisicoquímicas a partir de imágenes digitales. En este sentido, el objetivo de esta investigación fue desarrollar un método para identificar características y defectos físicos en frutos de aguacate ‘Hass’ mediante el análisis por computadora de imágenes digitales.
Materiales y métodos
Características del área de estudio
Los frutos de aguacate ‘Hass’ se cosecharon en el mes de septiembre de 2023, en huertos de la región de Valle de Bravo. En total se obtuvieron 40 frutos de tamaño comercial (140-235 g), que abarcan los diferentes rangos de color y defectos de calidad que se presentan en la zona productora. En la región de estudio, la cosecha se concentra en dos periodos: (1) mayo-julio y (2) septiembre-enero. Siendo la última, la que genera la mayor producción.
Evaluación y clasificación de frutos
A los frutos cosechados, se les midió el diámetro y longitud con un vernier Truper®; y se pesaron en una balanza digital Truper® modelo 102317. Los defectos de calidad se determinaron mediante evaluación visual de los síntomas en el exocarpio; se evaluaron daños por hongos, daños por trips y raspaduras. Con la información obtenida, los aguacates se agruparon de acuerdo con su calibre y grado de clasificación (defectos) de acuerdo con la norma NMX-FF-016-SCFI-2016 (SE 2016).
Obtención de imágenes digitales
La obtención de imágenes digitales de los frutos se realizó con una cámara Logitech® StreamCam, la cual cuenta con una resolución máxima de 1920x1080, una frecuencia de cuadro de hasta 60 fps y un lente f/2.0 con longitud focal 3,7 mm (Logitech 2023).
Proceso identificación de defectos y clasificación de frutos
Las fases que se aplicaron para el procesamiento se iniciaron con la digitalización de imágenes que se procesan mediante algoritmos y librerías del lenguaje Python, las cuales permitieron la definición de las variables del fruto (contornos de la forma, tamaño y peso) y la identificación de defectos para su posterior clasificación.
Adquisición de imágenes de frutos
Para la adquisición de las imágenes se diseñó un módulo de captura, basado en una caja de luz que proporciona una iluminación homogénea del interior, esto tiene como principal objetivo generar fotos de calidad y obtener mayor difusión de la luz (González-Flores 2018). Para la construcción del prototipo del módulo de captura se formó una caja de madera de 27.5 cm de ancho, 40 cm de largo y 30 cm de alto. Para instalar la cámara se realizó un orificio de 5 cm de diámetro en la tapa. En las paredes laterales y la tapa interna se instalaron tiras de luces led (12 V) y se cubrió con tela blanca con la finalidad de difuminar la luz y de generar contraste con fruto. Este tipo de prototipos son efectivos para la obtención de imágenes digitales en ambiente controlado (Carroll 2021).
Se realizaron pruebas de obtención de imágenes digitales hasta que se disminuyó el ruido por sombra y brillo de tal manera que no interfiera en el procesamiento con los algoritmos computacionales. En la Figura 1 se presenta una comparativa de las imágenes obtenidas con el prototipo inicial y final del módulo de captura. El factor de brillo se redujo considerablemente en el resultado final, esto con la finalidad de evitar pérdida de secciones o capturar falsos positivos en los algoritmos empleados a causa del brillo excesivo.
Preprocesamiento de la imagen
Se tomaron dos imágenes con la finalidad de cubrir la superficie total del fruto. Se utilizó el método de procesamiento de imágenes digitales, permitiendo el análisis de datos mediante software de manera rápida, eficiente y económica (Sindhu et al., 2021).
Algoritmos para identificación de defectos
Se implementaron dos algoritmos utilizando el lenguaje Phyton (Foundation Python Software, 2023). (1) binarización de las imágenes obtenidas por el módulo de captura (se clasifican los pixeles en blanco y negro, considerando el contraste de los colores). Esta técnica de procesamiento de imágenes es empleada en diferentes aplicaciones como el reconocimiento óptico de caracteres, ya que permite procesar las imágenes, para ser segmentadas o aplicarles un reconocimiento de patrones. (2) Algoritmo de Canny para el análisis de los contornos del fruto a partir de la imagen del fruto con referencia a un aruco de 3 x 3 cm. Es una técnica para la identificación de los bordes en píxeles dentro de una imagen. El contorno de un objeto es de suma importancia a la hora de identificar defectos en los frutos, tomando en consideración que estos generan relieves y contrastes de tonalidad que permiten diferenciarlos. Con la aplicación de los algoritmos se identificaron los siguientes defectos en la superficie del fruto: 1) crestas o deformaciones asociados a daños por trips, 2) manchas o cambios de color causado por enfermedades fúngicas y 3) manchas o pérdida de exocarpio por daños mecánicos como raspaduras o golpes.
Clasificación por tamaño
Para la clasificación de frutos por tamaño, se utilizaron librerías pertenecientes al Lenguaje de Programación Python (Foundation Python Software 2023): (1) OpenCV, que es una biblioteca de visión artificial desarrollada por la marca de procesadores Intel®, esta permite analizar información por imagen o video. (2) Numpy, es una librería que está especializada en el cálculo numérico y volúmenes de datos. (3) Perspective, permite ubicar la distancia entre la cámara y el objeto, y (4) Countours, permite el cálculo de las curvas que presenta el objeto para no omitir los bordes límites del objeto (OpenCV 2024).
Análisis estadístico
Las pruebas estadísticas se aplicaron para identificar diferencias entre los datos arrojados por el algoritmo y los datos reales medidos en el fruto. Para ello se aplicó una prueba de t para muestras independientes (Sánchez-Turcios 2015). El análisis se ejecutó con el software estadístico R versión 4.3.3 (R Core Team 2020).
Resultados
Características de los frutos
De acuerdo con el calibre establecido en la NMX-FF-016-SCFI-2016, en la muestra de frutos se encontraron desde categoría mediano (140 g) hasta extra (247.2 g) como se muestra en la Tabla 1.
Tabla 1 Características de los frutos de aguacate ‘Hass’ recolectados en la región de Valle de Bravo.
| Estadístico | Diámetro ecuatorial (cm) | Longitud (cm) | Índice de forma | Peso (g) |
|---|---|---|---|---|
| Media | 6.3 | 9.5 | 0.66 | 190.3 |
| Mediana | 6.2 | 9.45 | 0.67 | 187.35 |
| Moda | 6.1 | 10.1 | -- | -- |
| Desviación estándar | 0.37 | 0.73 | 0.08 | 28.26 |
| Mínimo | 5.8 | 8.2 | 0.42 | 140.00 |
| Máximo | 7.3 | 11.5 | 0.80 | 247.20 |
| C.V. | 5.95 | 7.7 | 11.7 | 14.9 |
Binarización de imágenes
A las imágenes se les aplicaron dos filtros. El primero fue de escala de grises que ayudó a resaltar detalles como las crestas, hendiduras y cicatrices en la piel de los frutos. El segundo fue un filtro de blanco y negro absoluto, con ello se pudieron identificar defectos causados por trips, raspaduras por ramas, daños mecánicos en su transporte y daños por hongos (Figura 2).
Figura 2 Binarización de las imágenes digitales de los frutos. A) Escala de grises y B) Blanco y negro.
Como se observa en la Figura 2, con la binarización de las imágenes, se lograron apreciar algunos defectos en la piel del aguacate, si bien no identifica la totalidad, es suficiente para clasificarlo con defecto.
Identificación de contornos
El análisis de contorno fue eficiente para identificar daño por trips y daño por roña, esto se puede apreciar en la Figura 3. Donde se observa la capacidad del método de Canny para identificar bordes, en el primer fruto se identifican daños por raspaduras y en la segunda se compara con un fruto sin daños. En ambos frutos se identifica con precisión la forma del fruto. Aplicando los métodos de binarización y Canny a las imágenes, se estimó el diámetro ecuatorial y la longitud del fruto (Figura 4).
Se compararon las medidas digitales con las medidas reales. Sin embargo, se encontraron diferencias significativas tanto en diámetro ecuatorial (p < 0.01) como longitud (p < 0.01). En la imagen se presentó una sobrestimación de 30% para el diámetro (Figura 5a) y 23% para la longitud (Figura 5b).
Figura 5 Comparación de las variables de tamaño del fruto y la imagen digital. a) diámetro y b) longitud.
El tamaño estimado a partir de la imagen se ajustó aplicando un factor de corrección que se obtuvo dividiendo el valor real entre el valor obtenido en la imagen. Para el diámetro el factor de corrección promedio fue de 0.79 y para la longitud de 0.82. Después del ajuste no se encontraron diferencias en diámetro ecuatorial (p > 0.71) y longitud (p > 0.78). En la imagen se presentó una sobrestimación de 0.9% para el diámetro (Figura 6a) y 0.6% para la longitud (Figura 6b).
Estimación del peso del fruto
Los valores de diámetro y longitud calculados por el algoritmo se utilizaron para estimar el peso de los frutos aplicando un modelo de regresión lineal múltiple. El modelo obtenido fue Peso (g) = 32.999 * Diámetro (cm) + 13.369 * Longitud (cm) - 148.566, p < 0.01, r2 = 0.91. En la Figura 7 se observa la relación del diámetro y longitud con el peso de fruto.
Clasificación de frutos
De acuerdo con el grado de clasificación visual por defectos, 46% de los frutos fueron Clase II, 27% Clase I y 27% Clase Suprema. De acuerdo con el tamaño del fruto, 23% se clasificaron en la categoría B (Extra), 54% en C (Clase I) y 23% en D (Mediano). La comparación en el porcentaje de identificación de defectos se presenta en la Figura 8.
Figura 8 Clasificación de acuerdo con los defectos de los frutos comparando el método del algoritmo y la clasificación visual.
El algoritmo fue eficiente en identificar defectos causados por roña, trips, raspaduras y granizo. Sin embargo, no fue efectivo para varicela, viruela o clavo. Esto se reflejó, principalmente, en el 44% de diferencia entre el algoritmo y clasificación visual en la categoría de frutos sin daños que se presenta en la Figura 8.
Discusión
El tamaño de los frutos corresponde con lo reportado por otros autores en la región de estudio. En huertos comerciales de aguacate ‘Hass’ de Valle de Bravo, México, se reportan frutos con un peso promedio de 167.6 g, diámetro de 6.1 cm, longitud de 8.5 cm y un índice de forma de 0.72 (García-Martínez et al. 2021). En plantaciones ubicadas en Guerrero, México, Villalva-Morales et al. (2015) obtuvieron frutos de 150 g en árboles de cinco años. La binarización de las imágenes permitió identificar distintos daños, al clasificar los pixeles entre blanco y negro, los pixeles blancos se asociaron con los defectos del fruto. Esta técnica ayuda a separar las regiones de primer plano y de fondo en una imagen (Sigdel et al. 2015). También Herrera-González et al. (2017) utilizaron este método en la identificación de frutos de café afectos por broca (Hypothenemus hampei) y observaron que los pixeles del área dañada aparecen de color blanco.
El análisis de bordes o contorno permitió identificar problemas causados por trips, roña y raspaduras en la piel de los frutos. La identificación de bordes en el procesamiento de imágenes es importante ya que permite realizar un diagnóstico más acertado en la computadora, esto permite analizar los cambios repentinos en la intensidad de los píxeles, proporcionando información rápida y precisa sobre las áreas relevantes de lo que se está analizando (Niño-Rondón et al. 2022). Mientras que Campos-Ferreira y González-Camacho (2021) afirman que las enfermedades como antracnosis, con similitud al color del aguacate en imágenes digitales, generan errores de predicción para la clasificación, sobre todo en frutos con antracnosis en etapas tempranas de la enfermedad. Esto concuerda con los errores de clasificación de este estudio, en daños que tienen semejanza en color con el fruto como los trips, que muestran una protuberancia, pero la tonalidad no muestra un cambio significativo.
En entornos con iluminación led controlada, la colorimetría con modelo RGB basada en pixeles identifica diferencia de tonalidades y se puede complementar con filtros de color (azul, rojo, amarillo) que beneficien en la distinción de características específicas (León-Bañuelos y González-Vázquez 2019), como la coloración distintiva de la antracnosis en el caso del fruto de aguacate. La diferencia de 30%, entre la clasificación visual y el algoritmo, en la clase de daño por hongo se debe a que en la evaluación visual se incluyeron los frutos que presentaron defectos de roña, varicela, viruela y clavo. Estos síntomas están asociados a enfermedades fúngicas causados principalmente por Colletotrichum gloeosporioides en el Estado de México (Tapia-Rodríguez et al. 2020) y Nayarit, México (Trinidad-Ángel et al. 2017). En la categoría de daños por raspaduras, el algoritmo presentó la mayor eficiencia. Las cortaduras o raspaduras son los daños mecánicos que ocasiona el cosechador y son constantes durante las horas de la cosecha y se presentan en mayor medida en la bolsa de cosecha y en el traslado del camión (Herrera-González et al. 2017). La eficiencia del algoritmo en la identificación de daños por trips depende de la severidad del problema. Cuando el daño fue mínimo, el algoritmo no lo detectó. Estos insectos causan cicatrices reduciendo el valor del fruto de aguacate en el mercado y producen malformaciones al provocar alteraciones en la cáscara (Maldonado-Zamora et al. 2016). Por otro lado, Portillo-Mendoza y Ponce-Alvino (2022) sugieren la inclusión de sensores y microcontroladores en conjunto con redes neuronales para complementar la identificación de detalles de color en frutos, basados en el modelo RGB. Así mismo Leon-Bañuelos et al. (2023) indican que la implementación de algoritmos de clasificación supervisada beneficia el procesamiento de imágenes digitales RGB para la agrupación de pixeles determinados como objeto de estudio (plagas o enfermedades), para determinan el porcentaje de afectación; lo cual se recomienda implementar en estudios futuros para aumentar la eficiencia de identificación, principalmente en daños por hongos y trips.
Conclusiones
El análisis digital de imágenes permitió identificar los defectos asociados con síntomas de roña, daños por trips y raspaduras. No se identificó de forma correcta los síntomas de varicela, clavo y viruela. Con la aplicación de los algoritmos de binarización y Canny se sobreestimó en 30% el porcentaje de frutos sin daños, por lo cual, la inspección visual por un especialista en manejo agronómico del aguacate es más efectiva. Sin embargo, la automatización de análisis de defectos de calidad en frutos de aguacate es importante porque es un factor clave en el empacado del producto, que en la región se realiza manualmente, encareciendo los costos de producción. Es necesario complementar las técnicas de procesamiento de imágenes con algoritmos de Machine Learning, sensores y actuadores para obtener una adecuada clasificación de calidad de los frutos, brindando a los pequeños productores alternativas de selección de bajo costo y que generen mayores ganancias con los empaques que cumplan con las características físicas de la norma oficial
