Revista Ingeniantes 2024 Año 11 No. 1 Vol.

Clasificación de madurez del

Aguacate por medio de la Técni-
ca de Espectroradiometría
RESUMEN: El aguacate es un fruto de gran Colaboración
importancia económica para la agroindus- Olga Edith Mireles Preciado; Marco Antonio Meza
tria de México, especialmente en la región Aguilar; Tecnológico Nacional de México-Instituto Tec-
occidente, debido a que gran parte de la nológico de Ciudad Guzmán; Humberto Pérez Espino-
producción se exporta. Garantizar la cali- sa, Instituto Nacional de Astrofísica, Óptica y Electrónica
dad del fruto es esencial para cumplir con (INAOE); Gregorio Luna-Esquivel, Universidad Autóno-
los parámetros de exportación, que inclu- ma de Nayarit
yen el grado de maduración y de materia
seca (indicador del contenido de aceite). La Fecha de recepción: 13 de marzo 2024
mayoría de los métodos actuales de verifi- Fecha de aceptación: 11 de julio de 2024
cación de calidad son invasivos, causan da-
ños significativos al fruto, requieren mucho ABSTRACT: The avocado is a fruit of great economic importan-
tiempo y no se tiene una metodología es- ce for the agro-industry in Mexico, especially in the western re-
tandarizada entre los productores. En este gion, as a large part of the production is exported. Ensuring the
trabajo se propone un método no invasivo quality of the fruit is essential to meet export parameters, which
que mejore el proceso actual de evalua- include the degree of ripeness and dry matter (an indicator of oil
ción de la calidad del aguacate, reduciendo con- tent). Most current quality verification methods are invasive,
las pérdidas y el tiempo empleado para la cause significant damage to the fruit, require a lot of time, and
evaluación. Para ello, se propone analizar lack a standardized methodology among producers. This work
las características ópticas del aguaca- proposes a non-invasive method to improve the current avocado
te mediante un espectrorradiómetro (ER). quality evaluation process, reducing losses and the time requi-
Esta técnica permite medir la distribución red for evaluation. To this end, we suggest analyzing the optical
espectral de la radiación electromagnética characteristics of avocado using a spectroradiometer (ER). This
reflejada por el fruto y proporciona informa- technique allows meassuring the spectral distribution of electro-
ción detallada sobre la intensidad luminosa magnetic radiation reflected by the fruit and provides detailed in-
en función de la longitud de onda. En este formation about light intensity as a function of wavelength. In this
trabajo, usamos tres algoritmos de apren- study, we used three machine learning algorithms: Sequential Mi-
dizaje máquina Sequential Minimal Optimi- nimal Optimization (SMO), Bagging, and Random Forest, to build
zation (SMO), Bagging y Random Forest, a model capable of automatically classifying avocado quality into
para construir un modelo con la capacidad three levels of ripeness: immature, ripe, and for guacamole. The
de clasificar automáticamente la calidad del preliminary results are promising, as the proposed method has
aguacate en tres niveles de maduración: in- proven effective in determining the degree of ripeness and, there-
maduro, sazón y para guacamole. Los re- fore, the quality of the fruit. This work validated spectroradiometry
sultados preliminares son prometedores, and intelligent algorithms as a non-invasive solution for evaluating
ya que el método propuesto ha demostra- avocado quality. This methodology could help standardize the
do ser efectivo para determinar el grado quality verification process, benefiting producers and exporters
de maduración y, por ende, la calidad del by reducing losses and waiting times.
fruto. El presente trabajo permitió validar
el uso de espectroradiometría, combinado KEYWORDS: Avocado Quality, Non-Destructive Testing, Spec-
con algoritmos inteligentes, como una solu- troscopy.
ción no invasiva para evaluar la calidad del
aguacate. Esta metodología podría ayudar INTRODUCCIÓN
a estandarizar el proceso de verificación En en los estados de Jalisco y Michoacán en México, la produc-
de calidad, beneficiando a producto- res y ción de aguacate ha aumentado significativamente en los últimos
exportadores al reducir pérdidas y tiempos 15 años, convirtiéndose en una actividad económica vital para el
de espera. estado fortaleciendo la economía de la región. México, como
principal productor y exportador mundial de aguacate, ha visto
PALABRAS CLAVE: Calidad del aguacate, incrementada su producción agrícola considerablemente en los
pruebas no destructivas, espectroscopia últimos años. En términos económicos, la industria del aguaca-

89
 Revista Ingeniantes 2024 Año 11 No. 1 Vol. 3
te ha traído muchos beneficios, como el aumento del manera no destructiva, identificar células cancerígenas
empleo y la reducción de la pobreza y la migración, [1] y no cancerígenas sin necesidad de marcadores, y de-
. Sin embargo, existen algunas prácticas que relentizan tectar microorganismos rápidamente.
la evaluación de la calidad del producto y generan mer-
mas. Por lo tanto, es necesario hacer más sostenibles En la industria alimentaria, sirve para caracterizar mie-
los procesos de producción y distribución del aguacate les, ácidos grasos, identificar azúcares con estructuras
mejorando las prácticas agrícolas. En la actualidad, los similares y analizar aditivos y colorantes, entre otros [10]
productores y distribuidores han implementado diver- [11]. La espectrorradiometría se usa para medir la cali-
sos métodos para estimar la calidad del aguacate [2], dad de diferentes frutos ya que el color es un atributo
los más comunes son procedimientos manuales que clave para determinar la calidad y el valor nutricional de
implican partir el fruto y realizar una inspección manual un fruto. La cuantificación de los pigmentos responsa-
de la pulpa para evaluar su maduración. Estos méto- bles de la coloración mediante técnicas no destructivas
dos, aunque son útiles, generan pérdidas significativas es muy útil en la industria agroalimentaria para estimar
tanto en el producto como en los costos de mano de la calidad interna y externa del fruto, definir su etapa de
obra, además de requerir un tiempo considerable para maduración y determinar el tiempo óptimo de cosecha
obtener los resultados. Esto subraya la importancia de [12]. Como un ejemplo de esto es la valoración de la
desarrollar técnicas eficientes y no destructivas para cantidad de agua en las fresas, ya que este parámetro
estimar automáticamente la etapa de maduración y ca- indica la calidad del fruto [13]. Por otra parte, el méto-
lidad del fruto especialmente para grandes lotes. do propuesto por [14] evalúa la madurez del aguacate
después de la cosecha utilizando imágenes hiperes-
Entre los atributos de calidad del aguacate que deben pectrales y aprendizaje profundo. Se entrenó una red
ser analizados se encuentran la madurez, la textura, la neuronal convolucional (CNN) con imágenes de agua-
materia seca y el diámetro de la semilla (ARAYA et al., cates Hass para predecir los días desde el momento
2006). Evaluar estas características es fundamental actual hasta la madurez, logrando un error promedio de
para determinar el destino del fruto, ya sea para el mer- 1.17 días. Así mismo, se ha evaluado el efecto de re-
cado nacional o internacional. La espectrorradiometría, cubrimientos de quitosano en la calidad y vida útil de
en este contexto, surge como una solución prometedo- aguacates Hass utilizando imágenes hiperespectrales
ra, [3] [4]. En el presente trabajo se presenta un método junto con técnicas de aprendizaje automático para es-
para determinar la madurez del aguacate utilizando la timar indicadores de calidad [15]. Se encontró que las
técnica de espectrorradiometría. Esta técnica puede redes neuronales bayesianas regularizadas superan a
ser útil para los productores de aguacate, ya que mi- otras técnicas de aprendizaje automático en la estima-
diendo la madurez del fruto de manera no destructiva ción de atributos de calidad a partir de características
podría disminuir la merma, [5]. de imágenes hiperespectrales, permitiendo una evalua-
ción no destructiva en tiempo real.
Se han propuesto diferentes técnicas para verificar la
calidad del aguacate sin destruirlo. Por ejemplo, una Estos antecedentes destacan el potencial de la espec-
técnica se basa en el análisis acústico del sonido pro- trorradiometría para ser aplicada en la evaluación de la
ducido al percutir el aguacate con un material especí- madurez del aguacate. En este artículo se expone el
fico, clasificando el fruto sin dañarlo. En el trabajo de trabajo realizado con espectrorradiometría para deter-
[6][7], se propone una plataforma inteligente que utiliza minar la maduración del aguacate en el momento de
análisis de audio para estimar de manera no destructi- su corte. Los resultados obtenidos permiten clasificar
va parámetros clave de calidad del aguacate, como el los frutos en tres categorías: inmaduro, adecuado para
peso de la semilla, el índice de materia seca, el esta- guacamole (exportación) y fresco-sazón (mercado
do de madurez y la madurez uniforme. Los resultados nacional). El propósito del estudio es validar que este
mostraron alta precisión y correlación en la estimación método es útil para analizar la calidad del fruto sin da-
de la calidad del aguacate. En otro artículo [8], se usa ñarlo, y que puede ser la base para desarrollar una he-
vibración acústica para evaluar la calidad de la fruta de rramienta valiosa para los productores y empacadoras
manera no invasiva. El sistema de medición incluye dis- en la toma de decisiones sobre la cosecha y comercia-
positivos de excitación, sensores de detección y mó- lización del aguacate.
dulos de procesamiento de señales. Otros estudios se
centran en análisis químicos y organolépticos[9], cuyo MATERIALES Y METODOS
objetivo principal es conservar la calidad del aguaca- Dentro de esta sección se definen el procedimiento de
te durante el mayor tiempo posible para su transpor- adquisición para la toma de muestras en campo, esto
te. Estos enfoques comparten el objetivo de mejorar es debido a que se tienen diferentes tipos de madu-
la eficiencia y precisión en la evaluación de la calidad rez de fruto dentro de la huerta, esta actividad se llevó
del fruto. Por otra parte, la espectrorradiometría ha de- a cabo bajo la supervisión del equipo de investigación
mostrado ser una técnica versátil con aplicaciones en experta. Además, se indica el método planeado para
diversas áreas de estudio [2]. En biología, se utiliza para la captura de imágenes espectrales en el laboratorio
obtener información química de tejidos biológicos de con la ayuda de un prototipo de toma de pruebas, este

90
 Revista Ingeniantes 2024 Año 11 No. 1 Vol. 3
prototipo nos permite aislar la luz del sol no deseada cada muestra (utilizando un celular) en formato RGB
para solo medir la luz reflectada del fruto. Por último, (del Inglés Red, Green, Blue), a una distancia de 20 cm,
aquí se definen los materiales utilizados para realizar con fondo blanco e iluminación artificial, como se mue-
de este proyecto. stra en la Figura 2.

Metodología
Aquí se describen los pasos realizados para la reco-
lección de imágenes, métricas y análisis de datos es-
pectrales. Como primer paso, se definió la clasifica-
ción de los aguacates a partir de su madurez en tres
tipos: como clase uno “inmaduro” (no cumple con la
madurez mínima necesaria), como clase dos “para
guacamole” (tiene la madurez adecuada para expor-
tación) y como clase tres “fresco-sazón” (demasia-
do maduro para exportación, por lo que se designa
para consumo local). Esta clasificación es basada en
lo establecido en [16], donde indica que la madura-
ción del fruto está directamente relacionada con el Figura 2. Captura de imágenes de cada tipo de aguacate.
tiempo que permanece unida al árbol. Como segun- Fuente: Elaboración propia.
do paso, se procedió a definir la cantidad de mue-
stras requeridas para ser analizadas por cada clase.
El conjunto de datos se compuso de 25 aguacates El quinto paso consta en realizar, un día después del
de clase inmaduro, 25 de la clase para guacamole y corte, una serie de pruebas a las primeras 25 muestras.
25 para la clase fresco-sazón (ver Figura 1). Primeramente, se toman las pruebas espectrales con
el espectrorradiómetro dentro de un prototipo (ver Fi-
gura 3), el cual nos ayuda a reducir la luz ambiental que
afecta directamente a las mediciones espectrales, las
mediciones obtenidas en esta prueba son a través del
software propio del instrumento (ILT950) y son transfe-
ridas a una base de datos en Excel con formato .CSV.

La segunda prueba consta en realizar la medición físi-

ca de estos 25 frutos, desde la altura, peso, diámetro,
grosor de piel, temperatura, peso del núcleo (hueso)
y diámetro del núcleo con la ayuda de un instrumento
de alta precisión llamado vernier. Para la tercera, se
realiza el cálculo de la materia seca de estos frutos
Figura 1. Recolección y embalaje de aguacates tipo Hass y
(este parámetro nos indica la cantidad de aceite en el
Méndez de huerta.
fruto) de manera manual (ver Figura 4), para esto nos
Fuente: Elaboración propia.
apoyamos de la formula establecida por la Secretaria
de Economía y publicada en el Diario Oficial de la fe-
En este punto es muy relevante comentar que la defini- deración [17]:
ción de cantidad de muestras está limitada por el ciclo (𝑃𝑃𝑃𝑃𝑃𝑃 − 𝑃𝑃𝑃𝑃) ∗ 100%
de floración de los huertos, esto es debido a que se %𝑀𝑀𝑀𝑀 =  Ec. 1
requiere tener muestras de las tres clases y para eso 𝑃𝑃𝑃𝑃𝑃𝑃
debemos de contar con árboles que contengan
 este Donde los parámetros de la fórmula (1) son los sigu-
tipo de frutos. Es por eso que se obtuvieron 25 agu- ientes: Ms es la materia seca, PSF es el peso seco del
acates de cada una de las tres clases.Fórmula
Para elpara obtener
tercer la materia
fruto despuéssecade
dellafruto
última deshidratación de la rebana-
paso, se definió el tiempo y lugar adecuado para acudir da, PP es el peso del papel donde se coloca la reba-
a cortar las muestras con presencia de miembros del nada del aguacate al meterlo al horno, PHN es el peso
equipo, los cuales son expertos en identificar las mue- húmedo neto de la rebanada del fruto antes de ingre-
stras adecuadas directamente de los árboles, garan- sar al horno, la cual está definido en 10 gramos como
tizando en todo momento tener frutos de las tres cla- máximo. Una vez que se tiene hechas las pruebas físi-
ses. Además, en este paso, se define el lugar en donde cas, se procede a vaciar todos los valores obtenidos
se almacenarán las muestras (laboratorio del CICESE) en la base de datos generada anteriormente, como se
y la temperatura ambiente idónea para su conserva- muestra en la Tabla 1. Como sexto paso, se procede a
ción (en este caso fue de 20° centígrados). Una vez realizar las mismas tres pruebas del paso anterior pero
obtenidas las muestras, se define el cuarto paso, en esta vez dos días después del corte y tomando las
este se procede a realizar una captura de imagen de otras 25 muestras, esta cantidad de tiempo se debe a

91
 Revista Ingeniantes 2024 Año 11 No. 1 Vol. 3
que el proceso de realizar las pruebas físicas es ele- tos. Computadora, necesaria para generar la base de
vado y además se debe de vaciar los resultados a la datos y análisis de las muestras. Las herramientas de
base de datos manualmente. El séptimo paso, consta software usadas para el análisis de los datos fueron:
de realizar la misma cantidad de pruebas físicas para ILT950, este software es utilizado para leer los datos
los últimos 25 aguacates, pero en el tercer día de su espectrales generados por los frutos. Excel fue em-
corte y de nuevo agregar estas mediciones a la base pleado para crear la base de datos. Además, se usó
de datos generada al principio. A partir de la aplicación una implementación de la técnica de Análisis de Com-
de metodología anteriormente mencionada, se gene- ponentes Principales (PCA), para reducir la dimensio-
raron 300 muestras espectrales dentro de la base de nalidad de los datos. El software Weka fue usado cre-
datos (esto se debe a que se tomaron 4 tomas de ar, analizar y ejecutar experimentos sobre tareas de
cada aguacate de diferentes lados y cada una de esta clasificación o de regresión.
muestras espectrales es un vector de frecuencias de
176 a 1307 Hz), posteriormente se procede a realizar
una depuración de esta, donde el objetivo principal
es eliminar toda información no relevante al proceso,
principalmente se eliminan vectores que muestran un
valor de cero Hz. La dimensión final de los vectores de
las muestras quedo en 300 elementos con 402 carac-
terísticas (desde 680 a 1307 Hz).

Figura 4. Proceso de obtención de Materia Seca.

Fuente: Elaboración propia.

RESULTADOS
Figura 3. Imagen del prototipo de toma de muestra.
Los resultados presentados en esta sección son de
Fuente: Elaboración propia 2023.
las mediciones hechas a cada fruto y de los diferentes
experimentos realizados en esta investigación. A conti-
nuación, se presenta unas de las mediciones realizadas
Materiales

Para llevar a cabo esta investigación, se necesitó de
a los frutos.

 de Tabla 1. Ejemplos de mediciones físicas del fruto.

dos tipos de materiales, unos fueron físicos y otros
software. Dentro de los materiales físicos podemos
mencionar los siguientes: tijeras, estas son necesarias
EŽ͘ ŐƵĂĐĂƚĞ WĞƐŽ ĂůƚŽ ĚŝDzĂ ŵĞƚƌŽ
para poder cortar los frutos directamente de los ár- ŵŐ ŵŵ ŵŵ
boles sin llegar a lastimar al mismo. Cestas lecheras, /ϭ ϭϯϴ͘ϯ ϳϵ͘ϱ ϱϵ͘ϴϰ
en estas se depositan los frutos, ya que tienen una
construcción física ideal para que el fruto tenga una /Ϯ ϭϮϯ͘ϳ ϳϴ͘ϭϴ ϱϳ͘Ϭϰ
mejor ventilación o enfriamiento según sea lo nece- /ϯ ϭϱϬ͘ϱ ϴϮ͘ϳϮ ϲϬ͘Ϯϲ
sario. Vernier, instrumento de medición de alta preci-
sión que permite obtener medidas físicas precisas de /ϰ ϭϳϴ͘ϳ ϴϴ͘ϴ ϲϮ͘ϵϭ
las muestras, como altura, diámetro, etc. Espectrorra- /ϱ ϭϯϬ͘ϰ ϴϱ͘ϯϰ ϱϱ͘Ϯϯ
diómetro-SpectrLight III, este es un instrumento que Fuente: Elaboración propia.
nos ayuda analizar los espectros generados por  un
objeto dentro de una banda de frecuencias, desde dĂďůĂͺϭ
los Cabe resaltar que las características que se midieron
100 Hz hasta 10 GHz. Horno de microondas, es utiliza- son: peso, alto, diámetro, temperatura, peso del hueso,
do para deshidratar una porción del fruto dentro del alto del hueso, diámetro del hueso, grosor de la piel y
proceso de obtención de materia seca. Bascula digital, materia seca.
es requerida para medir el peso de la porción del fru-
to utilizada para calcular la materia seca. Termómetro Como prueba preliminar se realizaron pruebas de
digital, se emplea para medir la temperatura del agua- clasificación de espectros de tres diferentes frutos
cate en diferentes tiempos del proceso. Cámara foto- obteniendo excelentes resultados con frutos adquiri-
gráfica de alta resolución (108 mega pixeles, con aper- dos para llevar a cabo el proceso antes de cortar los
tura de f/1.9), requerida para capturar las imágenes agua- cates que se fueran a utilizar para este trabajo
de los frutos. Prototipo de toma de muestra, este es de forma definitiva. Dichos resultados preliminares se
usado para medir los espectros generados por los fru- observan en la Figura 5.

92
 Revista Ingeniantes 2024 Año 11 No. 1 Vol. 3
Con los datos obtenidos de los frutos definitivos
como se menciona en la metodología se optó por
usar el software Weka, para adquirir resultados más
rápido, en esta plataforma se llevaron a cabo va-
rios experimentos con los datos espectrales finales
y a partir de ello se decidió utilizar tres clasifica-
dores diferentes, Bagging, RandomForest y SMO
(Sequential Minimal Optimization), también conoci-
do como método máquina de vector soporte (SVM).
Estos clasificadores fueron elegidos debido a su
efectividad y se seleccionaron después de reali-
zar experimentos con otros clasificadores como
Naives-Bayes, Naives-Bayes Multinomial, IBK(KNN),
Multilayer-Perceptron, Trees J48 y RandomTree.
Figura 5. Aguacates adquiridos en mercado con diferencia de
color debida la maduración. De acuerdo al desempeño con los clasificadores
Fuente: Elaboración propia. seleccionados (Bagging, RandomForest y SMO)
ninguno logró alcanzar una alta precisión en la clasi-
En la imagen de la Tabla 2, matriz de confusión, ficación durante la evaluación de los datos, el clasi-
muestra en la primera clasificación (primer dato de ficador Bagging mostró la mayor exactitud. Esto se
columna uno) siendo del tipo de aguacate inmadu- puede observar en la Figura 6, A y B. Al resaltar este
ro, clasificando cinco instancias correctamente y hecho, se destaca la eficacia del clasificador Bag-
de los aguacates para guacamole clasifica otras ging en comparación con los otros clasificadores
cinco (siendo el dato del centro de la matriz) y por seleccionados.
último del tipo sazón clasificando 8 instancias, las
tres clasificaciones a la perfección, en la Tabla 3 los Se proporciona una representación visual de los re-
resultados de evaluar el modelo; en la Figura 5 se sultados como se ilustra en la Figura 6, donde de
muestran los frutos de esta prueba inicial. A partir manera visual se puede comprender rápidamente la
de estos resultados tal como se contempló en la diferencia en el desempeño de los clasificadores y
metodología se siguió con el proceso de obtener la el rendimiento destacado del clasificador Bagging.
materia seca de los frutos de prueba del proceso.
Se destaca que se aplicó el mismo preprocesa-
Tabla 2. Matriz de Confusión de Pruebas Iniciales. miento a toda la base de datos, donde el objetivo
fue seleccionar las características más significati-
Clase Predicha
vas para una correcta clasificación. Estos resulta-
Clase dos subrayan la complejidad de la tarea de clasifi-
Clase 1 Clase 2 Clase 3 cación en este contexto específico y sugieren que
aún existen desafíos por superar. Sin embargo, los
1 5 0 0 hallazgos obtenidos a través de esta investigación
2 0 5 0 sientan las bases para futuros estudios y mejoras
3 0 0 8 en el desarrollo de clasificadores más precisos y
eficientes.
Fuente: Elaboración propia.
Trabajo Futuro
Tabla 3. Resultados de Evaluar el Modelo de clasificación de En futuros estudios, planeamos abordar las limita-
Pruebas Iniciales. ciones en la generalización de los resultados reali-
Clase Precision Recall F1- Support
zando más corridas experimentales y aplicando un
score diseño experimental mejorado que permita susten-
1 1.00 1.00 1.00 3
tar las conclusiones con mayor precisión y exactitud.
Es necesario seguir trabajando para mejorar el por-
2 1.00 1.00 1.00 4
centaje de exactitud en la clasificación. Esto puede
3 1.00 1.00 1.00 4 ser mediante el uso de otros métodos inteligentes.
Además de utilizar otras características físicas que
Accuracy 1.00 11 ayuden a la clasificación de fruto.
Macro 1.00 1.00 1.00 11
avg
Weighted 1.00 1.00 1.00 11
avg
Fuente: Elaboración propia.

93
 Revista Ingeniantes 2024 Año 11 No. 1 Vol. 3
tiples corridas experimentales y aplicar un análisis
estadístico más robusto sería ideal para validar y
generalizar los hallazgos obtenidos. A pesar de las
limitaciones mencionadas, los resultados obtenidos
son prometedores y sugieren que la técnica de es-
pectrorradiometría, combinada con algoritmos de
aprendizaje automático, puede ser una herramienta
efectiva para la evaluación no invasiva de la calidad
del aguacate.

AGRADECIMIENTOS
Expreso mi agradecimiento a quienes han contri-
buido a la realización de este trabajo. Al Director de
Tesis, Dr. Marco A. Meza-Aguilar, por su invaluable
orientación. Al Codirector, Dr. Humberto Pérez- Es-
pinosa, por su dedicación y aportaciones críticas.
Agradezco también al Dr. Gregorio Luna Esquivel
por sus enseñanzas y por proporcionar una base
sólida de conocimientos en el área agrícola. Su ex-
periencia y su entusiasmo han inspirado y motivado
el progreso de este estudio.

BIBLIOGRAFÍA
[1] Denvir, A., Arima, E. Y., González-Rodríguez, A.,
and Young, K. R. (2022). Ecological and human di-
mensions of avocado expansion in México: Towards
supply-chain sustainability. Ambio, pages 1–15.
[2] Capel, C. (2020). Espectroscopía vibra-
cional. https://www.scai.uma.es/areas/aqcm/evi/
Figura 6. A) Gráfico de la exactitud de los tres tipos de cla- evi.html.
sificación de aguacates (RandomForest, SMO y Bagging), B)
Gráfico de la media de la clasificación de aguacates de los [3] Blakey, R. J. (2016). Evaluation of avocado fruit
clasificadores (RandomForest, SMO y Bagging). maturity with a portable near-infrared spectrome-
Fuente: Elaboración propia. ter. Postharvest Biology and Technology, 121:101–
105.

CONCLUSIONES [4] Ncama, K., Magwaza, L. S., Poblete-Echeverría,

En este estudio, se llevó a cabo un análisis exhausti- C. A., Nieuwoudt, H. H., Tesfay, S. Z., and Mdits-
vo del índice de maduración del aguacate con el ob- hwa, A. (2018). On-tree indexing of ‘hass’ avoca-
jetivo de desarrollar una clasificación precisa para do fruit by non-destructive assessment of pulp dry
los productores. La metodología propuesta abarca matter and oil content. Biosystems Engineering,
desde la selección del fruto en campo, la toma de 174:41–49.
muestras adecuadas (en este caso, muestras ra-
dioespectrales), la aplicación de algoritmos inteli- [5] Gamble, J., Harker, F. R., Jaeger, S. R., Whi-
gentes idóneos basados en dichas muestras, y la te, A., Bava, C., Beresford, M., Stubbings, B., Wo-
realización de pruebas físicas que permitan compa- hlers, M., Hofman, P. J., Marques, R., and Woolf,
rar la clasificación obtenida por los algoritmos con A. (2010). The impact of dry matter, ripeness and
los resultados de las pruebas físicas. Fueron aplica- internal defects on consumer perceptions of avoca-
dos tres algoritmos inteligentes Bagging, Random- do quality and intentions to purchase. Postharvest
Forest y SMO de los cuales el que presentó mejor Biology and Technology, 57(1):35–43.
desempeño fue el Bagging con un porcentaje de
exactitud en la clasificación del 55 %. [6] Becerra-Sánchez, F. J., Pérez-Espinosa, H., and
Meza-Aguilar, M. A. (2024). Development of non-
Es importante señalar que los resultados presenta- destructive system for estimating avocado quality
dos en este estudio se basan en una única corrida parameters. Postharvest Biology and Technology,
experimental. Esta limitación se debe a restriccio- 212:112886.
nes específicas de recursos y a la disponibilidad de
datos. Aunque una sola corrida puede proporcio- [7] Becerra-Sánchez, F. J., Pérez-Espinosa, H.,
nar información valiosa, es necesario realizar múl- Meza- Aguilar, M. A., and Sánchez-Cervantes, M.

94
 Revista Ingeniantes 2024 Año 11 No. 1 Vol. 3
G. (2022). Clasificación automática de audio me- velopment and relationship with maturity. Scientia
diante percusión de frutas: hacia una estimación no Horticulturae, 265:109227.
destructiva de la calidad. In 2022 11.ª Conferencia
Internacional sobre Mejora de Procesos de Softwa- [17] Secretaria de, E. (2016).Productos alimenticios
re (CIMPS), paginas 69–73. no industrializados para uso humano-fruta fresca
aguacate hass. Secretaría de Economía. Disponi-
[8] Ding, C., Feng, Z., Wang, D., Cui, D., and Li, ble en https:www.dof.gob.mx/notadetalle.php?co-
W. (2021). Acoustic vibration technology: Toward digo = 5468709fecha = 06/01/2017gsc.tab = 0.
a promising fruit quality detection method. Com-
prehensive Reviews in Food Science and Food Sa- [18] ARAYA, M.D.M. C., CALDERO´N, M. M., and
fety, 20(2):1655–1680. Cordero, E. D. (2006). Manual de manejo pre y
postcosecha de aguacate.
[9] Karimi, Y., Maftoonazad, N., Ramaswamy, H. S.,
Prasher, S. O., and Marcotte, M. (2018). Appli- ca-
tion of hyperspectral technique for color classifi-
cation avocados subjected to different treatments.
Food and Bioprocess Technology, 5.

[10] Terrab, A., Gonz´alez-Miret, L., and Heredia,

F. J. (2004). Colour characterisation of thyme and
avocado honeys by diffuse reflectance spectro-
photometry and spectroradiometry. European Food
Re- search and Technology, 218:488–492.

[11] Dos Santos, C. A. T., Lopo, M., P´ascoa, R. N.,

and Lopes, J. A. (2013). A review on the applica-
tions of portable near-infrared spectrometers in
the agro- food industry. Applied spectroscopy,
67(11):1215– 1233.

[12] Limones, L. (2019) Métodos destructivos y no

destructivos para la estimación de atributos (agua)
internos y externos de calidad y madurez de un
fruto (fresa) una revisión. https://revistas.uaq.mx/
index.php.

[13] Liming, X. and Yanchao, Z. (2010). Automated

strawberry grading system based on image pro-
cessing. Computers and electronics in agriculture,
71:S32–S39.

[14] Davur, Y. J., K¨amper, W., Khoshelham, K.,

True- man, S. J., and Bai, S. H. (2023). Estima-
ting the ripeness of hass avocado fruit using deep
learning with hyperspectral imaging. Horticulturae,
9(5):599.

[15] Homez-Jara, A., Cárdenas-Roa, H., Monteale-

gre, M., Lim, L.-T., Corradini, M. G., Váquiro-Herre-
ra, H. A., and Sandoval-Aldana, A. (2023). Posthar-
vest treatments of hass avocado (persea americana
mill.) and estimation of its quality using hyperspec-
tral imaging (hsi). ACS Food Science & Technology,
3(5):932–944.

[16] (Shezi et al., 2020) Shezi, S., Magwaza, L. S.,

Tesfay, S. Z., and Mditshwa, A. (2020). Biochemical
changes in response to canopy position of avocado
fruit (cv. ‘carmen’ and ‘hass’) during growth and de-

95