DETERMINACIÓN DE LA
MADURACIÓN DEL CACAO
USANDO DEEP LEARNING Y
MACHINE LEARNING
1. PROBLEMA A RESOLVER
A día de hoy la tarea de
identificar cuándo las vainas de
cacao están lo suficientemente
maduras para ser cosechadas
es un completo desafío debido
a que las vainas de cacao no
siempre maduran al mismo
tiempo aunque estén en el
mismo árbol.
1.1 PREGUNTA GENERAL DE
INVESTIGACIÓN
¿Cómo se puede usar la
inteligencia artificial para
determinar el estado de
maduración del cacao?
1.2 PREGUNTAS ESPECÍFICAS
PARA LA RESOLUCIÓN DEL
PROBLEMA
- ¿Cómo se podría
implementar un algoritmo
que permita recolectar
las características que
tiene la mazorca de
cacao madura?
- ¿Cómo organizar una
serie de imágenes de
manera adecuada para
separar y ordenar cada
imagen dependiendo del
tipo de mazorca al que
corresponda?
Ángel David Oliveros Yatte
Universidad Surcolombiana, Neiva,
Colombia, Julio, 2022
2. JUSTIFICACIÓN
La incesante búsqueda de cacao
de calidad en el mundo ha puesto
sobre los hombros de los
cosechadores un duro desafío.
Para facilitar esta tarea es
pertinente implementar una
solución usando machine learning
para detectar de manera eficaz
estas características de las
mazorcas de cacao que las hacen
ideales para ser cosechadas.
3. ESTADO DEL ARTE
Existen aplicativos o proyectos que
tienen la misma funcionalidad o
una similar a la que trabajé sobre
el tema presentado en el
documento y que solventan
parcialmente el problema de
investigación aunque usando un
método diferente..
3.1 PLANTNET
Este aplicativo permite al usuario
identificar el tipo de planta que
tiene a partir de una comparación
entre la imagen que dé el usuario e
imágenes de una base de datos
botánica.
3.2 ACLAROMETER
Este aplicativo permite medir
parámetros, para identificar el
estado de maduración de las
frutas, con tan solo un teléfono
móvil y un sensor.
Los datos que se registran se
envían a un sistema basado en la
 nube y se procesan con un
algoritmo que se encarga de
comparar todas las mediciones de
miles de muestras existentes en la
base de datos.
Un algoritmo de coincidencia de
gráfico bipartito común es el
algoritmo de coincidencia máxima
húngaro, que encuentra una
coincidencia máxima al encontrar
rutas de aumento. Más
formalmente, el algoritmo funciona
al intentar construir a partir de la
coincidencia actual, MM, con el
objetivo de encontrar una
coincidencia mayor a través de
rutas de aumento. Cada vez que
se encuentra una ruta de aumento,
el número de coincidencias, o el
peso total, aumenta en 1. La idea
principal es aumentar MM por la
ruta de aumento más corta,
asegurándose de que no se violen
restricciones.
4. MARCO TEÓRICO
Para poder realizar de forma
efectiva la determinación de las
mazorcas maduras de cacao,
teniendo en cuenta los distintos
algoritmos que puedan ser de
ayuda, se concluye que la forma
más efectiva será mediante el
lenguaje de programación python
con el acompañamiento de
algunas librerías y algoritmos que
permitan realizar la comparación
entre imágenes para obtener
información a partir de esta.
La Inteligencia Artificial (IA) es un
subcampo de la informática que se
3.3 ALGORITMO DE
COINCIDENCIA MÁXIMA
HÚNGARO
creó en la década de 1960, y que
trata de solucionar tareas que son
sencillas para los seres humanos,
pero difíciles para las
computadoras. Se trata de un
concepto bastante genérico e
incluye todo tipo de tareas tales
como la planificación, el
reconocimiento de objetos y
sonidos, hablar, traducir, realizar
actividades creativas (como por
ejemplo crear obras de arte, o la
poesía), etc.
El Machine Learning o aprendizaje
automático se ocupa de un
aspecto de la IA: dado un
problema de IA que se puede
describir en términos discretos (por
ejemplo, dado un conjunto de
posibles acciones para un
determinado objetivo, cuál es la
correcta), y disponiéndose de una
gran cantidad de información
sobre el mundo, se determina cuál
es la acción "correcta", sin que el
mecanismo de elección se
encuentre previamente
programado. Es decir, el sistema
aprende de forma autónoma a
tomar las decisiones. De forma
práctica esto se traduce en una
función en la que a partir de una
entrada se obtiene una salida, con
lo que el problema radica en
construir un modelo de esta
función matemática de forma
automática. Por lo tanto, la
principal diferencia radica en que
un programa muy inteligente que
tiene un comportamiento similar al
humano puede ser IA, pero a
menos que sus parámetros se
aprendan automáticamente a partir
de los datos, no es Machine
Learning.
Machine Learning
El Machine Learning, se describe a
menudo como un tipo de técnicas
de Inteligencia Artificial donde las
computadoras aprenden a hacer
algo sin ser programadas para
ello. Por poner un ejemplo sencillo,
se podría programar un ordenador
para identificar a un animal como
un gato escribiendo un código que
indique al programa que elija
"gato" cuando se ve una imagen
concreta de un gato. Esto
funcionará si el único gato con el
que tratase el programa es el de
esa imagen, pero no lo haría si el
programa tuviera que ver un
montón de imágenes de diferentes
animales, incluyendo una gran
cantidad de gatos, y tuviera que
identificar cuáles de ellas
representan a un gato.
Deep Learning
El Deep Learning lleva a cabo el
proceso de Machine Learning
usando una red neuronal artificial
que se compone de un número de
niveles jerárquicos. En el nivel
inicial de la jerarquía la red
aprende algo simple y luego envía
esta información al siguiente nivel.
El siguiente nivel toma esta
información sencilla, la combina,
compone una información algo un
poco más compleja, y se lo pasa al
tercer nivel, y así sucesivamente.
Visión Artificial
Ciencia que estudia, utilizando
computadoras digitales, los
procesos de obtención,
caracterización, interpretación de
la información procedentes de
imágenes tomadas de un mundo
tridimensional.
Proceso de tratamiento de
información que permite obtener
una descripción simbólica del
mundo real a partir de imágenes.
5. METODOLOGÍA
Construcción del dataset
Para este proyecto se plantea el
uso de aprendizaje profundo, el
que reconocerá nueve de las
diferentes variedades de peras
mediante imágenes. Este objetivo
podrá ser logrado mediante la
recolección de imágenes
provenientes de internet o también
se podrá lograr capturando las
imágenes de diferentes peras
conseguidas de algún lugar que
las distribuya.
Se optó por utilizar el dataset
cocoa-ripeness-dataset-tcs-01 las
cuales tienen tamaño de 500 cacao, esta clase cuenta con 70
píxeles por 500 píxeles imágenes para entrenamiento y 6
imágenes para pruebas.

Estructura de la red neuronal

que se utilizará Arquitectura del modelo

Para este proyecto se utilizó un

modelo secuencial en el cual se
emplea una red neuronal
convolucional que es un tipo de
red neuronal artificial, donde las
neuronas corresponden a campos
receptivos de una manera muy
similar a las neuronas en la
corteza visual primaria (V1) de un
cerebro biológico (LeCun, et al.,
s.f). Es decir, se utilizaron capas
convolucionales seguidas de su
función de activación tipo ReLU
(Rectified Linear Unit), así como
capas Max Pooling, totalmente
conectadas y capas de pérdida.

Una característica que diferencia a

la CNN de una red neuronal
normal es tener en cuenta la
estructura de las imágenes al
procesarlas.

Para este proyecto, el clasificador

infiere características de las clases
a las que pertenecen las imágenes
que las destacan de las demás,
como el color, la forma y el
tamaño. Además, para este
proyecto se utilizará el espacio de
color RGB.

Construcción de la nueva clase

“Not Cocoa”
Para crear esta nueva clase se
recolectaron imágenes aleatorias
de diferentes objetos, al igual que
con cada estado de madurez del
 exclusivamente el nivel de maduración del
cacao y, por tanto, nuestra base
convolucional irá seguida de una capa de
regresión logística. Las 36 capas
convolucionales se estructuran en 14
módulos, todos ellos con conexiones
residuales lineales a su alrededor,
excepto el primer y el último módulo.

La arquitectura será muy fácil de definir y

modificar; solo se necesitan entre 30 y 40
líneas de código utilizando una biblioteca
de alto nivel como Keras o
TensorFlow-Slim.

Algunas capas utilizan la normalización

por lotes, para acelerar el entrenamiento
de redes profundas mediante la reducción
del desplazamiento de covariables
internas:

6. RESULTADOS

TABLA . Resultados finales de cada

experimento

Epochs Perdida Precisión

5 1,4% 4.17%

8 1,5% 4,17%

10 1,8% 25%

50 6,6% 25%
La arquitectura Xception tiene 36 capas
convolucionales que forman la base de
extracción de características de la red. En 100 19,58% 33,33%
este proyecto evaluaremos
 180 2,94% 58,33%
Esta prueba de rendimiento no asegura
que el algoritmo se desempeñe con la
misma precisión al ser sometido a una
clasificación en tiempo real
y con datos diferentes a los utilizados
para el entrenamiento y evaluación de la
red neuronal. Los resultados de la
evaluación de predicción del
modelo.muestran una precisión que varia
desde 4.17% el cual seria su valor más
bajo, hasta 58,33%. También se aprecia
un aumento en la precisión del modelo a
medida que la cantidad de epoch
aumenta.
7. CONCLUSIONES
De acuerdo a los resultados obtenidos, la
aplicación de este método de
determinación de la madurez del cacao da
un rendimiento que, teóricamente puede
superar el 58% de precisión, se pueden
mejorar ampliando nuestra base de datos
para el entrenamiento en cuanto en
calidad de imagen y calidad de la
iluminación, ya que en estos aspectos se
generan errores experimentales que
afectan la precisión de la red.
También es importante mencionar que la
prueba del modelo se realizó con
imágenes las cuales tienen ruido, lo cual
también podría explicar la precisión de
este mismo. La elaboración de este
proyecto da pauta para la continuación de
determinación de la madurez de las
mazorcas de cacao, sino también
considerar aspectos como son;
enfermedades en las mazorcas, golpes,
tamaños, etc. aspectos visibles o no
visibles al ojo humano utilizando
algoritmos con tecnología avanzada.
8. REFERENCIAS BIBLIOGRÁFICAS
[1] Gulli, A., & Sujit, P. (2017). Deep
Learning with
Keras. Birmingham: Packt.
[2] Heras, Diego. (2017). Clasificador de
imágenes de frutas basado en inteligencia
artificial. Killkana Técnica.
[3] Mota-Delfin, Juárez-González, y
Olguín-Rojas, J. Clasificación de
manzanas utilizando visión artificial y
redes neuronales artificiales. Revista
Ingeniería y Región.
[4] Jonathan Victor Aguilar-Alvarado,
Milton Alfredo Campoverde-Molina,
Clasificación de frutas basadas en redes
neuronales convolucionales. Pol. Con.
(Edición núm. 41) Vol. 5, No 01 Enero
2019, pp. 3-22 ISSN: 2550 - 682X.
[5] Christian Montoya Holguin, Jimmy
Alexander Cortés Osorio, José Andrés
Chaves Osorio, Sistema automático de
reconocimiento de frutas basado en visión
por computador,Revista Ingeniare
(Volumen 22 N° 4, Octubre - Diciembre
2014).
[6] Dr. Ismael Domínguez Jiménez, Dr.
Alejandro Mendoza Gamiño, Mtro.
Melecio Sánchez Ruiz,
Clasificador Automático de Frutas y
Verduras,CTLab: Creative Technology
Lab, Colegio de Posgrado,Área
Académica de Computación y
Electrónica(Enero – Julio 2020).