Sistema robótico inteligente para la detección de defectos y clasificación de calidad en rocotos utilizando redes neuronales convolucionales

Abstract

La clasificación manual del rocoto (Capsicum pubescens) en la industria agroalimentaria peruana presenta limitaciones como subjetividad en la evaluación, variabilidad en los criterios de calidad, altos costos de mano de obra y baja eficiencia ante grandes volúmenes de producción. Frente a ello, la presente investigación tuvo como objetivo desarrollar un prototipo de sistema robótico, denominado ROCOBOT, para la detección y clasificación automática del estado del rocoto mediante técnicas de Deep Learning integradas con visión artificial, procesamiento embebido y un aplicativo web para la supervisión remota del proceso. La investigación es de tipo aplicada, de enfoque cuantitativo y de diseño tecnológico-experimental, desarrollada bajo la metodología CRISP-DM; se construyeron dos datasets propios, uno de detección de 5,421 imágenes obtenidas al aplicar data augmentation exclusivamente sobre las 1,348 imágenes etiquetadas del subconjunto de entrenamiento dentro de un conjunto base de 2,725 imágenes, y uno de clasificación balanceado de 2,732 imágenes (1,366 por clase), sobre los cuales se entrenaron y compararon seis modelos de detección (YOLOv5s, YOLOv5m, YOLOv5l, YOLOv8n, YOLOv8s e YOLOv11n) y dos de clasificación (ResNet18 y EfficientNetB0) mediante transfer learning con fine-tuning. YOLOv8n obtuvo el mejor desempeño en detección (mAP@0.5:0.95 = 81.3%, precisión = 96.2%, recall = 96.1%) y ResNet18 el mejor en clasificación (accuracy = 99.64%, AUC = 0.9999); con ambos modelos se diseñó, construyó e implementó el prototipo físico ROCOBOT y el aplicativo web ROCOBOT Web para el monitoreo en tiempo real y la trazabilidad de resultados, validando el sistema mediante pruebas piloto sobre 150 rocotos con un accuracy de 89.33% frente al criterio de un experto. Los resultados demuestran la viabilidad técnica de automatizar el control de calidad del rocoto, reduciendo la dependencia de la inspección manual y mejorando la eficiencia agroindustrial.

The manual classification of rocoto pepper (Capsicum pubescens) in the Peruvian agri- food industry presents limitations such as subjectivity in evaluation, variability in quality

criteria, high labor costs, and low efficiency with large production volumes. Accordingly, this research aimed to develop a robotic system prototype, named ROCOBOT, for the automatic detection and classification of rocoto pepper condition through Deep Learning techniques integrated with computer vision, embedded processing, and a web application for remote supervision of the process. The research is applied in purpose, quantitative in approach, and technological-experimental in design, developed under the CRISP-DM methodology; two proprietary datasets were built, one for detection comprising 5,421 images obtained by applying data augmentation exclusively to the 1,348 labeled images of the training subset within a base set of 2,725 images, and one for classification comprising 2,732 balanced images (1,366 per class), on which six detection models (YOLOv5s, YOLOv5m, YOLOv5l, YOLOv8n, YOLOv8s, and YOLOv11n) and two classification models (ResNet18 and EfficientNetB0) were trained and compared using transfer learning with fine-tuning. YOLOv8n achieved the best detection performance (mAP@0.5:0.95 = 81.3%, precision = 96.2%, recall = 96.1%) and ResNet18 the best classification performance (accuracy = 99.64%, AUC = 0.9999); both models were used to design, build, and implement the physical ROCOBOT prototype and the ROCOBOT Web application for real-time monitoring and result traceability, validating the system through pilot tests on 150 rocoto peppers with an accuracy of 89.33% against expert criteria. The results demonstrate the technical viability of automating

rocoto pepper quality control, reducing dependence on manual inspection and improving agro- industrial efficiency.