Ryan A. León León, Noelia M. Estela Medina, Maryori T. Lucano Tolentino, José E. Teodor Soriano, Joaquín M. Padilla Flores, Edwind E. Herrera Ortiz

Memorias de la Vigésima Cuarta Conferencia Iberoamericana en Sistemas, Cibernética e Informática: CISCI 2025, pp. 344-353 (2025); https://doi.org/10.54808/CISCI2025.01.344

Ryan A. León León
Ingeniería Industrial, Universidad Privada del Norte, Trujillo, La Libertad, Perú

Noelia M. Estela Medina
Ingeniería Industrial, Universidad Privada del Norte, Trujillo, La Libertad, Perú

Maryori T. Lucano Tolentino
Ingeniería Industrial, Universidad Privada del Norte, Trujillo, La Libertad, Perú

José E. Teodor Soriano
Ingeniería Industrial, Universidad Privada del Norte, Trujillo, La Libertad, Perú

Joaquín M. Padilla Flores
Ingeniería Industrial, Universidad Privada del Norte, Trujillo, La Libertad, Perú

Edwind E. Herrera Ortiz
Ingeniería Industrial, Universidad Privada del Norte, Trujillo, La Libertad, Perú

Cite this paper as:
León León, R. A., Estela Medina, N. M., Lucano Tolentino, M. T., Teodor Soriano, J. E., Padilla Flores, J. M., Herrera Ortiz, E. E. (2025). Desarrollo de un Sistema Automatizado con Redes Neuronales Convolucionales (CNN) para la Detección de Manchas Negras en Mangos Jade. En N. Callaos, J. Horne, B. Sánchez, A. Tremante (Eds.), Memorias de la Vigésima Cuarta Conferencia Iberoamericana en Sistemas, Cibernética e Informática: CISCI 2025, pp. 344-353. International Institute of Informatics and Cybernetics. https://doi.org/10.54808/CISCI2025.01.344

El estudio tuvo como objetivo desarrollar un sistema automatizado basado en redes neuronales convolucionales (CNN) para la detección de manchas negras en mangos, con el fin de optimizar el proceso de clasificación de frutas en campo o centro de acopio. Se utilizó un conjunto de datos etiquetado compuesto por imágenes de mangos con y sin imperfecciones, entrenando el modelo durante 40 épocas. Durante el entrenamiento, el modelo ajustó sus parámetros para maximizar su rendimiento en tareas de clasificación binaria. Al finalizar el proceso, se alcanzó una precisión de 96.82%, un recall de 95.58% y un F1-score de 96.19%, mientras que el mAP@0.5 fue de 99.14%. La curva F1 mostró un comportamiento estable en las últimas iteraciones, reflejando un equilibrio óptimo entre precisión y sensibilidad. Estos resultados evidencian la capacidad del modelo para identificar imperfecciones de forma confiable, incluso con variabilidad en las condiciones visuales. Se concluye que el sistema propuesto es técnicamente viable para su implementación en sistemas de visión artificial, aportando eficiencia y objetividad al proceso de selección de mangos destinados al mercado. Futuras mejoras podrían enfocarse en ampliar el rango de detección y optimizar el rendimiento en condiciones de mayor complejidad visual.