Discriminación de categorías de edad de manzanas de forma no destructiva

Esta investigación presenta un prototipo económico que utiliza un Arduino Uno (*) junto con cuatro sensores de gas (MQ3, MQ7, MQ135 y TGS183, **) para identificar compuestos orgánicos volátiles (COV) y evaluar la frescura de la fruta.

Utilizamos algoritmos de KNN, árboles de decisión y bosques aleatorios (***) para clasificar las manzanas por edad tras su recolección.

A continuación, utilizamos el Análisis Discriminante Lineal (LDA, ****) para obtener las características.

Resultados

Los resultados mostraron que los dos primeros componentes discriminantes del LDA explicaron el 98,3 % de la varianza total de los datos, lo que facilitó la separación de las características.

KNN fue el clasificador más preciso, con una precisión del 98,72 %.

El bosque aleatorio alcanzó una puntuación del 95,74 % y el árbol de decisión del 98,29 %. Estos resultados demuestran que el sistema puede distinguir entre muestras de fruta fresca y podrida.

Esto indica su considerable potencial para detectar el deterioro de la fruta en tiempo real, sobre la marcha y a bajo coste en entornos de almacenamiento y distribución.

Fuentes

Rapid and Non-Destructive Approach for Discrimination and Classification of Various Apple Age Categories Post-Harvest
Vaseem Ahmed Qureshi, Sasthi Charan Hens, Arnab Pauli, Santanu Basak, Soumya Sen, Angshuman Khan, Uttam Narendra Thakur
2025 13th International Conference on Intelligent Embedded, MicroElectronics, Communication and Optical Networks (IEMECON), Jaipur, India, 2025, pp. 1-5, doi: 10.1109/IEMECON69302.2025.11365673.

Imagen, https://store-usa.arduino.cc/products/arduino-uno-rev3?srsltid=AfmBOoqoa0J5s_iVvh0PoQepbAEqYOHyAnlteuK1jS0rOpc4QG-emyS5 

La fuente de las aclaraciones con asteriscos (a continuación) es Gemini.

(*) Arduino Uno es una de las placas de desarrollo de hardware más populares  utilizadas en el mundo de la electrónica y la robótica. Es esencialmente el "cerebro" que permite a principiantes y profesionales crear proyectos interactivos 

(**) MQ3 mide etanol; MQ7 mide CO; MQ135 mide calidad del aire, especialmente NH3 y CO2, y TGS183 mide gases combustibles. Los fabricantes son Winsen, Figaro u otros

(***) Estos tres algoritmos son los pilares fundamentales para entender cómo las máquinas toman decisiones. Desde el más simple hasta el más robusto:

• KNN (K-Nearest Neighbors), el algoritmo de la "proximidad". Funciona bajo una premisa simple: "Dime con quién andas y te diré quién eres". No crea una fórmula matemática compleja, sino que posiciona los datos en un mapa.
• Árboles de Decisión (Decision Trees) es el algoritmo de la "lógica". Es un mapa de decisiones que se divide de forma binaria (Sí/No). Es exactamente como jugar a "¿Quién es quién?" o "20 preguntas".
• Bosques Aleatorios (Random Forest), el algoritmo de la "democracia". Como su nombre indica, un Bosque Aleatorio es simplemente una colección de muchos Árboles de Decisión trabajando juntos. Es un método de Ensemble (conjunto).
  
  

(****) El Análisis Discriminante Lineal (LDA) es un algoritmo de Machine Learning que se utiliza principalmente para clasificación y para la reducción de dimensionalidad.

A diferencia del PCA (Análisis de Componentes Principales), que busca las direcciones de máxima varianza sin importar las etiquetas, el LDA es supervisado: busca las direcciones que mejor separan las clases.

¿Cuál es el objetivo de LDA?
Imagina que tienes dos grupos de datos (por ejemplo, personas sanas y personas enfermas) dispersos en un gráfico. El LDA intenta proyectar esos datos en una línea (o plano) de tal manera que:

• Maximice la distancia entre las medias de las clases (que los grupos estén lejos entre sí).
• Minimice la dispersión dentro de cada clase (que los puntos de cada grupo estén muy "apretaditos" entre ellos).