Para los consumidores, el criterio predominante en la selección de frutas es la calidad visual, un factor que los modelos de clasificación emulan cuando emplean imágenes como datos de entrada. La mayoría de los paradigmas de clasificación presuponen un equilibrio entre las clases. En el ámbito de la detección de frutas defectuosas, las bases de datos suelen presentar un desequilibrio pronunciado entre el recuento de frutas sanas y defectuosas. Esta disparidad puede comprometer la solidez de los modelos de clasificación o introducir sesgos derivados de la insuficiencia de datos. En este estudio se introduce un marco de clasificación semisupervisada basado en la detección de anomalías para identificar frutos defectuosos de limón (Citrus aurantifolia). El modelo emplea el error de reconstrucción de una red neuronal autoencoder y una probabilidad de anomalía calculada para localizar muestras dentro de un espacio bidimensional diseñado para tal propósito. A partir de los rangos de parámetros definidos, los limones se clasifican como sanos o defectuosos. El modelo de clasificación propuesto fue entrenado mediante la base de datos de acceso público Fruits360 y evaluado con un conjunto de 118 imágenes de limones nuevas y sin etiquetar. El modelo de clasificación obtuvo una precisión del 94 %, una recuperación del 0,88 y un valor F1 0,91 en el conjunto de pruebas. Estos resultados corroboran que los modelos basados en la detección de anomalías constituyen una solución prometedora a los retos inherentes de las tareas de clasificación no equilibradas; ofrecen la ventaja de requerir datos de entrenamiento mínimos y tiempos de entrenamiento reducido, manteniendo la eficacia incluso cuando el conjunto de datos de evaluación diverge sustancialmente del conjunto de entrenamiento. Así, el modelo propuesto puede servir como herramienta de apoyo en las decisiones de agricultores, productores y consumidores.
Citación recomendada (normas APA)
Universidad Nacional de Colombia; Facultad de Ingeniería, "A Semi-Supervised Deep Learning Model for Defective lime Classification", -:Revista VirtualPRO,, 2025. Consultado en línea en la Biblioteca Digital de Bogotá (https://www.bibliotecadigitaldebogota.gov.co/resources/3864968/), el día 2025-07-04.
