Computer vision algorithms for characterizing and classifying agro-exportable grains through size analysis and clustering techniques in Peru's agricultural sector
Loading...
Date
2026-03-06
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Nacional de Cañete
Abstract
The implementation of machine learning and deep learning algorithms has revolutionized quality control processes in the agroindustry, providing precise and efficient solutions for grain classification and evaluation. The use of computer vision, combined with advanced algorithms, enables defect detection, measurement of physical characteristics, and optimization of batch standardization for both domestic and international markets. Objective: To review and analyze the application of ML algorithms in grain classification through digital image processing, comparing their accuracy, efficiency, and processing time to identify the most suitable strategy for productive environments. Materials and Methods: A systematic review was conducted in Scopus, IEEE Xplore, ScienceDirect, and MDPI, considering publications from 2017 to 2024. Inclusion criteria were: use of RGB or hyperspectral images, application of CNN, SVM, K-means, or Random Forest algorithms, and reporting of quantitative metrics. Review articles, studies not applied to grains, or those without experimental validation were excluded. Results and Conclusions: CNN achieved the highest accuracy (≈97%), making it ideal for detailed classification, although it requires high computational resources and longer training times. SVM and Random Forest demonstrated a balance between accuracy (≈91–92%) and efficiency, making them suitable for medium-sized datasets. K-means stood out for its speed and simplicity, although with lower accuracy (≈88%) as it is an unsupervised method. Emerging trends point to the integration of hyperspectral vision, transfer learning, and hybrid approaches to optimize the balance between accuracy, speed, and operational feasibility, thereby enhancing the competitiveness of the agroindustry in global markets.
La implementación de algoritmos de aprendizaje automático y aprendizaje profundo ha revolucionado los procesos de control de calidad en la agroindustria, brindando soluciones precisas y eficientes para la clasificación y evaluación de granos. El uso de visión artificial, combinado con algoritmos avanzados, permite la detección de defectos, la medición de características físicas y la optimización de la estandarización de lotes para los mercados nacionales e internacionales. Objetivo: Revisar y analizar la aplicación de algoritmos de aprendizaje automático en la clasificación de granos mediante procesamiento digital de imágenes, comparando su precisión, eficiencia y tiempo de procesamiento para identificar la estrategia más adecuada para entornos productivos. Materiales y métodos: Se realizó una revisión sistemática en Scopus, IEEE Xplore, ScienceDirect y MDPI, considerando publicaciones de 2017 a 2024. Los criterios de inclusión fueron: uso de imágenes RGB o hiperespectrales, aplicación de algoritmos CNN, SVM, K-means o Random Forest y reporte de métricas cuantitativas. Se excluyeron artículos de revisión, estudios no aplicados a granos o aquellos sin validación experimental. Resultados y conclusiones: CNN alcanzó la mayor precisión (≈97%), lo que la hace ideal para la clasificación detallada, aunque requiere altos recursos computacionales y tiempos de entrenamiento más largos. SVM y Random Forest demostraron un equilibrio entre precisión (≈91-92%) y eficiencia, lo que las hace adecuadas para conjuntos de datos medianos. K-means destacó por su velocidad y simplicidad, aunque con menor precisión (≈88%) al ser un método no supervisado. Las tendencias emergentes apuntan a la integración de visión hiperespectral, aprendizaje por transferencia y enfoques híbridos para optimizar el equilibrio entre precisión, velocidad y viabilidad operativa, mejorando así la competitividad de la agroindustria en los mercados globales.
La implementación de algoritmos de aprendizaje automático y aprendizaje profundo ha revolucionado los procesos de control de calidad en la agroindustria, brindando soluciones precisas y eficientes para la clasificación y evaluación de granos. El uso de visión artificial, combinado con algoritmos avanzados, permite la detección de defectos, la medición de características físicas y la optimización de la estandarización de lotes para los mercados nacionales e internacionales. Objetivo: Revisar y analizar la aplicación de algoritmos de aprendizaje automático en la clasificación de granos mediante procesamiento digital de imágenes, comparando su precisión, eficiencia y tiempo de procesamiento para identificar la estrategia más adecuada para entornos productivos. Materiales y métodos: Se realizó una revisión sistemática en Scopus, IEEE Xplore, ScienceDirect y MDPI, considerando publicaciones de 2017 a 2024. Los criterios de inclusión fueron: uso de imágenes RGB o hiperespectrales, aplicación de algoritmos CNN, SVM, K-means o Random Forest y reporte de métricas cuantitativas. Se excluyeron artículos de revisión, estudios no aplicados a granos o aquellos sin validación experimental. Resultados y conclusiones: CNN alcanzó la mayor precisión (≈97%), lo que la hace ideal para la clasificación detallada, aunque requiere altos recursos computacionales y tiempos de entrenamiento más largos. SVM y Random Forest demostraron un equilibrio entre precisión (≈91-92%) y eficiencia, lo que las hace adecuadas para conjuntos de datos medianos. K-means destacó por su velocidad y simplicidad, aunque con menor precisión (≈88%) al ser un método no supervisado. Las tendencias emergentes apuntan a la integración de visión hiperespectral, aprendizaje por transferencia y enfoques híbridos para optimizar el equilibrio entre precisión, velocidad y viabilidad operativa, mejorando así la competitividad de la agroindustria en los mercados globales.
Description
Keywords
Algorithms, Agroindustry, Classification, Computer Vision, Hyperspectral Vision
Citation
Computer vision algorithms for characterizing and classifying agro-exportable grains through size analysis and clustering techniques in Peru's agricultural sector - Escuela de Agronomia