Aplicación móvil basada en visión artificial y regresión lineal para el reconocimiento del estado de madurez y el pronóstico de rendimiento en cultivos de cacao (Theobroma cacao L): estudio de caso en la Finca Mendoza, Ecuador
DOI:
https://doi.org/10.63688/xq1wz063Palabras clave:
aplicación móvil, cacao, visión artificial, aprendizaje automáticoResumen
Introducción: La determinación del grado de madurez del fruto y la estimación del rendimiento en fincas cacaoteras de Ecuador suele realizarse mediante observación empírica y registros manuales, lo que genera apreciaciones subjetivas, errores operativos y ausencia de información histórica sistematizada. Frente a esta problemática, el presente estudio tuvo como objetivo desarrollar y evaluar funcionalmente una aplicación móvil que integrara visión artificial y un modelo predictivo para el reconocimiento del estado de madurez del cacao y el pronóstico de rendimiento en la Finca Mendoza, Ecuador.
Metodología: Metodológicamente, la investigación se abordó desde un enfoque cualitativo, con diseño no experimental y carácter aplicado, descriptivo y documental; la información se recopiló mediante observación directa y entrevista semiestructurada al propietario de la finca, mientras que el desarrollo tecnológico se ejecutó bajo la metodología ágil de Programación Extrema (XP), incorporando una red neuronal convolucional para el análisis de imágenes y técnicas de regresión lineal para la proyección productiva.
Resultados: Como resultado, se identificaron seis funcionalidades principales orientadas al monitoreo y la gestión del cultivo, se modelaron las entidades Usuario, Producción, Imagen y Predicción como núcleo del sistema, y se implementaron módulos de captura y análisis de imágenes, pronóstico de rendimiento, reportes y recomendaciones, evidenciando una disminución perceptible en los tiempos de inspección y una mejora en la trazabilidad de la información agrícola.
Conclusiones: Se concluye que la herramienta reduce la dependencia de métodos empíricos y constituye un modelo replicable para la digitalización agrícola en contextos rurales similares
Referencias
Aguirre-Munizaga, M., Chang-Zorilla, S., Rivera, D. V., & Vera-Lucio, N. (2025). Implementation of a web application for estimating cocoa productivity using machine learning. En A. Rocha, C. Ferrás, & H. Calvo (Eds.), Information technology and systems (Vol. 1447, pp. 382–390). Springer Nature Switzerland. https://doi.org/10.1007/978-3-031-93109-3_34
Ali, Z., Muhammad, A., Lee, N., Waqar, M., & Lee, S. W. (2025). Artificial intelligence for sustainable agriculture: A comprehensive review of AI-driven technologies in crop production. Sustainability, 17(5), 2281. https://doi.org/10.3390/su17052281
Ayikpa, K. J., Mamadou, D., Gouton, P., & Adou, K. J. (2023). Classification of cocoa pod maturity using similarity tools on an image database: Comparison of feature extractors and color spaces. Data, 8(6), 99. https://doi.org/10.3390/data8060099
Heredia-Gómez, J. F., Rueda-Gómez, J. P., Talero-Sarmiento, L. H., Ramírez-Acuña, J. S., & Coronado-Silva, R. A. (2020). Determinación de la madurez de mazorcas de cacao, haciendo uso de redes neuronales convolucionales en un sistema embebido. Revista Colombiana de Computación, 21(2), 42–55. https://doi.org/10.29375/25392115.4030
Ayikpa, K. J. (2022). CocoaMFDB [Conjunto de datos]. Mendeley Data. https://doi.org/10.17632/9MSJJH3NP6.2
Muñoz Ordoñez, C. C., Cobos Lozada, C. A., & Muñoz Ordóñez, J. F. (2023). Predicción del rendimiento de cultivos de café: Un mapeo sistemático. Ingeniería y Competitividad, 25(3). https://doi.org/10.25100/iyc.v25i3.13171
Patiño Martínez, F. Y. (2022). Elaboración de diagramas de casos de uso. Ediciones Universidad Cooperativa de Colombia. https://doi.org/10.16925/gcgp.60
Izquierdo, J. A., Jaramillo, J. F., Loja, N. M., & Maon-Olivo, B. (2025). Modelo integrado de adopción de tecnologías en la agricultura. Caso de estudio: IA e IoT aplicadas en producción de cacao. Espacios, 46(3), 480–492. https://doi.org/10.48082/espacios-a25v46n03p38
Vera-Chang, J. F., Herrera-Tamayo, N. L., Alvarez-Sanchez, A. R., Alvarez-Aspiazu, A. A., Díaz-Campozano, E. G., & Vásquez-Cortez, L. H. (2024). Comportamiento agronómico de cuarenta y un cruces interclonales de cacao (Theobroma cacao L.) en Ecuador. Revista U.D.C.A Actualidad & Divulgación Científica, 27(2). https://doi.org/10.31910/rudca.v27.n2.2024.2729
Vicuña Pino, A. E., Molina Noboa, J. F., Espín Carrasco, L. M., & Erazo Moreta, O. R. (2024). Aprendizaje profundo aplicado a la clasificación de granos de cacao (Theobroma cacao L.) según la calidad de fermentación. Revista Científica y Tecnológica UPSE, 11(2), 92–104. https://doi.org/10.26423/rctu.v11i2.838
Villalba, A., Requena, T., Solanilla, F., & Rangel, J. C. (2021). Prototipo de un sistema que determine el estado de madurez de un plátano utilizando deep learning y visión artificial. Revista de Iniciación Científica, 6. https://doi.org/10.33412/rev-ric.v6.0.3155
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Angel Alberto Arce Ramírez, Johanna Noemi Ramos Holguin (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
El artículo se distribuye bajo la Licencia Creative Commons Atribución 4.0 . Salvo que se indique lo contrario, el material publicado asociado se distribuye bajo la misma licencia.
