The future of agriculture: detecting tomato maturity levels with YOLOv8

Abstract

Una de las principales fuentes de ingresos en Ecuador es la agricultura. Al fomentar la aplicación de procesos de industrialización u optimización en cualquiera o en múltiples procesos como la siembra, el crecimiento o la cosecha, representaría una mejora sustancial en el producto final. Este trabajo explora la detección de cultivos en diferentes estados de maduración para la predicción de la cosecha, en este caso, el tomate, usando un conjunto de imágenes RGB para entrenar modelos de Mask R-CNN y YOLOv8. Pueden existir diferentes formatos y fuentes de información para entrenar modelos; sin embargo, una buena base de datos de imágenes RGB contiene información suficiente para alcanzar el objetivo. Una base de datos que contenga imágenes de tomates en diferentes ambientes y condiciones de luz sin duda enriquecerá el modelo. El modelo entrenado predice tres estados de maduración: maduro, medio maduro y verde. Este trabajo compara metodologías del estado del arte en el campo de la agricultura de precisión y detección y segmentación de objetos. Además, la metodología aplicada en este trabajo se puede extrapolar a otros tipos de cultivos masivos, pero se ha decidido aplicarla a los tomates debido a la gran abundancia de datos de calidad y usabilidad de los mismos.