Vol. 11/ Núm. 2 2024 pág. 423
https://doi.org/10.69639/arandu.v11i2.276
Modelado cinético del cambio de color en mango utilizando
OpenCV y Python
Kinetic modeling of color change in mango using OpenCV and Python
Diana Martínez-Hernández
martinezhernandezdiana681@gmail.com
https://orcid.org/0009-0004-2794-296X
Universidad Autónoma del Estado de Hidalgo
Hidalgo México
Elizabeth Contreras López
elizac@uaeh.edu.mx
https://orcid.org/0000-0002-9678-1264
Universidad Autónoma del Estado de Hidalgo
Hidalgo México
Jesús Guadalupe Pérez-Flores
jesus_perez@uaeh.edu.mx
https://orcid.org/0000-0002-9654-3469
Universidad Autónoma del Estado de Hidalgo
Hidalgo México
Laura García Curiel
laura.garcia@uaeh.edu.mx
https://orcid.org/0000-0001-8961-2852
Universidad Autónoma del Estado de Hidalgo
Hidalgo México
Emmanuel Pérez-Escalante
emmanuel_perez@uaeh.edu.mx
https://orcid.org/0000-0002-4268-9753
Universidad Autónoma del Estado de Hidalgo
Hidalgo México
Israel Oswaldo Salinas-Ocampo
iocampo@uaeh.edu.mx
https://orcid.org/0000-0002-5507-4889
Universidad Autónoma del Estado de Hidalgo
Hidalgo México
Luis Guillermo González-Olivares
lgonzales@uaeh.edu.mx
https://orcid.org/0000-0002-4707-8935
Universidad Autónoma del Estado de Hidalgo
Hidalgo México
Artículo recibido: 20 julio 2024 - Aceptado para publicación: 26 agosto 2024
Conflictos de intereses: Ninguno que declarar
Vol. 11/ Núm. 2 2024 pág. 424
RESUMEN
El mango Ataúlfo es altamente valorado por su color amarillo intenso, el cual es un indicador
clave de su madurez y calidad. El objetivo de este estudio fue modelar los cambios de color en el
mango Ataúlfo durante el almacenamiento, utilizando modelos cinéticos y técnicas de
procesamiento de imágenes con OpenCV en Python, para cuantificar y describir el proceso de
cambio de color y así mejorar la predicción de su vida útil y calidad. Para ello, se capturaron
imágenes del mango en diferentes días de almacenamiento, se procesaron para extraer el valor
del canal Hue del espacio de color HSV, y se aplicaron modelos cinéticos de diferentes órdenes
para modelar los datos experimentales. Los principales resultados mostraron que el modelo de
conversión fraccional de primer orden fue el que mejor describió la dinámica de cambio de color,
con un R
2
de 0.93 y un MSE de 2.11, superando a los modelos de orden cero, primer orden, y
segundo orden, que mostraron ajustes menos precisos. Los hallazgos subrayan la importancia de
utilizar modelos más complejos para capturar adecuadamente la dinámica del cambio de color en
productos frescos como el mango Ataúlfo, siendo esencial para optimizar su almacenamiento y
mejorar su comercialización.
Palabras clave: mango, cambio de color, modelado cinético, procesamiento de
imágenes, opencv
ABSTRACT
The Ataulfo mango is highly valued for its vibrant yellow color, a key indicator of its ripeness
and quality. This study aimed to model the color changes in Ataulfo mangoes during storage using
kinetic models and image processing techniques with OpenCV in Python, aiming to quantify and
describe the color change process to improve the prediction of shelf life and quality. Images of
the mangoes were captured over several storage days and processed to extract the Hue channel
value from the HSV color space. Different kinetic models were applied to fit the experimental
data. The main findings indicated that the first-order fractional conversion model best described
the color change dynamics, with an of 0.93 and an MSE of 2.11, outperforming zero-order,
first-order, and second-order models, which showed less accurate fits. These results highlight the
importance of using more complex models to accurately capture the color change dynamics in
fresh products like Ataulfo mangoes, essential for optimizing storage conditions and enhancing
commercialization.
Keywords: mango, color change, kinetic modelling, image processing, opencv
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está
disponible bajo licencia Creative Commons Atribution 4.0 International.
Vol. 11/ Núm. 2 2024 pág. 425
INTRODUCCIÓN
El mango Ataúlfo es apreciado por su color amarillo intenso, piel delgada, semilla
pequeña, y sabor dulce y aromático (Cancino-Vázquez et al., 2020). Su alto contenido de vitamina
C preserva el color de la pulpa y evita la oxidación de compuestos fenólicos (Robles‐Sánchez et
al., 2009). Este mango tiene un perfil de carotenoides único, destacando el β-caroteno,
violaxantina y neoxantina (De J. Ornelas-Paz et al., 2010).
México, principal exportador de mangos, considera al Ataúlfo una variedad de gran
relevancia económica (A. Quirós-Sauceda et al., 2017). Nutricionalmente, destaca por su alto
contenido de compuestos fenólicos, siendo la variedad con mayor cantidad de fenoles totales
(Noratto et al., 2010). Durante su maduración, su perfil sensorial mejora, incrementando el aroma,
la dulzura y la jugosidad, lo que lo hace muy atractivo para los consumidores (Nassur et al., 2015).
El control de la maduración es clave para mantener la calidad, ya que afecta compuestos
bioactivos y antioxidantes (Huang et al., 2018; A. E. Quirós-Sauceda et al., 2019). La actividad
antioxidante y el contenido de fenoles totales cambian con la maduración, resaltando la
importancia de su monitoreo (Robles‐Sánchez et al., 2009). Además, la evolución del aroma,
sabor y textura requiere un control preciso para garantizar tanto calidad nutricional como
organoléptica (Appiah et al., 2011).
El cambio de color es un indicador clave de maduración en las frutas, asociado con la
síntesis y degradación de pigmentos como carotenoides y antocianinas (Duong et al., 2023;
Ratprakhon et al., 2020). En el mango Ataúlfo, el paso de verde a amarillo intenso señala madurez
y calidad (Adainoo et al., 2022), influenciando la percepción de los consumidores, que asocian
colores brillantes con madurez y dulzura (Janurianti et al., 2021). Este cambio también está
relacionado con la síntesis de vitamina C y carotenoides, importantes para la salud y el valor
nutricional (Da Silva Nunes et al., 2011).
Los métodos tradicionales utilizados para evaluar la madurez de frutas, como la
evaluación sensorial y el uso de colorímetros, presentan limitaciones como su naturaleza lenta,
sus altos costos, su intensidad de mano de obra y su susceptibilidad a las imprecisiones. En
respuesta, se han propuesto sistemas de detección y clasificación basados en máquinas, que
ofrecen una mayor eficiencia al aprovechar los avances tecnológicos para analizar atributos de la
fruta como el color, la textura, la apariencia física, el tamaño y la forma (Filoteo-Razo et al., 2023;
Trinh & Nguyen, 2023). El procesamiento de imágenes, junto con la ciencia de datos, ha
revolucionado esta evaluación, permitiendo un análisis preciso de color en frutas y su
clasificación por madurez usando algoritmos de aprendizaje automático (Ballester et al., 2009;
Castro et al., 2019; De-la-Torre et al., 2019). De hecho, se ha determinado la vida útil de alimentos
basados en frutas a través de su color, haciendo uso del procesamiento de imágenes (Contreras-
López et al., 2022) y utilizando redes neuronales artificiales (García-Curiel et al., 2023).
Vol. 11/ Núm. 2 2024 pág. 426
OpenCV es una herramienta poderosa para el análisis de color en imágenes. Esta
biblioteca de visión por computadora de código abierto ofrece funciones como detección de
bordes, segmentación y seguimiento de objetos, lo que la hace ideal para estudios de color (Suresh
& Niranjanamurthy, 2021; Viola & Jones, 2001). Python, popular por su flexibilidad, se integra
eficientemente con OpenCV para implementar algoritmos de procesamiento de imágenes y
análisis de datos, apoyado por bibliotecas como NumPy, SciPy y scikit-learn (Cervera, 2020).
Juntas, estas herramientas permiten convertir espacios de color, segmentar regiones y aplicar
aprendizaje automático para modelar fenómenos cinéticos en imágenes, ofreciendo un análisis
visual integral (García-Curiel et al., 2023).
Los modelos cinéticos son herramientas clave para predecir y controlar los cambios de
color en alimentos durante el almacenamiento, permitiendo evaluar la calidad y seguridad
alimentaria (Contreras-López et al., 2022; Jaimez-Ordaz et al., 2019). En el mango, estos modelos
explican la degradación de clorofila y la síntesis de pigmentos como antocianinas y carotenoides.
Al cuantificar la velocidad de estos cambios y los factores que los influyen, los modelos de primer
orden, cero orden y conversión fraccional optimizan el control de calidad y conservación,
asegurando la aceptabilidad del producto en la industria alimentaria (Xiao et al., 2014).
Por lo tanto, el objetivo de este estudio fue modelar los cambios de color en el mango
Ataúlfo a través de su canal Hue del espacio de color Hue, mediante el ajuste de modelos
cinéticos, utilizando técnicas de ciencia de datos y análisis de imágenes digitales con OpenCV en
Python, con la finalidad de cuantificar y describir el proceso de cambio de color durante el
almacenamiento.
MATERIALES Y MÉTODOS
Muestras
Las muestras de mango Ataúlfo utilizadas en esta investigación se adquirieron en la
central de abastos de Pachuca de Soto, Hidalgo, xico. Previo al estudio, los mangos fueron
lavados, desinfectados y secados. Dado que el mango es una fruta climatérica sensible al etileno
y propensa a daños por frío, no se puede almacenar a temperaturas inferiores a 10-15°C
(Tavassoli-Kafrani et al., 2022). Por esta razón, en este estudio los mangos se almacenaron a 25
± 1.0°C y 65% de humedad relativa (Kittur et al., 2001).
Captura de imágenes
Se tomaron fotografías del mango Ataúlfo utilizando una cámara digital en diferentes
días de almacenamiento (cada 3 días: 0, 3, 6, 9, 12, 15, 18, 21) bajo condiciones controladas de
iluminación en una cabina fotográfica, justo como se describe en investigaciones
anteriores(Contreras-López et al., 2022; García-Curiel et al., 2023). Las imágenes fueron
almacenadas en formato JPEG para su análisis.
Vol. 11/ Núm. 2 2024 pág. 427
Configuración del entorno de programación
Para asegurar un manejo adecuado de las dependencias y la reproducibilidad del análisis,
se creó un entorno virtual aislado con Anaconda, denominado opencv_env’, basado en Python
3.8. Este entorno se configuró para incluir todas las herramientas necesarias para el procesamiento
de imágenes, análisis de datos y ajuste de modelos cinéticos. El desarrollo se realizó en Visual
Studio Code (v1.92.2), un entorno de desarrollo integrado que facilitó la gestión del proyecto y la
edición del código.
El entorno se creó en la terminal del sistema operativo elementary OS 7.1 Horus (basado
en Ubuntu 22.04.3 LTS, Linux 6.5.0-44-generic) utilizando el comando ‘conda create --name
opencv_env python=3.8’ y se activó con ‘conda activate opencv_env’, lo que permitió aislar las
bibliotecas específicas del proyecto. Se instalaron las librerías requeridas utilizando los canales
‘conda-forge’ y ‘anaconda’, incluyendo OpenCV, Seaborn, Matplotlib, SciPy, scikit-learn,
Numpy, Pandas, Joblib, Pathlib2 y Glob2.
Una vez configurado el entorno, se creó el archivo ‘color_mangos.ipynb’, que integra la
segmentación de imágenes, la extracción de valores del canal Hue en el espacio de color HSV
(Hue, Saturation, Value) y el ajuste de los modelos cinéticos.
El script ejecutado para generar los resultados presentados en este artículo, fue subido a
un repositorio en GitLab. Estará disponible para su descarga, análisis e implementación por parte
de otros investigadores y desarrolladores interesados en reproducir o adaptar la metodología
descrita (https://gitlab.com/FoodChem-DataSci-Lab/modelado_cinetico_color_mango).
Procesamiento de imágenes con OpenCV
Para extraer la información de color, las imágenes se procesaron utilizando la librería
OpenCV (‘cv2’), ampliamente empleada en tareas de visión por computadora. Primero, las
imágenes se convirtieron del espacio de color BGR, con el que OpenCV trabaja por defecto, al
espacio de color HSV (Hue, Saturation, Value) mediante la función ‘cv2.cvtColor’. El canal Hue
(H), que representa la tonalidad dominante, es especialmente relevante para el análisis del color
(Salinas-Moreno et al., 2021).
Se utilizaron técnicas de segmentación de imágenes mediante la función ‘cv2.inRange’,
que permitió definir un rango de valores HSV para aislar las áreas de interés en la imagen. En
este caso, se identificaron los colores asociados al mango en distintas etapas de maduración,
incluyendo las regiones más oscuras del fruto. Esto facilitó la identificación y extracción de las
áreas relevantes para el análisis posterior. Las imágenes segmentadas se guardaron en formato
PNG utilizando la función ‘cv2.imwrite’, como se muestra en la Figura 1.
Vol. 11/ Núm. 2 2024 pág. 428
Figura 1
Fotografías del mango Ataúlfo en distintas etapas de maduración, junto con las imágenes
procesadas mediante segmentación con OpenCV para aislar las áreas relevantes del fruto. Estas
imágenes ilustran la evolución del color a lo largo del período de almacenamiento.
Análisis numérico y ajuste de modelos cinéticos con SciPy
Para modelar los cambios de color, se utilizaron ecuaciones cinéticas de diferentes
órdenes: cero, primero, segundo, conversión fraccional de orden cero y conversión fraccional de
primer orden (Ecuaciones (1) a (5)) (Contreras-López et al., 2022; García-Curiel et al., 2023; Xiao
et al., 2014).
󰇛
󰇜

(1)
󰇛
󰇜

(2)
󰇛
󰇜

(3)
󰇛
󰇜
󰇛

󰇜
(4)
󰇛
󰇜

(5)
Donde H(t) es el valor de Hue en el tiempo t, C
0
es el valor inicial de Hue y k es la
constante de velocidad.
La función ‘curve_fit’ de la librería SciPy (‘scipy.optimize’) se utilizó para ajustar estas
ecuaciones a los datos experimentales, estimando los parámetros cinéticos k, C
0
y α (en los
Vol. 11/ Núm. 2 2024 pág. 429
modelos de conversión fraccional). El ajuste de estos modelos permitió obtener una
representación matemática del cambio de color en los mangos a lo largo del tiempo, lo que facilitó
la cuantificación y análisis del proceso de maduración durante el almacenamiento.
Visualización de datos con Matplotlib y Seaborn
La visualización de los resultados se realizó utilizando las librerías Matplotlib
(‘matplotlib.pyplot’) y Seaborn (‘sns’). Seaborn es una librería basada en Matplotlib que facilita
la creación de gráficos estadísticos atractivos y personalizados. Se generaron gráficos de nea
superpuestos sobre los gráficos de dispersión para comparar los valores observados del canalHue
con los predichos por los modelos cinéticos. Además, se incluyeron gráficos de dispersión con
los puntos de datos individuales coloreados según sus valores de Hue convertidos a RGB, lo que
proporcionó una representación visual del cambio de color. Estos gráficos pueden ser observados
en la Figura 2.
Evaluación del ajuste de los modelos con scikit-learn
Para evaluar la precisión y adecuación de los modelos cinéticos ajustados a los datos
experimentales, se emplearon dos métricas: el coeficiente de determinación (R²) y el error
cuadrático medio (MSE), calculados con la biblioteca scikit-learn (‘sklearn.metrics’), utilizando
las funciones ‘r2_score’ y ‘mean_squared_error’. Estas métricas cuantificaron la calidad del
ajuste y permitieron comparar la capacidad predictiva de los diferentes modelos cinéticos
evaluados. Con estos resultados se identificó el modelo que mejor describía la dinámica de cambio
de color en los mangos Ataúlfo durante el almacenamiento.
RESULTADOS Y DISCUSIÓN
La Tabla 1 presenta un resumen del análisis de los cambios de color en el mango Ataúlfo,
evaluados en función de los cambios en el canal Hue del espacio de color HSV. Los parámetros
de los modelos cinéticos descritos en las Ecuaciones 1 a 5 se detallan en la misma tabla, junto con
las métricas R
2
y MSE, que son indicadores del ajuste de los modelos evaluados a los datos
experimentales.
Tabla 1
Resumen de modelos cinéticos ajustados, coeficientes de determinación (R²) y errores
cuadráticos medios (MSE) para el modelado del cambio de color (Hue) en mango Ataúlfo.
Modelo
Ecuación
R
2
MSE
Orden cero
󰇛
󰇜
31
09
0
73461
0.83
5.28
Primer orden
󰇛
󰇜
32
21
0
033075
0.87
4.03
Segundo orden
󰇛
󰇜
33
36
1
0
0014408
33
36
0.90
2.95
Vol. 11/ Núm. 2 2024 pág. 430
Conversión
fraccional de
orden cero
󰇛
󰇜
32
21
󰇡
1
7
1962
10
6
󰇢
4595
86
0.87
4.03
Conversión
fraccional de
primer orden
󰇛
󰇜
34
77
0
11877
0
58
0.93
2.11
Entre los modelos evaluados, el de conversión fraccional de primer orden demostró el
mejor desempeño, con un de 0.93 y un MSE de 2.11, lo que indica un ajuste preciso a los datos
experimentales. Este modelo capturó de manera más efectiva la complejidad del cambio de color
en el mango, gracias a la inclusión de un exponente fraccional (α), que proporcionó mayor
flexibilidad al modelar procesos no lineales.
El modelo de segundo orden también presentó un buen ajuste con un R
2
de 0.90 y un
MSE de 2.95, lo que sugiere que la variación del canal Hue siguió una dinámica que puede estar
influenciada por interacciones cuadráticas con el tiempo. Por otro lado, los modelos de primer
orden y de conversión fraccional de orden cero mostraron un ajuste razonable pero no óptimo,
ambos con un R
2
de 0.87. Estos resultados indican que, aunque capturan algunos aspectos del
cambio de color, no son tan precisos como los modelos de segundo orden y de conversión
fraccional de primer orden.
El modelo de orden cero, aunque el más simple, presentó el menor ajuste con un R
2
de
0.83 y un MSE de 5.28, indicando que una aproximación lineal es insuficiente para describir
adecuadamente la evolución del color en el mango Ataúlfo durante el almacenamiento a través
de los valores del canal Hue.
Adicionalmente, la Figura 2 ofrece una representación visual de los diferentes modelos
cinéticos ajustados a los datos experimentales sobre la evolución del canal Hue en mango Ataúlfo
durante el almacenamiento. En la Figura 2a, se presentan los datos experimentales sin modelar,
revelando una tendencia general decreciente en el canal Hue, aunque con variaciones no lineales.
Las Figuras 2b y 2c muestran los ajustes realizados con modelos de orden cero y primer orden,
respectivamente, que intentan describir esta tendencia mediante enfoques lineales y
exponenciales. Sin embargo, ambos modelos no logran capturar adecuadamente la complejidad
de los datos, como lo refleja la notable dispersión alrededor de la línea de ajuste, respaldada por
sus valores de R² y MSE.
En la Figura 2d, el modelo de segundo orden mejora el ajuste al seguir más de cerca la
curva de los datos, lo que sugiere la relevancia de considerar interacciones cuadráticas. Sin
embargo, las Figuras 2e y 2f muestran que los modelos de conversión fraccional de orden cero y
de primer orden proporcionan un ajuste superior, siendo este último el más preciso al describir la
dinámica del cambio en el canal Hue. Este modelo captura tanto la tendencia general como las
variaciones no lineales observadas en el proceso de maduración. Estudios previos también han
Vol. 11/ Núm. 2 2024 pág. 431
demostrado la eficacia del modelo de conversión fraccional de primer orden para predecir
alteraciones de color en alimentos durante el almacenamiento (Buvé et al., 2018; Contreras-López
et al., 2022; Da Silva Simão et al., 2022; Ochoa et al., 2001; Sonar et al., 2019), lo que respalda
la capacidad de este enfoque para describir dinámicas complejas en productos alimentarios en
donde el cambio de color es el atributo crítico de calidad.
La información combinada en la Tabla 1 y la Figura 2 resalta que los modelos más
complejos, como el de conversión fraccional de primer orden, son los más precisos para describir
los cambios de color en el mango Ataúlfo evaluados a través del canal Hue bajo condiciones de
almacenamiento. Este modelo proporciona una representación más fiel de los datos, lo cual es
clave para aplicaciones prácticas en la predicción de la vida útil y calidad del producto. La
superioridad de los modelos no lineales se atribuye a la complejidad de la dinámica del cambio
de color en el mango, influenciada por la degradación de clorofila, la síntesis de carotenoides y la
acumulación de pigmentos como el β-caroteno y la vitamina C (Nunes et al., 2007; Zhang et al.,
2024). Estos modelos capturan con mayor precisión la interacción de estos procesos bioquímicos
durante la maduración del mango (Ayustaningwarno et al., 2020; Corzo & Álvarez, 2014).
Investigaciones han demostrado que recubrimientos como quitosano, goma arábiga,
almidón de yuca y ácido cítrico pueden preservar la calidad del mango, modulando la maduración
y la actividad enzimática (Chiumarelli et al., 2010; Rastegar et al., 2019; Saikaew et al., 2023;
Zhu et al., 2008). Estos recubrimientos influyen en la permeabilidad de gases y la humedad,
afectando así la velocidad del cambio de color y la retención de compuestos bioactivos (Chaux-
Gutiérrez et al., 2017; Vilvert et al., 2023).
Los resultados de este estudio podrían aplicarse en la evaluación de la vida útil de
productos basados en frutas o en productos en donde el color sea un atributo crítico de calidad.
En futuras investigaciones sobre el cambio de color en productos vegetales, la integración de
modelos cinéticos de conversión fraccional con tecnologías emergentes, como la inteligencia
artificial y la monitorización en tiempo real, ofrecería una vía prometedora. Estos modelos, una
vez validados en condiciones reales de almacenamiento, permitirían un monitoreo continuo y
preciso de los cambios de color durante la distribución, reduciendo el desperdicio de alimentos y
mejorando la eficiencia en la cadena de suministro mediante la predicción anticipada de
variaciones indeseadas en la calidad.
Vol. 11/ Núm. 2 2024 pág. 432
Figura 2
Gráficos de dispersión de la evolución del canal Hue del mango Ataúlfo en función del tiempo.
Las líneas rojas representan los modelos cinéticos utilizados: (a) Datos sin modelar, (b) modelo
de orden cero, (c) modelo de primer orden, (d) modelo de segundo orden, (e) modelo de
conversión fraccional de orden cero, (f) modelo de conversión fraccional de primerorden.
Vol. 11/ Núm. 2 2024 pág. 433
CONCLUSIONES
Este estudio logró modelar eficazmente los cambios de color en el mango Ataúlfo durante
el almacenamiento, en función de su canal Hue, utilizando técnicas de procesamiento de imágenes
con OpenCV y modelos cinéticos de distintos órdenes. El modelo de conversión fraccional de
primer orden demostró ser el más adecuado, capturando con precisión la complejidad de la
dinámica de color. Estos resultados subrayan la capacidad de los modelos cinéticos avanzados
para describir de manera detallada los procesos de maduración en productos frescos, lo cual es
esencial para mejorar la predicción de la vida útil y optimizar la calidad del producto.
El enfoque utilizado en este estudio, tiene un gran potencial para ser integrado con
tecnologías emergentes como la inteligencia artificial y el Internet de las cosas. Al combinar estos
métodos con algoritmos de aprendizaje automático, es posible desarrollar sistemas más avanzados
que modelen y predigan con mayor precisión los cambios de color y la calidad en tiempo real.
Por ejemplo, cámaras inteligentes conectadas a una red de Internet de las cosas podrían capturar
imágenes de frutas en diferentes puntos de la cadena de suministro, mientras que modelos de
inteligencia artificial entrenados con grandes conjuntos de datos podrían analizar estos cambios
al instante, ajustando parámetros de almacenamiento para optimizar la calidad del producto en
cada etapa. Esta integración permitiría automatizar y mejorar significativamente el control de
calidad en la agroindustria, además de que permitiría una toma de decisiones más informada y en
tiempo real, aumentando la eficiencia y reduciendo el desperdicio de alimentos. Este enfoque
holístico, que une la potencia del procesamiento de imágenes con la inteligencia artificial y el
Internet de las cosas, representa un paso importante hacia la agricultura 4.0, donde la innovación
tecnológica maximiza la sostenibilidad y rentabilidad de la producción alimentaria.
Agradecimientos
Los autores agradecen a la Universidad Autónoma del Estado de Hidalgo (UAEH) y al
Consejo Nacional de Humanidades, Ciencias y Tecnologías (CONAHCyT) por el soporte
brindado. Finalmente, los autores dedican esta investigación a la memoria del Dr. Santiago
Ricardo Tomás Filardo Kerstupp (1945-2021).
Vol. 11/ Núm. 2 2024 pág. 434
REFERENCIAS
Adainoo, B., Crowell, B., Thomas, A. L., Lin, C.-H., Cai, Z., Byers, P., Gold, M., &
Krishnaswamy, K. (2022). Physical characterization of frozen fruits from eight cultivars
of the North American pawpaw (Asimina triloba). Frontiers in Nutrition, 9, 936192.
https://doi.org/10.3389/fnut.2022.936192
Appiah, F., Kumah, P., & Idun, I. (2011). Effect of ripening stage on composition, sensory
qualities and acceptability of keitt mango (mangifera indica L.) chips. African Journal of
Food, Agriculture, Nutrition and Development, 11(5), 5096-5109.
https://doi.org/10.4314/ajfand.v11i5.70439
Ayustaningwarno, F., Van Ginkel, E., Vitorino, J., Dekker, M., Fogliano, V., & Verkerk, R.
(2020). Nutritional and Physicochemical Quality of Vacuum-Fried Mango Chips Is
Affected by Ripening Stage, Frying Temperature, and Time. Frontiers in Nutrition, 7,
95. https://doi.org/10.3389/fnut.2020.00095
Ballester, A.-R., Molthoff, J., De Vos, R., Hekkert, B. T. L., Orzaez, D., Fernaݩndez-Moreno, J.-
P., Tripodi, P., Grandillo, S., Martin, C., Heldens, J., Ykema, M., Granell, A., & Bovy,
A. (2009). Biochemical and Molecular Analysis of Pink Tomatoes: Deregulated
Expression of the Gene Encoding Transcription Factor SlMYB12 Leads to Pink Tomato
Fruit Color. Plant Physiology, 152(1), 71-84. https://doi.org/10.1104/pp.109.147322
Buvé, C., Kebede, B. T., De Batselier, C., Carrillo, C., Pham, H. T. T., Hendrickx, M., Grauwet,
T., & Van Loey, A. (2018). Kinetics of colour changes in pasteurised strawberry juice
during storage. Journal of Food Engineering, 216, 42-51.
https://doi.org/10.1016/j.jfoodeng.2017.08.002
Cancino-Vázquez, R., Salvador-Figueroa, M., Hernández-Ortiz, E., Grajales-Conesa, J., &
Vázquez-Ovando, A. (2020). Gamma Irradiation of Mango ‘Ataulfo’ at Low Dose: Effect
on Texture, Taste, and Odor Fruit. Food Science and Technology Research, 26(1), 59-64.
https://doi.org/10.3136/fstr.26.59
Castro, W., Oblitas, J., De-La-Torre, M., Cotrina, C., Bazan, K., & Avila-George, H. (2019).
Classification of Cape Gooseberry Fruit According to its Level of Ripeness Using
Machine Learning Techniques and Different Color Spaces. IEEE Access, 7, 27389-
27400. https://doi.org/10.1109/ACCESS.2019.2898223
Cervera, E. (2020). GPU-Accelerated Vision for Robots: Improving System Throughput Using
OpenCV and CUDA. IEEE Robotics & Automation Magazine, 27(2), 151-158.
https://doi.org/10.1109/MRA.2020.2977601
Chaux-Gutiérrez, A. M., Santos, A. B., Granda-Restrepo, D. M., & Mauro, M. A. (2017). Foam
mat drying of mango: Effect of processing parameters on the drying kinetic and product
Vol. 11/ Núm. 2 2024 pág. 435
quality. Drying Technology, 35(5), 631-641.
https://doi.org/10.1080/07373937.2016.1201486
Chiumarelli, M., Pereira, L. M., Ferrari, C. C., Sarantópoulos, C. I. G. L., & Hubinger, M. D.
(2010). Cassava Starch Coating and Citric Acid to Preserve Quality Parameters of Fresh
Cut “Tommy Atkins Mango. Journal of Food Science, 75(5).
https://doi.org/10.1111/j.1750-3841.2010.01636.x
Contreras-López, E., Jaimez-Ordaz, J., Ugarte-Bautista, I., Ramírez-Godínez, J., González-
Olivares, L. G., García-Curiel, L., & Pérez-Flores, J. G. (2022). Use of image analysis to
determine the shelf-life of an apple compote with wine. Food Science and Technology,
42, e04122. https://doi.org/10.1590/fst.04122
Corzo, O., & Álvarez, C. (2014). Color Change Kinetics of Mango at Different Maturity Stages
during Air Drying: Color Kinetics of Mango. Journal of Food Processing and
Preservation, 38(1), 508-517. https://doi.org/10.1111/j.1745-4549.2012.00801.x
Da Silva Nunes, R., Kahl, V. F. S., Da Silva Sarmento, M., Richter, M. F., Costa-Lotufo, L. V.,
Rodrigues, F. A. R., Abin-Carriquiry, J. A., Martinez, M. M., Ferronatto, S., De Barros
Falcão Ferraz, A., & Da Silva, J. (2011). Antigenotoxicity and Antioxidant Activity of
Acerola Fruit (Malpighia glabra L.) at Two Stages of Ripeness. Plant Foods for Human
Nutrition, 66(2), 129-135. https://doi.org/10.1007/s11130-011-0223-7
Da Silva Simão, R., De Moraes, J. O., Lopes, J. B., Frabetti, A. C. C., Carciofi, B. A. M., &
Laurindo, J. B. (2022). Survival Analysis to Predict How Color Influences the Shelf Life
of Strawberry Leather. Foods, 11(2), 218. https://doi.org/10.3390/foods11020218
De J. Ornelas-Paz, J., Yahia, E. M., Gardea, A. A., & Failla, M. L. (2010). Carotenoid
Composition in «Ataulfo» Mango and Their Bioavailability and Bioconversion to
Vitamin A. Acta Horticulturae, 877, 1245-1252.
https://doi.org/10.17660/ActaHortic.2010.877.170
De-la-Torre, M., Zatarain, O., Avila-George, H., Muñoz, M., Oblitas, J., Lozada, R., Mejía, J., &
Castro, W. (2019). Multivariate Analysis and Machine Learning for Ripeness
Classification of Cape Gooseberry Fruits. Processes, 7(12), 928.
https://doi.org/10.3390/pr7120928
Duong, T. N. D., Pham, N. T., & Hoang, Q. B. (2023). Effects of heat treatment on the
physicochemical parameters of acerola fruit (Malpighia emarginata DC.) juice over
maturity indexes. IOP Conference Series: Earth and Environmental Science, 1155(1),
012023. https://doi.org/10.1088/1755-1315/1155/1/012023
Filoteo-Razo, J. D., Elizondo-Leal, J. C., Martinez-Angulo, J. R., Barron-Zambrano, J. H., Díaz-
Manriquez, A., Saldivar-Alonso, V. P., Estudillo-Ayala, J. M., & Rojas-Laguna, R.
(2023). Non-Invasive Optoelectronic System for Color-Change Detection in Oranges to
Vol. 11/ Núm. 2 2024 pág. 436
Predict Ripening by Using Artificial Neural Networks. IEEE Photonics Journal, 15(5),
1-10. https://doi.org/10.1109/JPHOT.2023.3312212
García-Curiel, L., Pérez-Flores, J. G., Contreras-López, E., Pérez-Escalante, E., & Hernández-
Hernández, A. A. (2023). Anthocyanin content prediction in frozen strawberry puree.
Italian Journal of Food Science, 35(2), 88-97. https://doi.org/10.15586/ijfs.v35i2.2315
Huang, X., Lv, R., Wang, S., Aheto, J. H., & Dai, C. (2018). Integration of computer vision and
colorimetric sensor array for nondestructive detection of mango quality. Journal of Food
Process Engineering, 41(8), e12873. https://doi.org/10.1111/jfpe.12873
Jaimez-Ordaz, J., Pérez-Flores, J. G., Castañeda-Ovando, A., González-Olivares, L. G., Añorve-
Morga, J., & Contreras-López, E. (2019). Kinetic parameters of lipid oxidation in third
generation (3G) snacks and its influence on shelf-life. Food Science and Technology
(Brazil), 39(suppl 1), 136-140. https://doi.org/10.1590/fst.38917
Janurianti, N. M. D., I Made Supartha Utama, & Ida Bagus Wayan Gunam. (2021). Colour and
Quality of Strawberry fruit (Fragaria x ananassa Duch.) at Different Levels of Maturity.
SEAS (Sustainable Environment Agricultural Science), 5(1), 22-28.
https://doi.org/10.22225/seas.5.1.3166.22-28
Kittur, F., Saroja, N., Habibunnisa, & Tharanathan, R. (2001). Polysaccharide-based composite
coating formulations for shelf-life extension of fresh banana and mango. European Food
Research and Technology, 213(4-5), 306-311. https://doi.org/10.1007/s002170100363
Nassur, R. D. C. M. R., González‐Moscoso, S., Crisosto, G. M., Lima, L. C. D. O., Vilas Boas,
E. V. D. B., & Crisosto, C. H. (2015). Describing Quality and Sensory Attributes of 3
Mango ( Mangifera indica L.) Cultivars at 3 Ripeness Stages Based on Firmness. Journal
of Food Science, 80(9). https://doi.org/10.1111/1750-3841.12989
Noratto, G. D., Bertoldi, M. C., Krenek, K., Talcott, S. T., Stringheta, P. C., & Mertens-Talcott,
S. U. (2010). Anticarcinogenic Effects of Polyphenolics from Mango (Mangifera indica)
Varieties. Journal of Agricultural and Food Chemistry, 58(7), 4104-4112.
https://doi.org/10.1021/jf903161g
Nunes, M. C. N., Emond, J. P., Brecht, J. K., Dea, S., & Proulx, E. (2007). Quality Curves for
Mango Fruit (cv. Tommy Atkins and Palmer) Stored at Chilling and Nonchilling
Temperatures. Journal of Food Quality, 30(1), 104-120. https://doi.org/10.1111/j.1745-
4557.2007.00109.x
Ochoa, M. R., Kesseler, A. G., De Michelis, A., Mugridge, A., & Chaves, A. R. (2001). Kinetics
of colour change of raspberry, sweet (Prunus avium) and sour (Prunus cerasus) cherries
preserves packed in glass containers: Light and room temperature effects. Journal of
Food Engineering, 49(1), 55-62. https://doi.org/10.1016/S0260-8774(00)00184-9
Quirós-Sauceda, A., Chen, C.-Y., Blumberg, J., Astiazaran-Garcia, H., Wall-Medrano, A., &
González-Aguilar, G. (2017). Processing ‘Ataulfo’ Mango into Juice Preserves the
Vol. 11/ Núm. 2 2024 pág. 437
Bioavailability and Antioxidant Capacity of Its Phenolic Compounds. Nutrients, 9(10),
1082. https://doi.org/10.3390/nu9101082
Quirós-Sauceda, A. E., Sañudo-Barajas, J. A., Vélez-de La Rocha, R., Domínguez-Avila, J. A.,
Ayala-Zavala, J. F., Villegas-Ochoa, M. A., & González-Aguilar, G. A. (2019). Effects
of ripening on the in vitro antioxidant capacity and bioaccessibility of mango cv.
‘Ataulfo’ phenolics. Journal of Food Science and Technology, 56(4), 2073-2082.
https://doi.org/10.1007/s13197-019-03685-x
Rastegar, S., Hassanzadeh Khankahdani, H., & Rahimzadeh, M. (2019). Effectiveness of alginate
coating on antioxidant enzymes and biochemical changes during storage of mango fruit.
Journal of Food Biochemistry, 43(11). https://doi.org/10.1111/jfbc.12990
Ratprakhon, K., Neubauer, W., Riehn, K., Fritsche, J., & Rohn, S. (2020). Developing an
Automatic Color Determination Procedure for the Quality Assessment of Mangos
(Mangifera indica) Using a CCD Camera and Color Standards. Foods, 9(11), 1709.
https://doi.org/10.3390/foods9111709
Robles‐Sánchez, R. M., Islas‐Osuna, M. A., Astiazarán‐García, H., Vázquez‐Ortiz, F. A., Martín‐
Belloso, O., Gorinstein, S., & González‐Aguilar, G. A. (2009). Quality Index, Consumer
Acceptability, Bioactive Compounds, and Antioxidant Activity of Fresh‐Cut “Ataulfo”
Mangoes ( Mangifera Indica L.) as Affected by Low‐Temperature Storage. Journal of
Food Science, 74(3). https://doi.org/10.1111/j.1750-3841.2009.01104.x
Saikaew, K., Siripornadulsil, W., & Siripornadulsil, S. (2023). Improvements in the color,
phytochemical, and antioxidant properties of frozen ripe mango pieces using calcium
chloride dipping and chitosan coating. Journal of Food Science, 88(8), 3239-3254.
https://doi.org/10.1111/1750-3841.16699
Salinas-Moreno, Y., Ramírez Díaz, J. L., Alemán De La Torre, I., Bautista Ramírez, E., &
Ledesma-Miramontes, A. (2021). Evaluación de dos procedimientos de medición de
color en granos de maíces pigmentados. Revista Mexicana de Ciencias Agrícolas, 12(7),
1297-1303. https://doi.org/10.29312/remexca.v12i7.2276
Sonar, C. R., Rasco, B., Tang, J., & Sablani, S. S. (2019). Natural color pigments: Oxidative
stability and degradation kinetics during storage in thermally pasteurized vegetable
purees. Journal of the Science of Food and Agriculture, 99(13), 5934-5945.
https://doi.org/10.1002/jsfa.9868
Suresh, H. S., & Niranjanamurthy, M. (2021). Image Processing Using OpenCV Technique for
Real World Data. En M. N. Favorskaya, S.-L. Peng, M. Simic, B. Alhadidi, & S. Pal
(Eds.), Intelligent Computing Paradigm and Cutting-edge Technologies (Vol. 21, pp.
285-296). Springer International Publishing. https://doi.org/10.1007/978-3-030-65407-
8_24
Vol. 11/ Núm. 2 2024 pág. 438
Tavassoli-Kafrani, E., Gamage, M. V., Dumée, L. F., Kong, L., & Zhao, S. (2022). Edible films
and coatings for shelf life extension of mango: A review. Critical Reviews in Food
Science and Nutrition, 62(9), 2432-2459.
https://doi.org/10.1080/10408398.2020.1853038
Trinh, T. H., & Nguyen, H. H. C. (2023). Implementation of YOLOv5 for Real-Time Maturity
Detection and Identification of Pineapples. Traitement du Signal, 40(4), 1445-1455.
https://doi.org/10.18280/ts.400413
Vilvert, J. C., De Freitas, S. T., Ferreira, M. A. R., Costa, C. D. S. R., Leite, R. H. D. L., Dos
Santos, F. K. G., & Aroucha, E. M. M. (2023). Preservation of Quality and Bioactive
Compounds in Mangoes Using Chitosan-Graphene-Oxide-Based Biodegradable
Packaging. Horticulturae, 9(10), 1145. https://doi.org/10.3390/horticulturae9101145
Viola, P., & Jones, M. (2001). Rapid object detection using a boosted cascade of simple features.
Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and
Pattern Recognition. CVPR 2001, 1, I-511-I-518.
https://doi.org/10.1109/CVPR.2001.990517
Xiao, H.-W., Law, C.-L., Sun, D.-W., & Gao, Z.-J. (2014). Color Change Kinetics of American
Ginseng (Panax quinquefolium) Slices During Air Impingement Drying. Drying
Technology, 32(4), 418-427. https://doi.org/10.1080/07373937.2013.834928
Zhang, D., Liu, B., Wu, S., Li, C., Fang, T., & Tian, M. (2024). Assessing the Role of Gaseous
Chlorine Dioxide in Modulating the Postharvest Ripening of Keitt Mangoes through the
Induction of Ethylene Biosynthesis. Foods, 13(2), 316.
https://doi.org/10.3390/foods13020316
Zhu, X., Wang, Q., Cao, J., & Jiang, W. (2008). Effects of Chitosan Coating on Postharvest
Quality of Mango ( Mangifera Indica L. Cv. Tainong) Fruits. Journal of Food Processing
and Preservation, 32(5), 770-784. https://doi.org/10.1111/j.1745-4549.2008.00213.x