Resumen corto En este trabajo se diseñó y desarrolló un programa informático para la clasificación automática de almendras peladas mediante procesamiento de imágenes, analizando diversas características de forma y de color. Para ensayarlo se construyó un prototipo de sistema de visión artificial con el cual se creó un conjunto de 564 imágenes de almendras y otros objetos. El conjunto de imágenes fue etiquetado manualmente en base a las normas de la Comisión Económica de las Naciones Unidas para Europa (UNECE) para el comercio de almendras. Los resultados del clasificador desarrollado son similares a los obtenidos con algoritmos de clasificación estándar, como máquinas de soporte vectorial o Boosted Trees. Los descriptores elegidos permiten clasificar binariamente el conjunto con una exactitud global de 93 %. Revisión larga Se construyó una estructura fácilmente modificable en la que se probaron prototipos de sistemas de visión que podrían existir en una máquina clasificadora óptica de almendras peladas. Las pruebas con espejos no dieron buenos resultados. Las mejores imágenes y más fáciles de segmentar son las que se obtuvieron con iluminación frontal y retroiluminación subsiguiente. Con el sistema de visión compuesto por cámara, iluminación frontal y retroiluminación, se creó un conjunto de imágenes correspondientes al anverso y reverso de 564 objetos que típicamente se pueden encontrar en una línea de procesamiento de almendras. El conjunto de imágenes fue etiquetado manualmente según reglas basadas en la norma de comercio de almendras de UNECE, y también fue dividido en subconjuntos de entrenamiento y de evaluación. Se diseñó e implementó en Matlab un sistema modular de clasificación. Se crearon módulos de preprocesamiento, segmentación y clasificación. Estos últimos usaron descriptores de color y forma. La mayoría de los descriptores son básicos y conocidos en la literatura; a algunos otros los pensamos específicamente para esta aplicación. Se probó el sistema clasificador sobre el conjunto de imágenes generado. Se ajustaron los umbrales de clasificación con distintas estrategias, usando los valores de los descriptores medidos sobre el conjunto de entrenamiento. Se contrastaron con los resultados obtenidos usando otros clasificadores típicos con los mismos descriptores. Usamos la exactitud global (overall accuracy) como métrica de desempeño. Considerando un problema de clasificación binaria (almendras buenas vs. otros), nuestro clasificador obtuvo resultados cercanos a los de otros clasificadores, con una exactitud de 92,7 %. Si el problema es de clasificación multiclase (almendras de primera clase vs. almendras malas vs. no almendras), nuestro clasificador tiene un desempeño 10 % por debajo del de otros que alcanzaron un 93 %.