La demanda de eficiencia y rapidez en el sector agrícola ha llevado a la incorporación de tecnología para automatizar la mayoría de los procesos, permitiendo avances significativos en la industria. En este caso, se aborda la industria vitivinícola, que busca optimizar la evaluación de la calidad de la uva para su comercialización. Conocer el punto óptimo del producto es fundamental en su selección, ya que evita desperdicios y reduce la cantidad de procesos manuales, que a menudo tienen un gran margen de error. El presente trabajo implementa un módulo que permite el estudio de las variables de madurez y acidez. Mediante el uso de microcontroladores, sensores y un dashboard en la web que mejora la accesibilidad a los datos obtenidos, se busca optimizar los procesos de selección. Al capturar una imagen con un módulo portátil que contiene una cámara y, en conjunto con técnicas de machine learning, se realiza el procesamiento y análisis de los datos recolectados. Además, se mide el pH del racimo de uvas, lo que complementa el criterio de selección del producto. El presente trabajo se encuentra dividido en cinco capítulos. En el capítulo 1 se explica la necesidad del sector agrícola, la justificación, el alcance, las limitaciones, el marco teórico y el Estado del Arte. El capítulo 2 presenta la metodología, incluyendo la arquitectura, los componentes, los materiales y las métricas a medir para validar el trabajo. En el capítulo 3 se describe el desarrollo de la solución y cómo se llevará a cabo la implementación del módulo, que consiste en la toma de datos mediante imágenes y la medición del pH, lo que permite obtener instantáneamente el resultado de la predicción con el modelo previamente entrenado. Estos datos se almacenan en una base de datos y se presentan en un dashboard al que solo pueden acceder los usuarios registrados. El capítulo 4 analiza los resultados obtenidos en el escenario propuesto, es decir, en el laboratorio de sistemas telemáticos con la evaluación por parte de los usuarios, incluyendo las mediciones de consumo de energía, el estrés del servidor, y un análisis de costos. Finalmente, el capítulo 5 detalla las conclusiones, recomendaciones y trabajos futuros relacionados con la propuesta. i Palabras Clave: Vitivinícola, Madurez, Acidez, Machine Learning, Internet de las Cosas