El proceso poscosecha es importante para aumentar el valor de mercado de los limones y requiere enfoque. Durante este proceso, los limones se clasifican y categorizan según su tamaño, peso y volumen. Por lo tanto, identificar medios eficientes para estimar estas propiedades es muy importante y sigue siendo un área de investigación abierta. Este estudio aplica el concepto de visión por computadora basado en algoritmos tradicionales de aprendizaje automático (regresión de mínimos cuadrados parciales (PLS), regresión de vectores de soporte epsilon (-SVR), árbol de decisiones (DT), bosque aleatorio (RF), aumento adaptativo (AB), aumento de gradiente (GB), metaestimador de Bagging (BME) y árboles extremadamente aleatorios (ERTs)) y aprendizaje profundo pre-entrenado (InceptionV3, MoblieNetV2, ResNet50 y VGG-16) para estimar el peso y volumen de los limones. Nuestros hallazgos mostraron que BME y ResNet50 podrían ofrecer el mejor rendimiento para estimar el peso y volumen de los limones. BME produjo valores de 0.954 y 0.882 para peso y volumen, respectivamente, mientras que los valores de los modelos de ResNet50 estaban entre 0.951 y 0.957 para peso y volumen, respectivamente. Este estudio concluyó que la visión por computadora basada tanto en aprendizaje automático tradicional como en aprendizaje profundo podría utilizarse para estimar el peso y volumen de los limones. El enfoque propuesto en este estudio puede ser adoptado para aplicaciones relacionadas con la visión por computadora en el proceso poscosecha.