Clasifcación de café cereza con CNN para control de calidad

Abstract

La creciente demanda de sostenibilidad medioambiental, mejorar los ingresos de los productores y la escasez de mano de obra, el control de calidad en la producción de café es un factor determinante para acceder a mercados diferenciados. El objetivo de este estudio fue entrenar y validar un modelo de detección y clasificación de cerezas de café basado en redes neuronales convolucionales (CNN), integrando las características físicas del fruto para el control de calidad. Se realizó una revisión bibliométrica sobre el uso de la IA (inteligencia artificial) en la cadena de valor del café, un análisis de la relación entre el tamaño del fruto y los defectos. Se generó una base de datos de imágenes de cerezas de café (verdes, medianamente maduras, maduras, sobremaduras, con antracnosis y con ojo de gallo); modificando la concentración de luz, el fondo y la orientación de los frutos, además, se entrenó un modelo YOLOv8 de acuerdo con las normas internacionales de control de calidad. Existen pocos estudios de IA en detección y clasificación de cerezas dañadas por plagas o enfermedades, se centran más en las etapas de cultivo y tostado; el análisis de cerezas de café demostró una relación inversa entre el tamaño del fruto y la incidencia de defectos. El primer entrenamiento con una precisión de 0.984 se tuvo deficiencias en la detección de frutos pequeños; mejorando la base de datos, el segundo entrenamiento con una precisión de 0.91, recall de 0.906, mAP50 de 0.945 y 0.873 de mAP50-95 de forma general, detecta todas las clases en la implementación. Para obtener mejores beneficios económicos, es necesaria la implementación de maquinaria para la clasificación de las cerezas de café; esto puede hacerse teniendo en cuenta la morfología del fruto o, de forma más exhaustiva, implementando CNN, que es más preciso.