Clasificación de defectos morfológicos en granos de café basada en redes neuronales convolucionales

Abstract

Los granos de café secos son uno de los principales productos de exportación del sector cafetalero en Imbabura, Ecuador. La selección de estos granos se realiza manualmente, lo que puede provocar una disminución en la calidad del producto debido a las limitaciones del factor humano, como el cansancio, el tiempo necesario o los diferentes criterios de clasificación. Este trabajo tiene como objetivo detectar defectos morfológicos en granos de café secos mediante redes neuronales convolucionales (CNN). El conjunto de datos recopilado consta de 3276 imágenes etiquetadas manualmente por un experto entre granos buenos y malos. Se seleccionaron dos arquitecturas para la experimentación: SSD-MobileNet v2 y SSD-Resnet50, utilizando la API de detección de objetos de Tensorflow. Los resultados muestran una precisión del 91,65 % y del 83,07 %, respectivamente. El mejor modelo ofrece una mayor precisión que la obtenida, en promedio, mediante la selección manual (78,9 %), con un peso ligero de 26,5 MB y una velocidad de inferencia de 2,3 fps. Estos resultados muestran la posibilidad de mejorarlo para lograr una aplicación práctica para pequeños y medianos productores y asociaciones.