Detección de defectos morfológicos en múltiples granos de café en una misma imagen utilizando redes neuronales convolucionales

Abstract

El café y los productos derivados del café forman parte de la alimentación mundial y son también uno de los principales productos de exportación de Imbabura (Ecuador). Los productores y vendedores de café deben asegurarse de que los granos de café que venden son de buena calidad, ya que un solo grano puede presentar varios defectos morfológicos. Sin embargo, seleccionar a mano los granos de buena calidad es un proceso largo, tedioso y laborioso, en el que es fácil cometer errores, ya que las personas se cansan y tienen diferentes formas de clasificar los productos. Utilizando redes neuronales convolucionales modernas, YOLO v11 (variantes Nano y Small), este trabajo tiene como objetivo clasificar automáticamente los granos de café de una imagen según su calidad. Recopilamos 7099 imágenes (512 × 640) y las dividimos en dos grupos según la calidad de los granos: buenos y malos. Los fondos de las imágenes se cambiaron a blanco, gris y negro para que se diferenciaran mejor. Utilizamos una GPU NVIDIA Tesla P100 para entrenar los modelos en Kaggle. YOLO v11 Nano tuvo una precisión de 0,880 y YOLO v11 Small tuvo una precisión de 0,871. Los tiempos de inferencia fueron de 7,89 ms (126,7 fps) y 10,08 ms (99,20 fps), respectivamente. Estos resultados son similares a los descritos en la bibliografía, teniendo en cuenta el problema de la superposición de los granos de café en cada imagen.