Integración de Redes Neuronales Con Procesamiento de Imágenes para la Clasificación Eficiente de Granos de café seco

Abstract

Este proyecto tiene como objetivo desarrollar un sistema de clasificación automatizada de granos de café utilizando redes neuronales convolucionales (CNN). El problema que se busca resolver es la subjetividad inherente al proceso manual de clasificación, que depende de evaluadores humanos, lo que puede llevar a inconsistencias en los resultados y afectar la calidad del café. El enfoque propuesto utiliza técnicas de procesamiento de imágenes y aprendizaje profundo para identificar características visuales de los granos y clasificarlos en diferentes categorías de defectos. La metodología empleada incluyó el uso de una base de datos de 2200 imágenes de granos de café, divididas en cinco categorías. Se aplicaron técnicas de preprocesamiento de imágenes y el modelo CNN fue entrenado y ajustado a través de un proceso iterativo. El modelo fue evaluado utilizando métricas como la precisión, sensibilidad y puntaje F1. Los resultados obtenidos mostraron una precisión de más del 90% en la clasificación de los granos, demostrando que el sistema automatizado es capaz de superar la subjetividad del método manual, ofreciendo una evaluación más consistente y precisa. A pesar de algunos desafíos en la identificación de categorías con características visuales menos evidentes, las soluciones implementadas permitieron superar estos obstáculos y mejorar el rendimiento del modelo. En conclusión, la implementación de redes neuronales convolucionales en la clasificación de granos de café representa una solución eficiente y aplicable para mejorar la calidad del proceso de clasificación, con potencial para ser adoptado a mayor escala en diferentes ámbitos de la industria cafetera.