Clasificación de granos de café, usando un modelo de red neuronal convolucional

Abstract

En Perú, la clasificación manual de granos de café genera errores por fatiga laboral, iluminación deficiente y subjetividad, afectando su calidad y competitividad del producto. Ante ello, este estudio desarrolla un sistema basado en redes neuronales convolucionales (CNN) para optimizar su clasificación. La investigación es de tipo aplicada, con enfoque cuantitativo y diseño experimental. Para la creación del dataset, se emplearon de forma independiente una cámara profesional Canon EOS REBEL T5i y una cámara de celular Xiaomi Redmi Note 11S, capturando imágenes en un espacio fotográfico diseñado para garantizar condiciones controladas. Se generaron dos dataset iniciales, uno por cada cámara, cada uno compuesto por dos clases: granos normales y defectuosos, incluyendo 13 tipos de defectos según las normativas SCA, NMX-F-586- SCFI-2008, NTC-3314. Los datos se distribuyeron en un 70% para entrenamiento, 10% validación y 20% pruebas. Se realizaron seis experimentos usando la misma arquitectura de CNN, pero variando parámetros como la cantidad de clases, balance interno entre los defectos dentro de la clase defectuoso, y calidad de las imágenes; el modelo del experimento cinco obtuvo el mejor desempeño en validación, con una exactitud del 99.29%. Posteriormente, este modelo fue evaluado con imágenes no vistas en el entrenamiento ni en la validación, obteniendo métricas de exactitud del 95.86%, precisión del 97.91%, sensibilidad del 93.80% y una puntuación F1 de 95.81%. Se concluye que la implementación de este modelo optimiza el proceso de selección, mejora la calidad del producto y reduce costos operativos, fortaleciendo la competitividad del café peruano en mercados especializados.

In Peru, the manual classification of coffee beans leads to errors due to worker fatigue, poor lighting, and subjectivity, affecting product quality and competitiveness. To address this issue, this study develops a system based on convolutional neural networks (CNN) to optimize classification. The research is applied, with a quantitative approach and an experimental design. For dataset creation, a Canon EOS REBEL T5i professional camera and a Xiaomi Redmi Note 11S smartphone camera were used independently, capturing images in a controlled photographic environment. Two initial datasets were generated, one for each camera, consisting of two classes: normal and defective beans, with the defective class including 13 defect types based on SCA, NMX-F-586-SCFI-2008, and NTC-3314 standards. The data was split into 70% for training, 10% for validation, and 20% for testing. Six experiments were conducted using the same CNN architecture while varying parameters such as the number of classes, internal defect balance, and image quality. The fifth experiment achieved the best validation accuracy of 99.29%. Subsequently, the model was tested on previously unseen images, obtaining an accuracy of 95.86%, precision of 97.91%, recall of 93.80%, and an F1-score of 95.81%. The results demonstrate that the proposed model surpasses manual classification limitations, enhancing selection accuracy and efficiency. It is concluded that implementing this model optimizes the classification process, improves product quality, and reduces operational costs, strengthening the competitiveness of Peruvian coffee in specialized markets.