El presente trabajo describe el diseño de un sistema automatizado para la clasificación postueste de granos de café, orientado al control de calidad mediante visión por computadora y mecanismos embebidos. La solución integra modelos avanzados de Deep Learning, YOLOv11 para detección y segmentación, y EfficientNet-B0 para clasificación, desplegados en una plataforma Jetson Nano, junto con un sistema electromecánico de dosificación y separación física de los granos. Se propone además un algoritmo de análisis tonal que cuantifica la “pureza del tueste” a nivel intragrano, aportando una métrica complementaria para la detección de imperfecciones no evidentes a simple vista. El sistema logra procesar en tiempo real a una velocidad de 32 fps, con una cadencia mecánica de un grano cada 2 segundos. El modelo de segmentación alcanza un mAP@0.5 de 96,07%, mientras que el clasi...