Diseño de un Sistema de Selección Automatizada de Granos de Café para el Control de Calidad Postueste Basado en Modelos Avanzados de Visión por Computadora

• Autores: Vilcamiza Espinoza, Gerardo Alexis, Trelles Vizcarra, Nicolas
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Peruana de Ciencias Aplicadas
• Repositorio: UPC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorioacademico.upc.edu.pe:10757/685639
• Enlace del recurso: http://hdl.handle.net/10757/685639
• Nivel de acceso: acceso abierto
• Materia: visión por computadora; inteligencia artificial; clasificación de café; YOLOv11; EfficientNet; Deep Learning; Jetson Nano; https://purl.org/pe-repo/ocde/ford#2.02.01

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 clasificador obtiene un accuracy del 93,3% y un F1-score promedio de 93,4%, con énfasis en la clase de tueste medio, crítica en el mercado cafetalero. La arquitectura incluye una GUI remota y conexión con Microsoft Azure para trazabilidad y supervisión continua. Esta propuesta, basada en componentes accesibles y código abierto, ofrece una alternativa viable para pequeños y medianos productores, promoviendo la modernización tecnológica del sector. La modularidad del sistema permite su futura escalabilidad y adaptación a nuevos criterios de calidad.