Investigadores en México han desarrollado un sistema prototipo que mejora significativamente la precisión de la detección de defectos en café verde mediante IA al incorporar un proceso mecánico para fotografiar ambos lados de los granos. El estudio, publicado en la revista Agriculture, aborda una limitación fundamental en muchos sistemas ópticos automatizados donde los defectos ocultos en la parte inferior de un grano pueden pasar desapercibidos durante el análisis.
El prototipo procesa una muestra de 350 gramos alimentando los granos a una estación con dos cámaras de alta resolución bajo iluminación controlada. Tras fotografiar un lado, un mecanismo rota los granos 180 grados para una segunda captura de imagen. El equipo de investigación entrenó varios modelos de redes neuronales con un conjunto de datos de 9,600 imágenes que cubren 11 categorías comunes de defectos, incluyendo granos agrios, broca, negros, así como partidos. El hallazgo más significativo fue que el simple acto mecánico de rotar los granos para un segundo escaneo aumentó la precisión general de la detección de defectos en un 25.7% en comparación con el análisis de un solo lado.
Si bien el sistema es actualmente una prueba de concepto y no una clasificadora comercial de alto volumen —tardando aproximadamente 40 minutos en procesar una muestra estándar—, sus hallazgos tienen implicaciones importantes para el futuro del control de calidad. Los resultados demuestran que la obtención de imágenes desde múltiples ángulos puede reducir sustancialmente los puntos ciegos en la clasificación automatizada. Esta investigación contribuye a un campo tecnológico en crecimiento que aplica inteligencia artificial y visión artificial para mejorar la objetividad, además de la eficiencia en la evaluación del café verde en diferentes etapas de la cadena de suministro.