Determinación de la madurez de frutos del café mediante el reconocimiento de imágenes utilizando un modelo basado en redes neuronales convolucionales

Abstract

La provincia de Loja se caracteriza por producir café de altura (especie Arábiga) esto involucra un buen manejo agronómico durante todo el proceso, este caso de estudio se centra en la fase de cosecha y las técnicas convencionales utilizadas para determinar la madurez óptima del fruto las cuales tienden a ser subjetivos e incluso las herramientas empleadas suelen ser costosas, por ello se pretende ayudar a estos métodos tradicionales a realizar una identificación precisa, que contribuya a realzar la calidad de taza, mediante visión artificial, proporcionando un método no destructivo con un alto nivel de precisión. Por tal razón en el presente trabajo de titulación se plantea la creación de un modelo de detección de objetos basado en la arquitectura de Redes Neuronales Convolucionales, para identificar frutos de café en sus cuatro etapas de maduración: inmaduro, pintón, maduro y sobremaduro. Para obtener el conjunto de datos destinado a las fases de entrenamiento, validación y prueba, se realizó un trabajo de campo donde se capturó una serie de fotografías que contienen el ciclo de maduración de la variedad Colombia 6, se les aplicó la técnica de aumento de datos denominada "rotación de imágenes" con la cual se obtuvo un dataset final de 800 imágenes, estas fueron etiquetadas manualmente con la herramienta LabelImg. En la fase de construcción se implementó los modelos Resnet-50, Inception-v2 y Yolov4, de las cuales se obtuvo un valor de media de precisión promedio(mAP) de 64.85%, 67.37% y 97.59% respectivamente, definiendo así que el modelo con un rendimiento superior es Yolov4 con la arquitectura Darknet, debido a esto el modelo fue entrenado por un periodo de tiempo más extenso obteniendo un índice de precisión del 93%, sensibilidad del 96%, f1-score del 95% y mAP de 95.01% (métricas de detección de objetos) además de obtener métricas de la matriz de confusión con un nivel de precisión, exactitud, sensibilidad y especificidad mayor al 95%, superando los resultados expuestos en los trabajos relacionados. Palabras claves: Detección de objetos, Frutos de café, Inception-v2, Resnet-50, Yolov4.