Los granos de café especiales y estándar pueden clasificarse mediante imágenes multiespectrales e inteligencia artificial

El proceso de selección de los granos de café especiales conlleva tres tipos de inspección. Dos son físicas e implican muestras de café crudo y tostado. La tercera es sensorial e implica la degustación de la bebida. La certificación corre a cargo de la Specialty Coffee Association of America (SCAA).

De acuerdo con las directrices de la SCAA, la calidad del café se mide en una escala decimal de cero a cien. Un café especial debe obtener una puntuación de 80 o más. El productor envía una muestra de granos crudos a tres catadores, que tuestan y preparan el café de cada lote, también de acuerdo con las normas de la SCAA, antes de emitir un informe.

Sin embargo, científicos brasileños del Centro de Energía Nuclear en la Agricultura (CENA-USP) de la Universidad de São Paulo, en colaboración con colegas de la Escuela Superior de Agricultura Luiz de Queiroz (ESALQ-USP) y el Centro de Informática de la Universidad Federal de Pernambuco (UFPE), han desarrollado un método de selección de granos de café basado en imágenes multiespectrales y aprendizaje automático. El método no requiere tueste y puede realizarse en tiempo real durante el proceso de producción. Evita posibles errores humanos, aunque depende de equipos costosos. Un artículo sobre el nuevo método se ha publicado recientemente en Computers and Electronics in Agriculture.

"Los cafés especiales suelen cosecharse de forma selectiva, es decir, sólo se recogen las cerezas rojas maduras. Se cosechan individualmente a mano. Si un caficultor de especialidades cosecha granos verdes, o en cualquier momento utiliza la recolección en tiras, manual y/o mecanizada, este procedimiento puede dar lugar a una cosecha comercial estándar", dijo Winston Pinheiro Claro Gomes, primer autor del artículo. Gomes es candidato a doctor en química en el CENA-USP, con Wanessa Melchert Mattos y Clíssia Barboza da Silva como directoras de tesis.

"En nuestro método, separamos los granos considerados especiales y comerciales estándar utilizando una combinación de imágenes multiespectrales y algoritmos matemáticos que procesan los datos proporcionados por las imágenes", explicó Gomes. "El café especial debe tener una puntuación de entre 80 y 100, pero nuestro modelo no puede decir si los granos son de 80 o 90. Eso requeriría un aprendizaje automático con muestras para cada puntuación con el fin de especificar estas categorías en el modelo matemático."

La investigación se llevó a cabo con el apoyo de una beca para jóvenes investigadores concedida a Barboza da Silva, penúltimo autor del artículo, y una beca de investigación regular, concedida a Mattos, último autor del artículo.

Metodología multiespectral

El equipo utilizó una técnica de imágenes multiespectrales (MSI) basada en la reflectancia y la autofluorescencia, en la que se toman imágenes del mismo objeto a diferentes longitudes de onda, seguidas de un modelo de aprendizaje automático para clasificar los granos según la información obtenida de las imágenes.

"El uso de la ICM en la industria del café es muy reciente. Se utiliza sobre todo para mapear el nitrógeno en los cafetales, detectar la necrosis en los granos y detectar plagas y enfermedades en las plantas, como se puede ver en la literatura sobre el tema", dijo Gomes.

Los investigadores analizaron 16 muestras de granos verdes de cultivos comerciales especiales y estándar cultivados en los estados de Minas Gerais y São Paulo. Diez de los granos de café de especialidad(Coffea arabica) eran de la cosecha 2016/17 cultivada en la región de Alta Mogiana. Habían sido calificados en el Concurso de Café de Alta Mogiana 2017 y fueron suministrados por la asociación de productores de cafés especiales de la región. Las otras seis muestras se tomaron de cosechas comerciales estándar compradas a granel en el mercado local.

Para cada muestra, se separaron al azar 64 granos sin tratamiento previo, dando un total de 1.024 granos (384 estándar, 640 especiales), y se utilizaron para la calibración, validación y prueba del aprendizaje automático.

Gomes resumió el procedimiento de la siguiente manera: "Colocamos las judías en una placa de Petri y la introdujimos en el dispositivo, que es una esfera que contiene LEDs, filtros ópticos y una cámara. La cámara descendió sobre las muestras hasta cubrirlas por completo y capturó imágenes tras una iluminación homogénea y difusa a diferentes longitudes de onda. Primero tomó imágenes de reflectancia monocromática y luego de autofluorescencia, tras lo cual el software de a bordo extrajo la información relativa a las regiones de interés y la utilizó para construir los algoritmos que clasificaron las muestras y nos dieron los resultados".

A continuación se realizó un análisis de componentes principales (PCA) para investigar las variables que influyen en las diferencias entre los cafés especiales y los estándar. Los investigadores ejecutaron cuatro algoritmos de aprendizaje automático, y la máquina de vectores de apoyo (SVM) resultó ser la mejor y se utilizó para calcular los coeficientes de estimación de las variables clave.

Fluorescencia

Se observó que los granos especiales tenían una forma más uniforme en las imágenes del espectro visible (RGB), mientras que los granos estándar eran más intensos en las imágenes de autofluorescencia. "Nuestro modelo matemático y nuestros algoritmos utilizan la información sobre la intensidad de la señal de las imágenes de fluorescencia. Puede ocurrir que algún compuesto presente en las judías esté más excitado en una determinada longitud de onda. Una señal de fluorescencia más o menos intensa también puede estar relacionada con la variación de la concentración de un compuesto en las judías, por ejemplo. El modelo que elegimos fue el que mejor funcionó para distinguir entre los granos de café especiales y los estándar. En este modelo, la información más importante para construir los límites de separación procedía de la fluorescencia verde. Por lo tanto, decidimos analizar los compuestos individuales que muestran naturalmente la fluorescencia verde y tratamos de asociar algunos compuestos fluorescentes que podrían influir en el proceso de separación de la clasificación del café", dijo Gomes.

La fluorescencia verde, un marcador biológico representado por la luz verde en el espectro visible, se analizó para 10 compuestos fenólicos, y los datos mostraron que la catequina, la cafeína y ciertos ácidos (ácido 4-hidroxibenzoico, ácido sinápico y ácido clorogénico) respondían intensamente tras ser excitados con luz azul a 405 nanómetros (nm), emitiendo energía a 500 nm. Estos datos de autofluorescencia (excitación/emisión a 405/500 nm) fueron los que más contribuyeron a distinguir las judías verdes especiales de las judías verdes estándar.

"Se trata de especies químicas asociadas a grupos aromáticos que absorben energía relacionada con una longitud de onda específica. En los métodos basados en la autofluorescencia, las variaciones en los niveles de estas especies químicas en los grados de café especial y estándar pueden utilizarse para distinguir entre los dos grupos", dijo Gomes.

Las diferencias en los niveles de estos compuestos suelen utilizarse para distinguir entre los granos de café especiales y los estándar. "Para mi investigación de maestría, estudié la composición química de estas muestras, y aunque no había diferencias en las especies químicas, encontramos variaciones en sus concentraciones, especialmente los niveles de ácido clorogénico y cafeína", dijo.

Los próximos pasos, según Gomes, consistirán en obtener muestras de cada uno de los niveles de puntuación definidos por la SCAA para los cafés especiales (una tarea nada fácil) y clasificar los granos según su puntuación. "En Brasil, los cafés tienen una puntuación máxima de 90-92. Es difícil encontrar algo más alto que eso. Sólo el café importado, de Etiopía, por ejemplo, tiene una puntuación de 100. En mi investigación de doctorado, estoy intentando clasificar los granos a partir de las imágenes de rayos X, y he decidido aumentar el número de muestras y la amplitud del análisis incluyendo los granos importados", dijo.