Aplicación de inteligencia artificial en evaluación y clasificación de café: Una revisión sistemática
DOI:
https://doi.org/10.36825/RITI.14.33.002Palabras clave:
Inteligencia Artificial, Visión por Computadora, Café, Clasificación de Calidad, Detección de DefectosResumen
Este estudio analiza cómo la evaluación y clasificación del café son procesos clave para asegurar la calidad y el valor comercial del producto; sin embargo, los métodos tradicionales basados en inspección humana presentan limitaciones de subjetividad, tiempo y consistencia. En los últimos años, la inteligencia artificial ha mostrado un crecimiento significativo en aplicaciones orientadas a automatizar estos procesos, especialmente mediante visión por computadora y aprendizaje automático. Ante la rápida expansión y dispersión de estos estudios, este trabajo tiene como motivación principal analizar y sintetizar de manera sistemática los avances en el uso de inteligencia artificial para la evaluación y clasificación del café. Para ello, se realizó una revisión sistemática siguiendo el protocolo PRISMA, considerando estudios originales publicados entre 2021 y 2025 en bases de datos científicas, periodo seleccionado por concentrar desarrollos recientes y consolidados. Se incluyeron 30 artículos, en los que predominan aplicaciones enfocadas en el control de calidad del grano, como clasificación, detección de defectos y autenticidad, empleando imágenes RGB y espectros NIR/UV-VIS junto con algoritmos como redes neuronales, SVM, Random Forest y XGBoost, con precisiones superiores al 90%. A pesar de estos resultados, persisten desafíos relacionados con la disponibilidad de datos, la generalización de modelos y costos computacionales.
Citas
Aghdamifar, E., Rasooli Sharabiani, V., Taghinezhad, E., Rezvanivand Fanaei, A., Szymanek, M. (2023). Non-destructive method for identification and classification of varieties and quality of coffee beans based on soft computing models using VIS/NIR spectroscopy. European Food Research and Technology, 249 (6), 1599–1612. https://doi.org/10.1007/s00217-023-04240-x
Collazos-Escobar, G. A., Hurtado-Cortés, V., Bahamón-Monje, A. F., Gutiérrez-Guzmán, N. (2025). Mathematical modeling of water sorption isotherms in specialty coffee beans processed by wet and semidry postharvest methods. Scientific Reports, 15 (1), 1–12. https://doi.org/10.1038/s41598-024-83702-y
Jiao, Y., Zhao, Y., Jia, A., Wang, T., Li, J., Xiang, K., Deng, H., He, M., Jiang, R., Zhang, Y. (2025). Swin-HSSAM: A green coffee bean grading method by Swin transformer. PLoS ONE, 20 (5), 1–20. https://doi.org/10.1371/journal.pone.0322198
Chen, S. Y., Chiu, M. F., Zou, X. W. (2022). Real-time defect inspection of green coffee beans using NIR snapshot hyperspectral imaging. Computers and Electronics in Agriculture, 197, 1-14. https://doi.org/10.1016/j.compag.2022.106970
Gope, H. L., Fukai, H. (2022). Peaberry and normal coffee bean classification using CNN, SVM, and KNN: Their implementation in and the limitations of Raspberry Pi 3. AIMS Agriculture and Food, 7 (1), 149–167. https://doi.org/10.3934/AGRFOOD.2022010
Wang, P., Tseng, H. W., Chen, T. C., Hsia, C. H. (2021). Deep convolutional neural network for coffee bean inspection. Sensors and Materials, 33 (7), 2299–2310. https://doi.org/10.18494/SAM.2021.3277
Wallelign, S., Polceanu, M., Jemal, T., Buche, C. (2019). Coffee grading with convolutional neural networks using small datasets with high variance. Journal of WSCG, 27 (2), 113–120. https://doi.org/10.24132/JWSCG.2019.27.2.4
Vilcamiza, G., Trelles, N., Vinces, L., Oliden, J. (2022). A coffee bean classifier system by roast quality using convolutional neural networks and computer vision implemented in an NVIDIA Jetson Nano. Congreso Internacional de Innovación y Tendencias en Ingeniería (CONIITI), Bogotá, Colombia. https://doi.org/10.1109/CONIITI57704.2022.9953636
Tovar, Y. T., Calvo, A. F., Bejarano, A. (2022). Desarrollo de un sistema de clasificación de imágenes digitales para medir la humedad en granos de café. Información Tecnológica, 33 (3), 117–128. https://doi.org/10.4067/s0718-07642022000300117
Gracia Loor, J. M., Panchano Valencia, A. M. (2025). Desafíos y Oportunidades de la Inteligencia Artificial en la Educación: Una Revisión Sistemática. Revista Multidisciplinaria ASCE Magazine, 4 (2), 185–200. https://doi.org/10.70577/asce/185.200/2025
Zhang, X., Wu, F., Li, Z. (2021). Application of convolutional neural network to traditional data. Expert Systems with Applications, 168. https://doi.org/10.1016/j.eswa.2020.114185
Alliance of Bioversity International and CIAT [CGIAR]. (2021). Applying AI to coffee farming in Vietnam. https://alliancebioversityciat.org/stories/ai-sustainable-coffee-vietnam
Cover, T. (1973). Book Reviews. IEEE Transaction on Informatio Theory, 19 (6), 827-833. https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=1055089
Omali, T. U., Umoru, K. (2023). Pattern Recognition in Remote Sensing Image Analysis: Theory, Methods, and a Case Study of Rijiyar Donor in Katsina, Nigeria. International Journal of Scientific Research in Computer Science and. Engineering, 11(6), 61-65. https://ijsrcse.isroset.org/index.php/j/article/view/562
Vapnik, V. N. (1999). An overview of statistical learning theory. IEEE Transactions on Neural Networks, 10 (5), 988–999. https://doi.org/10.1109/72.788640
Chapman, B. P., Weiss, A., Duberstein, P. (2016). Statistical Learning Theory for High Dimensional Prediction: Application to Criterion-Keyed Scale Development. Psychological Methods, 21 (4), 603–620. https://doi.org/10.1037/met0000088
Poggio, T. (1981). Marr ’ s computational approach to visual perception. Trends Neurosci., 4, 258–262. https://doi.org/10.1016/0166-2236(81)90081-3
Wei, B., Zhao, Y., Hao, K., Gao, L. (2021). Visual sensation and perception computational models for deep learning: State of the art, challenges and prospects. ArXiv Preprint. https://doi.org/10.48550/arXiv.2109.03391
Cuoto Bazame, H., Molin, J. P., Althoff, D., Martello, M. (2022). Detection of coffee fruits on tree branches using computer vision. Scientia Agricola, 80, 1–8. https://doi.org/10.1590/1678-992X-2022-0064
Hua, J., Wang, Z., Tian, X., Zou, Q., Xiao, J., Ma, J. (2025). Full Perception Head: Bridging the Gap Between Local and Global Features. IEEE/CAA Journal of Automatica Sinica, 12 (7), 1391-1406. https://doi.org/10.1109/JAS.2025.125333
Alcoba Meriles, D. (2024). PRISMA y metaanálisis en la investigación científica. Fides et Ratio - Revista de Difusión Cultural y Científica de La Universidad La Salle En Bolivia, 28 (28), 13–20. http://www.scielo.org.bo/scielo.php?script=sci_arttext&pid=S2071-081X2024000200013
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., Shamseer, L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R., Glanville, J., Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M., Li, T., Loder, E. W., Mayo-Wilson, E., McDonald, S., … Moher, D. (2021). The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. Systematic Reviews, 10 (1), 1–11. https://doi.org/10.1186/s13643-021-01626-4
Universidad Americana de Europa [UNADE]. (2025). Scopus: la herramienta clave para la investigación académica. https://unade.edu.mx/scopus-la-herramienta-clave-para-la-investigacion-academica/
Chang, S. J., Liu, K. H. (2024). Multiscale Defect Extraction Neural Network for Green Coffee Bean Defects Detection. IEEE Access, 12, 15856–15866. https://doi.org/10.1109/ACCESS.2024.3356596
Chang, S. J., Huang, C. Y. (2021). Deep learning model for the inspection of coffee bean defects. Applied Sciences, 11 (17), 1-22. https://doi.org/10.3390/app11178226
Laudari, S., Marks, B., Rognon, P. (2022). Classifying grains using behaviour-informed machine learning. Scientific Reports, 12, 1–7. https://doi.org/10.1038/s41598-022-18250-4
Collazos-Escobar, G. A., Gutiérrez-Guzmán, N., Váquiro, H. A., García-Pérez, J. V., Cárcel, J. A. (2025). Analysis of Machine Learning Algorithms for the Computer Simulation of Moisture Sorption Isotherms of Coffee Beans. Food and Bioprocess Technology, 18, 5419-5430. https://doi.org/10.1007/s11947-025-03785-x
Arwatchananukul, S., Xu, D., Charoenkwan, P., Aung Moon, S., Saengrayap, R. (2024). Implementing a deep learning model for defect classification in Thai Arabica green coffee beans. Smart Agricultural Technology, 9, 1-15. https://doi.org/10.1016/j.atech.2024.100680
Thai, H. D., Ko, H. J., Huh, J. H. (2024). Coffee Bean Defects Automatic Classification Realtime Application Adopting Deep Learning. IEEE Access, 12, 126503-126517. https://doi.org/10.1109/ACCESS.2024.3452552
Hashmi, M. S. A., Qadri, A. M., Raza, A., Ullah, S., Smerat, A., Kim, C., Syafrudin, M., Fitriyani, N. L. (2025). VGGBM-Net: A Novel Pixel-Based Transfer Features Engineering for Automated Coffee Bean Diseases Classification. IEEE Access, 13, 83580-83590. https://doi.org/10.1109/ACCESS.2025.3569078
Anto, I. A. F., Wibowo, J. W., Salim, T. I., Munandar, A. (2024). Implementation of Image Processing and CNN for Roasted-Coffee Level Classification. Indonesian Journal of Electrical Engineering and Informatics, 12 (4), 1005-1018. https://doi.org/10.52549/ijeei.v12i4.5531
Leonard, F., Akbar, H. (2022). Coffee Grind Size Detection By Using Convolutional Neural Network (CNN) Architecture. Journal of Applied Science, Engineering, Technology, and Education, 4 (1), 133-145. https://doi.org/10.35877/454ri.asci842
Korkmaz, A., Talan, T., Koşunalp, S., Iliev, T. (2025). Comparison of deep learning models in automatic classification of coffee bean species. PeerJ Computer Science, 11, 1–29. https://doi.org/10.7717/peerj-cs.2759
Portillo Mendoza, P. M., Ponce Alvino, J. P. (2022). Clasificación óptima de los frutos de café por su madurez mediante algoritmo de control. Revista De Investigación en Ciencias Agronómicas y Veterinaria, ALFA, 6 (18), 441-452. https://doi.org/10.33996/revistaalfa.v6i18.181
Gope, H. L., Fukai, H., Ruhad, F. M., Barman, S. (2024). Comparative analysis of YOLO models for green coffee bean detection and defect classification. Scientific Reports, 14, 1-16. https://doi.org/10.1038/s41598-024-78598-7
Grasso, S., Di Loreto, M. V., Zompanti, A., Ciarrocchi, D., De Gara, L., Pennazza, G., Vollero, L., Santonico, M. (2025). Intelligent Electrochemical Sensing: A New Frontier in On-the-Fly Coffee Quality Assessment. Chemosensors, 13 (1), 1–18. https://doi.org/10.3390/chemosensors13010024
Quan, N. M., Phung, H. M., Uyen, L., Dat, L. Q., Ngoc, L. G., Hoang, N. M., Tu, T. K. M., Dung, N. H., Ai, C. T. D., Trinh, D. N. T. (2023). Species and geographical origin authenticity of green coffee beans using UV–VIS spectroscopy and PLS–DA prediction model. Food Chemistry Advances, 2, 1-8. https://doi.org/10.1016/j.focha.2023.100281
Collazos-Escobar, G. A., Hurtado-Cortés, V., Bahamón-Monje, A. F., Gutiérrez-Guzmán, N. (2025). Mathematical modeling of water sorption isotherms in specialty coffee beans processed by wet and semidry postharvest methods. Scientific Reports, 15, 1–12. https://doi.org/10.1038/s41598-024-83702-y
Ilhamsyah, I., Rahman, A. Y., Istiadi, I. (2021). Klasifikasi Kualitas Biji Kopi Menggunakan MultilayerPerceptron Berbasis Fitur Warna LCH. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 5 (6), 1008–1017. https://doi.org/10.29207/resti.v5i6.3438
Kittichotsatsawat, Y., Tippayawong, N., Tippayawong, K. Y. (2022). Prediction of arabica coffee production using artificial neural network and multiple linear regression techniques. Scientific Reports, 12, 1–14. https://doi.org/10.1038/s41598-022-18635-5
Maruthai, S., Selvanarayanan, R., Thanarajan, T., Rajendran, S. (2025). Hybrid vision GNNs based early detection and protection against pest diseases in coffee plants. Scientific Reports, 15, 1–16. https://doi.org/10.1038/s41598-025-96523-4
Selvanarayanan, R., Rajendran, S., Alotaibi, Y. (2024). Early Detection of Colletotrichum Kahawae Disease in Coffee Cherry Based on Computer Vision Techniques. CMES - Computer Modeling in Engineering and Sciences, 139 (1), 759-782. https://doi.org/10.32604/cmes.2023.044084
Bordin Yamashita, J. V. Y., Leite, J. P. R. R. (2023). Coffee disease classification at the edge using deep learning. Smart Agricultural Technology, 4, 1-9. https://doi.org/10.1016/j.atech.2023.100183
Astuti, S. D., Wicaksono, I. R., Soelistiono, S., Permatasari, P. A. D., Yaqubi, A. K., Susilo, Y., Putra, C. D., Syahrom, A. (2024). Electronic nose coupled with artificial neural network for classifying of coffee roasting profile. Sensing and Bio-Sensing Research, 43, 1-8. https://doi.org/10.1016/j.sbsr.2024.100632
Munawar, A. A., Zulfahrizal, Mörlein, D. (2024). Prediction accuracy of near infrared spectroscopy coupled with adaptive machine learning methods for simultaneous determination of chlorogenic acid and caffeine on intact coffee beans. Case Studies in Chemical and Environmental Engineering, 10, 1-7. https://doi.org/10.1016/j.cscee.2024.100913
Liu, X., Tan, Y., Dong, J., Wu, J., Wang, X., Sun, Z. (2025). Assessing habitat selection parameters of Arabica coffee using BWM and BCM methods based on GIS. Scientific Reports, 15, 1–19. https://doi.org/10.1038/s41598-024-84073-0
León León, R. A., Davila, M. A. R., Lara Guerra, B. A., Manosalva Ruiz, A., Sotomayor Montenegro, C. A. (2025). Development of an artificial vision algorithm with neural networks to detect coffee berry borer in coffee beans. Acta Scientiarum - Technology, 47 (1), 1–8. https://doi.org/10.4025/actascitechnol.v47i1.71113
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Revista de Investigación en Tecnologías de la Información
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Esta revista proporciona un acceso abierto a su contenido, basado en el principio de que ofrecer al público un acceso libre a las investigaciones ayuda a un mayor intercambio global del conocimiento.
El texto publicado en la Revista de Investigación en Tecnologías de la Información (RITI) se distribuye bajo la licencia Creative Commons (CC BY-NC
), que permite a terceros utilizar lo publicado citando a los autores del trabajo y a RITI, pero sin hacer uso del material con propósitos comerciales.
