Deep Learning Applied to the Classification of Cocoa Beans (Theobroma cacao L.) According to Fermentation Quality

Simple item page
dc.creatorVicuña Pino, Ariosto Eugenioes
dc.creatorMolina Noboa, Jorge Faroukes
dc.creatorEspín Carrasco, Luis Migueles
dc.creatorErazo Moreta, Orlando Ramiroes
dc.date2024-12-19
dc.date.accessioned2025-11-10T19:41:26Z
dc.date.available2025-11-10T19:41:26Z
dc.descriptionThe Theobroma cacao L. bean fermentation is an important post-harvest process for the development of its properties and aroma. Although cocoa fermentation is complex, farmers use empirical methods to determine its degree of fermentation. One of the traditional techniques used to recognize the quality of fermentation is the “Cut Test”, performed by a person manually. However, this type of techniques could have a computer-based alternative. Therefore, in this study, the use of convolutional neural networks (CNN) based on deep learning was analyzed to determine the degree of fermentation of cocoa beans. For this purpose, a model was developed whose performance was verified in terms of precision and confusion matrix. This model achieved a positive accuracy of 82 % and a confusion matrix with favorable numbers on the diagonal elements. These results show that CNN is a viable option for the classification of cocoa beans based on their fermentation.en
dc.descriptionLa fermentación del grano de Theobroma cacao L. es un proceso postcosecha importante para el desarrollo de sus propiedades y del aroma. Aunque se trata de un proceso complejo, los agricultores utilizan métodos empíricos/tradicionales para determinar su grado de fermentación, como es la “Prueba de corte” realizada manualmente. No obstante, este tipo de técnicas podría tener una alternativa basada en computadores. Por ello, en este estudio se analizó el uso de redes neuronales convolucionales (CNN) basadas en el aprendizaje profundo, para determinar el grado de fermentación de los granos de cacao. Para el efecto, se desarrolló un modelo cuyo rendimiento fue comprobado en términos de precisión y matriz de confusión. Este modelo alcanzó una exactitud positiva del 82 % y una matriz de confusión con números favorables en los elementos diagonales. Estos resultados dan muestra de que CNN es una opción viable para la clasificación de granos de cacao según su fermentación.es
dc.formatapplication/pdf
dc.formattext/html
dc.identifierhttps://www.revistas.upse.edu.ec/index.php/rctu/article/view/838
dc.identifier10.26423/rctu.v11i2.838
dc.identifier.urihttps://repositorio.upse.edu.ec/handle/46000/15035
dc.languagespa
dc.publisherUniversidad Estatal Península de Santa Elenaes
dc.relationhttps://www.revistas.upse.edu.ec/index.php/rctu/article/view/838/661
dc.relationhttps://www.revistas.upse.edu.ec/index.php/rctu/article/view/838/675
dc.rightsDerechos de autor 2024 Ariosto Eugenio Vicuña Pino; Jorge Farouk Molina Noboa, Luis Miguel Espín Carrasco, Orlando Emiro Erazo Moretaes
dc.sourceUPSE Scientific and Technological Magazine; Vol. 11 No. 2 (2024): Diciembre 2024; 92-104en
dc.sourceRevista Científica y Tecnológica UPSE; Vol. 11 Núm. 2 (2024): Diciembre 2024; 92-104es
dc.source1390-7697
dc.source1390-7638
dc.source10.26423/rctu.v11i2
dc.subjectRed neuronal convolucionales
dc.subjectAprendizaje profundoes
dc.subjectClasificaciónes
dc.subjectFermentación de cacaoes
dc.subjectGranos de cacaoes
dc.subjectConvolutional Neural Networken
dc.subjectDeep Learningen
dc.subjectClassificationen
dc.subjectCocoa Fermentationen
dc.subjectCocoa Beansen
dc.titleDeep Learning Applied to the Classification of Cocoa Beans (Theobroma cacao L.) According to Fermentation Qualityen
dc.titleAprendizaje Profundo aplicado a la clasificación de granos de cacao (Theobroma cacao L.) según la calidad de fermentaciónes
dc.typeinfo:eu-repo/semantics/article
dc.typeinfo:eu-repo/semantics/publishedVersion
dc.typeArtículo evaluado por pareses

Files

Collections

Revista Científica y Tecnológica UPSE - CTU / OAI-PMH