La produzione del caffè può incontrare difficoltà a causa delle fluttuazioni dei prezzi globali della materia prima, con un impatto sulla stabilità economica di alcuni Paesi che dipendono fortemente da tale produzione.
Perciò, l’obiettivo di uno studio recente, effettuato da un ricercatore egiziano [Hassan, 2024], è stato quello di valutare l’efficacia di diversi modelli di approfondimento profondo pre-addestrati (tra cui, AlexNet, LeNet, HRNet, Google Net, Mobile V2 Net, ResNet (50), VGG, Efficient, Darknet, e DenseNet) nel classificare differenti tipologie di caffè. I risultati evidenziano che alcuni di tali modelli presentano una maggiore accuratezza ed una convergenza più rapida rispetto ad altri. In particolare, l’analisi comparativa è stata effettuata utilizzando parametri di valutazione chiave come sensibilità, specificità, precisione, valore predittivo negativo, accuratezza ed F1-Score.
Secondo l’autore, l’utilizzo strategico del transfer learning e del fine-tuning dei modelli non solo migliora l’accuratezza della classificazione del caffè, ma contribuisce anche ad affrontare le sfide economiche associate alle fluttuazioni globali dei prezzi in questo settore industriale. Ulteriori approfondimenti sono, però, necessari per validare lo strumento direttamente in linea, con un conseguente miglioramento di efficienza nella selezione e nella categorizzazione dei chicchi di caffè.
Riferimenti bibliografici: Hassan, Neural Computing and Applications, 36, 2024, 9023–9052.
