Deep Learning for Saffron Adulteration Detection from Stigma Images: A Comparative Study of AlexNet, ResNet, and VGG16

Resumen Técnico: Aprendizaje Profundo para la Detección de Adulteración de Azafrán a partir de Imágenes de Estigmas

Planteamiento del Problema
El azafrán (Crocus sativus L.) es una especia de alto valor susceptible a la adulteración con fines económicos (EMA), donde materiales fraudulentos como seda de maíz teñida, estambres de cártamo y raíces de plantas coloreadas se mezclan con estigmas auténticos para imitar la apariencia y aumentar el peso bruto. Aunque las técnicas de laboratorio convencionales como HPLC, GC–MS y espectroscopia UV–Vis ofrecen una alta precisión, son destructivas, lentas, costosas y requieren infraestructura especializada, lo que limita su utilidad para el cribado rápido postcosecha. Los enfoques actuales de visión artificial basados en características diseñadas manualmente (handcrafted features) suelen fallar al generalizar bajo iluminación variable o variabilidad morfológica natural. Existe la necesidad de un sistema automatizado, rápido, no destructivo y rentable para autenticar la calidad del azafrán en las líneas de procesamiento postcosecha.

Metodología
El estudio empleó un análisis comparativo de tres arquitecturas de Redes Neuronales Convolucionales (CNN) —AlexNet, ResNet y VGG16— utilizando aprendizaje por transferencia (transfer learning) para distinguir entre estigmas de azafrán auténticos y falsificados.

• Conjunto de Datos: Se ensambló un conjunto de datos curado de 1,020 imágenes RGB etiquetadas por expertos, que comprende 719 muestras auténticas (que cubren los grados Sargol, Negin y Pushal) y 301 muestras falsificadas (imitaciones de adulterantes comunes preparadas en laboratorio). Para evitar la fuga de datos (data leakage), cada muestra física fue fotografiada una sola vez.
• Preprocesamiento: Las imágenes fueron capturadas con una cámara Canon 700D DSLR. El preprocesamiento consistió en el recorte del 10% de los márgenes de los bordes, la aplicación de máscaras binarias para aislar los filamentos y la homogeneización del fondo mediante umbralización RGB (reemplazando píxeles con valores >180 por blanco). Las imágenes se redimensionaron a entradas específicas de la arquitectura (por ejemplo, 227×227 para AlexNet) y se normalizaron.
• Aumento de Datos: Se aplicó una estrategia de aumento de datos en línea durante el entrenamiento, incluyendo rotaciones aleatorias (0–360°) y giros horizontales/verticales para mejorar la robustez. Los conjuntos de validación y prueba no fueron aumentados.
• Configuración del Modelo: Las capas de clasificación final de los modelos preentrenados (pesos de ImageNet) fueron reemplazadas por una capa totalmente conectada de dos unidades y activación softmax. Los modelos se ajustaron mediante el método de fin de extremo a extremo (end-to-end) usando el Descenso de Gradiente Estocástico (SGD) con momentum (0.9), un tamaño de mini-lote de 64 y una tasa de aprendizaje inicial de 1e-4 durante 50 épocas.
• Implementación: El entrenamiento se llevó a cabo en un sistema basado en CPU (Intel Core i5-6200U, 8GB RAM) utilizando MATLAB R2020a. El conjunto de datos se dividió en 80% para entrenamiento y 20% para validación, con un conjunto de prueba separado para la evaluación final.
• Evaluación: El rendimiento se midió utilizando Exactitud (Accuracy), Sensibilidad (Recall para falsificaciones), Especificidad (Recall para auténticos), Precisión (PPV) y Valor Predictivo Negativo (NPV).

Resultos Clave
El estudio evaluó la capacidad de los modelos para detectar la adulteración visual:

• AlexNet: Logró la mayor exactitud general del 96.49%. Demostró una sensibilidad del 100% (identificando correctamente todas las muestras falsificadas) y una especificidad del 93.75%. Mostró una convergencia rápida dentro de las 15–20 épocas.
• ResNet-50: Logró una exactitud del 94.74%. Exhibió un 100% de especificidad y un 100% de precisión, pero una menor sensibilidad (90%), resultando en tres falsos negativos (clasificando erróneamente muestras adulteradas como auténticas).
• VGG16: Logró una exactitud del 87.72%. Aunque alcanzó un 100% de sensibilidad, su especificidad fue significativamente menor (79.41%), lo que derivó en una mayor tasa de falsos positivos (clasificando erróneamente muestras auténticas como adulteradas). Los autores atribuyen este bajo rendimiento a la profundidad del modelo y al recuento de parámetros en relación con el tamaño del conjunto de datos, así como a las limitaciones computacionales del entrenamiento basado en CPU, lo que limitó la convergencia efectiva.

Significancia y Reivindicaciones
El artículo sostiene que el aprendizaje profundo, específicamente las CNN, ofrece una alternativa viable, rápida y no destructiva para la autenticación del azafrán. La contribución principal es demostrar que incluso las arquitecturas relativamente compactas como AlexNet pueden capturar eficazmente las características morfológicas y cromáticas salientes necesarias para distinguir los estigmas genuinos de los falsificaciones visuales, superando a modelos más profundos en este contexto específico debido a mejores dinámicas de optimización en conjuntos de datos de tamaño moderado.

Los autores posicionan este trabajo como una base para integrar el cribado impulsado por IA en el control de calidad postcosecha, la clasificación y las inspecciones de exportación. Enfatizan que la alta sensibilidad del modelo AlexNet es particularmente valiosa para aplicaciones de cribado donde omitir una muestra adulterada (falso negativo) representa un mayor riesgo económico que una falsa alarma.

Limitaciones y Direcciones Futuras
Los autores reconocen explícitamente varias limitaciones:

1. Condiciones de Imagen: El estudio utilizó iluminación controlada y fondos uniformes, lo que puede no replicar completamente los entornos postcosecha reales más complejos con filamentos superpuestos e iluminación variable.
2. Validación: Las métricas de rendimiento se basaron en una única división aleatoria de datos sin validación cruzada de k-pliegues (k-fold cross-validation).
3. Restricciones de Hardware: El entrenamiento en una CPU, particularmente para VGG16, probablemente dificultó la convergencia óptima.
4. Generalización: El estudio no empleó validación cruzada ni realizó pruebas en conjuntos de datos diversos y a gran escala.

El trabajo futuro sugerido por los autores incluye la validación de los modelos en conjuntos de datos más grandes y diversos, el empleo de validación cruzada de k-pliegues, el uso de aceleración por GPU, la integración de IA explicable (XAI) para la transparencia y el desarrollo de modelos ligeros para la inferencia en dispositivos (por ejemplo, mediante teléfonos inteligentes) para su despliegue en el mundo real. Los autores también proponen explorar canales híbridos de imagen-espectroscopia para una autenticación más robusta.