En este artículo, proponemos un mecanismo de evaluación de la calidad del arroz en tiempo real basado en aprendizaje profundo. Este mecanismo integra la detección de objetos en una sola etapa, redes neuronales convolucionales profundas y técnicas tradicionales de aprendizaje automático para identificar variedades de arroz, clasificar la integridad del grano y evaluar su turbidez. Mediante experimentos con un conjunto de datos de aproximadamente 20 000 imágenes de seis variedades de arroz ampliamente cultivadas en China, logramos una precisión media (mAP) del 99,14 % en la detección de objetos, del 97,89 % en la clasificación y del 97,56 % en la clasificación de la integridad del grano dentro de la misma variedad. Esto permite una clasificación y evaluación de la calidad del arroz más precisas y eficientes que los métodos manuales tradicionales.
