Detección y clasificación automática de levaduras de cerveza para el análisis de viabilidad

Abstract

La viabilidad y vitalidad de la levadura Saccharomyces cerevisiae es crucial para la producción cervecera. El método tradicional para evaluar la viabilidad, el recuento manual con azul de metileno, es laborioso y propenso a variabilidad dependiendo el individuo que las cuente. Este trabajo aborda el desarrollo de un algoritmo para el conteo y clasificación automática de levaduras de cerveza a partir de imágenes de microscopio utilizando herramientas de inteligencia artificial, con el objetivo de optimizar la reutilización y el control de calidad del insumo para la industria. El sistema propuesto integra dos etapas principales: la detección de células se realiza mediante la red neuronal YOLO (You Only Look Once), mientras que la clasificación en vivas o muertas se lleva a cabo utilizando una Support Vector Machine (SVM) sobre histogramas del canal de saturación en el espacio de color HSV. Este enfoque combinado ofrece una solución robusta y automatizada para la cuantificación y clasificación de levaduras, reduciendo la variabilidad del análisis manual y optimizando el control de calidad en la producción cervecera. Las metodologías desarrolladas serían incorporadas a la aplicación Microbrew.AR.

The viability and vitality of the yeast Saccharomyces cerevisiae are crucial for brewing. The traditional method for assessing viability, manual counting with methylene blue, is laborious and prone to variability depending on the individual counting. This work addresses the development of an algorithm for the automatic counting and classification of brewing yeast from microscope images using artificial intelligence tools, with the aim of optimizing the reuse and quality control of this input for the industry. The proposed system integrates two main stages: cell detection is performed using the YOLO (You Only Look Once) neural network, while classification into live or dead cells is carried out using a Support Vector Machine (SVM) based on saturation channel histograms in the HSV color space. This combined approach offers a robust and automated solution for yeast quantification and classification, reducing the variability of manual analysis and optimizing quality control in brewing production. The developed methodologies will be incorporated into the Microbrew.AR application.