Este estudio propone un sistema que evalúa la calidad de la crema del espresso en tiempo real utilizando el modelo de detección de anomalías basado en aprendizaje profundo, f-AnoGAN. El sistema integra dispositivos móviles para recopilar datos del sensor durante el proceso de extracción, lo que permite ajustes rápidos para obtener resultados óptimos. Utilizando el algoritmo GrabCut para separar la crema del fondo, se mejora la precisión de detección. Los resultados experimentales muestran un aumento de 0.13 en el ROC-AUC en el conjunto de datos CIFAR-10 y, en las imágenes de crema, el ROC-AUC mejoró de 0.963 a 1.000 mediante la optimización de hiperparámetros y VAE, logrando la clasificación de anomalías óptimas en la imagen. Un coeficiente de correlación de Pearson de 0.999 confirma la efectividad del sistema. Las contribuciones clave incluyen la optimización de hiperparámetros, el mejor rendimiento de f-AnoGAN utilizando VAE, la integración de dispositivos móviles y la mejora del preprocesamiento de imágenes. Esta investigación demuestra el potencial de la inteligencia artificial en la gestión de la calidad del café.