La evaluación de la calidad de la apariencia precisa del mijo es fundamental para la fijación justa de precios de adquisición. La inspección manual tradicional es lenta y subjetiva, lo que hace necesaria una solución automatizada. Este estudio propone un enfoque basado en visión por computadora utilizando aprendizaje profundo para la detección y evaluación de calidad de mijo en escenas densas. Se recopilaron imágenes de alta resolución de muestras de mijo estandarizadas a través de un teléfono inteligente y se anotaron en siete categorías que abarcan impurezas, granos de alta calidad y varios defectos. Para abordar los desafíos con la detección de objetos pequeños y la pérdida de características, se introdujo el modelo YOLO11s con una estrategia de partición de superposición, dividiendo las imágenes de alta resolución en parches más pequeños para una representación de objetos mejorada. Los resultados experimentales muestran que el modelo optimizado logró una precisión promedio media (mAP) del 94.8%, superando significativamente la detección tradicional de imagen completa con un mAP del 15.9%. El modelo optimizado se implementó en una aplicación móvil personalizada, lo que permite una inspección de mijo en tiempo real y de bajo costo directamente en teléfonos inteligentes. Puede procesar imágenes de resolución completa (4608 x 3456 píxeles) que contienen más de 5000 granos en 6.8 s. Este trabajo proporciona una solución práctica para la evaluación de calidad in situ en la adquisición y contribuye a sistemas de inspección agrícola en tiempo real.