La preparación de imágenes en bruto para su posterior análisis, conocida como preprocesamiento de imágenes, es un paso crucial que puede mejorar el rendimiento de un modelo de clasificación de imágenes. Aunque el aprendizaje profundo ha tenido éxito en la clasificación de imágenes sin características elaboradas a mano, ciertos estudios subrayan la continua importancia del preprocesamiento de imágenes para un mejor rendimiento durante el proceso de entrenamiento. No obstante, esta tarea suele ser exigente y requiere imágenes de alta calidad para entrenar eficazmente un modelo de clasificación. La calidad de las imágenes de entrenamiento, junto con otros factores, impacta en el rendimiento del modelo de clasificación y una calidad de imagen insuficiente puede llevar a un rendimiento de clasificación subóptimo. Por otro lado, lograr imágenes de entrenamiento de alta calidad requiere técnicas efectivas de preprocesamiento de imágenes. En este estudio, realizamos experimentos exploratorios destinados a mejorar un modelo de clasificación de imágenes de cavidades de fragmentos de cerámica no expuestos a través de tuberías de preprocesamiento de imágenes. Estas tuberías se evalúan en dos conjuntos de imágenes distintos: un conjunto de imágenes experimentales, hechas en laboratorio, que contiene imágenes arqueológicas con condiciones de iluminación y fondo controladas, y un conjunto de imágenes Jmon-Yayoi que contiene imágenes de cerámicas del mundo real desde el período Jmon hasta el período Yayoi con condiciones variables. Las mejores actuaciones de precisión obtenidas en las imágenes experimentales y en las más desafiantes imágenes Jmon-Yayoi son del 90.48% y del 78.13%, respectivamente. El análisis y la experimentación exhaustivos realizados en este estudio demuestran una notable mejora en las métricas de rendimiento en comparación con el punto de referencia establecido.