El problema
En la línea de embalaje, la selección la hacen personas mirando miles de frutas por hora. Funciona, pero tiene límites que todos conocen.
La atención cae con las horas
Al final del turno se escapan más frutas malas que al principio. Una sola en una caja de exportación puede costar el lote.
Cada seleccionador tiene su criterio
Lo que uno descarta otro lo deja pasar. Sin un criterio parejo, el reclamo del cliente llega semanas después.
No queda registro
No se sabe cuánta fruta mala llegó, de qué productor ni a qué hora. Sin datos no se puede corregir el origen.
Probado con fotos reales
Entrené el modelo con 2.240 fotos de 8 frutas, frescas y en mal estado, de un conjunto científico público. Lo evalué con 480 fotos que nunca vio.
Las fotos son de fruta suelta sobre fondos simples, no de una línea industrial. En un piloto real el modelo se ajusta con fotos de la línea del cliente, y estos números se vuelven a medir ahí.
| Fruta | Acierto bueno/malo |
|---|
Prueba con tu fruta
Pon una fruta frente a la cámara del celular, dentro del recuadro, o sube una foto. La imagen se analiza en tu equipo y no se envía a ningún servidor.
O elige una foto de ejemplo:
Reconoce manzana, plátano, uva, guayaba, azufaifa, naranja, granada y frutilla. Con otras frutas la respuesta no es confiable.
Cómo se implementa
Una cámara industrial sobre la correa, un computador pequeño junto a la línea y una salida digital al expulsor que ya existe o a uno nuevo.
Fotos de tu línea
Una semana capturando fruta real, buena y mala, con la luz y la velocidad de tu planta.
Modelo ajustado
Se entrena con tus fotos y tus criterios de descarte. Se mide contra tus seleccionadores antes de tocar la línea.
En línea, con registro
La IA comanda el expulsor y deja registro por lote, productor y hora. Las personas pasan a controlar y no a mirar.