Recall sobre palets defectuosos en el escenario de puesto de control, medido en test independiente.
Sobre 127 imágenes que el modelo no vio durante el entrenamiento en ninguna de sus variantes.
Por imagen, con un modelo de 2,6 millones de parámetros desplegable en hardware modesto.
Sobre los datos: el conjunto de entrenamiento son imágenes sintéticas generadas y anotadas manualmente. El sistema no se ha validado todavía sobre fotografías de una cámara industrial real, así que estas cifras describen el rendimiento dentro de ese dominio. Ver metodología y limitaciones
El reto
Un solo fallo de inspección puede afectar a toda la cadena logística.
En entornos industriales, la recepción de palets es un punto crítico: si un daño o un mal embalaje pasa desapercibido, el error puede trasladarse al almacenamiento, transporte y manipulación posterior.
Actualmente, gran parte de la inspección de palets y paquetes se realiza de forma manual. Este proceso depende de la atención del operario, de su experiencia y del ritmo de trabajo en cada turno.
Como consecuencia, la evaluación puede volverse subjetiva, desigual y difícil de escalar cuando aumenta el volumen de mercancía. Además, la fatiga humana puede provocar que defectos visuales sutiles no sean detectados a tiempo.
Desventaja técnica: la inspección manual no garantiza un criterio constante, repetible y medible en todas las unidades revisadas.
Por eso se plantea una solución automática capaz de aportar consistencia, rapidez y trazabilidad al proceso de control visual en la entrada de mercancías.
La solución
Un sistema de visión por computador basado en YOLO11n.
El modelo analiza cada imagen capturada, localiza elementos relevantes y clasifica el estado del palet, la carga y el embalaje en 6,9 milisegundos, para apoyar una decisión objetiva sin frenar el ritmo de la recepción.
Modelo entrenado
Seis clases para evaluar el estado real de la mercancía.
El modelo se entrenó con 870 imágenes originales generadas sintéticamente y anotadas a mano, orientadas a reproducir situaciones habituales de un puesto de recepción logística. Las particiones de validación y test se separan agrupando por imagen original, de modo que ninguna variante aumentada aparece en dos conjuntos a la vez.
La arquitectura permite realizar detección multicategoría en una sola pasada, lo que permite evaluar en un mismo paso el estado del palet, la calidad del embalaje y si las dimensiones de la carga son las esperadas.
Sobre la evaluación: la primera versión de este modelo reportaba un 99 % de precisión. El resultado era demasiado bueno para ser cierto, y al investigarlo resultó estar mal medido: el sistema se evaluaba con imágenes que ya había visto durante el entrenamiento. Corregida la metodología, las cifras publicadas son las reales. Ver el análisis completo
El objetivo no es sustituir el criterio operativo, sino convertirlo en un proceso más repetible, rápido y medible, reduciendo la dependencia de inspecciones puramente manuales.
Selecciona una clase para ver su rendimiento medido.
Impacto del proyecto
Más seguridad, más eficiencia y decisiones más objetivas.
La propuesta convierte una tarea repetitiva y variable en un proceso visual automatizado, preparado para integrarse en operaciones logísticas reales.
Rapidez operativa
6,9 ms por imagen. Unas 145 imágenes por segundo, suficiente para analizar cada palet sin frenar la recepción.
Criterio objetivo
El mismo criterio a las 3 de la tarde que a las 3 de la mañana. Sin fatiga, sin turnos y sin diferencias entre operarios.
Prevención de riesgos
9 de cada 10 palets dañados detectados en el escenario de puesto de control, antes de que el defecto avance por la cadena.
Conclusión
Una inspección inteligente para una logística más segura y eficiente.
AURION demuestra cómo la inteligencia artificial puede transformar un control visual manual en una solución industrial escalable, consistente y orientada a resultados.