Clasificación inteligente de daños en transporte marítimo de vehículos basada en visión por computadora y redes convolucionales
DOI:
https://doi.org/10.24215/15146774e097Palabras clave:
daños, redes neuronales convolucionales, visión artificialResumen
Un alto porcentaje de vehículos son transportados vía marítima, donde son manipulados según protocolos específicos. Controlar su estado y detectar daños recae en personal capacitado, lo que genera dificultades al momento de imputar responsabilidades. Para mejorar la eficiencia de estos procesos, la Visión Artificial (VA) se ha consolidado como una alternativa viable para detectar y clasificar daños en distintas industrias. El objetivo de este trabajo es implementar el uso de algoritmos de Inteligencia Artificial (IA) para detectar y clasificar daños en la industria marítima. Se describe la creación y ejecución de 3 modelos de Redes Neuronales Convolucionales (RNC) para identificar tipos de daños, partes de autos dañados, y lugares donde son producidos, así como el procedimiento para obtener la información de las bases de datos actualmente en producción en la industria automotriz. Luego, se realiza un análisis profundo para determinar la exactitud de los resultados obtenidos y los cambios que se deben hacer en los procesos para producir mejores modelos de RNC. Se ha comprobado que las técnicas de VA basadas en RNC son altamente efectivas para implementar soluciones destinadas a la detección y clasificación de daños en esta industria. También se ha demostrado que es conveniente para la industria marítima estandarizar tanto los procesos de inspección como los procedimientos de captura de datos para producir modelos de IA con mejores resultados.
Referencias
Apache Parquet. (s. f.). En Wikipedia. Recuperado el 15 de noviembre de 2025 de https://en.wikipedia.org/wiki/Apache_Parquet
Cáceres Flórez, C. A., Ramos Sandoval, O. L. y Amaya Hurtado, D. (2015). Procesamiento de imágenes para reconocimiento de daños causados por plagas en el cultivo de Begonia semperflorens (flor de azúcar). Acta Agronómica, 64(3), 273–279. https://doi.org/10.15446/acag.v64n3.42657
Clasificación: Exactitud, recuperación, precisión y métricas relacionadas. (s. f.). Machine Learning. Recuperado el 15 de noviembre de 2025 de https://developers.google.com/machine-learning/crash-course/classification/accuracy-precision-recall?hl=es-419
Daniella. (5 de junio de 2024). Red neuronal convolucional: funcionamiento, ventajas y aplicaciones en la IA. Innovatiana. https://www.innovatiana.com/es/post/convolutional-neural-network
Flores, H., Garcia-Martinez, R., Fernandez, E., Merlino, H., Rodrguez, D. y Britos, P. (2009). Detección de Patrones para la Prevención de Daños y/o Averías en la Industria Automotriz [ponencia]. XV Congreso Argentino de Ciencias de la Computación, Red de Universidades con Carreras en Informática. San Salvador de Jujuy, Argentina. http://sedici.unlp.edu.ar/handle/10915/21204
Flores, H. D. y Neil, C. G. (9-12 de octubre de 2023). Detección de daños con visión artificial en inspecciones marítimas: un mapeo sistemático de la literatura [ponencia]. XXIX Congreso Argentino de Ciencias de la Computación, Red de Universidades con Carreras en Informática. Luján, Argentina. https://sedici.unlp.edu.ar/handle/10915/164809
Jeremy Howard. (21 de julio de 2022). Practical Deep Learning for Coders [video]. YouTube. https://www.youtube.com/watch?v=8SF_h3xF3cE&list=PLfYUBJiXbdtSvpQjSnJJ_PmDQB_VyT5iU&index=2
Larcher, L. I., Juárez, P. M., Ruggeri, A. I., Biasoni, E. M., Cattaneo, C. A., Villalba, G. A., García Garino, C. G., Mirasso, A. E., Storti, M. A., Tornello, M. E. y Mendoza, A. (2013). Ponderación de calidad en frutas usando técnicas de visión artificial para la estimación de daños. Mecánica Computacional, XXXII(30), 2473-2484.
Microsoft SQL Server. (s. f.). En Wikipedia. Recuperado el 15 de noviembre de 2025 de https://es.wikipedia.org/wiki/Microsoft_SQL_Server
Microsoft Visual Studio. (s. f.). En Wikipedia. Recuperado el 15 de noviembre de 2025 de https://es.wikipedia.org/wiki/Microsoft_Visual_Studio
Pepe Cantoral, Ph. D. (18 de junio de 2021). ¡PyTorch vs TensorFlow! ¿Cuál es mejor? [video]. YouTube. https://www.youtube.com/watch?v=YRA6ArsGlcw&t=19s
Ringa Tech. (14 de septiembre de 2021). Crea un clasificador de perros y gatos con IA, Python y Tensorflow - Proyecto completo [video]. YouTube. https://www.youtube.com/watch?v=DbwKbsCWPSg&t=1817s
Russo, C., Ramón, H., Serafino, S., Cicerchia, B., Sarobe, M., Balmer, A., Álvarez, E., Luengo, P., Useglio, G. y Faroppa, M. (2018). Visión artificial aplicada en agricultura de precisión [presentación]. XX Workshop de Investigadores en Ciencias de la Computación, Universidad Nacional del Nordeste. Corrientes, Argentina. http://sedici.unlp.edu.ar/handle/10915/68308
Salina, M., Pezet, B., Osés, L., Cappelletti, M. Á., Osio, J. R. y Morales, M. (2024). Técnicas de Deep Learning aplicadas a un sistema de clasificación de objetos para un recolector de residuos inteligente. SADIO Electronic Journal of Informatics and Operations Research, 23(1), e041. https://doi.org/10.24215/15146774e041
Santome Jiménez, B. J. (2020). Impacto de los riesgos y sobrecostos logísticos presentados en el despacho aduanero de los vehículos nuevos importados, ingresados por la aduana marítima del Callao 2013 al 2017 [Tesis de maestría, Universidad Nacional Mayor de San Marcos]. https://hdl.handle.net/20.500.12672/11786
Tesseract (software). (s. f.). En Wikipedia. Recuperado el 15 de noviembre de 2025 de https://es.wikipedia.org/wiki/Tesseract_(software)
Uso de PyTorch para entrenar el modelo de clasificación de imágenes. (s. f.). Microsoft Learn. Recuperado el 15 de noviembre de 2025 de https://learn.microsoft.com/es-es/windows/ai/windows-ml/tutorials/pytorch-train-model
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Hugo Daniel Flores, Carlos Neil, Claudio Delrieux
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:
- Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cuál estará simultáneamente sujeto a la Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0) que permite a terceros compartir la obra siempre que se indique su autor y su primera publicación esta revista, no hagan uso comercial de ella y las obras derivadas de hagan bajo la misma licencia.
- Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
- Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada. (Véase El efecto del acceso abierto).
