ISSN-E: 2697-3650
Minerva Journal
10
Vol.4, Issue N°11, (pp. 9-20)
Rivas M. et al. Sistema automatizado de conteo de objetos en imágenes digitales
I. INTRODUCCIÓN
Desde tiempos inmemoriales, los seres humanos hemos sentido la innata necesidad de realizar conteos,
abarcando desde objetos como alimentos hasta la misma población, todo con el propósito de obtener datos
que puedan influir en la toma de decisiones futuras. En este contexto, hemos persistido en la búsqueda de
métodos para cuantificar y analizar variables claves, lo que nos lleva a reflexionar sobre la constante presencia
de esta necesidad en nuestras vidas. Con la evolución tecnológica en constante avance, se presenta la
emocionante oportunidad de canalizar estos progresos para desarrollar soluciones que simplifiquen y agilicen
la tarea de contar objetos. Si bien la aplicación manual puede ser adecuada para recuentos pequeños, la
complejidad surge cuando enfrentamos conjuntos considerables o repetitivos. Es en estos escenarios donde
la optimización del proceso de conteo a través de la automatización se convierte en una oportunidad de
mejora.
Trabajos previos [1] han investigado sobre un sistema automatizado en línea para la clasificación y conteo de
la madurez de los tomates. El proceso tradicional de clasificación y conteo de la madurez de los tomates se
realiza principalmente de manera manual, lo cual es laborioso y consume mucho tiempo. La precisión de este
método depende de la observación precisa del ojo humano. Para abordar este problema, los autores han
empleado la inteligencia artificial y visión por computadora para mejorar la eficiencia y precisión del proceso.
El proceso implica el uso de una cámara digital para obtener conjuntos de datos de imágenes de tomates,
teniendo en cuenta factores como la oclusión e interferencia de la luz externa. Luego, se utiliza un mecanismo
de atención MHSA (Multi-Head Self-Attention) junto con el modelo YOLOv8 para mejorar la capacidad de
extracción de características del sistema. Los resultados muestran mejoras en la precisión, recall, F1-score y
mAP50 del modelo de clasificación de madurez de tomates construido con esta metodología. Además, gracias
al rendimiento excepcional del modelo MHSA-YOLOv8, se construyen modelos de conteo con altos niveles de
precisión y recall. Estos modelos no solo son adecuados para la detección en línea, sino también para la
detección fuera de línea, lo que mejora significativamente la eficiencia en la cosecha y clasificación de los
tomates. Las principales innovaciones de este estudio incluyen la construcción de un conjunto de datos de
clasificación y conteo de madurez de tomates basado en situaciones de producción reales, la propuesta de un
nuevo método de detección de objetos (MHSA-YOLOv8) y la aplicabilidad tanto en entornos en línea como
fuera de línea.
Otros desarrollos [2] se enfocaron en encontrar el mecanismo de detección de objetos más eficaz para la
identificación automatizada de glomérulos. El experimento implica variaciones en el desarrollo de modelos,
incluyendo el uso de Faster R-CNN, considerando tanto glomérulos individuales como parches de imágenes
con múltiples glomérulos. Para evaluar el rendimiento de los modelos, se emplean métricas como el Índice de
Intersección sobre Unión (IoU) y la Puntuación Media de Precisión (mAP). Los resultados revelan que el
modelo Faster R-CNN logra resultados prometedores, con un IoU promedio del 64,2% y un mAP del 65,7% al
trabajar con parches de imágenes de biopsias renales. Finalmente, este estudio aporta a la mejora de la
detección automatizada de glomérulos, destacando la eficacia del modelo Faster R-CNN en el contexto de
biopsias renales. Se reconoce la importancia de estas contribuciones, al tiempo que se identifican posibles
limitaciones o áreas de mejora en la metodología empleada.
Además, otros autores [3] han investigado sobre cómo la Inteligencia Artificial (IA) ha revolucionado diversas
industrias, centrándose específicamente en el impacto en la industria alimentaria. Destacan una tarea crítica
en esta industria, sobre el conteo de productos durante procesos como el procesamiento, el empaquetado y
el transporte. Se argumenta que el conteo manual es tedioso, consume tiempo y está sujeto a errores, lo que
puede resultar en pérdidas significativas. En respuesta a estos desafíos, se ha desarrollado un sistema de