IA en la Seguridad de Cargas: Un Nuevo Enfoque

La seguridad de la carga es un aspecto crucial para cualquier empresa de logística. En 2020, se realizaron muchas inspecciones de camiones, revelando que casi el 10% de estas revisiones encontraron violaciones de las normas de seguridad de carga. Cada violación puede llevar a multas pesadas y dañar la reputación de la empresa. Cuando un proveedor de servicios de logística tiene un problema con la seguridad de la carga, puede afectar tanto a los conductores como a los inspectores de carga. Si algo sale mal que impacta a otras personas, la empresa podría enfrentar reclamaciones legales también. Así que, asegurar la seguridad de las cargas antes de que los camiones salgan a la carretera es vital.

#El papel de las fotos en la evaluación de la seguridad de carga

Para confirmar que cumplen con las leyes de seguridad de carga, las empresas de logística a menudo toman fotos de la carga en los camiones antes de que salgan. Algunas empresas tienen personal capacitado para revisar estas fotos y garantizar que todo cumpla con los estándares de seguridad antes de dejar que los camiones partan. Sin embargo, con tantas cargas por revisar, este proceso puede ser muy lento, especialmente si las fotos son de mala calidad. Las imágenes pueden ser poco claras o no mostrar los detalles necesarios para evaluar la seguridad de manera efectiva.

#Cómo la IA puede ayudar en las verificaciones de seguridad de carga

Este artículo explora cómo la inteligencia artificial (IA) puede facilitar el trabajo de revisar la seguridad de la carga. El objetivo es clasificar las fotos de la carga en tres categorías: I) carga cargada de forma segura, II) carga cargada de forma insegura y III) imágenes inutilizables. Usando programas informáticos que analizan imágenes, es posible ayudar a los equipos de control de calidad a determinar si una carga es segura o no.

Se pueden desarrollar sistemas de IA para separar imágenes inutilizables de aquellas que se pueden evaluar. Esto es esencial porque a veces los conductores toman fotos que no muestran claramente la carga o la estructura del camión. En los casos en que la IA puede determinar que una foto no se puede usar, un humano puede evaluar la seguridad de la carga en las imágenes utilizables.

#Propuesta de un sistema centralizado

Una forma de mejorar este proceso es usar una plataforma centralizada. Con un sistema así, todos los datos logísticos, incluidas las fotos, pueden ser almacenados y evaluados en una sola plataforma. Esto podría estar alojado en la nube o ejecutarse en un servidor interno. Una configuración así puede ayudar a mantener la seguridad de las cargas al verificar imágenes contra los requisitos de seguridad.

Para garantizar la seguridad de la carga, las empresas necesitan sistemas que puedan verificar la carga incluso cuando los conductores no son empleados permanentes. La carga a menudo es cargada por subcontratistas y revisada por el personal después. Si un empleado anota que una carga es segura, toma una foto y la envía a través de la plataforma centralizada. Al incorporar IA en esta plataforma, el proceso podría reducir significativamente la carga de trabajo para el personal de control de calidad.

#Básicos de las Redes Neuronales Artificiales (ANN)

Las redes neuronales artificiales (ANN) son herramientas versátiles utilizadas para diversas tareas como clasificar imágenes. Pueden identificar diferentes características en fotos, como bordes y colores. Cuando se entrenan correctamente, las ANN aprenden a reconocer qué características son significativas para determinar si una carga es segura.

Para tareas de Clasificación de Imágenes como evaluar la seguridad de la carga, las redes neuronales convolucionales (CNN) son particularmente efectivas. Las CNN se enfocan en reconocer aspectos relevantes de las imágenes, lo cual es vital al evaluar la seguridad de la carga.

#Preparación de datos para ANN

Una parte importante del entrenamiento de ANN es asegurar que haya suficientes datos de calidad. Al entrenar modelos de IA, tener conjuntos de datos balanceados es crucial. Si algunas categorías tienen demasiados o muy pocos ejemplos, la IA puede tener problemas para aprender adecuadamente.

Para combatir esto, se pueden aplicar técnicas de Aumento de Datos. Este proceso aumenta artificialmente la cantidad de datos modificando imágenes existentes a través de técnicas como voltear, rotar y cambiar el brillo. Esto crea nuevas imágenes que ayudan a entrenar a las ANN de manera más efectiva.

#Clasificación de imágenes para la seguridad de carga

La tarea de evaluar la seguridad de la carga implica clasificar imágenes en las tres categorías mencionadas anteriormente. Esto se puede hacer de dos maneras principales. Un método implica clasificar directamente las imágenes como seguras, inseguras o inutilizables. El otro método utiliza un árbol de decisión, donde el primer paso es determinar si una imagen es usable o no. Si lo es, el siguiente paso es clasificarla como segura o insegura.

Usar un árbol de decisión puede simplificar el proceso de clasificación. Las imágenes inutilizables suelen ser fáciles de identificar. Sin embargo, determinar si una carga es segura o insegura puede ser más complicado, aunque actualmente los humanos evalúan esto, lo que hace posible que la IA asuma esta tarea con el entrenamiento adecuado.

#Estructura del conjunto de datos

El conjunto de datos utilizado para entrenar la IA contiene más de 5,700 imágenes tomadas durante envíos de carga. Todas las fotos muestran la vista trasera de los camiones, tomadas por empleados responsables de verificar la seguridad de la carga. Dado que estas imágenes provienen del proceso real de envío en una empresa de logística, representan escenarios del mundo real, lo que hace que los datos sean valiosos para entrenar el modelo de IA.

Las imágenes se categorizan en tres clases:

• I) 1,813 imágenes de carga cargada de forma segura.
• II) 2,355 imágenes de carga cargada de forma insegura.
• III) 1,544 imágenes inutilizables que carecen de los detalles necesarios para revisiones de seguridad.

#Desafíos con el conjunto de datos

Si bien usar imágenes del mundo real es ventajoso, también plantea desafíos. El error humano puede llevar a una clasificación incorrecta de las imágenes, ya sea debido a fotos de mala calidad o diferentes estándares utilizados durante las evaluaciones. No obstante, estos ejemplos de la vida real ayudan a preparar mejor a los sistemas de IA para aplicaciones prácticas.

Las imágenes suelen tener una resolución de 3456x4608 píxeles y están en formato de color RGB. Las tres clases de imágenes están claramente definidas, lo que ayuda en el entrenamiento de la IA.

#Importancia del aumento de datos

El aumento de datos es crucial en el entrenamiento de modelos de IA para un aprendizaje efectivo. Ayuda a prevenir el sobreajuste al proporcionar más ejemplos para que la IA aprenda, especialmente cuando los conjuntos de datos son limitados. Técnicas como voltear fotos o modificar el brillo pueden marcar una diferencia significativa en los resultados del entrenamiento.

#Diferentes arquitecturas de CNN utilizadas

Se probaron varias arquitecturas de CNN para el proyecto, con dos modelos profundos (InceptionV3 y ResNet101) y un modelo poco profundo (LogisticNet basado en AlexNet). Cada una de estas arquitecturas tiene cualidades únicas que pueden afectar su rendimiento al clasificar imágenes.

• La arquitectura InceptionV3 logró la mayor precisión en las pruebas, mostrando un buen potencial para evaluar la seguridad de la carga.
• ResNet101 también proporcionó resultados sólidos, pero encontró problemas de sobreajuste.
• LogisticNet era más simple y efectivo, pero no rindió tan bien como los otros.

Entrenar cada uno de estos modelos durante 300 épocas les permitió aprender patrones y reconocer características en las imágenes de la carga.

#Resultados y precisión

Después del entrenamiento, los modelos de CNN mostraron resultados prometedores al distinguir entre imágenes utilizables e inutilizables para las verificaciones de seguridad de carga. Todos los modelos lograron más del 90% de precisión al identificar si las imágenes podían ser evaluadas por su seguridad.

Sin embargo, cuando se trató de distinguir entre cargas cargadas de forma segura y cargadas de forma insegura, la efectividad de la IA disminuyó. Si bien algunos modelos pudieron identificar correctamente las cargas seguras, las clasificaciones incorrectas fueron más frecuentes, lo que indica que la IA tuvo dificultades para diferenciar casos sutiles.

#Conclusión

En conclusión, la IA puede apoyar significativamente las evaluaciones de seguridad de carga para las empresas de logística. Filtrando las imágenes inutilizables antes de la evaluación humana, reduce la carga en los sistemas de control de calidad. Sin embargo, clasificar con precisión las cargas seguras e inseguras requiere más refinamiento. Implementar esta funcionalidad en una plataforma logística centralizada puede mejorar la eficiencia de las verificaciones de seguridad, aunque aún se necesitará supervisión de operadores humanos. El sector del transporte comercial puede beneficiarse de mejorar los protocolos de seguridad de carga a través de la integración de IA, aunque quedan desafíos por abordar.