Seeing quality through AI: YOLOv11 for automated grading of dried sea cucumber processing methods

Imagina un mundo donde las computadoras tienen ojos que nunca parpadean, nunca se cansan y pueden detectar el detalle más mínimo en una multitud de miles. Este es el reino de la visión artificial, una rama de la inteligencia artificial donde las máquinas aprenden a "ver" el mundo a través de cámaras, tal como lo hacemos nosotros con nuestros propios ojos. Pero en lugar de solo mirar, estos ojos digitales pueden medir, contar y clasificar cosas en una fracción de segundo. Una herramienta clave en este campo es la detección de objetos, que es como un juego de "Veo, veo" superpotenciado. No solo te dice qué hay en una imagen; dibuja un cuadro alrededor de cada uno de los elementos y los nombra, incluso si los objetos están apilados unos sobre otros o escondidos en las sombras. ¿Por qué es esto importante? Porque en el mundo real, desde la clasificación de frutas hasta la revisión de piezas de automóviles, los humanos se cansan, su vista se nubla y pueden no estar de acuerdo en lo que ven. Necesitamos una forma de verificar la calidad que sea rápida, justa y que nunca se tome un descanso para tomar café.

Este es exactamente el desafío que un equipo de investigadores abordó con un proyecto centrado en un aperitivo muy específico y de alto valor: los pepinos de mar secos. Estos no son los típicos juguetes de playa; son un preciado producto marino que se comercializa globalmente. Pero aquí está la parte difícil: su valor depende enteramente de cómo fueron procesados. Algunos están salados, otros son ahumados y otros son tostados. Cada método deja una "huella digital" única en la piel del pepino de mar: cambios en el color, la textura y cuánto se encoge. Tradicionalmente, los humanos tienen que pararse frente a montones de estas criaturas blandas y secas para adivinar qué método se utilizó. Es un trabajo que requiere un ojo agudo, pero también es subjetivo, lento y difícil de mantener constante. Si un inspector piensa que un lote es "ahumado" y otro piensa que es "tostado", toda la cadena de suministro se confunde.

Los investigadores se hicieron una pregunta simple pero audaz: ¿Puede una IA aprender a distinguir la diferencia entre pepinos de mar salados, ahumados y tostados solo con mirar una foto? Para responder a esto, no usaron cualquier IA cualquiera; usaron un modelo de vanguardia llamado YOLO11n. Piensa en YOLO (que significa "You Only Look Once" o "Solo Miras Una Vez") como un detective ultrarrápido que escanea una imagen y detecta instantáneamente todo lo que hay en ella. La "n" significa "nano", lo que quiere decir que este detective es diminuto y ligero, perfecto para ejecutarse en computadoras más pequeñas y económicas.

Para enseñar a este detective de IA, el equipo reunió una colección masiva de 1,450 fotos tomadas en sitios reales de procesamiento de pepinos de mar en el norte de Sulawesi, Indonesia. Estas no eran fotos limpias e aisladas de pepinos de mar individuales sobre una mesa blanca. Eran tomas desordenadas y realistas de bandejas llenas donde los pepinos de mar estaban amontonados, superpuestos y revueltos, tal como se ven en una fábrica real. El equipo dibujó cuidadosamente cuadros alrededor de cada uno de los pepinos de mar en las fotos y los etiquetó como "salados", "ahumados" o "tostados". Esto se convirtió en el manual de entrenamiento para la IA.

Luego, pusieron a prueba a la IA. Los resultados fueron nada menos que espectaculares. El modelo YOLO11n, tras ser entrenado durante 100 rondas (épocas) en imágenes de tamaño 320 × 320 píxeles, se convirtió en un maestro en su trabajo. Logró una precisión del 99.73%, lo que significa que cuando decía: "Ese es un pepino de mar ahumado", casi siempre tenía razón. También tuvo un recall (exhaustividad) de 99.87%, lo que significa que no pasó por alto casi nada; encontró casi todos los pepinos de mar en la pila. En el mundo de la clasificación por IA, estos números son como darle al centro de una diana desde el otro lado de la habitación.

Pero los investigadores no se detuvieron en un "funciona". Querían saber por qué funcionaba tan bien y si podían hacerlo aún mejor. Introdujeron tres mejoras ingeniosas al modelo de IA estándar:

1. Una lente de "cambio de forma" (DMSAM): Los pepinos de mar secos tienen formas extrañas. Se arrugan, se encogen y se curvan. La IA estándar mira las cosas en cuadros fijos y cuadrados, lo que puede perder detalles. Los investigadores añadieron un módulo especial que permite que la "lente" de la IA se doble y se estire para adaptarse a las formas irregulares de los pepinos de mar, de forma muy similar a un guante flexible que se moldea perfectamente a una mano.
2. Un profesor de "equidad" (AFL-LS): En su colección de fotos, había menos pepinos de mar tostados que salados o ahumados. Usualmente, la IA se confunde con esto e ignora los ejemplares menos comunes. El equipo añadió una regla de puntuación especial que obligaba a la IA a prestar especial atención a los tipos menos frecuentes, asegurando que no solo aprendiera lo más fácil.
3. Una "verificación de confianza" (Ensemble Uncertainty): A veces, incluso una IA inteligente no está segura. El equipo construyó un sistema donde la IA "vota" sobre su propia respuesta varias veces. Si todos los votos coinciden, la IA tiene confianza. Si no están de acuerdo, el sistema la marca como "incierta", diciéndole a un trabajador humano: "Oye, no estoy 100% seguro de esto, echa un vistazo".

El estudio encontró que estas mejoras hicieron que la IA fuera aún más aguda. La combinación de la lente de cambio de forma y el profesor de equidad aumentó significamente la precisión del modelo en comparación con la versión básica. Sin embargo, los investigadores fueron honestos sobre los límites. Aunque la IA era increíble para identificar el tipo de pepino de mar (casi perfecta), era ligeramente menos perfecta al dibujar el contorno exacto alrededor de ellos, especialmente cuando estaban apilados unos sobre otros. Es como si la IA supiera exactamente qué fruta es, pero a veces el cuadro que dibuja alrededor de ella es un poco más grande o pequeño. Este es un desafío común cuando se trata de objetos orgánicos y blandos que no tienen bordes rectos.

El artículo deja claro que esto no es una varita mágica que resuelve todos los problemas en el océano. La IA fue entrenada con fotos de una región específica de Indonesia. Los investigadores declaran explícitamente que, antes de que este sistema pueda ser utilizado en fábricas de todo el mundo, necesita ser probado con fotos de diferentes lugares, con diferentes cámaras y bajo diferentes condiciones de iluminación. También no afirmaron que este fuera el mejor modelo de IA jamás creado; simplemente demostraron que esta versión específica (YOLO11n) funcionó increíblemente bien para este trabajo específico. Sugirieron que estudios futuros deberían comparar este modelo cara a cara con otros modelos de IA potentes para ver quién gana realmente.

Al final, este artículo es una historia sobre darle a una computadora la capacidad de comprender el arte sutil de secar pepinos de mar. Demuestra que con el entrenamiento adecuado y algunos trucos ingeniosos, una IA puede aprender a distinguir entre un bocado salado y uno ahumado, incluso en una pila desordenada. Esto podría ayudar eventualmente a los pescadores y procesadores a clasificar sus productos de manera más rápida y justa, convirtiendo un trabajo que antes dependía de la suposición humana en una ciencia precisa y automatizada. Es un pequeño paso para un pepino de mar, pero un gran salto para la pesca inteligente.