Cámara que atrapa el defecto que se escapa

El problema

El defecto sutil pasa el clasificador, pasa la mesa de selección y llega al cliente.

La variación natural del fruto en tamaño, madurez y textura -el dolor de control de calidad declarado por la planta- hace que el clasificador automático de calibre no siempre capture defectos externos sutiles a cadencia real. Esa fruta llega al distribuidor: reclamación, devolución de caja completa, pérdida de confianza en un mercado de exportación donde la reputación se juega lote a lote.

• El aguacate es un fruto natural: varía en tamaño, madurez y textura de piel de un huerto a otro y de una semana a otra. Esa variación es el dolor declarado de control de calidad en empaque.
• El clasificador automático separa bien por calibre y color, pero no siempre distingue defectos externos sutiles: un golpe reciente, una mancha de antracnosis incipiente, la punta negra, una zona sobremadura.
• A la cadencia real de la línea, el ojo humano en la mesa de selección solo hace un muestreo parcial, y la pieza marginal se escapa.
• Esa fruta llega al distribuidor: reclamación, devolución de la caja completa y pérdida de confianza en un mercado de exportación donde la reputación se juega lote a lote. Y la planta no sabe de qué huerto venía la fruta reclamada ni qué defecto concreto se escapó.

Cómo encaja con el sistema IRIS

Edge — una CNN entrenada con vuestra fruta, en local, pieza a pieza.

Edge iLEAN: una cámara industrial sobre la línea de empaque, con GPU Edge local y una CNN entrenada con ejemplos buenos/malos del fruto concreto (golpes, manchas, punta negra, sobre-maduración), infiere en milisegundos y expulsa la pieza defectuosa antes del empaque final.

Una caja de exportación con un solo aguacate con antracnosis visible no se reclama por un aguacate: se reclama entera. Por eso el valor no está en inspeccionar mejor una muestra, sino en inspeccionar todas las piezas a la velocidad de la banda. Y la fruta que se expulsa no se tira: sigue teniendo valor como pulpa, guacamole o aceite.

Ver la arquitectura IRIS completa →

Antes y después

La selección visual de hoy frente a la inspección Edge del 100 %

Aspecto	Hoy	Con iLEAN Edge
Fruta revisada en empaque	Muestreo visual parcial	El 100 %, pieza a pieza
Golpe reciente en la piel	Se escapa a cadencia real	Detectado y expulsado
Antracnosis incipiente o punta negra	Depende del ojo y del turno	Clase entrenada del modelo
Pieza sobremadura en una caja de exportación	Se descubre en destino	Fuera antes de la caja
Tiempo de decisión por fruta	—	Milisegundos, en GPU local
Reclamación por defecto visual	Caja completa devuelta	Reducción drástica

Muestreo visual humano parcial → control del 100% de la fruta. Reclamaciones por defecto visual → reducción drástica.

Estimación de impacto

Estimación de impacto — a validar con vuestros números.

El siguiente bloque es una estimación a validar con los datos concretos de tu planta. Lo planteamos para que el comité tenga un orden de magnitud; lo refinamos en el diagnóstico.

• Payback estimado 5-12 meses, según vuestro ratio de merma actual.
• Por la reducción de reclamaciones y devoluciones de exportación por defecto visual.
• El control pasa del muestreo visual humano parcial al 100 % de la fruta.
• Y cada expulsión queda registrada con su imagen y su lote-huerto, que es lo que permite hablar con un productor con datos y no con impresiones. Si un huerto concentra los golpes, el problema está en la cosecha o en el transporte, no en la planta.

Payback estimado 5-12 meses según ratio de merma actual, por reducción de reclamaciones y devoluciones de exportación. *Estimación a validar.*

Y la duda razonable del responsable de producción

«Cada aguacate es distinto, ¿no va a expulsar fruta buena?» — distinguir un golpe o una mancha de antracnosis de la textura normal de la piel es tarea anclada: la CNN se entrena con ejemplos buenos y malos de vuestro propio fruto y vuestras variedades, y en ese tipo de tarea los mejores modelos bajan del 1,5% de error [1]. Y el umbral de expulsión lo fija calidad: se puede empezar en modo solo aviso y activar el expulsor cuando la tasa de falsos rechazos esté validada.

^[1] Paper OpenAI «Why Language Models Hallucinate», 2025 — sobre fiabilidad de la IA en tareas ancladas.