Visión Artificial para el control de los vehículos de flota
Llevamos ya un largo tiempo, donde se habla de forma muy generalizada, de los beneficios que tiene aplicar tecnologías de vanguardia en sectores como el transporte y la logística. También es habitual leer, aplicaciones de forma muy genérica, en que operaciones o puntos de la cadena de suministro, se
Llevamos ya un largo tiempo, donde se habla de forma muy generalizada, de los beneficios que tiene aplicar tecnologías de vanguardia en sectores como el transporte y la logística. También es habitual leer, aplicaciones de forma muy genérica, en que operaciones o puntos de la cadena de suministro, se pueden implementar este tipo de herramientas, y claro está, los beneficios que conlleva.
Pero pocos son los que se aventuran a profundizar en esos puntos genéricos que se describen, pongamos un ejemplo, el control del estado de los vehículos de una flota de distribución, por ejemplo. Las empresas con flota propia, y un número considerable de vehículos, deja en manos del propio conductor el feed back sobre la situación de su vehículo, por ejemplo, si tiene un golpe, una rozadura, etc. La situación más habitual es, que aun teniendo los vehículos en formato renting, donde se incluye una cobertura total sobre el vehículo, el conductor, con tal de no decir que ha sufrido un percance leve (golpear una columna, por ejemplo), lo calla, hasta que el vehículo es devuelto a la finalización del contrato, y la empresa es sancionada por entregar el vehículo golpeado.
¿Cómo podemos solucionar esto con la tecnología?
La respuesta es inmediata: con visión artificial. La respuesta es correcta, claro que sí, pero, ¿y como se aplica esa visión artificial?
Aquí es donde se aprecia la falta de concreción, que intentaremos disipar, al hilo de la noticia publicada por Amazon, que gracias a un software externo, aplicando inteligencia artificial mediante visión, detecta las anomalías como golpes en los vehículos de reparto.
Hay dos formas para afrontar este reto; el primero es mediante el uso de imágenes, es decir, fotografiar el vehículo para que luego la IA detecte las anomalías. Los peros son importantes, por un lado, se necesita "entrenar" de forma muy robusta a la IA, es decir, de forma manual y con unos miles de fotos, tenemos que enseñar a la IA que es lo que tiene que ver (el vehículo) y que desechar en la imagen. Además, es muy importante la calidad de las imágenes, que estas sean siempre captadas en el mismo sitio (para que ese entrenamiento sea efectivo), y sobre todo, eliminar el mayor enemigo de esta tecnología, que es el brillo en la imagen (un exceso de sol, por ejemplo, es muy perjudicial).
La segunda forma de afrontar el reto, es que esas imágenes sean captadas mediante sistemas "fijos", es decir, placas o sensores, que se activan, cuando el vehículo es depositado en ese punto de control. En lugar de hacer una imagen, se fija el lugar, los sensores, y el vehículo debe de aparcarse siempre del mismo modo, para que se capturen las imágenes, y estas, sean procesadas.
Este sistema es mucho más costoso que el anterior, pero garantiza, por un lado, una captura mejor de las imágenes, y que el entrenamiento inicial sea más efectivo. Además, cuanto mayor sea el volumen de imágenes procesadas, aplicando machine learning, la propia IA refinará sus resultados, hasta lograr una localización de las anomalías mayor, además de una mejor clasificación de los mismos. En el caso de Amazon, no solo afrontan el control exterior, también el control de otras partes del vehículo, relacionadas con la mecánica.