CASO DE ÉXITO:
Terminal 6
Aplicación del Machine Learning en la Terminal 6
Sobre Terminal 6
Situada a orillas del río Paraná, la Terminal 6 (T6) es el complejo agroindustrial de exportación más importante de América Latina. El puerto recibe diariamente más de 80.000 toneladas de materias primas, que son almacenadas, transformadas y finalmente expedidas a diversas partes del mundo.
El Reto: Códigos de vagones no estandarizados
El transporte por tren representa el 33% del total. La terminal recibe diariamente entre 8 y 10 trenes cargados de cereales, que cuentan con unos 50 vagones etiquetados con sus respectivos códigos de identificación. Los vagones deben identificarse al menos dos veces, cuando entran en la terminal y cuando pasan por la báscula de pesaje para luego ser imputados en los sistemas de gestión de la información. Este proceso, realizado manualmente, tuvo que digitalizarse, dado que el proceso de recogida de datos representaba un cuello de botella para la T6 y corría el riesgo de cometer errores.
Los códigos de los vagones que se encuentran en estos trenes no son normas ISO, sino todo lo contrario, exclusivos de este caso de uso, por lo que no se disponía de ninguna solución robusta «de estante». El sistema debe ser capaz de reconocer dos tipos diferentes de códigos, además de enfrentarse a escenarios bastante desafiantes en términos de visibilidad/leibilidad de estos códigos, que a menudo están sucios o muy dañados.
La solución: Tecnología Machine Learning
La solución propuesta por AllRead implica el despliegue de dos modelos de IA diferentes. El primero es el modelo dedicado a detectar y reconocer los códigos de los vagones (A), mientras que el segundo modelo se utiliza para detectar los separadores de vagones (enganches) (B). Aunque algunos códigos de vagón son ilegibles, podemos ensamblar el mapa correcto del tren mediante la combinación de esos dos modelos en paralelo.
Para proporcionar rápidamente una solución operativa a nuestro cliente, primero desplegamos nuestros modelos genéricos de reconocimiento de texto en escena, capaces de detectar y reconocer cualquier texto presente en las imágenes. A continuación, una etapa ad hoc de postprocesamiento identificó los códigos de los vagones a partir del resto del texto extraído.
Esta aplicación inicial arrojó unos resultados en torno al 80%. Algunos de los códigos no se detectaron correctamente, y el tipo de letra utilizado para imprimir los códigos en los vagones provocó que a menudo se reconocieran erróneamente los dígitos «5», «6» y «9» (véase la imagen superior). Aunque se disponía de pocos datos adicionales, era necesario volver a entrenar los modelos para hacer frente a la deriva de datos y modelos a la que nos enfrentábamos. Pusimos en marcha dos iteraciones del bucle MLOps, que implicaban la recopilación, pero sobre todo la síntesis, de nuevos datos de entrenamiento, el ajuste y la adaptación al dominio de nuestros modelos de aprendizaje profundo para la detección y el reconocimiento de texto y la supervisión del rendimiento. Finalmente, desplegamos una solución a medida para aquellos códigos de vagón específicos que proporcionaron precisiones superiores al 96 % de reconocimiento.
Requisitos mínimos de hardware y facilidad de instalación
La solución propuesta por AllRead se adaptaba perfectamente a lo que buscaba T6. Después de algunas iteraciones sobre los modelos iniciales desplegados, e independientemente del escenario desafiante, gracias a la robustez del software y sus modelos de IA, AllRead se mantiene fiel a su filosofía: garantizar siempre unos requisitos mínimos de hardware y facilidad de instalación: dos cámaras y dos puntos de luz fijados en postes a ambos lados del carril, y conectados a un servidor in situ.
Con el apoyo de Generática, consultores tecnológicos del puerto y socio de AllRead, la solución se ha integrado en los sistemas de información y en las tareas diarias de los operadores. Teniendo en cuenta que a principios de 2024, mientras que el proceso de pesaje era digital, el seguimiento de los trenes se realizaba manualmente (es decir, para cada tren que entraba, se tomaban las notas manualmente para vincularlas después a sus respectivos pesos), se puede suponer la importante ganancia de eficiencia que supone automatizar la recogida y consolidación de datos.
El resultado: Solución OCR personalizada
Además, a través del cuadro de mandos proporcionado por AllRead, se permite el control y, en caso necesario, la corrección de los datos, sin necesidad de que el operario se mueva de su puesto de trabajo. Curiosamente, el impacto de la automatización también se aprecia en otros procesos de la T6, como la verificación del peso declarado, la facturación, etc. liberando tiempo de los operarios para concentrarse en tareas de mayor valor añadido.
A la vista de los beneficios de este proyecto, AllRead y T6 ya vislumbran la escalabilidad de esta solución, tanto en la misma terminal como en otras Terminales del grupo. Teniendo en cuenta que los modelos de IA se han personalizado y que el sistema se ha preparado para su integración con el actual TOS de T6 con Generatica, el despliegue de la solución en varios emplazamientos del operador de terminales requiere un esfuerzo adicional mínimo.
Si desea saber más sobre esta historia de éxito, contacta a nuestro equipo comercial.