Implementación de modelos de visión artificial optimizados para la detección de frescura de alimentos en dispositivos móviles: caso FridgeEye

Abstract

El presente trabajo aborda el problema del desperdicio de alimentos en el contexto doméstico colombiano, fenómeno que de acuerdo con el Departamento Nacional de Planeación (DNP, 2016) alcanza las 9,76 millones de toneladas anuales en el país, de las cuales el 15,6 % se pierde en el consumo final dentro de los hogares. Para mitigar esta problemática, el proyecto FridgeEye desarrolló un prototipo de aplicación móvil basado en visión artificial y aprendizaje profundo bajo el paradigma de On-device AI (Edge Computing). La metodología combinó tres componentes complementarios: una revisión sistemática de la literatura basada en la declaración PRISMA, que partió de 379 registros iniciales y consolidó un corpus final de 15 artículos científicos de alta calidad metodológica; la adopción y curaduría del dataset FridgeEye-1K (denominación interna asignada al dataset de entrenamiento utilizado, que a un dataset público externo de más de 70.000 imágenes etiquetadas de productos perecederos) del cual se seleccionaron aproximadamente 50.000 imágenes útiles para el entrenamiento del modelo final, tras un proceso de filtrado por calidad, balance entre clases y representatividad de las condiciones lumínicas reales de uso doméstico; y el entrenamiento de un modelo basado en la arquitectura YOLO mediante Transfer Learning, con 120 épocas, optimizador AdamW, resolución de entrada de 640 × 640 píxeles y técnicas avanzadas de aumentación de datos (mosaic, mixup, randaugment y ajustes HSV). Los resultados obtenidos durante la validación superaron ampliamente la meta operativa del 85 % de exactitud: el modelo final alcanzó un mAP@0,5 de 98,5 %, un mAP@0,5–0,95 de 90,8 %, una precisión global de 95,0 % y un recall de 95,8 %, con tasas de acierto del 97 % tanto para la clase Fresco como para la clase Deteriorado. Como producto final se materializó un prototipo de aplicación móvil con interfaz nativa que integra menú principal, captura por cámara, galería de productos y gestión de inventario, ejecutando la inferencia íntegramente en el dispositivo y cumpliendo por diseño los principios de la Ley 1581 de 2012 (Habeas Data). El análisis financiero a cinco años arrojó un Valor Presente Neto de $103.252.278 COP, una Tasa Interna de Retorno del 59,03 % anual y un período de recuperación de la inversión de 1,67 años, indicadores que confirman la viabilidad integral del proyecto y consolidan a FridgeEye como un aporte innovador alineado con los Objetivos de Desarrollo Sostenible 9, 12 y 13.

The present work addresses the problem of food waste in the Colombian domestic context, a phenomenon that according to the National Planning Department (DNP, 2016) reaches 9.76 million tons annually in the country, of which 15.6 % is lost at the final consumption stage inside households. To mitigate this problem, the FridgeEye project developed a mobile application prototype based on computer vision and deep learning under the On-device AI (Edge Computing) paradigm. The methodology combined three complementary components: a systematic literature review based on the PRISMA statement, which started from 379 initial records and consolidated a final corpus of 15 high-quality scientific articles; the adoption and curation of the FridgeEye-1K dataset (the internal label assigned to the training dataset used, which corresponds to an external public dataset of over 70,000 annotated images of perishable products) from which approximately 50,000 useful images were selected for the final model training, after a filtering process based on quality, class balance and representativeness of real domestic lighting conditions; and the training of a YOLO-based model through Transfer Learning, with 120 epochs, AdamW optimizer, 640 × 640 pixel input resolution and advanced data augmentation techniques (mosaic, mixup, randaugment and HSV adjustments). The validation results far exceeded the 85 % accuracy operational target: the final model achieved an mAP@0.5 of 98.5 %, an mAP@0.5–0.95 of 90.8 %, an overall precision of 95.0 % and a recall of 95.8 %, with 97 % accuracy rates for both the Fresh and Spoiled classes. As a final product, a mobile application prototype was materialized with a native interface that integrates main menu, camera capture, product gallery and inventory management, running the inference entirely on the device and therefore complying by design with the principles of Colombia's Law 1581 of 2012 (Habeas Data). The five-year financial analysis yielded a Net Present Value of $103,252,278 COP, an Internal Rate of Return of 59.03 % per annum and a payback period of 1.67 years, indicators that confirm the comprehensive feasibility of the project and consolidate FridgeEye as an innovative contribution aligned with Sustainable Development Goals 9, 12 and 13.