Randae García Sánchez y Starlin Frías Luna – Ingeniería en Ciencias de la Computación, Pontificia Universidad Católica Madre y Maestra (PUCMM)

En situaciones de emergencia como huracanes, sismos o inundaciones, la velocidad y exactitud en la repartición de alimentos no indispensables puede ser la diferencia entre el desorden y una efectiva intervención humanitaria. En la República Dominicana, los centros de recolección tienen la obligación de acoger, preservar y distribuir estos recursos vitales. No obstante, la mayoría de estos centros aún recurren a técnicas manuales para administrar su inventario, lo que restringe considerablemente su habilidad para funcionar en circunstancias críticas (Van Wassenhove, 2006; Holguín-Veras, 2012) [1].

Ante esta realidad, surge Smart Stock Analyzer, un proyecto desarrollado por Randae García Sánchez y Starlin Frías Luna como parte de su tesis de grado en la carrera de Ingeniería en Ciencias de la Computación en la Pontificia Universidad Católica Madre y Maestra (PUCMM), bajo la asesoría del Ing. Máximo Emiliano Pérez Medrano. El objetivo principal del proyecto es transformar la forma en que los centros de acopio gestionan su inventario, integrando tecnologías de visión por computadora y aprendizaje profundo en una aplicación móvil accesible y fácil de usar.

La propuesta surge de un impulso específico: la ineficiencia y la vulnerabilidad de los métodos de inventario actuales en centros de recolección frente a situaciones de emergencia. No solo son lentos y susceptibles a fallos humanos estos procedimientos, sino que también complican la toma de decisiones en tiempo real. Investigaciones han evidenciado que la ausencia de datos exactos acerca de los inventarios puede poner en riesgo la distribución adecuada de recursos, lo que resulta particularmente alarmante en contextos con restricciones tecnológicas y presupuestarias (Çelik, 2012; Balcik, 2020) [3].

El Smart Stock Analyzer es un enfoque en la innovación local, utilizando los más recientes avances en inteligencia artificial como los modelos YOLO y RF-DETR para reconocer y contar productos directamente a partir de imágenes capturadas con la cámara de un móvil. Este proyecto, más que una respuesta tecnológica, sugiere una herramienta de efecto social directo, orientada a incrementar la eficiencia, disminuir el derroche y potenciar la habilidad para reaccionar ante crisis humanitarias (Goldman, 2019; Tonioni, 2020) [5].

Con esta perspectiva, el blog que presentamos tiene como objetivo difundir el procedimiento, los aprendizajes y el posible efecto de esta solución, que busca transformarse en un modelo de innovación aplicada en situaciones de recursos escasos. Compártenos cómo la informática puede hacer una diferencia en instantes que verdaderamente son relevantes.

Inventarios manuales en tiempos de crisis: un reto sin resolver

En la República Dominicana, los centros de recolección juegan un papel vital en la gestión de emergencias, actuando como sitios estratégicos para acoger, guardar y repartir productos no esenciales para el consumo. Sin embargo, a pesar de su importancia, estas instalaciones suelen operar con métodos elementales y sin el soporte tecnológico adecuado. La gestión del inventario, crucial para garantizar una reacción eficaz en periodos de crisis, generalmente se realiza de forma manual, empleando hojas de cálculo o conteos visuales. Esta situación ha sido ampliamente documentada en escenarios humanitarios, donde la falta de sistemas automatizados causa retrasos, errores y, en el caso más severo, pérdidas irreparables de recursos esenciales [1], [4].

Al estar frecuentemente sometida a fenómenos naturales como huracanes e inundaciones, la República Dominicana necesita un sistema logístico sumamente eficaz para satisfacer las demandas de la población impactada. No obstante, en sucesos como los ciclones Irma y María en 2017, se demostró que la improvisación y la falta de organización en la gestión de recursos empeoraron la condición de miles de familias [7]. Estas deficiencias se atribuyen, en cierta medida, a la falta de seguridad de los centros de recolección para determinar con precisión cuántos productos disponen, cuáles requieren su sustitución, o cómo ordenar su distribución en tiempo real. La utilización de procedimientos analógicos no solo obstaculiza las operaciones, sino que amenaza la vida de los individuos más vulnerables.

Diversas investigaciones concuerdan en que el principal impedimento para implementar soluciones tecnológicas en estos centros radica en la escasez de infraestructura, presupuesto y personal formado [8]. Las herramientas comerciales existentes para la administración de inventarios suelen ser caras, necesitan una conexión a internet estable y están diseñadas para situaciones empresariales, no humanitarias. Por lo tanto, a pesar de que hay sistemas de administración ERP o aplicaciones móviles sofisticadas para el comercio minorista, estos no se ajustan con facilidad a la situación de un centro de recolección en un país en desarrollo. Van Wassenhove ha destacado esta brecha tecnológica como una de las principales razones de ineficiencia en la logística humanitaria [1].

A escala global, se han sugerido soluciones que utilizan tecnología de la información para identificar productos en estanterías o almacenes. Por ejemplo, Goldman y colaboradores obtuvieron más del 94% de exactitud al identificar productos en supermercados mediante el uso de modelos como Faster R-CNN [5]. Otros métodos, como el estudio de Tonioni et al., han empleado versiones más livianas de YOLO para transmitir productos en tiempo real desde aparatos móviles, logrando resultados alentadores en comercios [6]. No obstante, estos avances están dirigidos al comercio minorista de alta gama y demandan condiciones reguladas de iluminación, conexión y equipos especializados, lo que los convierte en poco factibles en centros de recolección rurales o improvisados.

En el escenario latinoamericano, muy pocas investigaciones se enfocan en soluciones económicas que sean administradas por personal no técnico en entornos con limitada conectividad. Aunque existen iniciativas que implementan el aprendizaje automático en áreas como la salud pública o la agricultura, el área de la administración humanitaria sigue en desarrollo. Por ejemplo, en República Dominicana, la mayoría de los instrumentos tecnológicos desarrollados para situaciones de emergencia se centran en la comunicación o la representación del mapa de zonas afectadas, no en la gestión de los recursos. Según un estudio de REDISD, una mala administración del inventario ha provocado excesos y derroches en diversas microempresas, lo que demuestra un problema estructural en el país [9].

Esta mezcla de elementos —limitaciones en las operaciones, soluciones actuales deficientes y la necesidad de una respuesta efectiva en circunstancias de emergencia— pone de manifiesto la importancia de una propuesta innovadora y ajustada al entorno local. Por lo tanto, surge el proyecto Smart Stock Analyzer: un instrumento que no solo aspira a automatizar el inventario, sino también a hacerlo de manera económica, accesible y funcional en las circunstancias reales a las que se enfrentan los centros de recolección dominicanos. En este contexto, la tecnología no es un lujo, sino una urgencia para preservar recursos… y vidas.

El desarrollo del proyecto Smart Stock Analyzer ha logrado implementar una solución móvil basada en visión computacional que automatiza la gestión de inventarios de productos no perecederos en centros de acopio en la República Dominicana, contribuyendo así a mejorar la eficiencia operativa durante situaciones de emergencia. A partir de este objetivo general, se cumplieron metas específicas como el diseño y entrenamiento de un modelo de reconocimiento visual con precisión superior al 85%, capaz de identificar y contabilizar productos clave como botellas y enlatados; el desarrollo de una aplicación móvil intuitiva con alertas de niveles críticos y reportes de consumo; la integración de funciones de búsqueda y clasificación por categorías para agilizar el acceso a productos durante eventos críticos; y la validación del sistema en condiciones reales mediante pruebas controladas, cumpliendo con los criterios de viabilidad técnica, económica y operativa definidos desde el inicio.

Un enfoque adaptado al contexto dominicano

El enfoque diseñado para el desarrollo de Smart Stock Analyzer se fundamentó en un enfoque realista y flexible ante las circunstancias operativas de los centros de recolección en República Dominicana. En contraste con otras propuestas dirigidas a cadenas de comercio minorista con acceso a una infraestructura sólida, este proyecto optó por un enfoque de bajo costo y alto rendimiento. La arquitectura global del sistema incorpora una aplicación para móviles, un backend de procesamiento y un modelo de visión informática entrenado específicamente con datos del ambiente local. La meta principal consistió en optimizar la eficacia del sistema frente a restricciones reales como la conectividad irregular, aparatos móviles de tamaño medio y la falta de personal técnico especializado [1].

Visión por computadora como eje central

La solución incluye un modelo de identificación de objetos fundamentado en redes neuronales convolucionales (CNN). Inicialmente, se escogieron arquitecturas como YOLOv5 y YOLOv8 debido a su equilibrio entre rapidez y exactitud, resultando particularmente eficientes en labores de detección en tiempo real [10]. No obstante, la inclusión del modelo RF-DETR (Transformador de Detección Relacional Ampliada) constituyó un progreso metodológico crucial, dado que su estructura fundamentada en transformadores facilita la captura de relaciones espaciales entre objetos en escenas densas, características de centros de recolección [11]. Esta arquitectura ha demostrado rendimientos óptimos en situaciones multiclase y en la identificación de objetos parcialmente solapados, situaciones habituales en almacenes improvisados.

Recolección y creación de dataset contextualizado

Una de las contribuciones más importantes de la metodología fue la construcción de un dataset propio. Aunque inicialmente se utilizó Open Food Facts como fuente base, se identificaron limitaciones en la representación visual de productos del mercado local. Para solucionar esto, se recolectaron más de 300 imágenes en supermercados y almacenes reales como El Bravo, Nacional y La Fuente. Esta estrategia permitió adaptar el modelo a las particularidades visuales del entorno dominicano, mejorando la precisión en condiciones no controladas. El uso de datos sintéticos también fue parte de la estrategia de aumento de datos (data augmentation), aplicando técnicas como rotaciones, cambios de brillo y escalado [12].

Procesamiento híbrido: edge y nube

Dado que muchos centros de acopio no cuentan con acceso constante a internet, se diseñó una arquitectura híbrida. Esta permite realizar la detección en vivo desde el dispositivo móvil obteniendo un conteo rápido de los productos en tiempo real, aunque estos no pueden ser almacenados y recolectados en el dispositivo al menos que no se cuente con conexión a internet. Este enfoque permite que el sistema sea funcional incluso en entornos offline, mientras aprovecha la nube cuando la conectividad lo permite [13], también permite una mejor experiencia del usuario al no tener que esperar el análisis de la imagen para tener una idea de cuáles podrían ser los posibles resultados.

Desarrollo multiplataforma y experiencia de usuario

Para garantizar portabilidad y acceso a gran escala, se desarrolló una aplicación en Flutter para dispositivos móviles, seleccionada por su capacidad para compilar en Android e iOS desde una sola base de código, y por su compatibilidad con bibliotecas de visión computacional como TensorFlow Lite y ML Kit. El diseño de la interfaz se fundamentó en conceptos de facilidad de uso, orientado a operadores no expertos, con botones extensos, advertencias visuales y menús simplificados. Adicionalmente, se incorporaron funciones de etiquetado manual, lo que permite la corrección de errores del modelo y mejora la adaptabilidad al entorno [14].

Validación práctica y condiciones controladas

El sistema fue probado en condiciones simuladas, tratando de replicar entornos de centros de acopio reales. Se determinó que el modelo alcanza su mayor precisión (superior al 90%) cuando las imágenes se capturan con una separación entre productos de 3 a 5 cm, iluminación entre 300 y 800 lux, y una distancia de cámara de 50 a 120 cm. Estos parámetros fueron validados en base a estudios sobre reconocimiento visual en ambientes reales [6]. También se realizaron pruebas de robustez en escenarios de baja iluminación y productos apilados, observando una disminución previsible de hasta un 20% en la precisión, resultado coherente con la literatura.

Inteligencia artificial con propósito social

Lo que diferencia esta metodología de otras del estado del arte es su foco en la accesibilidad y utilidad en contextos humanitarios. Mientras la mayoría de soluciones revisadas se enfocan en el sector privado, este proyecto implementa IA como herramienta de soporte para poblaciones vulnerables. Se prioriza la simplicidad del sistema, la posibilidad de uso offline, y la escalabilidad en futuras fases del proyecto (por ejemplo, ampliación de productos (clases del modelo) o integración con sistemas de distribución logística).

Sostenibilidad y escalabilidad del sistema

Finalmente, la metodología contempla un diseño modular que permite escalar la solución a más centros de acopio, sin necesidad de ajustes mayores. Los modelos pueden ser reentrenados con nuevos datos, y la aplicación móvil puede actualizarse de forma remota. Además, se documentó el proceso de entrenamiento y despliegue del modelo, para permitir que otros equipos técnicos, incluso fuera del país, puedan replicar o adaptar la solución. Esto convierte al Smart Stock Analyzer en una herramienta con potencial de crecimiento regional y aplicación en otros escenarios de emergencia o logística social.

Resultados

La puesta en marcha del sistema Smart Stock Analyzer confirmó la hipótesis propuesta en los objetivos: que se puede automatizar la gestión del inventario en centros de recolección mediante visión computacional desde un dispositivo móvil, con gran exactitud, asequible y sin requerir una conexión permanente a internet al menos para la detección en tiempo real. En las etapas de prueba y validación, tanto el modelo YOLO como el RF-DETR exhibieron habilidades robustas en la identificación y recuento de productos esenciales, alcanzando y excediendo los límites fijados en la metodología de planificación.

En pruebas realizadas con el modelo YOLOv8 desplegado directamente en la aplicación móvil (edge processing), se alcanzó una precisión promedio del 88.4% en la clasificación correcta de productos, con una tasa de falsos positivos inferior al 5% en condiciones de iluminación estándar y separación mínima entre objetos. Esta implementación fue especialmente útil para realizar escaneos rápidos en almacenes con conectividad limitada, validando el objetivo específico de procesamiento local en dispositivos sin hardware especializado.

En contraste, el modelo RF-DETR, entrenado y desplegado a través de Roboflow y alojado en el backend de Django, demostró un desempeño aún más sólido en contextos complejos. Este modelo, con una precisión media del 91.7% y una mejor habilidad para detectar objetos solapados o parcialmente visibles, resultó ser perfecto para entornos con una alta densidad de productos. Además, se distinguió por su habilidad para conservar un elevado recall (92%) en lotes variados, lo que asegura que la mayoría de los productos visibles sean identificados de manera correcta.

La arquitectura híbrida planteada permitió una conectividad dinámica entre el cliente móvil y el servidor backend. En escenarios donde el internet estaba disponible, la sincronización con el servidor fue fluida, permitiendo la carga de inventarios al sistema central y la generación automática de reportes estadísticos. Esto responde directamente al objetivo de centralización de información y visibilidad remota del inventario.

Durante la validación en campo, se realizaron más de 100 escaneos con imágenes reales tomadas en supermercados y almacenes simulados. Estas imágenes incluyen tanto productos individuales como empaques (ej. botellas individuales o packs de 12), y el sistema demostró ser capaz de diferenciarlos con precisión al superar el umbral de confianza del 85%, establecido como estándar mínimo para validación. Además, se utilizaron métricas como IoU (Intersection over Union) y mAP (mean Average Precision) para comparar con benchmarks existentes, logrando un mAP@50 de 89% para YOLOv8 y de 91% para RF-DETR, en línea con estudios previos [15][16].

Finalmente, un grupo limitado de usuarios realizó pruebas controladas con el sistema, resaltando la sencillez de manejo de la interfaz móvil, en particular por su sencillez visual y la utilización de botones grandes e íconos descriptivos. Esto confirma el enfoque orientado a usuarios no técnicos y potencia la capacidad del sistema para expandirse en el futuro hacia otros contextos de respuesta humanitaria.

Conclusión

El avance del proyecto Smart Stock Analyzer constituye un avance significativo hacia la digitalización de los procedimientos logísticos en los centros de recolección de la República Dominicana. Este sistema, al fusionar modelos de visión computacional con una arquitectura híbrida que facilita el procesamiento en dispositivos móviles y en la nube, evidencia que la inteligencia artificial puede implementarse de forma práctica y eficaz en contextos con recursos escasos. La comprobación del sistema en situaciones reales, sumada a su rendimiento superior al 85% de exactitud en la identificación de productos esenciales, confirma la factibilidad del método técnico y operativo implementado.

Una de las enseñanzas fundamentales ha sido la relevancia de ajustar las soluciones tecnológicas al entorno en el que serán aplicadas. En contraste con numerosos proyectos parecidos en contextos corporativos o de venta al por menor, este sistema se diseñó teniendo en cuenta las especificidades logísticas, tecnológicas y humanas de los centros de recolección de República Dominicana. Esto demandó tomar decisiones técnicas concretas como la creación de un dataset propio y la utilización de modelos leves como YOLO para inferencia local. Este método contextualizado fortalece los principios propuestos por Van Wassenhove y Holguín-Veras acerca de la importancia de crear soluciones logísticas enfocadas en la realidad de los contextos humanitarios [1][2].

Pese al logro logrado en esta etapa, hay áreas evidentes de mejora y crecimiento. En etapas futuras del proyecto se propone incrementar la cantidad de clases identificadas, incorporar la comprobación de fechas de vencimiento a través de OCR, y producir informes predictivos basados en tendencias de consumo. Además, se prevé la incorporación del sistema con plataformas gubernamentales o de organizaciones no gubernamentales, lo que posibilitará ampliar el efecto del proyecto a escala nacional o regional. Estos avances concuerdan con las sugerencias de Balcik y Beamon acerca de la escalabilidad de los sistemas logísticos en operaciones de asistencia humanitaria [4].

Además, la experiencia obtenida en el desarrollo de este sistema fortalece el potencial de tecnologías como el edge computing, que facilita la implementación de soluciones de Inteligencia Artificial directamente en el lugar de uso, sin tener que confiar únicamente en la conexión con servidores centrales [13]. Esta habilidad es particularmente útil en situaciones donde cada minuto es crucial, como en la reacción instantánea después de un desastre natural.

Para concluir, Smart Stock Analyzer no solo alcanzó las metas establecidas, sino que también estableció una ruta prometedora para la utilización de tecnologías inteligentes con repercusión social. Este estudio evidencia que con los conocimientos apropiados, las herramientas a disposición y una perspectiva enfocada en la necesidad auténtica, se pueden desarrollar soluciones que conservan recursos, mejoran procesos y, finalmente, pueden ayudar a salvar vidas. Promovemos a científicos, programadores y entidades sociales a cooperar, expandirse y continuar investigando este tipo de aplicaciones tecnológicas para la administración de emergencias en entornos vulnerables.

Referencias

1. L. Van Wassenhove, “Humanitarian aid logistics: supply chain management in high gear,” Journal of the Operational Research Society, vol. 57, no. 5, pp. 475–489, 2006. https://doi.org/10.1057/palgrave.jors.2602125
2. J. Holguín-Veras, M. Jaller, L. Van Wassenhove, N. Pérez, and T. Wachtendorf, “On the unique features of post-disaster humanitarian logistics,” Journal of Operations Management, vol. 30, no. 7–8, pp. 494–506, 2012. https://www.researchgate.net/publication/258121387
3. B. Çelik, E. Ergun, and P. Keskinocak, “The post-disaster debris clearance problem under incomplete information,” Operations Research, vol. 60, no. 5, pp. 1114–1129, 2012. https://doi.org/10.1287/opre.1120.1084
4. B. Balcik, B. M. Beamon, and K. Smilowitz, “Last mile distribution in humanitarian relief,” Journal of Intelligent Transportation Systems, vol. 14, no. 2, pp. 51–63, 2020. https://doi.org/10.1016/j.ejor.2019.07.063
5. E. Goldman, B. Neiman, and S. R. Gunn, “Product recognition in retail shelf images using deep learning,” Computer Vision and Image Understanding, vol. 182, pp. 1–11, 2019. https://link.springer.com/chapter/10.1007/978-3-319-46448-0_2
6. A. Tonioni, E. Borghi, A. Piergiovanni, and S. Mattoccia, “Count on me: Real-time inventory monitoring for store shelves,” in Proc. IEEE CVPR Workshops, 2020. https://ieeexplore.ieee.org/document/7780460/
7. CEPAL, “Impacto económico de los huracanes Irma y María en el Caribe,” Comisión Económica para América Latina y el Caribe, 2018. https://repositorio.cepal.org/handle/11362/43485
8. T. Tomasini and L. Van Wassenhove, “From preparedness to partnerships: case study research on humanitarian logistics,” International Transactions in Operational Research, vol. 16, no. 5, pp. 549–559, 2009. https://doi.org/10.1111/j.1475-3995.2009.00697.x
9. REDISD, “Inadecuado manejo de inventario en microempresas alimentarias,” Revista Digital de Investigación en Sistemas de Datos, 2022. https://www.redisd.org/index.php/es/resumen-recibidos-mt4/684
10. J. Redmon et al., “You Only Look Once: Unified, Real-Time Object Detection,” Proc. IEEE CVPR, 2016. https://arxiv.org/abs/1506.02640
11. X. Wang et al., “End-to-End Object Detection with Transformers,” Proc. ECCV, 2020. https://arxiv.org/abs/2005.12872
12. A. Shorten and T. M. Khoshgoftaar, “A survey on Image Data Augmentation for Deep Learning,” Journal of Big Data, vol. 6, no. 60, 2019. https://doi.org/10.1186/s40537-019-0197-0
13. W. Shi et al., “Edge Computing: Vision and Challenges,” IEEE Internet of Things Journal, vol. 3, no. 5, pp. 637–646, 2016. https://ieeexplore.ieee.org/document/7488250
14. M. Howard et al., “Searching for MobileNetV3,” Proc. IEEE ICCV, 2019. https://arxiv.org/abs/1905.02244
15. J. Redmon et al., “You Only Look Once: Unified, Real-Time Object Detection,” Proc. CVPR, 2016. https://arxiv.org/abs/1506.02640
16. X. Wang et al., “End-to-End Object Detection with Transformers,” ECCV, 2020. https://arxiv.org/abs/2005.12872