La detección de residuos flotantes en entornos marinos representa uno de los desafíos más complejos para la robótica autónoma actual. Los objetos pequeños y reflectantes, como latas de aluminio, resultan prácticamente invisibles cuando la luz del sol incide sobre las olas o cuando el envase queda parcialmente sumergido. Para abordar este problema, recientemente se ha presentado un conjunto de datos específico capturado desde vehículos de superficie autónomos (ASV), diseñado para entrenar modelos de visión artificial capaces de localizar estos desechos en condiciones reales de navegación. Este recurso incluye miles de imágenes anotadas con bounding boxes y cubre diferentes estados del agua, niveles de iluminación y distancias, lo que permite generar modelos mucho más robustos que los entrenados con imágenes genéricas.
La investigación realizada sobre este dataset demuestra que el uso de arquitecturas avanzadas como YOLOv11, combinadas con estrategias de seguimiento como ByteTrack o SAHI, puede mejorar drásticamente la precisión en la detección de latas en superficie. Mientras que ByteTrack ofrece estabilidad en el seguimiento de múltiples objetos, SAHI resulta particularmente útil para detectar latas lejanas, sacrificando algo de precisión en contexto completo. Para misiones de recogida individual, la combinación con SAHI maximiza el número de detecciones viables. Estos avances no solo impulsan la limpieza autónoma de océanos, sino que abren la puerta a aplicaciones similares en monitorización ambiental y gestión de residuos en puertos o ríos.
Detrás de este tipo de desarrollos se encuentra un ecosistema tecnológico que integra desde la captura de datos hasta la implementación de modelos en tiempo real. En Q2BSTUDIO trabajamos en el diseño de ia para empresas que buscan soluciones de visión por computadora adaptadas a entornos complejos. Nuestro equipo construye aplicaciones a medida que permiten a los sistemas autónomos procesar imágenes, gestionar la inferencia de modelos y tomar decisiones en el borde. La integración de servicios cloud aws y azure posibilita escalar el entrenamiento de modelos y almacenar grandes volúmenes de datasets anotados, mientras que nuestras capacidades en servicios inteligencia de negocio y power bi facilitan la visualización de métricas de rendimiento y la toma de decisiones basada en datos.
La creación de datasets especializados como el mencionado evidencia la importancia de contar con datos de calidad y modelos entrenados específicamente para cada dominio. Esto se alinea con nuestra filosofía de ofrecer software a medida que se adapte a las necesidades reales del cliente, ya sea en el sector marítimo, industrial o logístico. Además, la seguridad de los sistemas autónomos es crítica, por lo que integramos medidas de ciberseguridad en todas las fases del desarrollo, desde la comunicación entre sensores hasta el despliegue en dispositivos embarcados.
El potencial de estos algoritmos va más allá de la detección de residuos. Las mismas técnicas pueden aplicarse a la inspección de infraestructuras portuarias, el seguimiento de fauna marina o la monitorización de vertidos. Para ello, en Q2BSTUDIO también desarrollamos agentes IA que automatizan tareas de análisis visual en tiempo real, permitiendo a los operadores centrarse en decisiones estratégicas. La combinación de modelos de detección con plataformas cloud y herramientas de inteligencia de negocio ofrece un ecosistema completo para transformar la gestión ambiental y la eficiencia operativa.
