Detección de falsificaciones con visión por computadora: preguntas rea

18/09/2026

Suele preguntarse: "Si instalamos cámaras, ¿la IA detectará automáticamente cada botella de agua falsa o paquete intercambiado?" Esa expectativa suena lógica. Pero en la realidad, al sentarnos con los equipos de operaciones, nos encontramos con luces fluorescentes parpadeantes, mercancía abollada durante el transporte y residuos de cinta vieja. Las computadoras no "ven" como los humanos. Solo leen píxeles. Si esperan un escáner mágico que resuelva todos los problemas de fraude desde la recepción en el almacén hasta el momento en que el cliente paga, se decepcionarán. Aquí comparto con franqueza lo que ha ocurrido en proyectos de Visión por Computadora en retail en los que he participado, desde grandes cadenas de alimentos en Vietnam hasta fábricas de distribución en Tailandia.

¿La detección de falsificaciones basada en imágenes es absolutamente precisa?

No. Esta es la respuesta más directa que escucharán. La Visión por Computadora tiene alta precisión, pero depende enteramente de la calidad de los datos de entrenamiento. Si solo enseñan a la máquina 500 imágenes de botellas de agua genuinas, no sabrá cómo detectar botellas falsas con etiquetas impresas más nítidas, o etiquetas falsificadas con niveles de desenfoque equivalentes a las reales. En un proyecto para la industria de lubricantes, descubrimos que más del 30% de los errores de reconocimiento provenían de etiquetas de garantía desalineadas por apenas unos milímetros. Los humanos pueden detectar esa anomalía, pero la máquina necesita ser "enseñada" a que esa desalineación es una señal de alerta. Por lo tanto, no confíen en promesas de "99% de precisión" si no les muestran su conjunto de datos. Comiencen con una muestra pequeña, prueben en campo y acepten que el sistema necesitará ajustes continuos durante los primeros meses.

¿Cómo se maneja la mercancía abollada en el almacén?

Este es el problema más difícil. La mercancía en el almacén nunca está perfectamente plana en la banda transportadora. Se apila, se golpea y su empaque se deforma. Si usan algoritmos estándar de reconocimiento de rostros o logotipos, la tasa de error será muy alta. La forma en que usualmente manejamos esto es separando el proceso. En la etapa de recepción, en lugar de exigirle a la máquina que identifique el producto, nos enfocamos en verificar la integridad del empaque. El sistema busca rasgaduras, manchas o diferencias estructurales en la superficie en comparación con la muestra estándar. Implementamos este método con una empresa de fideos instantáneos. En lugar de intentar leer un código de barras doblado a la mitad, la cámara compara la forma general del paquete de fideos. Si la curvatura no coincide con la muestra de referencia, el sistema mueve ese paquete a una bandeja de inspección manual. Puede parecer menos eficiente que la automatización total, pero minimiza el riesgo de pasar por alto mercancía falsificada o defectuosa que los humanos suelen pasar por alto al trabajar a alta velocidad. Es un intercambio razonable: aceptar algo de trabajo manual a cambio de la seguridad de la marca.

¿El costo del hardware para la seguridad del producto es caro?

Sí, pero no tanto como piensan si saben cómo elegir. Un error común es comprar cámaras de resolución 4K para cada ubicación. No necesitan 4K para ver una etiqueta pequeña en una botella de agua a una distancia de 30 cm. Necesitan un lente teleobjetivo y suficiente resolución para leer claramente la fuente impresa en la etiqueta. En un proyecto en una fábrica en Filipinas, ahorraron casi la mitad del costo del hardware instalando cámaras de alta resolución solo en puntos críticos de inspección (salida, área de etiquetado) y usando cámaras estándar para posiciones de monitoreo general. Sin embargo, no recorten demasiado en la iluminación. La luz es un factor vital. Una cámara económica iluminada por luces LED especializadas entregará resultados dos veces mejores que una cámara costosa colocada en la oscuridad o con iluminación mixta. Inviertan en un sistema de iluminación uniforme y eviten sombras. Esto es algo que muchos proveedores de software pasan por alto, pero los ingenieros de despliegue como yo lo consideramos la prioridad número uno.

¿Cuántos datos de entrenamiento necesitan para comenzar?

Menos de lo que piensan, pero la calidad es más importante que la cantidad. No necesitan un millón de imágenes para empezar. Con técnicas de aprendizaje por transferencia, podemos entrenar un modelo para reconocer una nueva línea de productos con solo unas pocas cientos de imágenes de muestra, siempre que esas imágenes capturen diversas condiciones de iluminación y ángulos de visión. El gran problema no es la falta de imágenes de productos genuinos, sino la falta de imágenes de falsificaciones. ¿Cómo obtienen imágenes de falsificaciones para entrenar a la máquina? A menudo usamos técnicas de síntesis de datos: creando variantes simuladas de falsificaciones (etiquetas borrosas, colores incorrectos, desalineación) basadas en reportes de métodos comunes de falsificación en la región. Por ejemplo, si el mercado tailandés se encuentra frecuentemente con etiquetas fotocopiadas, crearemos una serie de imágenes simulando la calidad de impresión de una fotocopia para incluirlas en el conjunto de entrenamiento. Este método ayuda al modelo a aprender las características "no genuinas" sin poseer físicamente mercancía falsificada. Este es un paso crucial para mejorar la seguridad del producto en la fase inicial de despliegue.

¿La velocidad de procesamiento de imágenes afecta la banda transportadora?

Sí, y este es un límite físico que no pueden ignorar. Una cámara que toma una foto y la envía a un servidor para procesar puede tardar de 200 a 500 ms. Si su banda transportadora funciona a alta velocidad, esta cifra puede causar cuellos de botella. En grandes fábricas, a menudo desplegamos computación en el borde. Esto significa colocar una computadora potente justo al lado de la cámara, o usar placas de circuito integradas con IA. Esta máquina procesa la imagen en el lugar, enviando solo el resultado "OK" o "Error" al sistema central. Esto reduce la latencia a menos de 50 ms, lo suficientemente rápido para que el sistema empuje la mercancía defectuosa fuera de la banda transportadora antes de que viaje lejos. Si están considerando el despliegue en cadenas de retail multinacionales, verifiquen cuidadosamente el ancho de banda de su red interna. A veces, actualizar el servidor de la sala de control es más importante que comprar más cámaras. Un sistema de red lento convertirá una solución de IA avanzada en un cuello de botella operativo.

¿La IA puede reemplazar completamente a los inspectores humanos de mercancías?

Absolutamente no. Mantengan esta humildad. La IA es una herramienta de apoyo, no un supervisor. En la práctica, siempre diseñamos sistemas de modo que la IA señale sospechas y los humanos tomen la decisión final para los casos difíciles. Los humanos tienen la capacidad de razonar en contexto, algo que las máquinas aún no tienen. Por ejemplo, una mancha en el empaque podría deberse a mercancía falsificada o a agua de lluvia durante el transporte. La máquina advertirá "mancha anómala detectada", pero el inspector revisará el historial del lote para decidir si conservarlo o descartarlo. Eliminar por completo a los humanos no es solo un riesgo técnico, sino también un riesgo de responsabilidad legal. Cuando un producto daña a un cliente, necesitan un humano que responda por esa decisión. La IA puede equivocarse, pero los humanos no (legalmente). Por lo tanto, el modelo más efectivo hoy es la colaboración: la IA maneja tareas repetitivas, aburridas y precisas; los humanos manejan el análisis, las excepciones y la responsabilidad.

¿Dónde comenzar a desplegar Visión por Computadora en retail?

Comiencen desde un punto de dolor específico; no intenten resolver todo de una vez. No piensen en instalar cámaras para todo el almacén y cada mostrador de pago desde el inicio. Elijan una ubicación con alto riesgo y alto valor. Por ejemplo, si les preocupan las falsificaciones en la caja registradora, intenten instalarlo en una tienda piloto con alto tráfico de clientes. Ejecuten el sistema durante 4 a 6 semanas. Recopilen datos. Vean cuál es la tasa de falsos positivos. Si 10 alertas resultan en 8 falsas alarmas, el sistema molestará al personal y lo ignorarán. Eso es un fracaso. Necesitan ajustar el algoritmo o cambiar la posición de la cámara para reducir esta tasa a menos del 2-3%. Una vez que el sistema sea estable en un punto, escálalo. Hicimos esto con Masan y Meat Deli, comenzando con algunas fábricas y luego expandiéndonos a toda la cadena. La paciencia en la etapa inicial les ayudará a construir una base sólida. No se apresuren. La IA en la seguridad del producto es un juego a largo plazo, que requiere ajustes continuos para cada temporada, cada lote y cada nuevo tipo de fraude que aparezca en el mercado.

AIVISION ayuda a las empresas a convertir la IA en sistemas funcionales. Exploren nuestras soluciones de IA empresarial, lean más en el blog de AIVISION o hablen con nuestro equipo sobre su caso de uso.