Desarrollo de soluciones basadas en inteligencia artificial para el monitoreo de productividad y seguridad ocupacional en líneas de procesamiento de Salmones Camanchaca.
| dc.contributor.advisor | Godoy Medel, Sebastián Eugenio | es |
| dc.contributor.author | López Durán, Boris Joaquín | es |
| dc.date.accessioned | 2026-08-18T17:26:36Z | |
| dc.date.available | 2026-08-18T17:26:36Z | |
| dc.date.issued | 2026 | |
| dc.description | Tesis presentada para optar al título de Ingeniero/a Civil en Telecomunicaciones. | es |
| dc.description.abstract | La industria salmonera chilena es el segundo productor mundial de salmón atlántico, con exportaciones que superan los 5.000 millones de dólares anuales. Dentro del proceso de industrialización del salmón, la etapa de despinado manual representa uno de los eslabones de mayor intensidad de mano de obra. En plantas de procesamiento como la de Salmones Camanchaca en Tomé, múltiples operarios trabajan simultáneamente en líneas de despinado donde la medición de productividad se realizaba tradicionalmente mediante observación directa o registros manuales al final del turno. Esta metodología impide obtener información objetiva en tiempo real sobre el desempeño de cada puesto, los períodos de inactividad, el número exacto de filetes procesados y la ocurrencia de detenciones en la línea. El presente trabajo propone un sistema de monitoreo de productividad basado en visión por computador que automatiza la medición de estos parámetros en tiempo real. El sistema implementa dos modelos YOLOv11 (detectores de salmones y operarios respectivamente) que trabajan en conjunto mediante análisis de Regiones de Interés (ROI) definidas por puesto de trabajo. La lógica de co-detección determina el estado de cada operario (Despinando, Espera o Puesto Vacío) combinando la presencia simultánea de operario y salmón en cada ROI. Se entrenó el modelo YOLOv11L en Google Colab con GPU NVIDIA Tesla A100 utilizando un dataset de 5.754 imágenes de entrenamiento y 549 imágenes de validación, capturadas en condiciones reales de operación en la planta. El modelo alcanzó un desempeño excepcional: mAP@0.5 = 0,927 (promedio ponderado de ambas clases), con el modelo de operarios obteniendo precisión de 0,934 y mAP@0.5 = 0,951, y el modelo de filetes precisión de 0,891 y mAP@0.5 = 0,903, superando ampliamente los objetivos de proyecto (objetivo: mAP > 0,90). En inferencia, el sistema corre a 103 i FPS en una GPU NVIDIA RTX 4050 Laptop (hardware modesto de producción), permitiendo monitoreo en tiempo real de 10 puestos simultáneos sin comprometer fluidez. El sistema genera automáticamente, al término de cada turno, un reporte diario en formato HTML con 15+ indicadores clave de desempeño (KPIs): filetes procesados por puesto, tiempos de trabajo/espera/vacío, velocidades de entrada y salida de la línea, detenciones registradas y ranking de productividad. Esta información, antes inaccesible de forma automática y objetiva, transforma los datos del turno en inteligencia accionable para supervisores y planificadores. Se validó el sistema en condiciones reales de producción: el turno del 9 de marzo de 2026 registró 5.098 filetes despinados, 10 puestos monitoreados simultáneamente, precisión promedio superior al 91% en detecciones, identificación automática de anomalías operativas (puestos desocupados prolongadamente, patrones de espera anómalos) y generación de reporte completo sin intervención manual. El desempeño confirma que el sistema está listo para su despliegue en operación continua (production-ready). Complementariamente, se desarrolló un modelo YOLOv11 multiclase entrenado sobre 10.197 imágenes para detectar nueve tipos de cofia (cofias de colores diferentes según rol de personal), alcanzando mAP@0.5 = 0.894 sobre 9 clases. Este modelo constituye la base tecnológica de un futuro verificador automático de equipos de protección personal (EPP) que permitirá alertar cuando algún trabajador no utilice la cofia reglamentaria o cuando personal no autorizado acceda a áreas restringidas. Los resultados demuestran que las tecnologías de visión por computador y aprendizaje profundo son viables y efectivas para automatizar el monitoreo de procesos industriales en entornos reales con recursos computacionales moderados. El trabajo contribuye tanto al mejoramiento de la eficiencia operativa de la planta como al fortalecimiento de sus capacidades de seguridad y trazabilidad de personal, elementos críticos para cumplir con estándares internacionales de inocuidad alimentaria como BRC, IFS y GlobalG.A.P. Palabras clave: Visión por computador, YOLOv11, detección de objetos en tiempo real, monitoreo de productividad, seguridad ocupacional, equipos de protección personal, acuicultura, procesamiento de salmón. | es |
| dc.description.abstract | Productivity measurement and occupational safety control in salmon processing plants remain significant operational challenges. Traditional monitoring methods rely on manual observation and end-of-shift record-keeping, preventing objective, realtime assessment of individual workstation performance, equipment downtime, and compliance with personal protective equipment (PPE) protocols. This thesis presents the design, implementation, and validation of an integrated artificial intelligence-based monitoring system for salmon deheading lines. The system comprises three main technological components: (1) a real-time productivity monitoring pipeline integrating two YOLOv11 object detection models operating in tandem—one for worker detection and one for fillet detection—combined with Regionof- Interest (ROI) analysis and co-detection logic to classify worker state (Active Deheading,Waiting, Empty Station), coupled with automatic calculation of operational metrics including throughput rates, temporal activity distributions, and downtime events; (2) a multi-class YOLOv11 model trained on 10,197 images for detection of nine color-coded worker cofias (hairnets), establishing the foundation for an automated PPE compliance verification system; and (3) an automatic report generation module that consolidates shift data into interactive HTML dashboards with productivity rankings, temporal activity distributions, and downtime logs. The system was trained on datasets captured under real operational conditions at Salmones Camanchaca’s processing facility in Tomé, Chile. The main detection pipeline achieved exceptional performance: mAP@0.5 = 0.927 (Precision 0.912, Recall 0.892) for simultaneous detection of workers and fillets, substantially exceeding project targets. The hairnet detection model achieved mAP@0.5 = 0.894 across nine color categories. Validation on a complete production shift (2026-03-09, 13:29–18:39) demonstrated iii the system’s practical viability: automatic monitoring of 10 workstations in parallel, processing 5,098 fillets, generation of 15+ operational key performance indicators in real time, identification of productivity bottlenecks, and detection of personnel occupancy anomalies. Detection precision exceeded 91% across all workstations. Implementation was conducted on modest computational hardware (NVIDIA RTX 4050 Laptop GPU, 12 GB VRAM), achieving 103 frames per second processing with 9.7 millisecond latency per frame—substantially exceeding the 30 FPS realtime requirement. The system generates daily shift reports automatically, eliminating manual data consolidation overhead and enabling data-driven decisions for personnel redistribution, workload balancing, and safety compliance verification. This work demonstrates the viability of integrating multiple deep learning models in a single industrial production pipeline, providing concrete solutions to productivity measurement and occupational safety challenges in food processing environments. The system architecture and trained models are transferable to other salmon processing lines and conceptually applicable to other labor-intensive industrial processes with similar requirements for real-time activity recognition and object detection. Keywords: Computer vision, YOLOv11, real-time object detection, productivity monitoring, aquaculture processing, occupational safety, personal protective equipment detection, deep learning. | en |
| dc.description.campus | Concepción | es |
| dc.description.departamento | Departamento de Ingeniería Química | es |
| dc.description.facultad | Facultad de Ingeniería | es |
| dc.identifier.uri | https://repositorio.udec.cl/handle/11594/14397 | |
| dc.language.iso | es | es |
| dc.publisher | Universidad de Concepción | es |
| dc.rights | CC BY-NC-ND 4.0 DEED Attribution-NonCommercial-NoDerivs 4.0 International | en |
| dc.rights.uri | https://creativecommons.org/licenses/by-nc-nd/4.0/ | |
| dc.subject | Inteligencia artificial | es |
| dc.subject | Industria del salmón | es |
| dc.subject | Acuicultura | es |
| dc.title | Desarrollo de soluciones basadas en inteligencia artificial para el monitoreo de productividad y seguridad ocupacional en líneas de procesamiento de Salmones Camanchaca. | es |
| dc.type | Thesis | en |