SITA

El Problema: Exceso de personal para la supervisión del self check-in

Para garantizar el uso correcto de los sistemas de self check-in, era necesario contar con personal de apoyo que supervisara el proceso y verificara los artículos facturados. Los pasajeros podían, de forma involuntaria—o intencionada—colocar objetos inadecuados en las cintas transportadoras, como mochilas con correas sueltas o cochecitos de bebé.

Estos objetos podían quedarse atascados o caer durante el transporte, lo que podría provocar fallos en el sistema y retrasos operativos.

 

El desafío: Detección automática de objetos no transportables

El principal desafío fue el desarrollo de un algoritmo capaz de analizar datos de nubes de puntos 3D de baja resolución. El sistema debía identificar y filtrar con precisión una amplia variedad de tipos de objetos, así como verificar si los pasajeros cumplían con las instrucciones, como colocar los artículos en bandejas (tubs).

Además, el algoritmo debía ser capaz de:

  • Identificar y filtrar una amplia variedad de tipos de objetos
  • Verificar si los artículos estaban correctamente colocados en bandejas (tubs)
  • Detectar objetos no transportables, como objetos cilíndricos o redondos, maletas en posición vertical y múltiples objetos superpuestos

 

La Solución: Análisis avanzado de imágenes

Mediante el uso de una combinación de técnicas estadísticas y numéricas, desarrollamos con éxito un algoritmo capaz de detectar bandejas dentro de los datos de nubes de puntos, que era nuestro objetivo inicial.

Esto se logró construyendo un modelo de bandeja “promedio” utilizando una secuencia de funciones de filtrado. Los escaneos entrantes se evaluaban posteriormente frente a este modelo mediante una función de coste compuesta, lo que permitía al sistema determinar en qué medida cada escaneo coincidía con la estructura esperada de la bandeja.

Este enfoque dio como resultado una tasa de detección del 98 %, superando ampliamente el requisito del 90 %. Uno de los principales desafíos fue gestionar datos de escaneo incompletos causados por las altas velocidades de las cintas transportadoras, lo que ocasionalmente provocaba una detección parcial de los bordes de las bandejas.

Tras la detección de bandejas, el algoritmo se amplió para identificar objetos no transportables, entre ellos:

  • Maletas en posición vertical
  • Múltiples objetos (incluso cuando están en contacto)
  • Objetos cilíndricos o redondos
  • Objetos con correas (por ejemplo, mochilas)

Para la detección de correas, desarrollamos una función de distribución de volumen que analiza la geometría de los objetos en múltiples direcciones. Esto permitió al sistema distinguir entre formas estructuradas (como maletas) y formas irregulares (como bolsas con correas). Cabe destacar que incluso maletas con etiquetas grandes se diferenciaban correctamente de las mochilas.

La detección de objetos cilíndricos, redondos y en posición vertical se implementó utilizando técnicas eficientes de análisis geométrico. La identificación de múltiples objetos—especialmente cuando están en contacto o dispuestos en configuraciones complejas como una forma de “V”—resultó más desafiante, pero finalmente se resolvió mediante modelado matemático avanzado.

Etiquetas

C++, Python, OpenCV, PCL, Matemáticas, Machine Learning, Algoritmos