Aplicativo móvil para el reconocimiento de medicamentos usando visión artificial para apoyar el proceso de inventarios

Abstract

El desarrollo de una aplicación móvil para el reconocimiento de medicamentos surge como una respuesta a la necesidad de mejorar la gestión de inventarios en farmacias aumentando la precisión en la distribución y almacenamiento de medicamentos. El proyecto se enfoca inicialmente en diez medicamentos seleccionados por su alto volumen de ventas y relevancia en el tratamiento de condiciones comunes en Colombia. Para implementar esta solución, se utilizó un modelo YOLO versión 8, adaptado para ejecutarse en TensorFlow lite, lo cual permite su uso en una amplia gama de dispositivos móviles. La recopilación y preparación de datos involucraron procedimientos meticulosos en entornos controlados y comerciales para garantizar la robustez del sistema ante variaciones reales de iluminación y empaque. El sistema de clasificación emplea la arquitectura YOLOv8, destacándose por su precisión y velocidad en la detección y clasificación de objetos, lo cual es esencial para la funcionalidad de la aplicación en tiempo real. Además, se integraron herramientas como PyTorch, Ultralytics, Roboflow y Comet para facilitar el flujo de desarrollo y la gestión de modelos. El entrenamiento del modelo se realizó ajustando cuidadosamente los hiperparámetros para equilibrar precisión y eficiencia computacional, y se exportó el modelo a TensorFlow Lite para asegurar su compatibilidad y rendimiento en dispositivos móviles. El diseño de la aplicación móvil se centró en integrar todas las etapas del flujo MLOps, desde la adquisición de datos hasta el despliegue y monitoreo de modelos. En pruebas, el modelo alcanzó una precisión del 94 % y una sensibilidad de 97.2 % mostrando capacidad robusta para identificar medicamentos. La evaluación de desempeño en plataformas de GPU y CPU arrojó resultados de velocidades de inferencia de 8 y 71 milisegundos por imagen respectivamente. Aunque en CPU la velocidad de inferencia se redujo, la precisión y sensibilidad se mantuvieron, lo que sugiere que el modelo es adaptable y funcional en dispositivos con recursos computacionales limitados, lo que amplía considerablemente su aplicabilidad.