Módulo de visión por computadora para evaluación visual de platos en aplicación móvil de aprendizaje culinario

Abstract

Este trabajo presenta el diseño, implementación y validación de un módulo de Visión por Computadora integrado en SHEFU, una aplicación móvil orientada al aprendizaje culinario guiado y gamificado. El módulo tiene como propósito evaluar la presentación visual del plato final preparado por el usuario, entregando un puntaje cuantitativo en escala 0–100 que alimenta el ciclo de retroalimentación pedagógica de la plataforma. La solución adoptó un pipeline de dos etapas ejecutado íntegramente on-device: un detector YOLOv8n localiza el plato en la fotografía capturada por el usuario y extrae la región de interés, que es evaluada por un regresor EfficientNet-Lite0 entrenado mediante transferencia de aprendizaje. Ambos modelos fueron exportados a TensorFlow Lite e integrados en la aplicación Flutter sin dependencia de conectividad, preservando la privacidad del usuario. Para el entrenamiento del regresor se construyó un dataset propio de 197 imágenes de completos chilenos, anotadas por tres evaluadores siguiendo una rúbrica calibrada con el chef del proyecto. Se entrenaron y compararon dos versiones del modelo sobre el mismo conjunto de test: la versión seleccionada para despliegue (V2, reentrenada con anotaciones trazables) obtuvo un MAE de 19,77 puntos y un RMSE de 23,46 puntos en escala 0–100, con menor sesgo sistemático de sobreestimación respecto a la versión original. El detector alcanzó un mAP50 de 0,97 y un Recall perfecto (1,0) sobre el conjunto de test (n = 20 imágenes). La validación experimental incluyó evaluación de robustez ante variabilidad de captura (20 fotografías con dispositivo iPhone, σ = 2,96 puntos en prueba de estabilidad), medición de latencia en dispositivo físico (≈2 segundos por inferencia en Samsung Galaxy A52s 5G) y registro de consumo de recursos (incremento de ≈23 MB de RAM durante la inferencia, representando el 5,8 % del total disponible). El artefacto TFLite del regresor ocupa 6,74 MB, compatible con distribución móvil. Los resultados confirman(...).