La startup Karevo utiliza cámaras, reconocimiento óptico y expulsión neumática para detectar siete tipos de defectos incluso en tubérculos sin lavar
Redactor: Camila Herrera R.
Editor: Karem Díaz S.
La startup alemana Karevo desarrolló un sistema de clasificación óptica que puede procesar hasta 10 toneladas de papas por hora y detectar daños con una precisión aproximada del 95 %, según los datos divulgados por la Universidad Técnica de Múnich y la propia empresa.
La tecnología combina cámaras industriales, procesamiento de imágenes e inteligencia artificial para inspeccionar cada tubérculo mientras avanza por una cinta. El sistema reconoce defectos, identifica objetos extraños y activa un mecanismo neumático que separa automáticamente las unidades que no cumplen los criterios seleccionados.
Una de sus características principales es que puede trabajar con papas sin lavar. La tierra adherida, las diferencias de color y la variabilidad de cada cosecha dificultan la inspección óptica convencional, pero el modelo fue entrenado para distinguir esas condiciones de los daños reales.
Más de 100.000 imágenes entrenaron el sistema
El modelo de inteligencia artificial fue entrenado con más de 100.000 imágenes de papas. Ese conjunto permitió mostrarle al algoritmo numerosas combinaciones de variedades, formas, colores, niveles de suciedad y defectos visibles.
La máquina puede reconocer siete problemas: coloración verde, grietas de crecimiento, podredumbre seca, podredumbre húmeda, daños provocados por gusanos de alambre, sarna y lesiones mecánicas. También separa cuerpos extraños como piedras y terrones.
Según la empresa, el sistema alcanza alrededor del 95 % de precisión. La cifra describe el desempeño informado para la detección de daños, pero no significa que clasifique correctamente el 95 % de cualquier lote bajo todas las condiciones posibles.
El resultado puede variar según la suciedad, la variedad, la iluminación, la velocidad de trabajo, la visibilidad del defecto y los criterios configurados por el usuario. Por esa razón, los modelos pueden necesitar ajustes y nuevas imágenes cuando ingresan productos con características diferentes a las utilizadas durante el entrenamiento.
La visión artificial también se está aplicando antes de la cosecha. Un ejemplo es el sistema que identifica malezas en huertos mediante cámaras e inteligencia artificial, donde el algoritmo debe distinguir objetos parcialmente ocultos en un ambiente cambiante.
Las cámaras observan cada papa desde varios ángulos
Los tubérculos avanzan por una cinta dentro de la máquina y son fotografiados repetidamente. Según la configuración, el sistema puede utilizar entre dos y ocho cámaras industriales para obtener una vista completa de la superficie.
La plataforma captura más de 15 imágenes de cada papa y las analiza en tiempo real. El software evalúa forma, tamaño, tipo de defecto, extensión del daño y otros parámetros de calidad configurados para el lote.
Esta inspección desde diferentes ángulos es necesaria porque una lesión puede quedar oculta si el tubérculo se observa desde una sola posición. La combinación de imágenes reduce los puntos ciegos y permite localizar alteraciones pequeñas sobre superficies irregulares.
Después del análisis, el programa envía una orden al mecanismo de separación. Un conjunto de actuadores neumáticos desvía cuidadosamente las papas defectuosas o los cuerpos extraños sin detener el flujo principal.
El procesamiento se ejecuta localmente mediante un dispositivo informático instalado en el equipo. La clasificación no depende de una conexión permanente a internet, una característica relevante para explotaciones rurales con conectividad limitada o inestable.
El sistema también reconoce papas cubiertas de tierra
Clasificar tubérculos sin lavar representa un desafío particular. La apariencia cambia según el tipo de suelo, la región productora, la humedad, el tiempo de almacenamiento y la cantidad de tierra adherida.
Un sistema basado en reglas rígidas puede confundir una mancha de suelo con podredumbre o interpretar una diferencia natural de color como un defecto. El aprendizaje automático permite utilizar patrones más complejos de textura, contorno y distribución del color.
Karevo afirma que puede adaptar con rapidez el proceso a las características de las papas presentes en cada explotación. La posibilidad de añadir nuevas imágenes al entrenamiento permite mejorar el modelo cuando encuentra variedades, suelos o daños poco representados inicialmente.
Esta capacidad de ajuste no elimina completamente los errores. Una lesión oculta bajo una capa gruesa de tierra puede pasar inadvertida, mientras un tubérculo sano con una apariencia inusual podría ser separado incorrectamente.
El control de calidad necesita verificar periódicamente el desempeño mediante muestras revisadas por personal capacitado. La automatización resulta más útil cuando sus errores pueden medirse y corregirse, no cuando la decisión del algoritmo se considera infalible.
Dos modelos cubren diferentes capacidades de procesamiento
La empresa comercializa el modelo Duo85, con una anchura de trabajo de 85 centímetros y capacidad de hasta cinco toneladas por hora. Su precio anunciado es de 75.000 euros.
La versión Trio110 amplía la anchura de trabajo a 110 centímetros y puede procesar hasta 10 toneladas por hora. Karevo publica para este equipo un precio de 125.000 euros.
Ambos sistemas están orientados a papas de consumo, tubérculos destinados a semilla y cebollas. La velocidad real dependerá de la alimentación de la línea, las características del producto y el nivel de selección exigido.
La capacidad nominal tampoco equivale automáticamente a un ahorro rentable. Cada explotación debe comparar el costo del equipo, la instalación, el consumo energético, el aire comprimido, el mantenimiento y las actualizaciones con el volumen procesado y el gasto actual de clasificación manual.
Diseño modular para modernizar líneas existentes
Las grandes plantas empacadoras ya utilizan clasificadores ópticos avanzados, pero su tamaño y precio pueden alejarlos de las explotaciones familiares. Karevo desarrolló equipos más compactos con el propósito de acercar la tecnología a productores pequeños y medianos.
El diseño modular permite incorporar la máquina a líneas de clasificación existentes. Las cámaras, la unidad de control y el sistema neumático pueden reemplazarse individualmente, lo que facilita reparaciones sin cambiar todo el equipo.
La adaptación de maquinaria ya instalada reduce una de las barreras habituales para la digitalización agrícola. Sustituir una línea completa puede ser inviable, mientras añadir un módulo permite automatizar solamente la etapa que concentra más trabajo.
Este enfoque coincide con otras aplicaciones donde la tecnología mejora una operación específica. La inteligencia artificial que ayuda a ajustar la siembra muestra cómo los modelos pueden apoyar decisiones concretas sin reemplazar todo el sistema productivo.
La experiencia familiar originó el proyecto
Benedikt Keßler, cofundador y director ejecutivo de Karevo, creció en una explotación dedicada a las papas. Allí conoció directamente la clasificación manual: una tarea repetitiva que exige permanecer durante horas junto a una mesa, en un ambiente con ruido y polvo.
Mientras estudiaba ingeniería mecánica en la Universidad Técnica de Múnich, Keßler convirtió ese problema en el tema de su tesis de maestría. Su trabajo se concentró en el control automatizado de la calidad de papas sin lavar mediante visión artificial y aprendizaje automático.
Posteriormente se asoció con Johannes von Wittke y Felix Beck para fundar Karevo en 2024. Los primeros prototipos fueron desarrollados en Makerspace, el taller tecnológico del ecosistema UnternehmerTUM.
El equipo participó en la incubadora de UnternehmerTUM y recibió apoyo mediante el programa alemán EXIST para emprendimientos tecnológicos. La empresa comenzó a comercializar sus máquinas durante el otoño europeo de 2025.
El recorrido muestra una vía frecuente dentro de la tecnología agropecuaria: un problema observado en una finca se transforma en proyecto universitario, luego en prototipo y finalmente en una empresa que intenta llevarlo al mercado.
Automatizar una labor físicamente exigente
La clasificación manual exige observar cada tubérculo y decidir rápidamente si cumple los requisitos de venta. La tarea combina movimientos repetitivos, exposición al polvo, ruido de la maquinaria y largas jornadas de concentración.
El sistema automático busca reducir esa carga y mantener criterios más uniformes durante el turno. Una persona puede modificar sus decisiones debido al cansancio, mientras el modelo aplica la misma configuración a todas las imágenes.
Esto no implica eliminar toda intervención humana. El personal continúa siendo necesario para alimentar la línea, supervisar el flujo, ajustar los criterios de calidad, resolver atascos, controlar muestras y mantener la maquinaria.
La adopción puede modificar el tipo de trabajo disponible: disminuye la inspección repetitiva y aumenta la necesidad de operadores con conocimientos básicos de configuración, mantenimiento y verificación de datos.
La automatización agrícola ya sigue un patrón similar en la recolección. Los escáneres láser tridimensionales desarrollados para robots recolectores también buscan convertir información visual en movimientos precisos dentro de entornos productivos.
La calidad uniforme puede mejorar la comercialización
Separar papas con podredumbre, grietas, coloración verde o daños de plagas ayuda a entregar lotes más homogéneos. Esta regularidad resulta importante para venta directa, empacadores, supermercados y productores de semilla.
Una clasificación más constante también puede reducir reclamos y evitar que tubérculos deteriorados afecten a otros durante el almacenamiento. La podredumbre húmeda, por ejemplo, puede avanzar rápidamente si una unidad dañada permanece mezclada con producto sano.
La máquina permite al agricultor seleccionar qué defectos retirar y con qué intensidad. Los criterios pueden variar según el destino: una papa para procesamiento industrial no necesariamente requiere la misma apariencia que un producto destinado a venta minorista.
El software también puede ayudar a conocer la composición del lote. Registrar cuántas unidades presentan cada defecto ofrece información para revisar la cosecha, el transporte, el almacenamiento o la presión de determinadas plagas.
Los datos pueden conectar clasificación y manejo agrícola
El valor del reconocimiento óptico no se limita a separar producto. Si los resultados se almacenan correctamente, pueden mostrar qué tipos de daños aparecen con mayor frecuencia y cómo cambian entre parcelas, variedades o fechas de cosecha.
Un aumento de lesiones mecánicas podría indicar que la cosechadora o la línea de transporte necesita ajustes. Una mayor presencia de agujeros de gusano de alambre puede orientar el monitoreo de la plaga durante la siguiente campaña.
Para obtener ese beneficio, los registros deben asociarse con lotes trazables y mantenerse con criterios uniformes. Un porcentaje de defectos sin información sobre origen, fecha o variedad ofrece un valor limitado para la gestión agronómica.
La capacidad de convertir observaciones en decisiones es uno de los pilares de la agricultura de precisión. También aparece en plataformas que combinan cámaras, algoritmos y robótica para intervenir solo donde resulta necesario.
Un ejemplo es la visión artificial utilizada para monitorear animales de granja, donde las imágenes dejan de ser simples registros y se transforman en señales para el manejo.
La precisión debe evaluarse en condiciones reales
La cifra del 95 % procede de la información divulgada por Karevo y la Universidad Técnica de Múnich. Las fuentes consultadas no presentan una auditoría independiente que permita comparar el sistema con todas las máquinas disponibles en el mercado.
Antes de invertir, los agricultores necesitan observar pruebas con sus propias variedades y condiciones. Una demostración debería incluir papas limpias y sucias, diferentes calibres, defectos difíciles y velocidades representativas de la operación habitual.
También conviene conocer qué mide exactamente la precisión anunciada. En un clasificador pueden evaluarse la proporción de defectos detectados, la cantidad de producto sano rechazado y la consistencia del mecanismo físico de separación.
Un sistema que detecta casi todas las papas defectuosas podría desperdiciar producto si también retira demasiadas unidades sanas. La evaluación económica debe considerar ambos tipos de error.
El desarrollo de Karevo muestra cómo la inteligencia artificial puede trasladarse desde el laboratorio hasta una tarea concreta de poscosecha. Su impacto dependerá de mantener la precisión con producto real, reducir los costos operativos y demostrar que la inversión resulta viable para las explotaciones a las que está dirigida.
Fuentes referenciales:
Phys.org
Universidad Técnica de Múnich
Karevo
