Retail y e-commerce · Visión por computadora + IA
La matemática del color decide, la IA explica: auditoría del color de telas en fotografía de producto
Un prototipo de control de calidad de color para un retailer de muebles. La ciencia del color mide cada imagen sin costo; un modelo de visión entra solo en las fotos marcadas, para explicar el problema, nunca para medirlo.
0
Valores de corrección tomados de la IA. Cada número se recalcula a partir de los píxeles
~1 semana
Del arranque a un prototipo funcionando en tres formatos: app web, app de escritorio y servicio de ingesta
≈ 11 → < 2
Diferencia de color (ΔE2000) en una foto de muestra antes y después de una corrección aprobada por un diseñador
~10 ¢
Costo estimado de IA por cada mil imágenes, porque solo las marcadas llegan al modelo
01
El problema
El mismo sofá, fotografiado con años de diferencia y con otra luz, parece dos productos distintos en línea, y los clientes lo creen. La biblioteca de imágenes del retailer cubre decenas de miles de productos y varias generaciones de técnica: fotografía de estudio, renders 3D y ahora imágenes generadas con IA, de muchos colaboradores a lo largo de muchos años. Nadie auditaba el color de forma sistemática, así que las diferencias aparecían como quejas de clientes.
Un intento anterior de retoque automático había cambiado los colores de los productos para mal, así que el equipo desconfiaba de cualquier herramienta que “corrija” el color por su cuenta. Necesitaban un control de calidad para las imágenes nuevas y una forma de auditar la biblioteca existente, con una persona tomando la decisión final.
02
Por qué era difícil
- No hay una verdad única. La muestra de tela es también una foto y las pantallas varían, así que la consistencia dentro de una serie de productos importa tanto como coincidir con una referencia.
- Las fotos de producto son en su mayoría fondo, sombras, patas, cojines y accesorios. Un promedio de toda la imagen mide el estudio, no la tela.
- Las telas con textura no son de un solo color, y los blancos, cremas y grises cambian con cada variación de luz.
- Los modelos de visión describen bien los problemas de color y dan números poco confiables. Dejar que uno proponga valores de corrección invita exactamente la falla que el cliente ya había vivido.
03
Qué construimos
Un solo núcleo de análisis con tres puertas de entrada: una app web para analistas, una app de escritorio que trae las imágenes de un producto directo desde la tienda en vivo con un clic, y un servicio de ingesta para lotes de páginas de producto. Cada imagen recibe una medición de color determinista y gratuita; solo las marcadas siguen adelante.
04
Dónde está la innovación
01
La matemática decide, la IA explica
La diferencia de color se mide con ΔE2000 en el espacio de color CIELAB, el estándar perceptual de la industria del color: reproducible, explicable y sin costo de ejecución. Al modelo de visión se le pide un diagnóstico en palabras de un editor. Si además sugiere números, se descartan y se reemplazan con valores calculados a partir de la propia imagen.
02
Medir la tela, no la foto
Se enmascaran el fondo y los brillos, los píxeles restantes se agrupan en unos pocos colores dominantes, y la comparación usa el grupo más grande de tela en lugar del promedio de la imagen, para que las sombras y los cojines decorativos no decidan el veredicto. El promedio simple igual se reporta como segunda señal.
03
IA solo donde vale la pena
La pasada determinista corre sobre todas las imágenes sin costo de API. El modelo de visión se ofrece solo para advertencias y rechazos, y recibe la diferencia medida y ambos colores junto con las imágenes, así que explica una brecha conocida y cuantificada en lugar de adivinar desde cero.
04
La consistencia como segunda referencia
Además de la muestra de tela, una corrección puede apuntar al color compartido por las demás fotos de la misma serie de productos. Eso coincide con lo que de verdad le importaba al cliente: que el mismo producto se vea igual en todas sus fotos y en todas las pantallas.
05
Un diseñador tiene la última palabra
Cada corrección viene en tres intensidades, con el fondo intacto y una vista de antes y después, y un diseñador elige. Los umbrales de tolerancia son controles, no constantes, porque qué tan estricto ser es una decisión de negocio. Si la llamada a la IA falla, la herramienta vuelve a su propia medición y sigue funcionando.
05
Cómo se reparte el trabajo
Todo el diseño descansa en una decisión: que la ciencia del color determinista produzca cada número, y usar la IA para lo que las máquinas hacían mal hasta hace poco, que es explicar un defecto como lo haría un retocador.
Quién hace qué
La división del trabajo dentro de cada análisis.
La matemática decide
Medición, veredicto y valores de corrección
- Medir
- ΔE2000, CIELAB
- Aislar
- Máscara + agrupamiento
- Veredicto
- Umbrales ajustables
- Decisión final
- Un diseñador
La IA explica
- Describe qué está mal, en palabras de un retocador
- Corre solo sobre imágenes marcadas
- Recibe las mediciones como contexto; sus números nunca se usan
Una foto de muestra, antes y después de la corrección
Diferencia de color contra la muestra de tela, ΔE2000. Menos es mejor: por debajo de la tolerancia, la foto se aprueba.
06
Resultados
- Un prototipo funcionando en cerca de una semana, en tres formatos: una app web, una app de escritorio empaquetada y un servicio de ingesta en contenedores.
- En una serie de productos de demostración detectó una foto de otro color por completo: un seccional café archivado bajo una tela azul marino.
- Una foto de muestra pasó de un rechazo claro a una aprobación clara tras una corrección aprobada por un diseñador.
- Un costo de IA estimado en unos diez centavos por cada mil imágenes, porque solo las marcadas llegan al modelo.
- El liderazgo creativo y de imagen del cliente confirmó la necesidad, y la conversación pasó a una prueba con series de productos reales.
- Es un prototipo: no se ha corrido sobre la biblioteca completa, y las tolerancias todavía deben calibrarse por familia de color y por tipo de imagen.
Costo estimado de IA por cada 1.000 imágenes
Estimación con precios de lista de modelos de visión, no medida. La pasada determinista corre sobre todas las imágenes sin costo de API.
07
Lo que aprendimos en el camino
Los valores atípicos contaminan el consenso
La foto del color equivocado arrastró el promedio de la serie hacia sí misma, y la corrección más fuerte habría pintado de azul un sofá café. Los valores atípicos hay que excluirlos de la referencia, y una foto de otro producto debe marcarse, nunca corregirse. Por eso una persona toma la decisión final.
La tolerancia es una decisión de negocio
Los blancos, cremas y grises se desvían más que los colores saturados, y los renders 3D y la fotografía muestran la misma tela de forma distinta. Un umbral global rechazaría casi toda la biblioteca, así que la tolerancia debe definirse por familia de color y por tipo de imagen.
Nunca depender de la IA para seguir
Las llamadas a modelos se agotan y a veces las respuestas llegan mal formadas. Cuando pasa, la herramienta vuelve a su propia medición y continúa, así que una auditoría nunca se detiene porque un modelo falló.
Stack
- TypeScript
- Next.js
- React
- Tailwind CSS
- sharp
- colorjs.io (CIELAB, ΔE2000)
- Vercel AI SDK
- Gemini (visión)
- Electron
- Python
- FastAPI
- Playwright
- Server-Sent Events
- Docker
¿El control de calidad se está comiendo el tiempo de su equipo?
Combinamos medición determinista con IA donde aporta criterio, para que su equipo revise solo lo que de verdad necesita ojos humanos.
Agende su discovery sessionEl retailer, sus productos e imágenes se omiten por acuerdos de confidencialidad. Las mediciones vienen de un set de demostración; no se muestra ninguna imagen del cliente. Las cifras de costo son estimaciones. Entregado como brazo tecnológico especializado de una agencia de producción y desarrollo, que tenía la relación directa con el cliente.