<SA />

Paleta de Comandos — santiagoavirama.dev

Navega rápidamente por secciones, casos de estudio y acciones de contacto.

Volver al portafolio (~/santiagoavirama.dev)
Caso de Estudio de Ingeniería2026-10Scrum Master y Desarrollador Full Stack End-to-End

Ecosistema PorciTech — Plataforma Integral de Gestión y Biometría Porcina

Ecosistema distribuido de 4 módulos (Web, API Core, Visión Artificial y App Móvil Offline-First) para trazabilidad zootécnica y estimación biométrica de peso mediante YOLOv8, marcadores ArUco y XGBoost.

Next.jsTailwind CSSFastAPIPostgreSQL / TimescaleDBYOLOv8OpenCV / ArUcoXGBoostFlutter (Offline-First)Docker
Frontend Web (porcitech-nextjs)API Core (api_porcitech)Visión Artificial (Vision_Artificial)App Móvil (porcitech_mobile)

Contexto y Problema

En la industria porcícola tradicional, el control de ganancia diaria de peso (GDP), la trazabilidad sanitaria y el seguimiento reproductivo enfrentan dos obstáculos críticos:

  1. Estrés y riesgo biológico en el pesaje manual: Conducir a los animales hacia básculas mecánicas genera estrés agudo, pérdida temporal de peso, lesiones físicas y riesgos ergonómicos para los operarios.
  2. Desconexión en zonas rurales: Los galpones de producción suelen carecer de cobertura estable de internet, lo que provoca registros en papel propensos a extravío y transcripciones tardías.

PorciTech nace como un ecosistema tecnológico integral que digitaliza la operación en granja de extremo a extremo, combinando captura móvil offline-first en corral con inferencia de visión por computador sin contacto.

Arquitectura del Sistema

El sistema está diseñado como una arquitectura distribuida de 4 módulos especializados que convergen sobre un núcleo transaccional y analítico:

// Diagrama de Arquitectura del SistemaMermaid.js
Inicializando esquema interactivo...

Decisiones Técnicas Clave

  • Estimación de Peso sin Contacto (YOLOv8 + ArUco + XGBoost): En lugar de depender de una distancia fija de cámara, el pipeline visual detecta marcadores fiduciarios ArUco en el corral para calcular dinámicamente la relación píxel-centímetro. Con la máscara de segmentación dorsal obtenida por YOLOv8, se extraen descriptores morfométricos reales (área dorsal, perímetro, longitud y anchura) que alimentan un modelo XGBoost entrenado para estimar la masa corporal con baja latencia.
  • Persistencia Híbrida (PostgreSQL + TimescaleDB): Los catálogos zootécnicos, lotes, ciclos reproductivos e inventarios residen en tablas relacionales normalizadas, mientras que las lecturas continuas de pesaje biométrico y telemetría se almacenan en hipertablas de TimescaleDB para optimizar consultas agregadas por ventana temporal.
  • Operación Móvil Offline-First en Flutter: La aplicación móvil prioriza el almacenamiento local y encola las mutaciones con identificadores únicos (UUID) y marcas de tiempo UTC, sincronizando automáticamente las novedades cuando el operario regresa a una zona con cobertura Wi-Fi.
  • Arquitectura Frontend Orientada a Dominios (Feature-Driven): El cliente web en Next.js organiza sus componentes, servicios y estados por dominios funcionales (animals, weight, reproduction, health, feeding, inventory), facilitando el escalado independiente y la trazabilidad mediante códigos QR.

Seguridad y Calidad

  • Control de Acceso Basado en Roles (RBAC): La API Core implementa autorización granular en 3 niveles (Administrador, Veterinario / Zootecnista y Operario de Campo), protegiendo las rutas críticas mediante tokens JWT firmados.
  • Versionado y Validación Estricta de Contratos: Todos los endpoints bajo /api/v1/ validan sus cargas de entrada y salida con esquemas Pydantic v2, evitando inyecciones de datos malformados desde clientes externos o workers de visión.
  • Aislamiento en Contenedores: El worker de procesamiento RTSP y el servicio de inferencia se ejecutan en contenedores Docker con dependencias fijadas, garantizando la reproducibilidad del entorno matemático y de visión artificial.

Repositorios del Ecosistema