{"id":10289,"date":"2026-05-19T17:25:29","date_gmt":"2026-05-19T09:25:29","guid":{"rendered":"https:\/\/ieeker.com\/?p=10289"},"modified":"2026-05-19T17:31:29","modified_gmt":"2026-05-19T09:31:29","slug":"rk3588-machine-vision-defect-detection","status":"publish","type":"post","link":"https:\/\/ieeker.com\/es\/rk3588-machine-vision-defect-detection\/","title":{"rendered":"RK3588 para visi\u00f3n artificial y detecci\u00f3n industrial de defectos: Una gu\u00eda completa de ingenier\u00eda"},"content":{"rendered":"<div data-elementor-type=\"wp-post\" data-elementor-id=\"10289\" class=\"elementor elementor-10289\" data-elementor-post-type=\"post\">\n\t\t\t\t<div class=\"elementor-element elementor-element-6be2327 e-flex e-con-boxed e-con e-parent\" data-id=\"6be2327\" data-element_type=\"container\" data-settings=\"{&quot;jet_parallax_layout_list&quot;:[]}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-d386505 elementor-widget elementor-widget-text-editor\" data-id=\"d386505\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p><span style=\"font-size: 14pt;\">El RK3588 es una plataforma probada para visi\u00f3n industrial y detecci\u00f3n de defectos que ejecuta YOLOv5 a m\u00e1s de 54 FPS y transformadores de detecci\u00f3n ligeros a 58 FPS en el dispositivo, con una NPU de 6 TOPS que gestiona la inferencia INT8 a 5-6 W. Se adapta a aplicaciones AOI de una sola l\u00ednea, nodos de inspecci\u00f3n multic\u00e1mara y c\u00e1maras inteligentes integradas en las que el coste, la potencia y el factor de forma son importantes. Para metrolog\u00eda de semiconductores submicr\u00f3nica o flujos simult\u00e1neos de 32 c\u00e1maras, un acelerador dedicado es la mejor opci\u00f3n.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-668b73b elementor-widget elementor-widget-text-editor\" data-id=\"668b73b\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h2 class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><strong>Principales conclusiones<\/strong><\/h2><ul class=\"[li_&amp;]:mb-0 [li_&amp;]:mt-1 [li_&amp;]:gap-1 [&amp;:not(:last-child)_ul]:pb-1 [&amp;:not(:last-child)_ol]:pb-1 list-disc flex flex-col gap-1 pl-8 mb-3\"><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">El mercado mundial de la visi\u00f3n artificial alcanz\u00f3 los 15.830 millones de d\u00f3lares en 2025 y se prev\u00e9 que crezca a una tasa interanual del 8,3% hasta 2030: la detecci\u00f3n de defectos industriales es el principal motor de crecimiento (MarketsandMarkets)<\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">RK3588 ejecuta la detecci\u00f3n de defectos de rodamientos en <strong>58,1 FPS<\/strong> en el dispositivo utilizando un modelo DETR ligero a 96,2% mAP@50 (Annals of the New York Academy of Sciences, 2025).<\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">La NPU de 6 TOPS admite YOLOv5, YOLOv8, MobileNet, ResNet y arquitecturas CNN personalizadas a trav\u00e9s de RKNN-Toolkit2, sin necesidad de un marco de IA especializado.<\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">En <strong>41% de nuevos despliegues de sistemas de visi\u00f3n<\/strong> en 2025 incluyen capacidades de IA en los bordes, impulsadas por los requisitos de latencia, privacidad y ancho de banda (Global Growth Insights).<\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">Las aplicaciones de visi\u00f3n artificial RK3588 consumen entre 5 y 13 W (frente a los 10 y 30 W de las alternativas basadas en GPU), lo que permite la refrigeraci\u00f3n pasiva en carcasas industriales selladas.<\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">La detecci\u00f3n de defectos basada en el aprendizaje profundo se mantiene <strong>56% cuota de mercado<\/strong> en 2025, lo que convertir\u00e1 a las plataformas de borde compatibles con CNN\/transformador, como RK3588, en la arquitectura elegida por defecto (Future Market Insights).<\/span><\/li><\/ul>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-dade285 elementor-widget elementor-widget-text-editor\" data-id=\"dade285\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h2 class=\"text-text-100 mt-3 -mb-1 text-[1.125rem] font-bold\">Por qu\u00e9 la visi\u00f3n artificial se desplaza hacia la periferia y por qu\u00e9 RK3588 encaja en ella<\/h2><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">La visi\u00f3n artificial ha sido durante mucho tiempo una tecnolog\u00eda dependiente de servidores. Las c\u00e1maras capturan im\u00e1genes, un PC o un servidor de rack las procesa y los resultados se env\u00edan a trav\u00e9s de Ethernet o Fieldbus. Este modelo funcionaba cuando las l\u00edneas de producci\u00f3n funcionaban a baja velocidad, las im\u00e1genes eran de baja resoluci\u00f3n y la tolerancia a la latencia se med\u00eda en segundos.<\/span><\/p><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">La fabricaci\u00f3n moderna rompe los tres supuestos. Las l\u00edneas SMT de alta velocidad producen 50.000 componentes por hora. La inspecci\u00f3n de celdas de bater\u00edas de veh\u00edculos el\u00e9ctricos requiere una detecci\u00f3n de defectos submilim\u00e9trica a velocidades de cinta transportadora de m\u00e1s de 2 metros por segundo. Las l\u00edneas de envasado de alimentos no toleran falsos negativos por contaminaci\u00f3n. Enviar cada fotograma a un servidor central -a trav\u00e9s de una red de f\u00e1brica con restricciones de programaci\u00f3n en tiempo real- ya no es viable para las aplicaciones m\u00e1s exigentes.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-52a13b0 elementor-widget elementor-widget-text-editor\" data-id=\"52a13b0\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Seg\u00fan <a href=\"https:\/\/www.marketsandmarkets.com\/Market-Reports\/industrial-machine-vision-market-234246734.html\" target=\"_blank\" rel=\"noopener\">MarketsandMarkets<\/a>El mercado mundial de visi\u00f3n artificial est\u00e1 creciendo de 15.830 millones de d\u00f3lares en 2025 a 23.630 millones de d\u00f3lares en 2030, con una CAGR del 8,3%. El modelo de implantaci\u00f3n de m\u00e1s r\u00e1pido crecimiento es el integrado y basado en el borde: c\u00e1maras inteligentes y SBC integrados que procesan im\u00e1genes en el punto de adquisici\u00f3n, eliminando la latencia de la red y los cuellos de botella del servidor central.<\/span><\/p><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">El RK3588 aborda directamente este cambio. Su NPU de 6 TOPS, su ISP dual compatible con c\u00e1maras de hasta 32 MP, su codificaci\u00f3n H.265 por hardware y sus interfaces de E\/S industriales la convierten en una plataforma capaz para la visi\u00f3n artificial integrada; no se trata de una soluci\u00f3n de compromiso, sino de una arquitectura adaptada al caso de uso de la inspecci\u00f3n de bordes.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-a010cf0 elementor-widget elementor-widget-text-editor\" data-id=\"a010cf0\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h2 class=\"text-text-100 mt-3 -mb-1 text-[1.125rem] font-bold\">C\u00f3mo soporta el hardware RK3588 las cargas de trabajo de visi\u00f3n artificial<\/h2><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Para comprender en qu\u00e9 destaca el RK3588 en el campo de la visi\u00f3n artificial, es necesario ir m\u00e1s all\u00e1 de las especificaciones de la NPU y ver el conjunto completo de funciones del SoC que utiliza realmente la inspecci\u00f3n industrial.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-1f498aa elementor-widget elementor-widget-text-editor\" data-id=\"1f498aa\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h3 class=\"text-text-100 mt-2 -mb-1 text-base font-bold\">Adquisici\u00f3n de im\u00e1genes: ISP e interfaz de c\u00e1mara<\/h3><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">El RK3588 integra un ISP (procesador de se\u00f1al de imagen) dual capaz de manejar sensores de hasta 32 MP. No se trata de una nota a pie de p\u00e1gina de marketing: en visi\u00f3n artificial, la calidad del ISP afecta directamente a la precisi\u00f3n de la detecci\u00f3n de defectos. El ISP se encarga de la reducci\u00f3n de ruido, la correcci\u00f3n de las sombras del objetivo, el balance de blancos autom\u00e1tico y el mapeo de tonos HDR en hardware, descargando de la CPU y la NPU estas operaciones de alto coste computacional.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-d6391ca elementor-widget elementor-widget-text-editor\" data-id=\"d6391ca\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Opciones de conectividad de la c\u00e1mara en el RK3588:<\/span><\/p><div class=\"overflow-x-auto w-full px-2 mb-6\"><table class=\"min-w-full border-collapse text-sm leading-[1.7] whitespace-normal\"><thead class=\"text-left\"><tr><th class=\"text-text-100 border-b-0.5 border-border-300\/60 py-2 pr-4 align-top font-bold\" scope=\"col\"><span style=\"font-size: 14pt;\">Interfaz<\/span><\/th><th class=\"text-text-100 border-b-0.5 border-border-300\/60 py-2 pr-4 align-top font-bold\" scope=\"col\"><span style=\"font-size: 14pt;\">Carriles Max<\/span><\/th><th class=\"text-text-100 border-b-0.5 border-border-300\/60 py-2 pr-4 align-top font-bold\" scope=\"col\"><span style=\"font-size: 14pt;\">Uso t\u00edpico<\/span><\/th><\/tr><\/thead><tbody><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">MIPI CSI-2<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Carriles 4\u00d74<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">C\u00e1maras de exploraci\u00f3n de \u00e1rea, sensores de clase GigE<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">USB 3.0<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">2 puertos<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">C\u00e1maras USB3 Vision, c\u00e1maras USB industriales<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Entrada HDMI<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">1 puerto<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Tarjetas de captura, entrada anal\u00f3gico-digital<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">PCIe 3.0<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">1\u00d74 o 2\u00d72<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Grabadoras de fotogramas CoaXPress \/ Camera Link<\/span><\/td><\/tr><\/tbody><\/table><\/div><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Para la mayor\u00eda de las aplicaciones de visi\u00f3n artificial integradas, MIPI CSI-2 es la ruta principal. Una conexi\u00f3n MIPI de 4 carriles admite la transferencia de im\u00e1genes sin procesar a una velocidad de hasta 4K@60fps, suficiente para la mayor\u00eda de las tareas de inspecci\u00f3n de superficies y AOI en l\u00ednea.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-5a50902 elementor-widget elementor-widget-text-editor\" data-id=\"5a50902\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h3 class=\"text-text-100 mt-2 -mb-1 text-base font-bold\">NPU: El motor de inferencia<\/h3><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">La NPU de 6 TOPS es el n\u00facleo de la capacidad de visi\u00f3n artificial del RK3588. Admite cuantizaci\u00f3n INT4, INT8 e INT16 para CNN y modelos basados en transformadores, con FP16 disponible para capas sensibles a la precisi\u00f3n. En visi\u00f3n artificial, la cuantizaci\u00f3n INT8 es el modo de implementaci\u00f3n est\u00e1ndar, ya que ofrece una precisi\u00f3n cercana a FP32 con una mejora del rendimiento de 4 a 8 veces.<\/span><\/p><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\"><a href=\"https:\/\/tinycomputers.io\/posts\/rockchip-rk3588-npu-benchmarks.html\" target=\"_blank\" rel=\"noopener\">Puntos de referencia reales de TinyComputers.io<\/a> muestran ResNet18 funcionando a 244 FPS con una latencia de 4,09 ms en la NPU RK3588. Para las tareas de clasificaci\u00f3n de defectos que utilizan arquitecturas ResNet, esto se traduce en un rendimiento de inspecci\u00f3n capaz de gestionar aplicaciones de transporte de alta velocidad sin ca\u00eddas de tramas.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-3890b93 elementor-widget elementor-widget-text-editor\" data-id=\"3890b93\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h3 class=\"text-text-100 mt-2 -mb-1 text-base font-bold\">Ancho de banda de CPU y memoria<\/h3><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Los n\u00facleos Cortex-A76 se encargan de las tareas de preprocesamiento y posprocesamiento que no se asignan de forma eficiente a la NPU: descodificaci\u00f3n de im\u00e1genes, supresi\u00f3n no m\u00e1xima (NMS), empaquetado de resultados y comunicaci\u00f3n con sistemas PLC o SCADA. El mayor rendimiento de un solo subproceso del A76 respecto a sus predecesores (aproximadamente 2,5-3x frente a Cortex-A72) es significativo para estas operaciones secuenciales de preprocesamiento.<\/span><\/p><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">La memoria LPDDR4X con un bus de 64 bits proporciona el ancho de banda necesario para sostener la captura simult\u00e1nea de la c\u00e1mara, el canal de inferencia de la NPU y la salida de resultados sin cuellos de botella en la memoria, un modo de fallo habitual en las plataformas integradas de gama baja.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-0b99abc elementor-widget elementor-widget-text-editor\" data-id=\"0b99abc\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h2 class=\"text-text-100 mt-3 -mb-1 text-[1.125rem] font-bold\">Rendimiento del sistema de visi\u00f3n artificial RK3588: Datos de referencia reales<\/h2><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Las especificaciones en bruto importan menos que los resultados medidos en tareas de inspecci\u00f3n reales. Esto es lo que muestran las investigaciones publicadas y los datos de implantaci\u00f3n.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-5dfd9ac elementor-widget elementor-widget-text-editor\" data-id=\"5dfd9ac\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h3 class=\"text-text-100 mt-2 -mb-1 text-base font-bold\">Puntos de referencia para la detecci\u00f3n de defectos<\/h3><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><a href=\"https:\/\/nyaspubs.onlinelibrary.wiley.com\/doi\/10.1111\/nyas.70156?af=R\" target=\"_blank\" rel=\"noopener\"><span style=\"font-size: 14pt;\">Un estudio de 2025 publicado en los Anales de la Academia de Ciencias de Nueva York<\/span><\/a><span style=\"font-size: 14pt;\">\u00a0evalu\u00f3 comparativamente el transformador de detecci\u00f3n SMF-DETR -optimizado para la detecci\u00f3n de defectos en la superficie de los rodamientos- en la plataforma RK3588:<\/span><\/p><div class=\"overflow-x-auto w-full px-2 mb-6\"><table class=\"min-w-full border-collapse text-sm leading-[1.7] whitespace-normal\"><thead class=\"text-left\"><tr><th class=\"text-text-100 border-b-0.5 border-border-300\/60 py-2 pr-4 align-top font-bold\" scope=\"col\"><span style=\"font-size: 14pt;\">M\u00e9trica<\/span><\/th><th class=\"text-text-100 border-b-0.5 border-border-300\/60 py-2 pr-4 align-top font-bold\" scope=\"col\"><span style=\"font-size: 14pt;\">Valor<\/span><\/th><\/tr><\/thead><tbody><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">mAP@50<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">96.2%<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Precisi\u00f3n<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">98.1%<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">FPS en RK3588<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">58,1 FPS<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">FPS en GPU de sobremesa<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">97,3 FPS<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Reducci\u00f3n del tama\u00f1o del modelo<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">37.1%<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Reducci\u00f3n de costes computacionales<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">57.7%<\/span><\/td><\/tr><\/tbody><\/table><\/div><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">58 FPS en una placa integrada que consume menos de 10 W, a 96,2% mAP: se trata de un rendimiento viable en producci\u00f3n para la inspecci\u00f3n de rodamientos a velocidades de transporte realistas.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-0835eca elementor-widget elementor-widget-image\" data-id=\"0835eca\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img fetchpriority=\"high\" decoding=\"async\" width=\"800\" height=\"534\" src=\"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-benchmark-fps-chart-1024x683.webp\" class=\"attachment-large size-large wp-image-10294\" alt=\"\" srcset=\"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-benchmark-fps-chart-1024x683.webp 1024w, https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-benchmark-fps-chart-300x200.webp 300w, https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-benchmark-fps-chart-768x512.webp 768w, https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-benchmark-fps-chart-18x12.webp 18w, https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-benchmark-fps-chart.webp 1536w\" sizes=\"(max-width: 800px) 100vw, 800px\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-2bf9772 elementor-widget elementor-widget-text-editor\" data-id=\"2bf9772\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p><span style=\"font-size: 14pt;\"><a href=\"https:\/\/www.nature.com\/articles\/s41598-025-16043-z\" target=\"_blank\" rel=\"noopener\">Otro estudio publicado en Scientific Reports (2025)<\/a>\u00a0despleg\u00f3 un sistema de detecci\u00f3n de defectos en cables met\u00e1licos en RK3588 utilizando una arquitectura basada en MobileNetV3 con un mecanismo de atenci\u00f3n personalizado. Los investigadores eligieron RK3588 en lugar de Jetson Nano espec\u00edficamente por su mayor densidad computacional al mismo nivel de potencia y coste, logrando un rendimiento de detecci\u00f3n en tiempo real que los sistemas dependientes del servidor necesitaban de 20 a 30 minutos para completar.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-6c87a07 elementor-widget elementor-widget-text-editor\" data-id=\"6c87a07\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h3 class=\"text-text-100 mt-2 -mb-1 text-base font-bold\">Tabla de rendimiento de la carga de trabajo de Vision<\/h3><div class=\"overflow-x-auto w-full px-2 mb-6\"><table class=\"min-w-full border-collapse text-sm leading-[1.7] whitespace-normal\"><thead class=\"text-left\"><tr><th class=\"text-text-100 border-b-0.5 border-border-300\/60 py-2 pr-4 align-top font-bold\" scope=\"col\"><span style=\"font-size: 14pt;\">Modelo<\/span><\/th><th class=\"text-text-100 border-b-0.5 border-border-300\/60 py-2 pr-4 align-top font-bold\" scope=\"col\"><span style=\"font-size: 14pt;\">Tarea<\/span><\/th><th class=\"text-text-100 border-b-0.5 border-border-300\/60 py-2 pr-4 align-top font-bold\" scope=\"col\"><span style=\"font-size: 14pt;\">Precisi\u00f3n<\/span><\/th><th class=\"text-text-100 border-b-0.5 border-border-300\/60 py-2 pr-4 align-top font-bold\" scope=\"col\"><span style=\"font-size: 14pt;\">Latencia<\/span><\/th><th class=\"text-text-100 border-b-0.5 border-border-300\/60 py-2 pr-4 align-top font-bold\" scope=\"col\"><span style=\"font-size: 14pt;\">FPS<\/span><\/th><\/tr><\/thead><tbody><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">ResNet18<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Clasificaci\u00f3n<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">INT8<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">4,09 ms<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">244<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">YOLOv5s<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Detecci\u00f3n de objetos<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">INT8<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">~18ms<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">~54<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">YOLOv8n<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Detecci\u00f3n de objetos<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">INT8<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">~15ms<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">~65<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">MobileNetV2<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Extracci\u00f3n de caracter\u00edsticas<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">INT8<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">~5ms<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">~200<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">SMF-DETR (rodamiento)<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Detecci\u00f3n de defectos<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">INT8<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">~17ms<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">58.1<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">MobileNetV3 (cable met\u00e1lico)<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Detecci\u00f3n de defectos<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">INT8<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">~20ms<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">~50<\/span><\/td><\/tr><\/tbody><\/table><\/div><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\"><em>Fuentes: Puntos de referencia de TinyComputers.io; Annals of the New York Academy of Sciences (2025); Scientific Reports (2025)<\/em><\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-fb5c45c elementor-widget elementor-widget-text-editor\" data-id=\"fb5c45c\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h2 class=\"text-text-100 mt-3 -mb-1 text-[1.125rem] font-bold\">Arquitectura del sistema de visi\u00f3n artificial en RK3588<\/h2><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Un sistema de visi\u00f3n artificial integrado completo en RK3588 no es s\u00f3lo una placa con una c\u00e1mara. La arquitectura abarca la adquisici\u00f3n de im\u00e1genes, el preprocesamiento, la inferencia, el tratamiento de resultados y la comunicaci\u00f3n con sistemas de f\u00e1brica.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-004d42a elementor-widget elementor-widget-text-editor\" data-id=\"004d42a\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h3 class=\"text-text-100 mt-2 -mb-1 text-base font-bold\">Pila recomendada para AOI en l\u00ednea<\/h3><div class=\"relative group\/copy bg-bg-000\/50 border-0.5 border-border-400 rounded-lg focus:outline-none focus-visible:ring-2 focus-visible:ring-accent-100\" tabindex=\"0\" role=\"group\" aria-label=\"C\u00f3digo\"><div class=\"overflow-x-auto\"><pre class=\"code-block__code !my-0 !rounded-lg !text-sm !leading-relaxed p-3.5\"><span style=\"font-size: 14pt;\">\u250c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2510<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 Capa de c\u00e1mara \u2502<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 C\u00e1mara de exploraci\u00f3n de \u00e1rea MIPI CSI-2 (2-12MP) \u2502<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 Luz anular LED sincronizada con luz estrobosc\u00f3pica \u2502<\/span><br \/><span style=\"font-size: 14pt;\">\u2514\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u252c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2518<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 Raw Bayer \/ YUV<\/span><br \/><span style=\"font-size: 14pt;\">\u250c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u25bc\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2510<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 Capa ISP (Hardware) \u2502<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 Reducci\u00f3n del ruido, correcci\u00f3n del sombreado del objetivo \u2502<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 Demosaicing, balance de blancos, HDR \u2502<\/span><br \/><span style=\"font-size: 14pt;\">\u2514\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u252c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2518<\/span><br \/><span style=\"font-size: 14pt;\">Imagen procesada (RGB\/YUV)<\/span><br \/><span style=\"font-size: 14pt;\">\u250c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u25bc\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2510<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 Preprocesamiento (CPU \/ A76) \u2502<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 Redimensionar, normalizar, recortar ROI \u2502<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 Canalizaci\u00f3n multihilo mediante V4L2 + OpenCV \u2502<\/span><br \/><span style=\"font-size: 14pt;\">\u2514\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u252c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2518<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 Tensor listo para la inferencia<\/span><br \/><span style=\"font-size: 14pt;\">\u250c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u25bc\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2510<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 Capa de inferencia NPU \u2502<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 Tiempo de ejecuci\u00f3n de RKNN-Toolkit2 \u2502<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 Modelo cuantizado INT8 (YOLOv8 \/ ResNet \/ DETR) \u2502<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 SCHED_FIFO prioridad para latencia determinista \u2502<\/span><br \/><span style=\"font-size: 14pt;\">\u2514\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u252c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2518<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 Resultados de detecci\u00f3n \/ cuadros delimitadores<\/span><br \/><span style=\"font-size: 14pt;\">\u250c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u25bc\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2510<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 Postprocesamiento (CPU) \u2502<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 NMS, umbral de confianza, asignaci\u00f3n de clases \u2502<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 Clasificaci\u00f3n de defectos y cartograf\u00eda de coordenadas \u2502<\/span><br \/><span style=\"font-size: 14pt;\">\u2514\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u252c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2518<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 Se\u00f1al Pasa\/Falla + datos del defecto.<\/span><br \/><span style=\"font-size: 14pt;\">\u250c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u25bc\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2510<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 Integraci\u00f3n de f\u00e1brica \u2502<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 Salida de disparo GPIO \u2192 actuador de rechazo \u2502.<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 Modbus TCP \/ OPC-UA \u2192 SCADA \/ MES \u2502<\/span><br \/><span style=\"font-size: 14pt;\">\u2502 MQTT \u2192 agregaci\u00f3n de datos en la nube \u2502<\/span><br \/><span style=\"font-size: 14pt;\">\u2514\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2518<\/span><\/pre><\/div><\/div><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Esta arquitectura se ejecuta \u00edntegramente en una \u00fanica placa RK3588. Sin servidor externo, sin llamada de inferencia de red, sin punto \u00fanico de fallo m\u00e1s all\u00e1 de la propia placa.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-b9e9819 elementor-widget elementor-widget-image\" data-id=\"b9e9819\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"800\" height=\"450\" data-src=\"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-system-architecture-diagram-1024x576.webp\" class=\"attachment-large size-large wp-image-10293 lazyload\" alt=\"\" data-srcset=\"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-system-architecture-diagram-1024x576.webp 1024w, https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-system-architecture-diagram-300x169.webp 300w, https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-system-architecture-diagram-768x432.webp 768w, https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-system-architecture-diagram-1536x864.webp 1536w, https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-system-architecture-diagram-18x10.webp 18w, https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-system-architecture-diagram.webp 1672w\" data-sizes=\"(max-width: 800px) 100vw, 800px\" src=\"data:image\/gif;base64,R0lGODlhAQABAAAAACH5BAEKAAEALAAAAAABAAEAAAICTAEAOw==\" style=\"--smush-placeholder-width: 800px; --smush-placeholder-aspect-ratio: 800\/450;\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-35f5015 elementor-widget elementor-widget-text-editor\" data-id=\"35f5015\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h3 class=\"text-text-100 mt-2 -mb-1 text-base font-bold\">Componentes clave del software<\/h3><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\"><strong>V4L2 (V\u00eddeo para Linux 2):<\/strong> El marco del n\u00facleo para la captura de c\u00e1maras en Linux. El BSP de RK3588 incluye controladores V4L2 optimizados para c\u00e1maras MIPI CSI, que admiten retrollamadas de fotogramas de baja latencia que alimentan directamente el canal de inferencia.<\/span><\/p><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\"><strong>RKNN-Toolkit2:<\/strong> SDK de despliegue de modelos de Rockchip. Gestiona la conversi\u00f3n de modelos de TensorFlow, PyTorch (a trav\u00e9s de ONNX), Caffe y MXNet al formato RKNN, con calibraci\u00f3n de cuantizaci\u00f3n INT8 y la API en tiempo de ejecuci\u00f3n para la inferencia en el dispositivo.<\/span><\/p><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\"><strong>OpenCV:<\/strong> La librer\u00eda est\u00e1ndar de visi\u00f3n por computador para operaciones de preprocesado. Funciona eficientemente en entornos Debian\/Ubuntu RK3588.<\/span><\/p><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\"><strong>GStreamer:<\/strong> Para la gesti\u00f3n de canalizaciones multic\u00e1mara, la codificaci\u00f3n acelerada por hardware de v\u00eddeo de inspecci\u00f3n y la captura simult\u00e1nea de varias fuentes.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-895f668 elementor-widget elementor-widget-text-editor\" data-id=\"895f668\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h2 class=\"text-text-100 mt-3 -mb-1 text-[1.125rem] font-bold\">Casos pr\u00e1cticos de detecci\u00f3n de defectos<\/h2><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">El perfil de rendimiento del RK3588 se ajusta a una banda espec\u00edfica de aplicaciones de inspecci\u00f3n industrial. Saber d\u00f3nde encaja, y d\u00f3nde no, ahorra semanas de trabajo de integraci\u00f3n.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-31b0f5b elementor-widget elementor-widget-text-editor\" data-id=\"31b0f5b\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h3 class=\"text-text-100 mt-2 -mb-1 text-base font-bold\">\u2705 Ajuste fuerte: Detecci\u00f3n de defectos superficiales<\/h3><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Inspecci\u00f3n de juntas de soldadura de PCB, detecci\u00f3n de ara\u00f1azos en superficies met\u00e1licas, defectos superficiales en moldes de inyecci\u00f3n de pl\u00e1stico, clasificaci\u00f3n de defectos en tejidos: todos ellos utilizan CNN o modelos de transformador ligeros en im\u00e1genes 2D, se asignan limpiamente a la cuantizaci\u00f3n INT8 y funcionan a frecuencias de cuadro muy por debajo de la capacidad de la NPU del RK3588.<\/span><\/p><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\"><a href=\"https:\/\/www.sciencedirect.com\/science\/article\/pii\/S259012302502506X\" target=\"_blank\" rel=\"noopener\">Una revisi\u00f3n exhaustiva de 2025 en ScienceDirect<\/a>\u00a082 estudios sobre la detecci\u00f3n de defectos en la superficie de los PCB confirman que <a class=\"underline underline underline-offset-2 decoration-1 decoration-current\/40 hover:decoration-current focus:decoration-current\" href=\"https:\/\/en.wikipedia.org\/wiki\/Automated_optical_inspection\" target=\"_blank\" rel=\"noopener\">Inspecci\u00f3n \u00f3ptica automatizada (AOI)<\/a> sigue siendo el enfoque dominante en la producci\u00f3n SMT, y que los m\u00e9todos basados en el aprendizaje profundo, que ahora tienen una cuota de mercado de 56%, son el est\u00e1ndar de rendimiento. RK3588 ejecuta estos modelos a velocidades relevantes para la producci\u00f3n.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-32e5621 elementor-widget elementor-widget-text-editor\" data-id=\"32e5621\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h3 class=\"text-text-100 mt-2 -mb-1 text-base font-bold\">\u2705 Ajuste fuerte: Detecci\u00f3n y recuento de objetos<\/h3><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Inspecci\u00f3n de bl\u00edsteres farmac\u00e9uticos (p\u00edldoras que faltan, comprimidos rotos), detecci\u00f3n de objetos extra\u00f1os en alimentos, verificaci\u00f3n de presencia\/ausencia de componentes en l\u00edneas de montaje: todas son tareas de detecci\u00f3n de objetos en las que los modelos YOLOv5\/v8 con precisi\u00f3n INT8 ofrecen 50-65 FPS en RK3588, suficiente para l\u00edneas que funcionan con varios cientos de piezas por minuto.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-38ab707 elementor-widget elementor-widget-text-editor\" data-id=\"38ab707\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h3 class=\"text-text-100 mt-2 -mb-1 text-base font-bold\">\u2705 Ajuste fuerte: Medici\u00f3n dimensional (basada en la visi\u00f3n)<\/h3><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">La verificaci\u00f3n de las dimensiones de los componentes, la medici\u00f3n de huecos y la comprobaci\u00f3n de la alineaci\u00f3n mediante una c\u00e1mara calibrada y algoritmos de detecci\u00f3n de bordes (transformadas Canny y Hough) se ejecutan de forma eficiente en los n\u00facleos de la CPU, mientras que la NPU se encarga de cualquier paso de localizaci\u00f3n de componentes aprendido.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-4c4b13e elementor-widget elementor-widget-text-editor\" data-id=\"4c4b13e\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h3 class=\"text-text-100 mt-2 -mb-1 text-base font-bold\">\u26a0\ufe0f Trabajable con optimizaci\u00f3n: Inspecci\u00f3n simult\u00e1nea multic\u00e1mara<\/h3><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Se pueden conseguir de 4 a 8 nodos de inspecci\u00f3n de c\u00e1maras en un \u00fanico RK3588 con un dise\u00f1o de canalizaci\u00f3n cuidadoso: resoluci\u00f3n reducida por c\u00e1mara (720P frente a 4K), velocidad de fotogramas reducida a 15-20 FPS por flujo y programaci\u00f3n de NPU multiplexada en el tiempo. M\u00e1s all\u00e1 de 8 flujos simult\u00e1neos con la m\u00e1xima precisi\u00f3n de detecci\u00f3n, un acelerador dedicado es la mejor arquitectura.<\/span><\/p><h3 class=\"text-text-100 mt-2 -mb-1 text-base font-bold\">\u274c Not the Right Fit: Metrolog\u00eda de semiconductores submicr\u00f3nicos<\/h3><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">La inspecci\u00f3n de obleas, la localizaci\u00f3n de defectos a nivel de matriz a escala nanom\u00e9trica y el cosido de im\u00e1genes multigigap\u00edxel para el control de calidad de semiconductores requieren hardware de metrolog\u00eda espec\u00edfico (sistemas de gama alta de Teledyne, KLA, Keyence) o computaci\u00f3n de clase GPU. RK3588 no se encuentra en este espacio.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-218c0d1 elementor-widget elementor-widget-text-editor\" data-id=\"218c0d1\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h2 class=\"text-text-100 mt-3 -mb-1 text-[1.125rem] font-bold\">RKNN-Toolkit2: Despliegue de su modelo de detecci\u00f3n en RK3588<\/h2><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">El flujo de trabajo pr\u00e1ctico para implementar un modelo de visi\u00f3n artificial en RK3588 sigue tres etapas. Comprender cada etapa evita los problemas de integraci\u00f3n m\u00e1s comunes.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-2524bc5 elementor-widget elementor-widget-text-editor\" data-id=\"2524bc5\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h3 class=\"text-text-100 mt-2 -mb-1 text-base font-bold\">Etapa 1: Formaci\u00f3n de modelos (estaci\u00f3n de trabajo)<\/h3><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Entrene su modelo de detecci\u00f3n o clasificaci\u00f3n en PyTorch, TensorFlow o el framework de su elecci\u00f3n en una estaci\u00f3n de trabajo GPU. Para tareas de visi\u00f3n artificial, empiece con arquitecturas probadas: YOLOv8n o YOLOv8s para la detecci\u00f3n, MobileNetV3 para la clasificaci\u00f3n y EfficientDet-lite para la inspecci\u00f3n multiclase. Las arquitecturas personalizadas funcionan, pero cualquier capa no soportada por la NPU de RKNN volver\u00e1 a la ejecuci\u00f3n en CPU - compruebe la lista de operadores soportados por RKNN antes de comprometerse con bloques de construcci\u00f3n inusuales.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-881ad1e elementor-widget elementor-widget-text-editor\" data-id=\"881ad1e\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h3 class=\"text-text-100 mt-2 -mb-1 text-base font-bold\">Fase 2: Cuantificaci\u00f3n y conversi\u00f3n (RKNN-Toolkit2, estaci\u00f3n de trabajo)<\/h3><div class=\"relative group\/copy bg-bg-000\/50 border-0.5 border-border-400 rounded-lg focus:outline-none focus-visible:ring-2 focus-visible:ring-accent-100\" tabindex=\"0\" role=\"group\" aria-label=\"c\u00f3digo python\"><div class=\"overflow-x-auto\"><pre class=\"code-block__code !my-0 !rounded-lg !text-sm !leading-relaxed p-3.5\"><span style=\"font-size: 14pt;\"><code class=\"language-python\"><span class=\"token token\">de<\/span> rknn<span class=\"token token\">.<\/span>api <span class=\"token token\">importar<\/span> RKNN\n\nrknn <span class=\"token token\">=<\/span> RKNN<span class=\"token token\">(<\/span>verbose<span class=\"token token\">=<\/span><span class=\"token token\">Verdadero<\/span><span class=\"token token\">)<\/span>\n\n<span class=\"token token\"># Carga del modelo ONNX entrenado<\/span>\nrknn<span class=\"token token\">.<\/span>carga_onnx<span class=\"token token\">(<\/span>modelo<span class=\"token token\">=<\/span><span class=\"token token\">'.\/detector_defectos.onnx'<\/span><span class=\"token token\">)<\/span>\n\n<span class=\"token token\"># Configurar la cuantizaci\u00f3n<\/span>\nrknn<span class=\"token token\">.<\/span>config<span class=\"token token\">(<\/span>valores_medios<span class=\"token token\">=<\/span><span class=\"token token\">[<\/span><span class=\"token token\">[<\/span><span class=\"token token\">123.675<\/span><span class=\"token token\">,<\/span> <span class=\"token token\">116.28<\/span><span class=\"token token\">,<\/span> <span class=\"token token\">103.53<\/span><span class=\"token token\">]<\/span><span class=\"token token\">]<\/span><span class=\"token token\">,<\/span>\n            valores_est\u00e1ndar<span class=\"token token\">=<\/span><span class=\"token token\">[<\/span><span class=\"token token\">[<\/span><span class=\"token token\">58.395<\/span><span class=\"token token\">,<\/span> <span class=\"token token\">57.12<\/span><span class=\"token token\">,<\/span> <span class=\"token token\">57.375<\/span><span class=\"token token\">]<\/span><span class=\"token token\">]<\/span><span class=\"token token\">,<\/span>\n            plataforma_de_objetivo<span class=\"token token\">=<\/span><span class=\"token token\">rk3588<\/span><span class=\"token token\">)<\/span>\n\n<span class=\"token token\"># Construido con cuantizaci\u00f3n INT8<\/span>\nrknn<span class=\"token token\">.<\/span>construya<span class=\"token token\">(<\/span>do_cuantizaci\u00f3n<span class=\"token token\">=<\/span><span class=\"token token\">Verdadero<\/span><span class=\"token token\">,<\/span> \n           conjunto de datos<span class=\"token token\">=<\/span><span class=\"token token\">'.\/conjunto_datos_calibracion.txt'<\/span><span class=\"token token\">)<\/span>\n\n<span class=\"token token\"># Exportar modelo RKNN<\/span>\nrknn<span class=\"token token\">.<\/span>export_rknn<span class=\"token token\">(<\/span><span class=\"token token\">'.\/detector_defectos.rknn'<\/span><span class=\"token token\">)<\/span><\/code><\/span><\/pre><\/div><\/div><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">El conjunto de datos de calibraci\u00f3n (el <span style=\"color: #ff0000;\"><code class=\"bg-text-200\/5 border border-0.5 border-border-300 text-danger-000 whitespace-pre-wrap rounded-[0.4rem] px-1 py-px text-[0.9rem]\">dataset.txt<\/code><\/span> de 100-300 im\u00e1genes representativas) es la variable m\u00e1s importante en la calidad de la cuantificaci\u00f3n. Utilice im\u00e1genes que abarquen toda la gama de condiciones de iluminaci\u00f3n, variantes de productos y tipos de defectos que encontrar\u00e1 su sistema. Un conjunto de calibraci\u00f3n con poca diversidad es la causa m\u00e1s com\u00fan de las ca\u00eddas de precisi\u00f3n posteriores a la cuantificaci\u00f3n.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-8efba4b elementor-widget elementor-widget-text-editor\" data-id=\"8efba4b\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h3 class=\"text-text-100 mt-2 -mb-1 text-base font-bold\">Fase 3: Inferencia en el dispositivo (RK3588)<\/h3><div class=\"relative group\/copy bg-bg-000\/50 border-0.5 border-border-400 rounded-lg focus:outline-none focus-visible:ring-2 focus-visible:ring-accent-100\" tabindex=\"0\" role=\"group\" aria-label=\"c\u00f3digo python\"><div class=\"overflow-x-auto\"><pre class=\"code-block__code !my-0 !rounded-lg !text-sm !leading-relaxed p-3.5\"><code class=\"language-python\"><span class=\"token token\"><span style=\"font-size: 14pt;\">de<\/span><\/span><span style=\"font-size: 14pt;\"> rknnlite<span class=\"token token\">.<\/span>api <span class=\"token token\">importar<\/span> RKNNLite\n\nrknn_lite <span class=\"token token\">=<\/span> RKNNLite<span class=\"token token\">(<\/span><span class=\"token token\">)<\/span>\nrknn_lite<span class=\"token token\">.<\/span>cargar_rknn<span class=\"token token\">(<\/span><span class=\"token token\">'.\/detector_defectos.rknn'<\/span><span class=\"token token\">)<\/span>\nrknn_lite<span class=\"token token\">.<\/span>init_runtime<span class=\"token token\">(<\/span>m\u00e1scara_del_n\u00facleo<span class=\"token token\">=<\/span>RKNNLite<span class=\"token token\">.<\/span>NPU_CORE_ALL<span class=\"token token\">)<\/span>\n\n<span class=\"token token\"># Ejecutar inferencia<\/span>\nsalidas <span class=\"token token\">=<\/span> rknn_lite<span class=\"token token\">.<\/span>inferencia<span class=\"token token\">(<\/span>entradas<span class=\"token token\">=<\/span><span class=\"token token\">[<\/span>imagen_preprocesada<span class=\"token token\">]<\/span><span class=\"token token\">)<\/span><\/span><\/code><\/pre><\/div><\/div><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Establezca el hilo de inferencia en <code class=\"bg-text-200\/5 border border-0.5 border-border-300 text-danger-000 whitespace-pre-wrap rounded-[0.4rem] px-1 py-px text-[0.9rem]\">SCHED_FIFO<\/code> prioridad en Linux para minimizar las fluctuaciones en la programaci\u00f3n, algo fundamental cuando su sistema de inspecci\u00f3n tiene requisitos de latencia estrictos ligados a la velocidad de la cinta transportadora.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-e93db89 elementor-widget elementor-widget-text-editor\" data-id=\"e93db89\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h2 class=\"text-text-100 mt-3 -mb-1 text-[1.125rem] font-bold\">Desde la f\u00e1brica: Resoluci\u00f3n de un problema de precisi\u00f3n de la cuantizaci\u00f3n<\/h2><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\"><em>Relato en primera persona del equipo de ingenier\u00eda de sistemas embebidos de ieeker.<\/em><\/span><\/p><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Un cliente que estaba construyendo un sistema de inspecci\u00f3n de soldaduras en l\u00ednea para una l\u00ednea de ensamblaje de placas de circuito impreso acudi\u00f3 a nosotros con un modelo PyTorch en funcionamiento: un clasificador basado en ResNet50 entrenado con 15.000 im\u00e1genes de soldaduras, que alcanz\u00f3 una precisi\u00f3n de 94,2% en el conjunto de validaci\u00f3n. El problema: tras la cuantizaci\u00f3n INT8 mediante RKNN-Toolkit2, la precisi\u00f3n descendi\u00f3 a 76,8%. El umbral de calidad del cliente era de 91% como m\u00ednimo. Con 76,8%, la tasa de falsos rechazos en placas buenas era econ\u00f3micamente inaceptable: las paradas de l\u00ednea por rechazos innecesarios costaban m\u00e1s que los defectos que el sistema deb\u00eda detectar.<\/span><\/p><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Diagnosticamos el problema en dos partes. En primer lugar, el conjunto de datos de calibraci\u00f3n constaba de 60 im\u00e1genes, todas ellas capturadas con la misma iluminaci\u00f3n y a la misma hora del d\u00eda. La l\u00ednea de producci\u00f3n ten\u00eda tres intensidades de iluminaci\u00f3n LED diferentes en los distintos puestos de inspecci\u00f3n, y las im\u00e1genes de calibraci\u00f3n no representaban esta variaci\u00f3n. En segundo lugar, las dos \u00faltimas capas totalmente conectadas de ResNet50 acumulaban un error de cuantificaci\u00f3n significativo porque sus distribuciones de pesos eran inusualmente amplias, una caracter\u00edstica con la que INT8 tiene dificultades.<\/span><\/p><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">La soluci\u00f3n consisti\u00f3 en dos cambios. Ampliamos el conjunto de datos de calibraci\u00f3n a 280 im\u00e1genes que mostraban las tres condiciones de iluminaci\u00f3n en la misma proporci\u00f3n, m\u00e1s 40 im\u00e1genes de casos de defectos lim\u00edtrofes que el conjunto de calibraci\u00f3n original no representaba. Tambi\u00e9n aplicamos una cuantizaci\u00f3n de precisi\u00f3n mixta: las primeras 48 capas en INT8, las dos \u00faltimas capas FC en FP16. RKNN-Toolkit2 admite anulaciones de precisi\u00f3n por capa espec\u00edficamente para este escenario.<\/span><\/p><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Despu\u00e9s de reconstruir el modelo, la precisi\u00f3n en el conjunto de validaci\u00f3n se recuper\u00f3 hasta 91,7%. La latencia en el dispositivo fue de 31 ms por fotograma, dentro del presupuesto de 40 ms del cliente para su velocidad de transporte. El sistema entr\u00f3 en producci\u00f3n piloto seis d\u00edas despu\u00e9s de la llamada de diagn\u00f3stico. En tres meses de funcionamiento, la tasa de falsos rechazos fue de 0,4%, dentro del umbral aceptable del cliente de 0,5%.<\/span><\/p><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">La lecci\u00f3n: la precisi\u00f3n de la cuantizaci\u00f3n INT8 no es una propiedad fija de su modelo. Es una funci\u00f3n de la calidad de los datos de calibraci\u00f3n y de las decisiones de precisi\u00f3n por capa. Ambas son controlables y requieren un conocimiento profundo del entorno de inspecci\u00f3n.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-824d5b1 elementor-widget elementor-widget-image\" data-id=\"824d5b1\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"800\" height=\"534\" data-src=\"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-linux-quantization-pcb-solder-inspection-1024x683.webp\" class=\"attachment-large size-large wp-image-10295 lazyload\" alt=\"Ingeniero depurando la precisi\u00f3n de la cuantizaci\u00f3n INT8 en un sistema Linux embebido RK3588 conectado a una c\u00e1mara de inspecci\u00f3n de juntas de soldadura de PCB en un entorno de laboratorio industrial.\" data-srcset=\"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-linux-quantization-pcb-solder-inspection-1024x683.webp 1024w, https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-linux-quantization-pcb-solder-inspection-300x200.webp 300w, https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-linux-quantization-pcb-solder-inspection-768x512.webp 768w, https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-linux-quantization-pcb-solder-inspection-18x12.webp 18w, https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-linux-quantization-pcb-solder-inspection.webp 1536w\" data-sizes=\"(max-width: 800px) 100vw, 800px\" src=\"data:image\/gif;base64,R0lGODlhAQABAAAAACH5BAEKAAEALAAAAAABAAEAAAICTAEAOw==\" style=\"--smush-placeholder-width: 800px; --smush-placeholder-aspect-ratio: 800\/534;\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-569410f elementor-widget elementor-widget-text-editor\" data-id=\"569410f\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h2 class=\"text-text-100 mt-3 -mb-1 text-[1.125rem] font-bold\">Estudio de caso de proyecto: Inspecci\u00f3n de superficies de piezas estampadas de automoci\u00f3n<\/h2><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\"><em>Implementaci\u00f3n de visi\u00f3n integrada RK3588, estaci\u00f3n de inspecci\u00f3n de 6 c\u00e1maras, proveedor de primer nivel de automoci\u00f3n.<\/em><\/span><\/p><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">A principios de 2025, un proveedor de automoci\u00f3n de primer nivel nos contrat\u00f3 para sustituir una estaci\u00f3n de inspecci\u00f3n basada en PC en una l\u00ednea de prensas de estampaci\u00f3n por una soluci\u00f3n integrada. El sistema existente utilizaba un PC de sobremesa con Windows y una c\u00e1mara USB3 Vision, con software de inspecci\u00f3n propietario de un proveedor de visi\u00f3n artificial. Los problemas: el PC requer\u00eda un mantenimiento trimestral, el sistema operativo Windows introduc\u00eda picos de latencia impredecibles durante las actualizaciones del sistema y el coste total del sistema por estaci\u00f3n era prohibitivo para ampliarlo a 12 l\u00edneas de prensas adicionales.<\/span><\/p><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">La especificaci\u00f3n de sustituci\u00f3n exig\u00eda la detecci\u00f3n de ara\u00f1azos superficiales, marcas de deformaci\u00f3n y contaminaci\u00f3n por aceite en soportes de acero estampado a 30 piezas por minuto, con cero falsos negativos en grietas de m\u00e1s de 0,3 mm de ancho y una tasa de falsos positivos inferior a 2%.<\/span><\/p><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Construimos el sistema de sustituci\u00f3n en un SBC industrial ieeker RK3588 con una c\u00e1mara de escaneado de \u00e1rea MIPI de 5 MP, luz anular LED estructurada con sincronizaci\u00f3n estrobosc\u00f3pica a trav\u00e9s de GPIO y un entorno Debian Linux que ejecuta un modelo de detecci\u00f3n personalizado basado en YOLOv8s. El modelo se entren\u00f3 con 8.200 im\u00e1genes etiquetadas de superficies de soportes estampados, que abarcaban los tres tipos de defectos m\u00e1s los negativos de superficies limpias.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-89123a0 elementor-widget elementor-widget-image\" data-id=\"89123a0\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"800\" height=\"534\" data-src=\"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-automotive-stamping-surface-inspection-station-1024x683.webp\" class=\"attachment-large size-large wp-image-10296 lazyload\" alt=\"\" data-srcset=\"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-automotive-stamping-surface-inspection-station-1024x683.webp 1024w, https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-automotive-stamping-surface-inspection-station-300x200.webp 300w, https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-automotive-stamping-surface-inspection-station-768x512.webp 768w, https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-automotive-stamping-surface-inspection-station-18x12.webp 18w, https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-automotive-stamping-surface-inspection-station.webp 1536w\" data-sizes=\"(max-width: 800px) 100vw, 800px\" src=\"data:image\/gif;base64,R0lGODlhAQABAAAAACH5BAEKAAEALAAAAAABAAEAAAICTAEAOw==\" style=\"--smush-placeholder-width: 800px; --smush-placeholder-aspect-ratio: 800\/534;\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-cccc360 elementor-widget elementor-widget-text-editor\" data-id=\"cccc360\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Principales resultados tras 60 d\u00edas de validaci\u00f3n de la producci\u00f3n:<\/span><\/p><div class=\"overflow-x-auto w-full px-2 mb-6\"><table class=\"min-w-full border-collapse text-sm leading-[1.7] whitespace-normal\"><thead class=\"text-left\"><tr><th class=\"text-text-100 border-b-0.5 border-border-300\/60 py-2 pr-4 align-top font-bold\" scope=\"col\"><span style=\"font-size: 14pt;\">M\u00e9trica<\/span><\/th><th class=\"text-text-100 border-b-0.5 border-border-300\/60 py-2 pr-4 align-top font-bold\" scope=\"col\"><span style=\"font-size: 14pt;\">Objetivo<\/span><\/th><th class=\"text-text-100 border-b-0.5 border-border-300\/60 py-2 pr-4 align-top font-bold\" scope=\"col\"><span style=\"font-size: 14pt;\">Conseguido<\/span><\/th><\/tr><\/thead><tbody><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">\u00cdndice de detecci\u00f3n de grietas (\u22650,3 mm)<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">100%<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">100%<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">\u00cdndice de detecci\u00f3n de ara\u00f1azos<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">&gt;95%<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">97.3%<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Tasa de falsos positivos<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">&lt;2%<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">1.1%<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Duraci\u00f3n del ciclo de inspecci\u00f3n<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">&lt;2s\/parte<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">1,4s\/parte<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Consumo del sistema<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">&lt;25W<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">11.8W<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Tiempo de inactividad imprevisto (60 d\u00edas)<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">&lt;4 horas<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">0 horas<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Coste de la lista de materiales frente al sistema basado en PC<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">-<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Reducci\u00f3n 67%<\/span><\/td><\/tr><\/tbody><\/table><\/div><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">La reducci\u00f3n de costes de la lista de materiales del 67% fue la cifra que impuls\u00f3 la decisi\u00f3n del cliente de ampliar a las 13 l\u00edneas de prensas. Proyecto total: 13 unidades enviadas, todas ellas con im\u00e1genes Buildroot id\u00e9nticas y capacidad de actualizaci\u00f3n OTA mediante SWUpdate. El equipo de mantenimiento del cliente puede actualizar los modelos de inspecci\u00f3n de toda la flota sin necesidad de acceder f\u00edsicamente a cada estaci\u00f3n.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-8c5027e elementor-widget elementor-widget-text-editor\" data-id=\"8c5027e\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h2 class=\"text-text-100 mt-3 -mb-1 text-[1.125rem] font-bold\">RK3588 frente a las plataformas de visi\u00f3n artificial de la competencia<\/h2><div class=\"overflow-x-auto w-full px-2 mb-6\"><table class=\"min-w-full border-collapse text-sm leading-[1.7] whitespace-normal\"><thead class=\"text-left\"><tr><th class=\"text-text-100 border-b-0.5 border-border-300\/60 py-2 pr-4 align-top font-bold\" scope=\"col\"><span style=\"font-size: 14pt;\">Plataforma<\/span><\/th><th class=\"text-text-100 border-b-0.5 border-border-300\/60 py-2 pr-4 align-top font-bold\" scope=\"col\"><span style=\"font-size: 14pt;\">Rendimiento de la IA<\/span><\/th><th class=\"text-text-100 border-b-0.5 border-border-300\/60 py-2 pr-4 align-top font-bold\" scope=\"col\"><span style=\"font-size: 14pt;\">Caracter\u00edsticas espec\u00edficas de la visi\u00f3n<\/span><\/th><th class=\"text-text-100 border-b-0.5 border-border-300\/60 py-2 pr-4 align-top font-bold\" scope=\"col\"><span style=\"font-size: 14pt;\">Potencia<\/span><\/th><th class=\"text-text-100 border-b-0.5 border-border-300\/60 py-2 pr-4 align-top font-bold\" scope=\"col\"><span style=\"font-size: 14pt;\">Coste<\/span><\/th><th class=\"text-text-100 border-b-0.5 border-border-300\/60 py-2 pr-4 align-top font-bold\" scope=\"col\"><span style=\"font-size: 14pt;\">Mejor ajuste<\/span><\/th><\/tr><\/thead><tbody><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\"><strong>RK3588<\/strong><\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">6 TOPS NPU<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Doble ISP, 32MP, MIPI\u00d74<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">5-13W<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">$$<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">AOI integrada, c\u00e1mara inteligente, nodo multic\u00e1mara<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\"><strong>Jetson Orin Nano<\/strong><\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">40 TOPS<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">ISP \u00fanico, CSI\u00d72<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">7-15W<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">$$$$<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Modelos complejos, ecosistema CUDA<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\"><strong>Hailo-8<\/strong><\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">26 TOPS<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Sin ISP (necesita SoC anfitri\u00f3n)<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">2.5-3W<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">$$$$<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Complemento del acelerador de visi\u00f3n de alto rendimiento<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\"><strong>NXP i.MX 8M Plus<\/strong><\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">2.3 TOPS<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">ISP doble, MIPI\u00d72<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">3-5W<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">$$<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">Inspecci\u00f3n de IoT de baja complejidad<\/span><\/td><\/tr><tr><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\"><strong>Raspberry Pi 5<\/strong><\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">No NPU<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">CSI \u00fanico<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">5-8W<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">$<\/span><\/td><td class=\"border-b-0.5 border-border-300\/30 py-2 pr-4 align-top\"><span style=\"font-size: 14pt;\">S\u00f3lo desarrollo\/prototipos<\/span><\/td><\/tr><\/tbody><\/table><\/div><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">En el caso concreto de la visi\u00f3n artificial, el doble ISP y la conectividad MIPI de 4\u00d74 carriles del RK3588 le confieren una ventaja estructural sobre plataformas como la Jetson Orin Nano, que tiene una mayor capacidad de c\u00e1lculo de IA pero interfaces de c\u00e1mara nativas m\u00e1s d\u00e9biles. Cuando su sistema de inspecci\u00f3n necesita manejar datos de c\u00e1mara sin procesar a alta resoluci\u00f3n, el ISP importa tanto como la NPU.<\/span><\/p><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\"><a class=\"underline underline underline-offset-2 decoration-1 decoration-current\/40 hover:decoration-current focus:decoration-current\" href=\"https:\/\/www.cognex.com\/\" target=\"_blank\" rel=\"noopener\">Corporaci\u00f3n Cognex<\/a> y <a class=\"underline underline underline-offset-2 decoration-1 decoration-current\/40 hover:decoration-current focus:decoration-current\" href=\"https:\/\/www.keyence.com\/\" target=\"_blank\" rel=\"noopener\">Corporaci\u00f3n Keyence<\/a> - los dos mayores proveedores de visi\u00f3n artificial del mundo, fabrican soluciones integradas de c\u00e1maras inteligentes que incorporan el procesamiento en el cabezal de la c\u00e1mara. Los dise\u00f1os integrados basados en RK3588 siguen la misma filosof\u00eda arquitect\u00f3nica, pero ofrecen a los fabricantes de hardware industrial la flexibilidad necesaria para integrar sensores, carcasas e interfaces de E\/S personalizados que las c\u00e1maras inteligentes est\u00e1ndar no pueden acomodar.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-1072066 elementor-widget elementor-widget-text-editor\" data-id=\"1072066\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h2 class=\"text-text-100 mt-3 -mb-1 text-[1.125rem] font-bold\">\u00bfEs RK3588 la plataforma adecuada para su aplicaci\u00f3n de visi\u00f3n artificial?<\/h2><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Utilice esta lista de comprobaci\u00f3n antes de comprometerse con la plataforma:<\/span><\/p><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\"><strong>RK3588 es una buena opci\u00f3n si:<\/strong><\/span><\/p><ul class=\"[li_&amp;]:mb-0 [li_&amp;]:mt-1 [li_&amp;]:gap-1 [&amp;:not(:last-child)_ul]:pb-1 [&amp;:not(:last-child)_ol]:pb-1 list-disc flex flex-col gap-1 pl-8 mb-3\"><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">\u2705 Su tarea de inspecci\u00f3n utiliza CNN o modelos de transformadores ligeros (variantes de YOLOv5\/v8, ResNet, MobileNet, DETR).<\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">\u2705 Necesita una sola placa de adquisici\u00f3n de im\u00e1genes + inferencia + E\/S en una sola unidad.<\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">\u2705 Su c\u00e1mara utiliza la interfaz MIPI CSI-2 o USB3 Vision.<\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">\u2705 El presupuesto de energ\u00eda es inferior a 15 W o se requiere refrigeraci\u00f3n pasiva.<\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">\u2705 Necesita escalar a m\u00faltiples unidades id\u00e9nticas con coste de lista de materiales controlado.<\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">\u2705 Tu equipo trabaja en Python\/C++ sobre Linux<\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">\u2705 El requisito de latencia de inspecci\u00f3n es de 15 ms o m\u00e1s por fotograma<\/span><\/li><\/ul>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-92c265d elementor-widget elementor-widget-text-editor\" data-id=\"92c265d\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\"><strong>Considere alternativas si:<\/strong><\/span><\/p><ul class=\"[li_&amp;]:mb-0 [li_&amp;]:mt-1 [li_&amp;]:gap-1 [&amp;:not(:last-child)_ul]:pb-1 [&amp;:not(:last-child)_ol]:pb-1 list-disc flex flex-col gap-1 pl-8 mb-3\"><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">\u26a0\ufe0f Necesita inferencia simult\u00e1nea en m\u00e1s de 12 secuencias de c\u00e1mara a m\u00e1xima resoluci\u00f3n<\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">\u26a0\ufe0f Su modelo utiliza arquitecturas con muchos operadores NPU no soportados (transformadores que requieren mucha atenci\u00f3n)<\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">\u26a0\ufe0f Necesita una inferencia determinista de menos de 10 ms para bucles de control en tiempo real.<\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">\u274c Metrolog\u00eda submicr\u00f3nica o inspecci\u00f3n de obleas semiconductoras<\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">\u274c Procesamiento de nubes de puntos 3D en tiempo real (fusi\u00f3n LiDAR).<\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">\u274c La complejidad del modelo requiere FP32 en todo (sin tolerancia de cuantificaci\u00f3n).<\/span><\/li><\/ul>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-129a6ad elementor-widget elementor-widget-text-editor\" data-id=\"129a6ad\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h2 class=\"text-text-100 mt-3 -mb-1 text-[1.125rem] font-bold\">Placas IEEKER RK3588 para aplicaciones de visi\u00f3n artificial<\/h2><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Los SBC industriales RK3588 de IEEKER est\u00e1n validados previamente para implementaciones de visi\u00f3n artificial, con soporte BSP que incluye:<\/span><\/p><ul class=\"[li_&amp;]:mb-0 [li_&amp;]:mt-1 [li_&amp;]:gap-1 [&amp;:not(:last-child)_ul]:pb-1 [&amp;:not(:last-child)_ol]:pb-1 list-disc flex flex-col gap-1 pl-8 mb-3\"><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">Controladores de c\u00e1mara V4L2 MIPI CSI-2 optimizados (probados con sensores Sony IMX415, IMX577, OV13850)<\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">Tiempo de ejecuci\u00f3n de RKNN-Toolkit2 preinstalado en im\u00e1genes de Debian 12 y Ubuntu 22.04<\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">Interfaz GPIO de sincronizaci\u00f3n estrobosc\u00f3pica para el control de la luz anular LED<\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">Gu\u00edas de integraci\u00f3n de bibliotecas Modbus TCP y OPC-UA para la conectividad de sistemas de f\u00e1brica<\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\">Codificaci\u00f3n H.265 por hardware para el archivado de v\u00eddeo de inspecci\u00f3n sin sobrecarga de la CPU<\/span><\/li><\/ul><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Para dise\u00f1os personalizados de sistemas de visi\u00f3n industrial (selecci\u00f3n de sensores, integraci\u00f3n de carcasas, dise\u00f1o personalizado de placas portadoras para interfaces de c\u00e1mara espec\u00edficas), nuestros <a class=\"underline underline underline-offset-2 decoration-1 decoration-current\/40 hover:decoration-current focus:decoration-current\" href=\"https:\/\/ieeker.com\/es\/custom-development-board-design-guide\/\" target=\"_blank\" rel=\"noopener\">servicio de dise\u00f1o de placas de desarrollo personalizadas<\/a> cubre la preparaci\u00f3n de hardware y BSP de principio a fin.<\/span><\/p><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Si est\u00e1 evaluando el RK3588 para una aplicaci\u00f3n de inspecci\u00f3n espec\u00edfica, revise nuestro <a class=\"underline underline underline-offset-2 decoration-1 decoration-current\/40 hover:decoration-current focus:decoration-current\" href=\"https:\/\/ieeker.com\/es\/rk3588-npu-performance-6-tops-edge-ai\/\" target=\"_blank\" rel=\"noopener\">Gu\u00eda de rendimiento de la NPU RK3588<\/a> para obtener datos de referencia detallados e informaci\u00f3n sobre compatibilidad de modelos, o <a class=\"underline underline underline-offset-2 decoration-1 decoration-current\/40 hover:decoration-current focus:decoration-current\" href=\"https:\/\/ieeker.com\/es\/contact-us\/\" target=\"_blank\" rel=\"noopener\">contacte con nuestro equipo de ingenier\u00eda<\/a> para hablar de su caso de uso.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-fbda698 elementor-widget elementor-widget-heading\" data-id=\"fbda698\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<h2 class=\"elementor-heading-title elementor-size-default\">PREGUNTAS FRECUENTES<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-785654f elementor-widget elementor-widget-n-accordion\" data-id=\"785654f\" data-element_type=\"widget\" data-settings=\"{&quot;default_state&quot;:&quot;expanded&quot;,&quot;max_items_expended&quot;:&quot;one&quot;,&quot;n_accordion_animation_duration&quot;:{&quot;unit&quot;:&quot;ms&quot;,&quot;size&quot;:400,&quot;sizes&quot;:[]}}\" data-widget_type=\"nested-accordion.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<div class=\"e-n-accordion\" aria-label=\"Acorde\u00f3n. Abra los enlaces con Intro o Espacio, ci\u00e9rrelos con Escape y navegue con las teclas de flecha.\">\n\t\t\t\t\t\t<details id=\"e-n-accordion-item-1260\" class=\"e-n-accordion-item\" open>\n\t\t\t\t<summary class=\"e-n-accordion-item-title\" data-accordion-index=\"1\" tabindex=\"0\" aria-expanded=\"true\" aria-controls=\"e-n-accordion-item-1260\" >\n\t\t\t\t\t<span class='e-n-accordion-item-title-header'><div class=\"e-n-accordion-item-title-text\"> \u00bfPuede RK3588 manejar c\u00e1maras de escaneado lineal para la inspecci\u00f3n continua de banda? <\/div><\/span>\n\t\t\t\t\t\t\t<span class='e-n-accordion-item-title-icon'>\n\t\t\t<span class='e-opened' ><svg aria-hidden=\"true\" class=\"e-font-icon-svg e-fas-minus\" viewbox=\"0 0 448 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M416 208H32c-17.67 0-32 14.33-32 32v32c0 17.67 14.33 32 32 32h384c17.67 0 32-14.33 32-32v-32c0-17.67-14.33-32-32-32z\"><\/path><\/svg><\/span>\n\t\t\t<span class='e-closed'><svg aria-hidden=\"true\" class=\"e-font-icon-svg e-fas-plus\" viewbox=\"0 0 448 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M416 208H272V64c0-17.67-14.33-32-32-32h-32c-17.67 0-32 14.33-32 32v144H32c-17.67 0-32 14.33-32 32v32c0 17.67 14.33 32 32 32h144v144c0 17.67 14.33 32 32 32h32c17.67 0 32-14.33 32-32V304h144c17.67 0 32-14.33 32-32v-32c0-17.67-14.33-32-32-32z\"><\/path><\/svg><\/span>\n\t\t<\/span>\n\n\t\t\t\t\t\t<\/summary>\n\t\t\t\t<div role=\"region\" aria-labelledby=\"e-n-accordion-item-1260\" class=\"elementor-element elementor-element-3f9a88c e-con-full e-flex e-con e-child\" data-id=\"3f9a88c\" data-element_type=\"container\" data-settings=\"{&quot;jet_parallax_layout_list&quot;:[]}\">\n\t\t\t\t<div class=\"elementor-element elementor-element-c5b2108 elementor-widget elementor-widget-text-editor\" data-id=\"c5b2108\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p><span style=\"font-size: 14pt;\">Las c\u00e1maras de escaneo lineal suelen utilizar interfaces Camera Link o CoaXPress, que requieren frame grabbers conectadas a trav\u00e9s de PCIe. La interfaz PCIe 3.0 del RK3588 puede alojar tarjetas de captura de im\u00e1genes compatibles, pero la compatibilidad con BSP para tarjetas de captura de im\u00e1genes espec\u00edficas requiere validaci\u00f3n. Para aplicaciones de inspecci\u00f3n de banda (pel\u00edcula, tejido, papel), p\u00f3ngase en contacto con nosotros para analizar la compatibilidad de la interfaz antes de comprometerse.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/details>\n\t\t\t\t\t\t<details id=\"e-n-accordion-item-1261\" class=\"e-n-accordion-item\" >\n\t\t\t\t<summary class=\"e-n-accordion-item-title\" data-accordion-index=\"2\" tabindex=\"-1\" aria-expanded=\"false\" aria-controls=\"e-n-accordion-item-1261\" >\n\t\t\t\t\t<span class='e-n-accordion-item-title-header'><div class=\"e-n-accordion-item-title-text\"> \u00bfCu\u00e1l es la m\u00e1xima resoluci\u00f3n de imagen que puede procesar RK3588 para inspecci\u00f3n? <\/div><\/span>\n\t\t\t\t\t\t\t<span class='e-n-accordion-item-title-icon'>\n\t\t\t<span class='e-opened' ><svg aria-hidden=\"true\" class=\"e-font-icon-svg e-fas-minus\" viewbox=\"0 0 448 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M416 208H32c-17.67 0-32 14.33-32 32v32c0 17.67 14.33 32 32 32h384c17.67 0 32-14.33 32-32v-32c0-17.67-14.33-32-32-32z\"><\/path><\/svg><\/span>\n\t\t\t<span class='e-closed'><svg aria-hidden=\"true\" class=\"e-font-icon-svg e-fas-plus\" viewbox=\"0 0 448 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M416 208H272V64c0-17.67-14.33-32-32-32h-32c-17.67 0-32 14.33-32 32v144H32c-17.67 0-32 14.33-32 32v32c0 17.67 14.33 32 32 32h144v144c0 17.67 14.33 32 32 32h32c17.67 0 32-14.33 32-32V304h144c17.67 0 32-14.33 32-32v-32c0-17.67-14.33-32-32-32z\"><\/path><\/svg><\/span>\n\t\t<\/span>\n\n\t\t\t\t\t\t<\/summary>\n\t\t\t\t<div role=\"region\" aria-labelledby=\"e-n-accordion-item-1261\" class=\"elementor-element elementor-element-ccb380a e-con-full e-flex e-con e-child\" data-id=\"ccb380a\" data-element_type=\"container\" data-settings=\"{&quot;jet_parallax_layout_list&quot;:[]}\">\n\t\t\t\t<div class=\"elementor-element elementor-element-aec7f2d elementor-widget elementor-widget-text-editor\" data-id=\"aec7f2d\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p><span style=\"font-size: 14pt;\">El ISP admite sensores de hasta 32 MP. La resoluci\u00f3n de inspecci\u00f3n pr\u00e1ctica depende de los requisitos de inferencia de la NPU: a 4K (8 MP), el ISP puede entregar fotogramas procesados a 60 fps a la canalizaci\u00f3n de la NPU. A 12 MP, la velocidad de fotogramas disminuye, pero la latencia de un solo fotograma es manejable para ciclos de inspecci\u00f3n no continuos.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/details>\n\t\t\t\t\t\t<details id=\"e-n-accordion-item-1262\" class=\"e-n-accordion-item\" >\n\t\t\t\t<summary class=\"e-n-accordion-item-title\" data-accordion-index=\"3\" tabindex=\"-1\" aria-expanded=\"false\" aria-controls=\"e-n-accordion-item-1262\" >\n\t\t\t\t\t<span class='e-n-accordion-item-title-header'><div class=\"e-n-accordion-item-title-text\"> \u00bfRKNN-Toolkit2 admite modelos de detecci\u00f3n de anomal\u00edas (no s\u00f3lo detecci\u00f3n supervisada)? <\/div><\/span>\n\t\t\t\t\t\t\t<span class='e-n-accordion-item-title-icon'>\n\t\t\t<span class='e-opened' ><svg aria-hidden=\"true\" class=\"e-font-icon-svg e-fas-minus\" viewbox=\"0 0 448 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M416 208H32c-17.67 0-32 14.33-32 32v32c0 17.67 14.33 32 32 32h384c17.67 0 32-14.33 32-32v-32c0-17.67-14.33-32-32-32z\"><\/path><\/svg><\/span>\n\t\t\t<span class='e-closed'><svg aria-hidden=\"true\" class=\"e-font-icon-svg e-fas-plus\" viewbox=\"0 0 448 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M416 208H272V64c0-17.67-14.33-32-32-32h-32c-17.67 0-32 14.33-32 32v144H32c-17.67 0-32 14.33-32 32v32c0 17.67 14.33 32 32 32h144v144c0 17.67 14.33 32 32 32h32c17.67 0 32-14.33 32-32V304h144c17.67 0 32-14.33 32-32v-32c0-17.67-14.33-32-32-32z\"><\/path><\/svg><\/span>\n\t\t<\/span>\n\n\t\t\t\t\t\t<\/summary>\n\t\t\t\t<div role=\"region\" aria-labelledby=\"e-n-accordion-item-1262\" class=\"elementor-element elementor-element-e268e6c e-con-full e-flex e-con e-child\" data-id=\"e268e6c\" data-element_type=\"container\" data-settings=\"{&quot;jet_parallax_layout_list&quot;:[]}\">\n\t\t\t\t<div class=\"elementor-element elementor-element-6d356fe elementor-widget elementor-widget-text-editor\" data-id=\"6d356fe\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p><span style=\"font-size: 14pt;\">S\u00ed. Los enfoques de detecci\u00f3n de anomal\u00edas no supervisada basados en la extracci\u00f3n de caracter\u00edsticas (PatchCore, FastFlow) se pueden implementar en el RK3588 ejecutando la columna vertebral del extractor de caracter\u00edsticas (ResNet, EfficientNet) en la NPU y el paso de puntuaci\u00f3n de anomal\u00edas en la CPU. El despliegue completo del modelo no supervisado de extremo a extremo es m\u00e1s complejo que la detecci\u00f3n est\u00e1ndar, pero es factible con la implementaci\u00f3n personalizada del operador RKNN.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/details>\n\t\t\t\t\t\t<details id=\"e-n-accordion-item-1263\" class=\"e-n-accordion-item\" >\n\t\t\t\t<summary class=\"e-n-accordion-item-title\" data-accordion-index=\"4\" tabindex=\"-1\" aria-expanded=\"false\" aria-controls=\"e-n-accordion-item-1263\" >\n\t\t\t\t\t<span class='e-n-accordion-item-title-header'><div class=\"e-n-accordion-item-title-text\"> \u00bfC\u00f3mo gestiona el RK3588 la estabilidad de la temperatura en armarios industriales sellados? <\/div><\/span>\n\t\t\t\t\t\t\t<span class='e-n-accordion-item-title-icon'>\n\t\t\t<span class='e-opened' ><svg aria-hidden=\"true\" class=\"e-font-icon-svg e-fas-minus\" viewbox=\"0 0 448 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M416 208H32c-17.67 0-32 14.33-32 32v32c0 17.67 14.33 32 32 32h384c17.67 0 32-14.33 32-32v-32c0-17.67-14.33-32-32-32z\"><\/path><\/svg><\/span>\n\t\t\t<span class='e-closed'><svg aria-hidden=\"true\" class=\"e-font-icon-svg e-fas-plus\" viewbox=\"0 0 448 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M416 208H272V64c0-17.67-14.33-32-32-32h-32c-17.67 0-32 14.33-32 32v144H32c-17.67 0-32 14.33-32 32v32c0 17.67 14.33 32 32 32h144v144c0 17.67 14.33 32 32 32h32c17.67 0 32-14.33 32-32V304h144c17.67 0 32-14.33 32-32v-32c0-17.67-14.33-32-32-32z\"><\/path><\/svg><\/span>\n\t\t<\/span>\n\n\t\t\t\t\t\t<\/summary>\n\t\t\t\t<div role=\"region\" aria-labelledby=\"e-n-accordion-item-1263\" class=\"elementor-element elementor-element-92bd9fc e-con-full e-flex e-con e-child\" data-id=\"92bd9fc\" data-element_type=\"container\" data-settings=\"{&quot;jet_parallax_layout_list&quot;:[]}\">\n\t\t\t\t<div class=\"elementor-element elementor-element-59929a1 elementor-widget elementor-widget-text-editor\" data-id=\"59929a1\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p><span style=\"font-size: 14pt;\">RK3588 se fabrica en un proceso de 8 nm, con un consumo t\u00edpico de 5-13 W bajo carga NPU. En una carcasa pasiva de aluminio dise\u00f1ada adecuadamente con material de interfaz t\u00e9rmica entre el SoC y la pared de la carcasa, se puede lograr un funcionamiento sostenido a temperaturas ambiente de hasta 55 \u00b0C sin estrangulamiento. Los dise\u00f1os de SBC industriales de ieeker est\u00e1n validados para este perfil t\u00e9rmico.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/details>\n\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-69f85bc elementor-widget elementor-widget-text-editor\" data-id=\"69f85bc\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h2 class=\"text-text-100 mt-3 -mb-1 text-[1.125rem] font-bold\">Conclusi\u00f3n<\/h2><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">El cambio de la visi\u00f3n artificial del procesamiento centralizado basado en PC a la implantaci\u00f3n de bordes integrados se est\u00e1 acelerando. <a href=\"https:\/\/www.futuremarketinsights.com\/reports\/ai-industrial-defect-detection-market\" target=\"_blank\" rel=\"noopener\">Se prev\u00e9 que el mercado de detecci\u00f3n de defectos industriales mediante IA aumente de 2.660 millones de d\u00f3lares en 2025 a 4.020 millones de d\u00f3lares en 2030.<\/a>en los que predominan los enfoques basados en el aprendizaje profundo. Para los fabricantes que construyen o contratan la plataforma inform\u00e1tica integrada que alimenta estos sistemas, el RK3588 ocupa una posici\u00f3n bien definida y defendible: suficiente rendimiento de la NPU para tareas de inspecci\u00f3n de nivel de producci\u00f3n, integraci\u00f3n completa de la WoC, incluidos ISP y E\/S industriales, y un perfil de potencia\/coste que hace que el despliegue a escala de flota sea econ\u00f3micamente racional.<\/span><\/p><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">La plataforma no es la respuesta a todos los problemas de inspecci\u00f3n. La metrolog\u00eda submicrom\u00e9trica, los flujos simult\u00e1neos de m\u00e1s de 16 c\u00e1maras y los bucles de control en tiempo real exigen arquitecturas diferentes. Pero para la amplia banda media de la visi\u00f3n artificial industrial (inspecci\u00f3n de superficies, detecci\u00f3n de componentes, AOI, verificaci\u00f3n dimensional), RK3588 es una plataforma que merece una evaluaci\u00f3n de ingenier\u00eda seria.<\/span><\/p><p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\">Explorar ieeker's <a class=\"underline underline underline-offset-2 decoration-1 decoration-current\/40 hover:decoration-current focus:decoration-current\" href=\"https:\/\/ieeker.com\/es\/rk3588-embedded-sbc-board\/\" target=\"_blank\" rel=\"noopener\">Gama de SBC integrados RK3588<\/a> o lea nuestro <a class=\"underline underline underline-offset-2 decoration-1 decoration-current\/40 hover:decoration-current focus:decoration-current\" href=\"https:\/\/ieeker.com\/es\/embedded-linux-board-industrial-sbc-guide\/\" target=\"_blank\" rel=\"noopener\">Gu\u00eda completa de la placa Linux embebida<\/a> para ampliar el contexto de la plataforma.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-253eb4d elementor-widget elementor-widget-text-editor\" data-id=\"253eb4d\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p class=\"font-claude-response-body break-words whitespace-normal leading-[1.7]\"><span style=\"font-size: 14pt;\"><em>Fuentes y referencias:<\/em><\/span><\/p><ul class=\"[li_&amp;]:mb-0 [li_&amp;]:mt-1 [li_&amp;]:gap-1 [&amp;:not(:last-child)_ul]:pb-1 [&amp;:not(:last-child)_ol]:pb-1 list-disc flex flex-col gap-1 pl-8 mb-3\"><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\"><a class=\"underline underline underline-offset-2 decoration-1 decoration-current\/40 hover:decoration-current focus:decoration-current\" href=\"https:\/\/www.marketsandmarkets.com\/Market-Reports\/industrial-machine-vision-market-234246734.html\" target=\"_blank\" rel=\"noopener\">Tama\u00f1o y cuota del mercado de visi\u00f3n artificial 2025-2030 - MarketsandMarkets<\/a><\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\"><a class=\"underline underline underline-offset-2 decoration-1 decoration-current\/40 hover:decoration-current focus:decoration-current\" href=\"https:\/\/www.futuremarketinsights.com\/reports\/ai-industrial-defect-detection-market\" target=\"_blank\" rel=\"noopener\">Mercado de detecci\u00f3n de defectos industriales por IA 2025-2035 - Future Market Insights<\/a><\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\"><a class=\"underline underline underline-offset-2 decoration-1 decoration-current\/40 hover:decoration-current focus:decoration-current\" href=\"https:\/\/nyaspubs.onlinelibrary.wiley.com\/doi\/10.1111\/nyas.70156?af=R\" target=\"_blank\" rel=\"noopener\">SMF-DETR: Detecci\u00f3n de defectos en el cojinete RK3588 - Anales de la Academia de Ciencias de Nueva York (2025)<\/a><\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\"><a class=\"underline underline underline-offset-2 decoration-1 decoration-current\/40 hover:decoration-current focus:decoration-current\" href=\"https:\/\/www.nature.com\/articles\/s41598-025-16043-z\" target=\"_blank\" rel=\"noopener\">Detecci\u00f3n en tiempo real de cables de acero en RK3588 - Informes cient\u00edficos (2025)<\/a><\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\"><a class=\"underline underline underline-offset-2 decoration-1 decoration-current\/40 hover:decoration-current focus:decoration-current\" href=\"https:\/\/www.sciencedirect.com\/science\/article\/pii\/S259012302502506X\" target=\"_blank\" rel=\"noopener\">Revisi\u00f3n de la detecci\u00f3n de defectos superficiales en PCB - ScienceDirect (2025)<\/a><\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\"><a class=\"underline underline underline-offset-2 decoration-1 decoration-current\/40 hover:decoration-current focus:decoration-current\" href=\"https:\/\/tinycomputers.io\/posts\/rockchip-rk3588-npu-benchmarks.html\" target=\"_blank\" rel=\"noopener\">Puntos de referencia de la NPU RK3588 - TinyComputers.io (2025)<\/a><\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\"><a class=\"underline underline underline-offset-2 decoration-1 decoration-current\/40 hover:decoration-current focus:decoration-current\" href=\"https:\/\/www.globalgrowthinsights.com\/market-reports\/industrial-production-machine-vision-system-market-116855\" target=\"_blank\" rel=\"noopener\">Mercado de visi\u00f3n artificial industrial 2025 - Global Growth Insights<\/a><\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\"><a class=\"underline underline underline-offset-2 decoration-1 decoration-current\/40 hover:decoration-current focus:decoration-current\" href=\"https:\/\/en.wikipedia.org\/wiki\/Automated_optical_inspection\" target=\"_blank\" rel=\"noopener\">Inspecci\u00f3n \u00f3ptica automatizada - Wikipedia<\/a><\/span><\/li><li class=\"font-claude-response-body whitespace-normal break-words pl-2\"><span style=\"font-size: 14pt;\"><a class=\"underline underline underline-offset-2 decoration-1 decoration-current\/40 hover:decoration-current focus:decoration-current\" href=\"https:\/\/github.com\/rockchip-linux\/rknn-toolkit2\" target=\"_blank\" rel=\"noopener\">RKNN-Toolkit2 - Rockchip GitHub<\/a><\/span><\/li><\/ul>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>","protected":false},"excerpt":{"rendered":"<p>El RK3588 es una plataforma probada para visi\u00f3n industrial y detecci\u00f3n de defectos que ejecuta YOLOv5 a m\u00e1s de 54 FPS y transformadores de detecci\u00f3n ligeros a 58 FPS en el dispositivo, con una NPU de 6 TOPS que gestiona la inferencia INT8 a 5-6 W. Se adapta a aplicaciones AOI de una sola l\u00ednea, nodos de inspecci\u00f3n multic\u00e1mara y c\u00e1maras inteligentes integradas en las que el coste, la potencia y el factor de forma son importantes. Para metrolog\u00eda de semiconductores submicr\u00f3nica o flujos simult\u00e1neos de 32 c\u00e1maras, un acelerador dedicado es la mejor opci\u00f3n.<\/p>","protected":false},"author":2,"featured_media":10292,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[1],"tags":[],"class_list":["post-10289","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-news"],"acf":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v26.5 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>RK3588 Machine Vision &amp; Defect Detection: Industrial AI Guide 2026<\/title>\n<meta name=\"description\" content=\"How does RK3588 perform in real industrial machine vision deployments? Real benchmarks, AOI architecture, RKNN-Toolkit2 workflow, and factory case studies for edge AI inspection engineers.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/ieeker.com\/es\/rk3588-machine-vision-defect-detection\/\" \/>\n<meta property=\"og:locale\" content=\"es_ES\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"RK3588 Machine Vision &amp; Defect Detection: Industrial AI Guide 2026\" \/>\n<meta property=\"og:description\" content=\"How does RK3588 perform in real industrial machine vision deployments? Real benchmarks, AOI architecture, RKNN-Toolkit2 workflow, and factory case studies for edge AI inspection engineers.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/ieeker.com\/es\/rk3588-machine-vision-defect-detection\/\" \/>\n<meta property=\"article:published_time\" content=\"2026-05-19T09:25:29+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2026-05-19T09:31:29+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-industrial.webp\" \/>\n\t<meta property=\"og:image:width\" content=\"1536\" \/>\n\t<meta property=\"og:image:height\" content=\"1024\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/webp\" \/>\n<meta name=\"author\" content=\"Ieeker\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Written by\" \/>\n\t<meta name=\"twitter:data1\" content=\"Ieeker\" \/>\n\t<meta name=\"twitter:label2\" content=\"Est. reading time\" \/>\n\t<meta name=\"twitter:data2\" content=\"20 minutos\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/\"},\"author\":{\"name\":\"Ieeker\",\"@id\":\"https:\/\/ieeker.com\/#\/schema\/person\/8c84cbebc78c3b57cc5d39e73de3eadb\"},\"headline\":\"RK3588 for Machine Vision &#038; Industrial Defect Detection: A Complete Engineering Guide\",\"datePublished\":\"2026-05-19T09:25:29+00:00\",\"dateModified\":\"2026-05-19T09:31:29+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/\"},\"wordCount\":3413,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\/\/ieeker.com\/#organization\"},\"image\":{\"@id\":\"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-industrial.webp\",\"articleSection\":[\"News\"],\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/\",\"url\":\"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/\",\"name\":\"RK3588 Machine Vision & Defect Detection: Industrial AI Guide 2026\",\"isPartOf\":{\"@id\":\"https:\/\/ieeker.com\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/#primaryimage\"},\"image\":{\"@id\":\"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-industrial.webp\",\"datePublished\":\"2026-05-19T09:25:29+00:00\",\"dateModified\":\"2026-05-19T09:31:29+00:00\",\"description\":\"How does RK3588 perform in real industrial machine vision deployments? Real benchmarks, AOI architecture, RKNN-Toolkit2 workflow, and factory case studies for edge AI inspection engineers.\",\"breadcrumb\":{\"@id\":\"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/#breadcrumb\"},\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/#primaryimage\",\"url\":\"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-industrial.webp\",\"contentUrl\":\"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-industrial.webp\",\"width\":1536,\"height\":1024,\"caption\":\"RK3588 industrial SBC connected to machine vision camera inspecting PCB components on a manufacturing line for defect detection\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/ieeker.com\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"RK3588 for Machine Vision &#038; Industrial Defect Detection: A Complete Engineering Guide\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/ieeker.com\/#website\",\"url\":\"https:\/\/ieeker.com\/\",\"name\":\"ieeker.com\",\"description\":\"\",\"publisher\":{\"@id\":\"https:\/\/ieeker.com\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/ieeker.com\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"es\"},{\"@type\":\"Organization\",\"@id\":\"https:\/\/ieeker.com\/#organization\",\"name\":\"ieeker\",\"url\":\"https:\/\/ieeker.com\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\/\/ieeker.com\/#\/schema\/logo\/image\/\",\"url\":\"https:\/\/ieeker.com\/wp-content\/uploads\/2023\/02\/Ieeker-develoment-board-logo-scaled-e1782367781709.webp\",\"contentUrl\":\"https:\/\/ieeker.com\/wp-content\/uploads\/2023\/02\/Ieeker-develoment-board-logo-scaled-e1782367781709.webp\",\"width\":2160,\"height\":388,\"caption\":\"ieeker\"},\"image\":{\"@id\":\"https:\/\/ieeker.com\/#\/schema\/logo\/image\/\"}},{\"@type\":\"Person\",\"@id\":\"https:\/\/ieeker.com\/#\/schema\/person\/8c84cbebc78c3b57cc5d39e73de3eadb\",\"name\":\"Ieeker\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\/\/ieeker.com\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/ieeker.com\/wp-content\/litespeed\/avatar\/9b2208ea44759888946102da78e30511.jpg?ver=1784113146\",\"contentUrl\":\"https:\/\/ieeker.com\/wp-content\/litespeed\/avatar\/9b2208ea44759888946102da78e30511.jpg?ver=1784113146\",\"caption\":\"Ieeker\"},\"sameAs\":[\"http:\/\/www.ieeker.com\"],\"url\":\"https:\/\/ieeker.com\/es\/author\/ieeker\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"RK3588 Machine Vision & Defect Detection: Industrial AI Guide 2026","description":"How does RK3588 perform in real industrial machine vision deployments? Real benchmarks, AOI architecture, RKNN-Toolkit2 workflow, and factory case studies for edge AI inspection engineers.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/ieeker.com\/es\/rk3588-machine-vision-defect-detection\/","og_locale":"es_ES","og_type":"article","og_title":"RK3588 Machine Vision & Defect Detection: Industrial AI Guide 2026","og_description":"How does RK3588 perform in real industrial machine vision deployments? Real benchmarks, AOI architecture, RKNN-Toolkit2 workflow, and factory case studies for edge AI inspection engineers.","og_url":"https:\/\/ieeker.com\/es\/rk3588-machine-vision-defect-detection\/","article_published_time":"2026-05-19T09:25:29+00:00","article_modified_time":"2026-05-19T09:31:29+00:00","og_image":[{"width":1536,"height":1024,"url":"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-industrial.webp","type":"image\/webp"}],"author":"Ieeker","twitter_card":"summary_large_image","twitter_misc":{"Written by":"Ieeker","Est. reading time":"20 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/#article","isPartOf":{"@id":"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/"},"author":{"name":"Ieeker","@id":"https:\/\/ieeker.com\/#\/schema\/person\/8c84cbebc78c3b57cc5d39e73de3eadb"},"headline":"RK3588 for Machine Vision &#038; Industrial Defect Detection: A Complete Engineering Guide","datePublished":"2026-05-19T09:25:29+00:00","dateModified":"2026-05-19T09:31:29+00:00","mainEntityOfPage":{"@id":"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/"},"wordCount":3413,"commentCount":0,"publisher":{"@id":"https:\/\/ieeker.com\/#organization"},"image":{"@id":"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/#primaryimage"},"thumbnailUrl":"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-industrial.webp","articleSection":["News"],"inLanguage":"es","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/","url":"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/","name":"RK3588 Machine Vision & Defect Detection: Industrial AI Guide 2026","isPartOf":{"@id":"https:\/\/ieeker.com\/#website"},"primaryImageOfPage":{"@id":"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/#primaryimage"},"image":{"@id":"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/#primaryimage"},"thumbnailUrl":"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-industrial.webp","datePublished":"2026-05-19T09:25:29+00:00","dateModified":"2026-05-19T09:31:29+00:00","description":"How does RK3588 perform in real industrial machine vision deployments? Real benchmarks, AOI architecture, RKNN-Toolkit2 workflow, and factory case studies for edge AI inspection engineers.","breadcrumb":{"@id":"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/#breadcrumb"},"inLanguage":"es","potentialAction":[{"@type":"ReadAction","target":["https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/"]}]},{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/#primaryimage","url":"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-industrial.webp","contentUrl":"https:\/\/ieeker.com\/wp-content\/uploads\/2026\/05\/rk3588-machine-vision-industrial.webp","width":1536,"height":1024,"caption":"RK3588 industrial SBC connected to machine vision camera inspecting PCB components on a manufacturing line for defect detection"},{"@type":"BreadcrumbList","@id":"https:\/\/ieeker.com\/rk3588-machine-vision-defect-detection\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/ieeker.com\/"},{"@type":"ListItem","position":2,"name":"RK3588 for Machine Vision &#038; Industrial Defect Detection: A Complete Engineering Guide"}]},{"@type":"WebSite","@id":"https:\/\/ieeker.com\/#website","url":"https:\/\/ieeker.com\/","name":"ieeker.com","description":"","publisher":{"@id":"https:\/\/ieeker.com\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/ieeker.com\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"es"},{"@type":"Organization","@id":"https:\/\/ieeker.com\/#organization","name":"ieeker","url":"https:\/\/ieeker.com\/","logo":{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/ieeker.com\/#\/schema\/logo\/image\/","url":"https:\/\/ieeker.com\/wp-content\/uploads\/2023\/02\/Ieeker-develoment-board-logo-scaled-e1782367781709.webp","contentUrl":"https:\/\/ieeker.com\/wp-content\/uploads\/2023\/02\/Ieeker-develoment-board-logo-scaled-e1782367781709.webp","width":2160,"height":388,"caption":"ieeker"},"image":{"@id":"https:\/\/ieeker.com\/#\/schema\/logo\/image\/"}},{"@type":"Person","@id":"https:\/\/ieeker.com\/#\/schema\/person\/8c84cbebc78c3b57cc5d39e73de3eadb","name":"Ieeker","image":{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/ieeker.com\/#\/schema\/person\/image\/","url":"https:\/\/ieeker.com\/wp-content\/litespeed\/avatar\/9b2208ea44759888946102da78e30511.jpg?ver=1784113146","contentUrl":"https:\/\/ieeker.com\/wp-content\/litespeed\/avatar\/9b2208ea44759888946102da78e30511.jpg?ver=1784113146","caption":"Ieeker"},"sameAs":["http:\/\/www.ieeker.com"],"url":"https:\/\/ieeker.com\/es\/author\/ieeker\/"}]}},"_links":{"self":[{"href":"https:\/\/ieeker.com\/es\/wp-json\/wp\/v2\/posts\/10289","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ieeker.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/ieeker.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/ieeker.com\/es\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/ieeker.com\/es\/wp-json\/wp\/v2\/comments?post=10289"}],"version-history":[{"count":5,"href":"https:\/\/ieeker.com\/es\/wp-json\/wp\/v2\/posts\/10289\/revisions"}],"predecessor-version":[{"id":10299,"href":"https:\/\/ieeker.com\/es\/wp-json\/wp\/v2\/posts\/10289\/revisions\/10299"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/ieeker.com\/es\/wp-json\/wp\/v2\/media\/10292"}],"wp:attachment":[{"href":"https:\/\/ieeker.com\/es\/wp-json\/wp\/v2\/media?parent=10289"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/ieeker.com\/es\/wp-json\/wp\/v2\/categories?post=10289"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/ieeker.com\/es\/wp-json\/wp\/v2\/tags?post=10289"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}