Cómo los sistemas de inspección visual basados en IA pueden mejorar la detección de materiales extraños
La presencia de materiales extraños es una de las causas principales de la retirada de productos alimentarios. Vidrio, metal, plástico, madera, papel: estos contaminantes pueden introducirse en cualquier punto de la línea de producción, y la presión por detectarlos es cada vez mayor.
En este artículo de Quality Assurance & Food Safety, Yuegang Zhao, director comercial de KPM Analytics, explica cómo la inteligencia artificial está transformando la capacidad de los sistemas de inspección visual. Los sistemas tradicionales basados en color tienen dificultades cuando un defecto se camufla, como un trozo de masa endurecida en un panecillo o plástico negro oculto por restos de sangre en un corte de carne. Dado que no hay dos piezas de carne iguales, los sistemas basados en IA aprenden a partir de imágenes reales de los productos y se adaptan a las variaciones naturales, detectando problemas que los métodos convencionales pasan por alto.
El punto central de Zhao es que la IA y los sistemas tradicionales funcionan mejor de forma complementaria, sin que uno sustituya al otro. La IA detecta más defectos, pero también puede clasificar erróneamente un producto en buen estado, por lo que contar con un segundo método de eficacia probada ayuda a confirmar el diagnóstico.
También es franco sobre lo que requiere su implementación. Como él mismo señala: "La IA necesita tiempo para entrenarse". Las instalaciones que lo abordan como un proceso a largo plazo, en lugar de como una solución instantánea, son las que obtienen resultados.
Lea el artículo en el sitio web de la revista Quality Assurance & Food Safety.
