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 alimentos. Vidrio, metal, plástico, madera, papel: estos contaminantes pueden introducirse en cualquier punto de la línea, 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 IA está transformando la capacidad de detección 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 bollo o plástico negro oculto por la sangre en un corte de carne. Dado que no hay dos piezas de carne iguales, los sistemas basados en IA aprenden de imágenes reales de productos y se adaptan a la variación natural, detectando problemas que los métodos antiguos pasan por alto.
El punto central de Zhao es que la IA y los sistemas tradicionales funcionan mejor juntos, sin que uno sustituya al otro. La IA detecta más, pero también puede marcar un buen producto por error, por lo que un segundo método de eficacia probada ayuda a confirmar el diagnóstico.
También es sincero sobre lo que requiere su adopción. Como él mismo afirma: "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.
