IA para la calidad y seguridad de los alimentos: qué funciona y qué no

Es sorprendente la rapidez con la que la inteligencia artificial (IA) ha pasado de ser una idea intrigante a convertirse en un tema candente en nuestra sociedad, y esto es solo el comienzo. La industria alimentaria es un impulsor clave de las innovaciones de la IA para la fabricación y el procesamiento. Las principales marcas alimentarias invierten mucho y en los últimos años han desplegado diversas aplicaciones de inteligencia artificial con el objetivo de mejorar la seguridad alimentaria, la calidad y el rendimiento de los productos.

A medida que surgen nuevas aplicaciones de IA, las empresas se ven presionadas para que las adopten rápidamente. En el caso de las tecnologías de inspección por visión impulsadas por la inteligencia artificial, algunas empresas han obtenido un rápido retorno de la inversión. Sin embargo, sin una comprensión práctica de cómo funciona la IA y sin el esfuerzo necesario para que una aplicación tenga éxito, las empresas pueden emprender rápidamente un camino frustrante.

El rendimiento acelerado de la producción impulsa los cambios necesarios en el control de calidad

Los sistemas de control de calidad e inspección del procesamiento se encuentran entre las categorías de tecnología de inteligencia artificial de más rápido crecimiento en la fabricación de alimentos. Desde productos cárnicos en porciones hasta productos horneados, las fábricas actuales se ven obligadas a superar sus límites operativos para lograr un mayor rendimiento de los productos y, al mismo tiempo, mantener los estándares de calidad que esperan sus clientes.

Los errores son subproductos de la aceleración de las velocidades de producción sin procesos de control de calidad mejorados. Muchas empresas alimentarias siguen dependiendo de inspectores humanos para detectar las galletas mal cocidas o las tiras de pollo que no están empanadas al observar la línea de procesamiento. Sin embargo, debido a las rápidas velocidades de producción, la ampliación de las instalaciones y la dificultad para encontrar mano de obra, les resulta casi imposible tomar decisiones de calidad precisas y consistentes con los métodos tradicionales.

La creciente demanda para detectar materiales extraños potencialmente dañinos en la línea de procesamiento complica aún más las cosas para los fabricantes de alimentos actuales. La retirada de productos provocada por materiales extraños puede costar a las marcas alimentarias enormes sumas de dinero para rastrear y retirar los productos afectados y pagar posibles gastos legales. Por lo tanto, los esfuerzos de relaciones públicas para recuperar la confianza de los consumidores en la marca alimentaria pueden llevar años.

De hecho, muchos clientes, especialmente las marcas de restaurantes de servicio rápido, ahora exigen que sus procesadores demuestren que sus protocolos de seguridad alimentaria van más allá de los métodos de inspección convencionales. Estos nuevos requisitos han aumentado la presión sobre los fabricantes de alimentos para que innoven.

Las tecnologías de inspección de IA son una forma excelente para que las empresas demuestren su compromiso con la calidad y la seguridad alimentaria. Sin embargo, el camino hacia una instalación e implementación exitosas comienza con la comprensión de los límites de la IA.

Breve historia de las tecnologías de inspección por visión en entornos de producción de alimentos

Si bien las instalaciones de producción de alimentos han utilizado sistemas de visión en línea tradicionales durante décadas, la incorporación de capacidades de inteligencia artificial y aprendizaje automático a los sistemas de visión en línea es relativamente nueva. Tanto los sistemas de inspección tradicionales como los basados en inteligencia artificial incorporan una serie de cámaras 2D y 3D, iluminación especializada y un potente software de análisis que toma imágenes de los productos en tiempo real y las compara con las tolerancias programadas. Pero ahí es donde terminan las similitudes.

Los sistemas tradicionales de inspección por visión incluían medidas sencillas basadas en reglas, como la forma y el grosor de una hamburguesa o el color de horneado de una barra de pan. Con el tiempo, los usuarios de los sistemas de inspección por visión comenzaron a considerar la posibilidad de realizar mediciones avanzadas de los productos para mejorar aún más la consistencia de los productos. Estas medidas pueden incluir el veteado de un corte de carne o la proporción entre grasa y grasa magra, las marcas de tostado en una tortilla o la mezcla de glaseado en un cupcake.

Las características altamente variables como estas son un desafío para los sistemas basados en reglas: pueden detectar si la característica del producto está presente en el artículo, pero no pueden tener en cuenta las variaciones naturales del producto, lo que hace que la decisión sobre los productos aceptables y no aceptables sea más ambigua.

Además, agregar más complejidad a un sistema basado en reglas ejerce presión sobre su potencia informática. Con estas crecientes demandas de medición combinadas con el aumento de las velocidades de producción, los proveedores de tecnología de inspección por visión comenzaron a explorar la IA para optimizar la configuración de las máquinas y la inspección de productos.

¿Qué es un sistema de inspección de productos alimenticios con IA?

Las tecnologías de inspección visual basadas en inteligencia artificial utilizan los mismos conceptos que las tecnologías basadas en reglas, pero ofrecen un análisis más profundo para detectar anomalías, características y materiales que pasarían desapercibidos para un sistema basado en reglas. Cada modelo de IA es una acumulación de muchas imágenes de productos y materiales aceptables e inaceptables.

Con el tiempo, el sistema de IA «aprende» qué aspecto debe y qué no debe tener un producto, lo que permite establecer un rango de tolerancias de una manera mucho más holística que la programación basada en reglas. Una vez instalado en la línea, un operador humano de la planta de producción monitorea continuamente el sistema de IA para asegurarse de que no desarrolle hábitos no deseados. En el caso de sistemas más complejos, el proveedor de inteligencia artificial puede ser el administrador principal del sistema.

Supongamos que la IA toma una mala decisión sobre una función del producto. En ese caso, el operador humano puede corregir la IA para que no cometa un error similar en el futuro. Este método de creación de modelos de IA se conoce como «aprendizaje supervisado de la IA», que mantiene al operador humano capacitado a la vanguardia del programa general.

Hay un punto muy importante que recordar acerca de los sistemas de inspección por visión impulsados por IA: sus modelos de IA son tan buenos como los conjuntos de datos que los alimentan. Si el operario humano de la instalación etiqueta incorrectamente una característica del producto o un material extraño en la línea, esto puede afectar negativamente al rendimiento de la IA. Por este motivo, las empresas que utilizan el personal experto del proveedor de inteligencia artificial para gestionar sus sistemas suelen ser las que tienen más éxito.

Un sistema de inspección por IA bien entrenado es beneficioso para detectar materiales extraños no deseados que pueden tener una forma o un color similares a los de una característica normal del producto. Por ejemplo, un trozo de plástico blanco duro que parece un trozo de queso rallado cae sobre una pizza congelada en una línea de producción. Esta anomalía puede pasar desapercibida para un sistema de inspección visual basado en reglas, ya que no puede analizar de manera eficaz los componentes individuales de la pizza para detectar si esa pieza de plástico tiene bordes irregulares, bordes irregulares, formas extrañas o brillos. Un observador humano podría darse cuenta de la pieza de plástico, pero el ritmo vertiginoso de la línea de procesamiento, el cansancio del operador o la incapacidad de ver bien la pizza que hay en la línea hacen que esta determinación en una fracción de segundo sea prácticamente imposible.

El sistema de inspección por IA, que se instala en puntos críticos de producción para inspeccionar cada producto a medida que pasa por un transportador, está mejor equipado para aislar el plástico y tomar las siguientes medidas necesarias (por ejemplo, activar el rechazo para eliminar el producto contaminado de la línea). Esto se debe a que el sistema de IA inspecciona todos los componentes del producto que pasan por alto.

Un sistema impulsado por IA puede aprender a detectar anomalías en la línea de la misma manera que lo hace un inspector humano, pero con mayor velocidad y eficiencia, lo que aumenta considerablemente la precisión.

¿Cuáles son las limitaciones de los sistemas actuales de inspección por visión impulsados por IA?

Los sistemas de inspección con IA no son una solución de caja negra para los procesadores de alimentos: no se puede simplemente instalar un sistema en su línea y esperar que se resuelvan sus problemas de calidad y seguridad alimentaria. Entender lo que un sistema de IA no puede medir es tan importante como saber qué es lo que sí puede medir.

Los sistemas de inspección por visión con IA solo pueden medir materiales visualmente distinguibles

Con respecto a la detección de materiales extraños, una idea errónea común sobre los sistemas de inspección por IA es que sustituyen a los sistemas de detección de metales o rayos X. En última instancia, los sistemas de visión basados en inteligencia artificial complementan los detectores de rayos X y metales para crear un programa de seguridad alimentaria completo y sólido en línea.

Los sistemas de inspección con IA son excelentes para detectar materiales extraños de baja densidad, como caucho, madera, telas, papel y otros artículos, que pasarán por los detectores de rayos X y metales. Aun así, no pueden analizar los materiales incrustados en un producto o que no son visibles desde los distintos ángulos de cámara del sistema. La incorporación de mesas vibratorias o configuraciones en cascada para separar temporalmente los productos o presentar la superficie inferior del producto para su inspección puede ayudar a proporcionar más visibilidad al sistema de inteligencia artificial.

Sin embargo, al igual que los detectores de rayos X y metales, los operadores pueden ajustar el sistema de inspección por IA para aumentar la detectabilidad. Establecer tolerancias demasiado altas puede generar más falsos positivos. Los usuarios deben encontrar un equilibrio para lograr la máxima detectabilidad y, al mismo tiempo, gestionar los falsos positivos de forma eficaz.

Además, si un sistema de IA se entrena en una sola línea con características específicas, como el color de la cinta transportadora, es poco probable que el uso del mismo modelo en una línea diferente, incluso dentro de la misma instalación, dé como resultado una transición perfecta. Como el sistema de IA observa constantemente la superficie de procesamiento y cambia su entorno sin añadir datos adicionales para actualizar el entrenamiento del modelo, el sistema puede generar resultados no deseados.

La frecuencia de los materiales o defectos es vital para el desarrollo de modelos de IA

Las patatas son un excelente ejemplo de un producto alimenticio con variaciones masivas que se clasifican y venden a clientes finales específicos según el tamaño del producto, la calidad y la presencia de defectos. Una papa de buen tamaño que no tenga la mayoría de los defectos (denominadas patatas «frescas») suele distribuirse en tiendas de abarrotes o restaurantes. Una papa que sea más pequeña o tenga una forma inusual puede pasar a un procesador secundario (por ejemplo, papas fritas, alimentos congelados, etc.). Las patatas con defectos visibles no deseados, como magulladuras, brotes o podredumbre, pueden clasificarse para la alimentación del ganado.

Debido a que las instalaciones de clasificación de patatas se encuentran constantemente con estas variaciones naturales de los productos, tienen un tamaño de muestra lo suficientemente grande como para crear modelos de IA sólidos que detecten esas características clave. Por otro lado, desarrollar modelos de IA para detectar anomalías puntuales o poco frecuentes es un desafío si el problema no se presenta con la suficiente regularidad como para que la IA sepa de qué se trata. En el caso de objetos que obviamente tienen un aspecto diferente al del producto (por ejemplo, un envase de plástico azul que entra en una línea de procesamiento de patatas fritas congeladas), fabricar estos modelos con materiales extraños no supone ningún desafío.

Por ejemplo, un productor de granos puede desear desarrollar un modelo de IA para detectar trozos de vidrio roto en un elevador de granos. Supongamos que la instalación solo detecta cristales en su línea una vez al año, en comparación con las rocas o los palos que pueden aparecer docenas de veces al día. En ese caso, es difícil desarrollar un modelo fiable de material extraño basado en inteligencia artificial para el vidrio con un tamaño de muestra tan pequeño.

Cuanto menor sea el defecto o el material, mayor será el precio del sistema

Todos los materiales extraños en la producción de alimentos representan un peligro, incluidos los objetos más pequeños. Sin embargo, para que un sistema de inteligencia artificial detecte partículas finas o anomalías en una línea de procesamiento, no es tan sencillo como ampliar una imagen de la cinta transportadora. Para poder capturar objetos hasta el más mínimo detalle se requieren más cámaras con resoluciones más altas para examinar áreas específicas, lo que aumenta la potencia informática. Si bien estas aplicaciones de detección precisas y detalladas son técnicamente posibles, los componentes y la complejidad del sistema necesarios superarán los precios de la mayoría de las empresas.

Los sistemas de inspección de IA, como los humanos, no son perfectos

La implementación de un sistema de inspección impulsado por inteligencia artificial en una planta de procesamiento de alimentos es como la llegada de un recién nacido al mundo. Al igual que un bebé, el sistema de inteligencia artificial llega sin darse cuenta de lo que lo rodea. No distingue el bien del mal. El usuario de la IA y su equipo de soporte técnico tienen como objetivo enseñar y educar a ese recién nacido para que se convierta en un «ser» con el nivel de un doctorado que pueda tomar buenas decisiones con menos intervención humana con el paso del tiempo.

Incluso el sistema de inspección de IA mejor entrenado tiene defectos. Los usuarios deben esperar que, de vez en cuando, haya una proporción de falsos positivos o productos no clasificados, por lo que los humanos seguirán siendo esenciales para que un sistema de inspección mediante IA sea productivo para problemas complejos y productos con variaciones masivas. El mejor camino hacia el éxito será adoptar un enfoque práctico y paciente para integrar la tecnología de inspección basada en la inteligencia artificial y elegir un proveedor de soluciones de inteligencia artificial que colabore con la instalación y comparta esta mentalidad.