Sistemas de visión por IA frente a sistemas basados en reglas para el procesamiento de alimentos

Este artículo se publicó originalmente en un número de Processing Magazine. Haga clic aquí para ver el artículo en el sitio web de la publicación.

Aunque han ganado popularidad rápidamente en varias plantas de procesamiento de alimentos en los últimos años, las tecnologías de inspección por visión automatizada existen desde hace varias décadas. Las primeras empresas alimentarias que fueron pioneras en estas tecnologías surgieron en la década de 1980, cuando la visión artificial pasó de los laboratorios académicos a las operaciones comerciales.

Los sistemas de visión utilizados hoy en las líneas de procesamiento de alimentos superan con creces sus humildes comienzos. Gracias a una mejor resolución de las cámaras, una tecnología de iluminación mejorada y un software de análisis robusto, los sistemas de visión modernos pueden analizar rápidamente rasgos únicos de los productos y detectar materiales extraños con una velocidad y precisión notables.

Desde las grandes marcas de panadería hasta los fabricantes de platos precocinados, todos sienten presiones externas que aceleran la necesidad de contar con capacidades de inspección más avanzadas en sus plantas. Con normativas de seguridad alimentaria más estrictas, expectativas crecientes de los consumidores, cambios en los gustos, escasez de mano de obra y el crecimiento de la competencia, la adopción de la inspección por visión —especialmente las potentes soluciones actuales basadas en IA— se considera cada vez más una inversión necesaria para seguir siendo competitivo y rentable.

Pero, ¿significa eso automáticamente que todos los procesadores de alimentos necesitan el sistema de inspección por IA más robusto en su línea? No necesariamente. Comprender la amplia gama de ofertas de sistemas de visión y saber cuándo tiene sentido cada enfoque es clave para realizar la inversión adecuada.

Tecnología de inspección por visión: basada en métricas reglamentarias

La mayoría de los sistemas de inspección por visión en las plantas alimentarias actuales utilizan umbrales predefinidos para analizar el color, el tamaño, la forma, el contraste y otros rasgos sencillos de los productos, que suelen medirse mediante muestreos rutinarios. En entornos de procesamiento controlados con productos altamente uniformes, este enfoque de medición basado en reglas ha demostrado ser eficaz.

Sin embargo, para muchos procesadores de alimentos, los productos actuales son todo menos uniformes. Muchos productos son muy variables, incluso en una línea de producción controlada. Ejemplos de estas variaciones van desde las formas y texturas naturales de los ingredientes hasta variaciones en el proceso, como el estado y los ajustes de los equipos, los métodos de los operarios o los cambios en el entorno. Estas variaciones son a menudo inevitables y, en algunos casos, muy deseadas, pero introducen un nivel de complejidad que puede suponer un reto para algunos sistemas basados en reglas. Esta complejidad suele obligar a ajustar los sistemas basados en reglas para evitar rechazos falsos, lo que conlleva el riesgo de no detectar los defectos que se pretenden encontrar.

La llegada de las aplicaciones de inspección por visión basadas en IA

Curiosamente, el crecimiento de la tecnología de visión basada en IA no fue impulsado por los fallos de la visión basada en reglas, sino por su éxito.

Los usuarios de sistemas de visión basados en reglas se sintieron más cómodos con la inspección automatizada, lo que les llevó a pedir a sus proveedores de tecnología capacidades más avanzadas. Descubrieron que sus sistemas basados en reglas estaban menos equipados para manejar una mayor variabilidad de los productos o para identificar defectos sutiles o materiales extraños. Sus crecientes expectativas pusieron de manifiesto los límites naturales de la tecnología y crearon la necesidad de una solución más flexible y adaptable.

En lugar de depender de mediciones fijas y preprogramadas, los sistemas basados en IA utilizan modelos de aprendizaje automático entrenados con imágenes de productos reales para reconocer patrones, texturas y variaciones que son casi imposibles de identificar manualmente con una alta repetibilidad. Estas capacidades amplifican la habilidad del sistema para tomar decisiones más matizadas, especialmente en aplicaciones alimentarias donde los productos son intrínsecamente inconsistentes.

Sopesar las diferencias entre la inspección por visión basada en reglas y la basada en IA

La integración de la tecnología de inspección por visión no solo supone una importante inversión de capital, sino que también puede aportar grandes cambios tanto al proceso de producción como a la cultura de una organización. Al evaluar las tecnologías, resulta útil pensar menos en "cuál ofrece más capacidades" y más en "cuál es mejor para la aplicación". La inspección por visión basada en reglas y la basada en IA aportan puntos fuertes distintos que deben considerarse en el marco de las necesidades únicas de la operación.

Complejidad del proceso y del producto. Los sistemas basados en reglas funcionan mejor en aplicaciones alimentarias donde las condiciones de producción están muy controladas y los umbrales de medición están bien definidos. Por lo general, si puede documentar claramente los criterios para la toma de decisiones de aprobación/rechazo mediante mediciones y tablas de colores, un sistema basado en reglas puede ayudar a mejorar la velocidad y la precisión de la inspección rutinaria de productos.

Los sistemas basados en IA se diferencian en que pueden aplicarse eficazmente en entornos de producción donde las condiciones son menos predecibles. Dado que aprenden a partir de ejemplos de productos, se adaptan mejor a las variaciones naturales y a los atributos complejos que los sistemas basados en reglas. Por tanto, para productos alimentarios sencillos con poca variabilidad entre unidades, es posible que el operador no necesite todas las capacidades de un sistema de IA y le baste con un sistema basado en reglas que mida solo unos pocos componentes.

Detección de materiales extraños. Como los sistemas basados en reglas funcionan con mediciones fijas, su aplicación a la detección de materiales extraños suele limitarse a colores que no aparecen de forma natural en el producto. Esta incapacidad para distinguir anomalías de cualquier elemento fuera de su alcance de medición palidece frente a los sistemas de IA, que pueden aprender y analizar los pequeños detalles y pistas contextuales de las imágenes para diferenciar entre atributos similares y materiales extraños reales. La producción de pan de hamburguesa es un claro ejemplo.

Los panecillos de hamburguesa producidos en masa suelen hornearse en moldes reutilizables. Con el tiempo, el exceso de masa puede acumularse en el fondo del molde y en otros panecillos, lo que resulta poco apetecible para el consumidor. Para complicar más las cosas, los panecillos suelen presentar burbujas de aire o restos de harina que, aunque son aceptables, pueden parecerse visualmente a los defectos de masa incrustada.

Un sistema de visión basado en reglas puede tener dificultades para distinguir los restos de masa de estas características naturales. Sin embargo, un sistema de visión basado en IA bien entrenado en el producto y el proceso puede realizar estas determinaciones con mucha mayor precisión.

Este mismo principio puede aplicarse a otros materiales potencialmente peligrosos que puedan incrustarse en la superficie del producto, como fragmentos de metal, plástico o caucho procedentes de las máquinas de procesamiento o del envasado. Si la detección de materiales extraños es una prioridad importante para la planta, los sistemas de visión basados en IA satisfacen mejor esta demanda.

Infraestructura y complejidad de la planta. Un criterio de decisión clave al elegir entre inspección por visión basada en reglas o en IA es la capacidad de la planta para soportar el despliegue y mantenimiento de estos sistemas. Todos se benefician de una conectividad remota segura y de alta velocidad para acceder a servicios de asistencia, pero los sistemas basados en IA pueden exigir más a las instalaciones de producción.

Además, los sistemas basados en reglas pueden ser más fáciles de implementar y mantener dada la sencillez para activar y ajustar las especificaciones de medición. No es raro que estos sistemas estén operativos en cuestión de horas o días tras obtener las primeras imágenes. Por el contrario, los procesos de recopilación de datos y creación de modelos asociados a las soluciones de IA pueden prolongar este plazo a semanas o incluso meses en proyectos muy complejos.

Piense de forma práctica al evaluar la inspección por visión

Muchos fabricantes de alimentos siguen obteniendo buenos resultados con sistemas basados en reglas, mientras que las operaciones con gran variabilidad de producto y procesos complejos pueden adaptarse mejor a los sistemas de IA. Lo fundamental es que la elección no siempre es excluyente. Muchas soluciones aprovechan un enfoque híbrido que combina el despliegue rápido y la previsibilidad de las reglas con la adaptabilidad de la IA. Al entender las fortalezas de cada uno, los procesadores pueden crear una estrategia de inspección adaptable para proteger la calidad, mejorar la eficiencia y evolucionar con su operación.