Inteligencia objetiva para la inspección de calidad alimentaria y el control de procesos

Este artículo fue publicado originalmente por Food Manufacturing el 24 de junio de 2024. Haga clic aquí para ver el artículo en el sitio web de la publicación.

La inteligencia artificial (IA) en el procesamiento de alimentos ya no es una idea grandilocuente; está teniendo un impacto significativo en toda la industria alimentaria. Desde los procesadores de carne y aves hasta las plantas de clasificación de patatas, las tecnologías de inspección basadas en IA ofrecen oportunidades revolucionarias para que las empresas optimicen el control de calidad en toda su organización y mejoren la precisión, la eficiencia operativa y la seguridad alimentaria.

Aun así, muchas empresas siguen siendo recelosas respecto a la IA en la producción de alimentos. Integrar cualquier tecnología nueva en un proceso conlleva riesgos y desafíos, pero la IA representa un cambio significativo en la cultura organizacional. Además, con el rápido auge de las empresas de IA en los últimos años, es razonable ser escéptico sobre la fiabilidad, la precisión y la seguridad de estas tecnologías complejas y costosas.

En lo que respecta a los sistemas de inspección visual por IA en la producción de alimentos, hay un principio fundamental que debe tenerse en cuenta: las aplicaciones de IA tienen más éxito cuando los humanos lideran la formación y el mantenimiento del sistema.

Las diferencias entre el aprendizaje supervisado y el no supervisado

Los productos alimentarios no se fabrican siguiendo especificaciones técnicas precisas como los componentes mecánicos. La tolerancia aceptable para el aspecto del producto (tamaño, forma, color, textura, volumen, entre otros) se define entre los equipos de operaciones y de garantía de calidad de la planta. En la mayoría de las operaciones alimentarias, depende de un inspector humano que supervisa la línea para detectar defectos, características fuera de especificación o materiales extraños no deseados y potencialmente peligrosos. Este método de inspección es intrínsecamente subjetivo y difícil de controlar en una sola planta, y mucho más en toda una organización.

Uno de los valores centrales de la inspección visual basada en IA es su objetividad. A diferencia de un operador humano, un sistema de IA bien entrenado nunca tiene un "mal día" en la planta. Aplica mediciones definidas por humanos para analizar los productos según un criterio de calidad exacto. Este método de entrenamiento de IA se denomina "aprendizaje supervisado", donde el sistema de IA se entrena continuamente basándose en las aportaciones humanas.

El aprendizaje supervisado implica mostrar a la IA algunas muestras "buenas" (que podrían ser decenas de miles o más) y algunas "malas", ambas etiquetadas por una persona o un equipo. Mediante este método de entrenamiento, se crea un modelo basado en algoritmos específicos. El sistema de IA "aprende" los criterios aceptables para una característica o material de producto en particular. Cada modelo de producto, incluida la capacidad de detectar materiales extraños, sigue este proceso. Los modelos evolucionan continuamente a medida que se etiquetan nuevas muestras y se añaden al conjunto de entrenamiento para mejorar el rendimiento y la fiabilidad.

El aprendizaje supervisado requiere tiempo y paciencia, pero el esfuerzo dará como resultado una aplicación fiable y precisa.

El otro método de entrenamiento de IA se denomina "aprendizaje no supervisado". Mediante este proceso, la aplicación de IA define sus propias tolerancias. Dado que la IA busca datos constantemente, la IA no supervisada comienza a tomar sus propias decisiones sobre la calidad del producto, lo que puede generar resultados impredecibles.

Los riesgos del aprendizaje no supervisado son la razón por la que las empresas deben desconfiar de los proveedores de IA que no demuestran u ofrecen una formación coherente de sus modelos de IA.

Dónde se aplica la IA para resolver los desafíos de la fabricación de alimentos hoy en día

Tras la recolección en el campo, los productos frescos suelen trasladarse a una instalación de procesamiento para su clasificación, calibrado y selección. Las patatas, por ejemplo, se inspeccionan y clasifican según una amplia gama de características del producto, como la forma, el porcentaje de color verde, las grietas, los golpes (antiguos y nuevos), los brotes y muchas otras. En una planta de patatas, un inspector suele tomar estas determinaciones y dirigir las patatas a sus líneas de envasado designadas en un entorno operativo de ritmo rápido.

Los sistemas de IA con cámaras integradas pueden escanear las patatas entrantes para determinar su tamaño y forma, y descartar los productos defectuosos con la ayuda de capacidades de rechazo automatizadas (por ejemplo, recolectores robóticos, paletas de expulsión, entre otros). En sistemas más complejos, una sola patata puede colocarse en múltiples líneas o salidas para hacer llegar esa patata específica al cliente adecuado. Una vez más, el operador de la planta de patatas programa estas tolerancias con la ayuda de su proveedor de IA, refinando constantemente estos criterios con el paso del tiempo.

En algunos casos, el sistema de IA registra el rendimiento general para ayudar al operador a tomar decisiones para los procesos posteriores. Por ejemplo, si hay un número rutinariamente alto de fallos en una paleta de expulsión en un punto determinado del proceso, podría indicar un problema mecánico.

Detección de materiales extraños y cumplimiento normativo

Cuando la canal llega a la planta de procesamiento, se somete a sus numerosos cortes y se envasa para el mercado o se envía para su posterior procesamiento, hay varios momentos en el procesamiento de carne y aves en los que pueden introducirse materiales extraños no deseados. Cualquier cosa, desde piezas de maquinaria rotas hasta un guante de goma, puede causar consecuencias catastróficas. Teniendo en cuenta el coste de una retirada de producto (y las pesadillas de relaciones públicas que suelen seguir), las empresas de procesamiento de carne y aves que utilizan tecnologías de inspección de IA bien entrenadas pueden ofrecer una mayor protección para salvaguardar a sus clientes y el valor de su marca.

Aunque los rayos X y los detectores de metales siguen siendo los métodos más utilizados en el sector para detectar materiales extraños, ambos tienen dificultades para identificar objetos blandos o de baja densidad como papel, goma, plástico, madera y objetos que pueden tener un color similar al del producto. Sin embargo, los sistemas de inspección basados en IA y entrenados por operarios permiten a las empresas identificar materiales difíciles en productos de flujo libre con variaciones de masa (por ejemplo, en una línea de corte de carne o aves). Por supuesto, la limitación es que el objeto debe estar en la superficie. Por tanto, la visión por IA es complementaria a los rayos X y a los detectores de metales.

Estos sistemas pueden programarse para detener instantáneamente la línea de procesamiento y permitir que el operario retire el material, o pueden integrarse con un método de rechazo para eliminar el material del proceso automáticamente.

Además, en las plantas de procesamiento de carne, la inspección visual basada en IA puede ayudar a controlar el estado de los animales en la recepción. Por ejemplo, si los pollos deben llegar a una planta de procesamiento vivos, en buen estado o con un número determinado de aves por caja, la inspección visual por IA puede realizar estas determinaciones al instante. Esto ayuda a las empresas a exigir responsabilidades a sus proveedores, al tiempo que proporciona pruebas de prácticas humanitarias.

Control del proceso de producción

Las tecnologías de inspección visual basadas en IA también ayudan a supervisar el estado y el rendimiento general de una planta de producción. Por ejemplo, la mayoría de las operaciones de panadería de alto rendimiento siguen pasos fundamentales como el mezclado de ingredientes, la formación de la masa y la fermentación. Después, tras el horneado, el producto se enfría antes de pasar a las líneas de clasificación para su envasado.

Los atributos visuales en todos estos pasos del proceso pueden indicar el resultado final del producto. Por ejemplo, una masa para pan de hamburguesa que no haya fermentado hasta la altura ideal antes de hornearse podría dar lugar a un producto demasiado grande o demasiado pequeño para su envase. Al producir miles de unidades al día, es casi imposible contar con un inspector en la línea de fermentación que identifique variaciones menores como estas con precisión. Sin embargo, un sistema de inspección visual puede identificar estas variaciones de altura con una precisión superior y en el 100% de los productos que pasan por la línea de producción.

Existen aplicaciones similares para analizar productos después del horneado. Por ejemplo, en una fábrica de galletas, largas láminas de masa pasan por un horno con varias fuentes de calor individuales sobre el producto. Con un sistema de visión por IA entrenado para detectar variaciones en el color del producto, se puede avisar al operario si una sección concreta de la masa horneada parece demasiado oscura o demasiado clara. Estas variaciones indican que el horno podría necesitar un ajuste o mantenimiento.

La intervención humana es vital para un sistema de inspección basado en IA eficaz

A pesar de lo que puedan anunciar algunas empresas de inspección por IA, hoy en día no existe ningún sistema de inspección alimentaria por IA que funcione desde el primer momento conociendo el producto o proceso de producción único de una empresa. La colaboración continua entre los operarios de la planta, el personal de control de calidad y un proveedor de confianza de inspección visual por IA es esencial para obtener un retorno de la inversión. Al entrenar y perfeccionar los modelos de IA, las empresas de procesamiento de alimentos pueden desarrollar sistemas sólidos que amplifiquen sus programas de garantía de calidad, reduzcan los residuos, mejoren la precisión y redistribuyan la mano de obra donde más se necesita.

‍