Sistemas de inspección: no te conformes con un único punto de vista

Wayne Labs, de Food Engineering, analiza por qué los procesadores de alimentos no deberían depender únicamente de la inspección visual y cómo la IA y el aprendizaje automático están ampliando las capacidades de detección de los sistemas de inspección, complementando los rayos X, la tecnología NIR/hiperespectral y la detección de metales.

Courtney Crichlow, directora de proyectos en KPM Analytics, aportó ideas clave al artículo, explicando que los criterios de inspección tradicionales se basaban en lo que los equipos de calidad humanos podían comprobar de forma realista, y que gran parte de los equipos actuales siguen fabricándose bajo esos estándares históricos en lugar de centrarse en reducir el desperdicio alimentario, mejorar la calidad y prevenir incidentes con materiales extraños. También aborda la idea errónea común de que los modelos de visión por IA ofrecen resultados inmediatos, señalando que los sistemas basados en IA requieren conjuntos de datos iniciales considerablemente mayores para aprender la variabilidad del producto y las características específicas de los materiales extraños que se pretenden detectar. El artículo también incluye imágenes de KPM Analytics que muestran cómo un sistema de IA/aprendizaje automático bien entrenado detecta materiales extraños de baja densidad, como plástico en pollo o un guante de algodón en recortes de carne de vacuno, que a menudo pasan desapercibidos para los detectores de rayos X y de metales.

Lee el artículo de Food Engineering