Ver es ahorrar: cómo la inspección basada en IA impulsa el ROI

Este artículo apareció originalmente en Food Industry Executive. Haga clic aquí para acceder al artículo.

Hace solo unos años, la idea de que la inteligencia artificial desempeñara un papel fundamental en una planta de producción de alimentos parecía descabellada, pero es sorprendente la rapidez con la que ha cambiado el panorama. Como coinciden muchos ejecutivos del sector alimentario, los puestos de control de calidad en las plantas de fabricación de alimentos han tenido tradicionalmente una alta rotación, especialmente los de inspección de productos, que, aunque son muy importantes en todas las plantas, suelen ser trabajos monótonos y tediosos. La pandemia de COVID-19 hace unos años hizo que mantener estos puestos adecuadamente cubiertos fuera aún más difícil, y el sector ha tardado en recuperarse con el paso del tiempo.

No obstante, la competitiva industria actual de producción de alimentos ha presionado a las empresas para que mejoren la seguridad alimentaria y la calidad de los productos, alcancen mayores rendimientos de producción, reduzcan los residuos y operen de forma eficiente. Ante estas exigencias, las empresas de producción de alimentos tienen pocas opciones más que evolucionar su enfoque hacia el control de calidad y la inspección.

La inspección de productos alimentarios ha avanzado mucho

Muchas plantas de procesamiento realizan controles manuales de los productos en la línea como método principal para evaluar el control del proceso y del producto. Pongamos como ejemplo un fabricante de pan para hamburguesas. Los inspectores de control de calidad que observan la línea pueden tomar una selección de panecillos de la línea y llevarlos a una estación de control de calidad varias veces al día. En la estación, el inspector de control de calidad suele medir el tamaño, la forma y el grosor del panecillo, a menudo con un calibre o una regla, luego pesa el producto y, por último, comprueba el color del producto utilizando una foto de referencia.

Como cabe imaginar, se trata de un método de control de calidad subjetivo y que requiere mucho tiempo. En el tiempo que se tarda en evaluar solo 10 panecillos de hamburguesa, varios cientos de panecillos fuera de especificación podrían haber pasado ya por la línea de envasado.

Las empresas de producción de alimentos con visión de futuro empezaron a buscar mejores métodos para inspeccionar los productos, lo que condujo al desarrollo de tecnologías de inspección por visión basadas en reglas. Estas consisten en cámaras 2D y 3D de alta resolución e iluminación especializada para capturar imágenes de los productos. Estas imágenes se analizan mediante un software sofisticado para extraer medidas y detectar defectos. Las medidas de cada producto se comparan con los parámetros (reglas) establecidos por el usuario para aceptar o rechazar el producto. Los primeros sistemas de visión basados en reglas se instalaban normalmente sobre una línea de producción para inspeccionar los productos finales en busca de características básicas como el tamaño, la uniformidad, la forma y el color. Los sistemas de visión basados en reglas ayudan a los procesadores de alimentos a aumentar significativamente la velocidad y la objetividad de sus métodos de evaluación de la calidad. Con la ayuda de métodos de rechazo integrados para retirar de la línea de producción los productos fuera de especificación, pudieron agilizar la inspección diez veces más.

Naturalmente, a medida que las marcas de alimentación empezaron a ver las ventajas de la inspección automatizada de productos, comenzaron a incorporar más mediciones a sus sistemas, llevando las tecnologías de visión basadas en reglas a sus límites operativos. No solo era difícil definir cómo medir todos los atributos deseados mediante un sistema de inspección basado en reglas, sino que también era complicado para los operarios y el personal de control de calidad establecer los parámetros más complejos y entender los datos del sistema de visión. Aquí es donde entra la IA.

Los sistemas actuales de inspección por visión basados en IA se entrenan utilizando imágenes capturadas etiquetadas con información sobre la calidad deseada del producto, defectos, materiales extraños comunes y otras características relevantes. Mientras que los sistemas basados en reglas solo están programados para inspeccionar un puñado de características específicas del producto, los sistemas basados en IA aprenden utilizando imágenes de productos para distinguir características y defectos individuales con una fiabilidad notable. Los avances tecnológicos en los componentes de los sistemas de visión, como las resoluciones de cámara de ultra alta resolución, la iluminación especializada y otros equipos, han acelerado la eficacia de las aplicaciones de inspección por IA.

La tecnología de inspección por visión basada en IA surge como una solución transformadora que ofrece una precisión, consistencia y automatización sin precedentes, pero a menudo con una importante inversión de tiempo y capital. El principal motor para adoptar estas tecnologías es su claro potencial para ofrecer un retorno de la inversión (ROI) sustancial rápidamente, pero ¿cómo están logrando este éxito las marcas de alimentación?

Factor de ROI n.º 1: Evitar la retirada de productos por materiales extraños no detectados

La retirada de productos debido a la entrada de materiales extraños en el flujo del proceso puede perjudicar a una marca de alimentación. Cada retirada puede costar varios millones de dólares; solo una pequeña parte de esa suma corresponde al esfuerzo necesario para retirar el producto del mercado y de los centros de distribución. Los costes indirectos, como los litigios, la pérdida de ventas, el aumento de las primas de seguros y el esfuerzo de relaciones públicas para recuperar la confianza en la marca, pueden ser significativos y afectar a la rentabilidad del negocio durante varios años.

Los materiales extraños pueden entrar en un flujo de procesamiento de alimentos de varias maneras, desde el uso de materias primas con impurezas —ya sea debido a un almacenamiento o manipulación inadecuados de los ingredientes— hasta el desgaste de los equipos de producción. Los complejos procesos de producción de alimentos actuales ofrecen un sinfín de oportunidades para la contaminación por materiales extraños. Sin embargo, el error humano o la falta de atención también pueden ser un factor importante que facilite la entrada de materiales extraños. Incluso a medida que las plantas de procesamiento se expanden para satisfacer las crecientes demandas de rendimiento de los productos, esperar que un pequeño equipo de personal de control de calidad e inspectores detecte y elimine los materiales extraños a altas velocidades de línea es, en el mejor de los casos, poco realista y poco fiable.

Un sistema de inspección por visión basado en IA bien entrenado puede detectar materiales extraños potencialmente peligrosos con gran precisión, a menudo en lugares a los que un inspector humano no puede acceder. Un sistema de visión basado en IA nunca abandona su puesto, nunca se distrae y nunca se toma un día de baja. Y gracias a su capacidad para diferenciar materiales extraños de características aparentemente naturales del producto, es especialmente eficaz para detectar objetos blandos y de baja densidad como papel, papel de aluminio, caucho, madera, plásticos de colores y objetos similares que pasarían desapercibidos para los rayos X o los detectores de metales.

Teniendo en cuenta el coste de una retirada, si un sistema de visión basado en IA puede detectar y eliminar incluso uno de estos materiales de la línea de procesamiento, el sistema ya se habrá amortizado varias veces.

Factor de ROI n.º 2: Ahorro en costes laborales

Como se ha mencionado anteriormente, los inspectores de productos suelen tener una alta tasa de rotación en la mayoría de las plantas de procesamiento de alimentos. El salario y las prestaciones del empleado son solo una parte de la inversión total; el tiempo y el esfuerzo necesarios para formar a un operario en su puesto también conllevan costes.

Para los propietarios de plantas de procesamiento de alimentos frustrados por la alta rotación en puestos de control de calidad y funciones similares, un sistema de inspección visual basado en IA bien entrenado puede generar un retorno rápido mediante la reducción de errores, menos desperdicios y otros beneficios productivos. Algunas empresas han logrado amortizar su sistema de inspección en menos de un año solo con el ahorro en costes laborales.

Además, la integración de sistemas de visión basados en IA permite a las empresas reasignar a su personal de tareas de inspección repetitivas a responsabilidades más importantes y satisfactorias dentro de la planta.

Factor de ROI n.º 3: Un control de procesos superior evita el desperdicio

El aumento de los costes de ingredientes y energía añade presión a las instalaciones de fabricación de alimentos. Con la ayuda de sistemas de inspección visual basados en IA, que permiten detectar tendencias adversas en el rendimiento, los procesadores de alimentos tienen una vía para identificar problemas de producción antes de que se conviertan en algo mayor.

Por ejemplo, un fabricante de galletas con seis líneas de producción seguía un protocolo manual donde el personal retiraba muestras cada 20 minutos tras el enfriado. Cerca del 25 % del total de productos rechazados se debía a problemas en los procesos de fabricación. Casi un tercio de ese valor (9,1 %) se atribuía específicamente a una temperatura de horneado incorrecta. Estos errores rutinarios suponían unos 40 600 kg de producto desperdiciado en seis meses.

Gracias a la monitorización continua y en tiempo real de los productos al salir del horno, el equipo de producción pudo reaccionar con mayor rapidez y ajustar las temperaturas según las variaciones diarias. Con esta aplicación, la empresa redujo los residuos en un 8,7 % (el 0,4 % restante ocurrió durante la integración del sistema), lo que supuso un ahorro total de 38 800 kg de material.

Basándose en estas cifras, con un coste medio de 1,22 $/kg de galletas, el ahorro fue de casi 47 000 $ en seis meses (38 300 x 1,22 = 47 336 $) y de 94 600 $ anuales. Este ahorro solo contabiliza la reducción de producto desperdiciado; la capacidad de tomar decisiones basadas en datos sobre la temperatura del horno también ayudó a reducir los costes energéticos.

También es posible utilizar los datos del sistema de inspección junto con la potencia de la IA para controlar automáticamente partes del proceso productivo. En el ejemplo anterior, los sistemas de inspección por IA pueden conectarse a los controles del horno y ajustar automáticamente los puntos de consigna para mantener el color de horneado de las galletas. Este enfoque de usar la visión para controlar el proceso se denomina Control de Proceso por Visión (VPC).

Inspeccionar menos, ganar más

Varias empresas alimentarias han descubierto que integrar un sistema de inspección visual basado en IA mejora significativamente la eficiencia, la calidad y la rentabilidad. Cuando están bien entrenados y mantenidos, estos sistemas ofrecen una detección de defectos precisa, fiable y continua, reduciendo drásticamente el costoso desperdicio de producto y minimizando el riesgo de retiradas por materiales extraños.

Al automatizar los tediosos procesos de inspección, los operarios de planta pueden centrarse en tareas más estratégicas, mejorando la productividad general.

Aunque la inversión inicial pueda ser considerable, los beneficios medibles pueden compensar rápidamente los gastos iniciales.