En la industria alimentaria, la precisión no es una opción, sino una obligación. Los envases defectuosos y las desviaciones de peso o contenido en el etiquetado pueden provocar pérdidas de producto y paradas de producción. Al mismo tiempo, las exigencias son cada vez más numerosas: mayor velocidad de procesamiento, normas de envasado más complejas, aumento en la diversidad de productos y una carencia cada vez mayor de personal cualificado. Los procesos de inspección manuales llegan rápidamente al límite: en líneas en las que se producen muchos productos en poco tiempo, es casi imposible que el personal de manejo tome decisiones reproducibles y sin errores de forma permanente.
Los sistemas de visión asistidos por IA abren aquí nuevas posibilidades. Aunque todavía son relativamente nuevos en la industria alimentaria, sin embargo, estos sistemas ya están estableciendo estándares. Detectan patrones de errores complejos, incluso en líneas de alta velocidad, y se adaptan tanto a las necesidades de cada empresa como a la creciente variedad de productos. Su potencial es enorme: los sistemas de visión asistidos por IA podrían llegar a convertirse en herramienta estándar para garantizar una producción de alimentos eficiente y apta para el futuro.
La inspección automática clásica en la industria alimentaria funciona según unas normas establecidas. Para cada paso de control se define exactamente el aspecto que ha de presentar un producto concreto, por ejemplo, si una zona de la imagen debe ser clara u oscura, o si debe tener una forma geométrica determinada. Si un producto no respnde exactamente a las especificaciones prescritas, se descalifica automáticamente. Estos sistemas funcionan según el principio: si se da A, la consecuencia es entonces B.
Pero en cuanto la realidad es algo más compleja, estos sistemas llegan a su límite. Desviaciones en la forma, color o estructura suelen ser demasiado sutiles o variadas como para poder describirlas íntegramente con parámetros tradicionales. Para cada variante de producto, cada modificación en el envase o cada nuevo patrón de errores se tendrían que elaborar y probar nuevas reglas, lo cual supondría un enorme trabajo, que rápidamente restaría flexibilidad a los sistemas.
Los sistemas de visión asistidos por IA utilizan otra estrategia: no trabajan con reglas fijas programadas, sino con modelos previamente entrenados. Tomando como base numerosas imágenes de ejemplo, aprenden a clasificar objetos entre “buenos”, “aceptables”o “desechables”. La decisión se toma comparando las imágenes actuales con un modelo previamente entrenado y las diferencias halladas se evalúan respecto a un conjunto de datos de referencia. A partir de un valor de tolerancia fijado se decide si la desviación todavía sigue siendo aceptable o si hay un error por el que haya que descalificar el envase. La empresa puede determinar cuál debe ser el grado mínimo de conformidad con el modelo para que se considere “bueno”. En la práctica esto significa que si, por ejemplo, un producto coincide en un 80 por ciento con el modelo programado, se considera correcto. Si queda por debajo, se descalifica.
En el trabajo diario de producción se pueden combinar ambos métodos: mientras que el control de etiquetas o de impresión suele poder representarse muy bien con métodos basados en reglas (el diseño y la tipografía suelen ser constantes), tareas como la clasificación de productos, el control de porciones o las evaluaciones estéticas pueden realizarse ahora mediante sistemas asistidos por IA. Estos sistemas detectan si en un plato preparado todos los ingredientes están correctamente colocados o si un producto destaca por su tamaño demasiado grande o demasiado pequeño. También las diferencias de textura o de distribución del color, como en el caso de piezas de masa formada, porciones de pescado o snacks, se pueden evaluar visualmente sin necesidad de elaborar un catálogo de reglas para cada variante imaginable.
A pesar de la gran precisión y capacidad de rendimiento de los sistemas de visión asistidos por IA, su integración en líneas de producción ya existentes requiere un trabajo comparativamente escaso. Básicamente se necesitan una o varias cámaras con carcasa, una iluminación adecuada, un equipamiento eléctrico básico y tecnología informática para el procesamiento de datos. El control de sistemas está directamente integrado en la máquina o bien tiene lugar a través de un panel HMI independiente. Una conexión a la infraestructura de la nube facilita las actualizaciones en el modelo de IA, pero no es estrictamente necesaria. Los datos de imagen también se pueden guardar localmente; los modelos se pueden crear a mano y, en caso necesario, transmitir a la línea a través del soporte de datos.
La calidad de los datos de imagen y la calibración del modelo de IA son determinantes. Cuanto mejor y más precisos sean, tanto mejor se detectarán errores. Los fabricantes de envasadoras y los proveedores de soluciones de marcado e inspección son la primera instancia a la que se recurre para una instalación de este tipo: en cuanto una empresa ha definido las tareas de inspección y clasificación que se han de realizar, ya le es posible hacer una prueba de viabilidad a partir de unas pocas imágenes iniciales. En el siguiente paso se elabora un modelo a medida y se instala in situ. A continuación, tiene lugar el verdadero entrenamiento del modelo de IA a partir de datos reales de producción y de las condiciones lumínicas. En muchos casos son suficientes entre 100 y 200 imágenes por clase. En las líneas de alto rendimiento, este proceso puede concluir en el espacio de pocas horas, mientras que en el caso de gamas de productos más complejos pueden ser necesarios varios días o incluso semanas.
El sistema se puede seguir ampliando incluso después de la puesta en servicio: nuevas variantes de producto o requisitos diferentes se pueden complementar con imágenes adicionales y reentrenamiento específico. Actualmente, las tareas de programación y adaptación del modelo de IA recaen todavía sobre los expertos. Si bien se está trabajando ya en soluciones con las que el propio usuario pueda adaptar los modelos en el futuro, esto está todavía en una fase muy temprana. Por ello, muchas empresas apuestan por proveedores externos, como Multivac, para garantizar la calidad de los resultados de sus sistemas de visión.
A pesar de que los sistemas de visión asistidos por IA en la industria alimentaria ofrecen ya valores añadidos concretos, su empleo está todavía en una fase muy incipiente. Actualmente el foco se centra, sobre todo, en la inspección, clasificación y valoración estética de los productos. Sin embargo, la gama de sus posibles aplicaciones es claramente mucho más amplia. En el futuro, los sistemas de visión asistidos por IA podrían también asumir tareas de clasificación más complejas, como la diferenciación y evaluación de diferentes trozos de carne cruda a partir de la forma, el color, la estructura y la proporción de grasa. También podrían indicar el desgaste de las máquinas o las desviaciones incipientes en los procesos basándose en cambios visuales en los productos, lo que supondría un complemento útil a los enfoques de mantenimiento predictivo existentes. Hoy en día, los proveedores de maquinaria exploran este tipo de escenarios en colaboración con sus clientes, que al evidenciar sus necesidades individuales contribuyen así al desarrollo de estos sistemas de visión.
Con el aumento de la colaboración, la creciente aceptación y el ulterior desarrollo de la tecnología, es probable que los sistemas de visión asistidos por IA se conviertan en los próximos años en un componente fijo de la producción industrial de alimentos, no para sustituir la evaluación humana y los procedimientos técnicos de eficacia probada, sino para complementarlos.