Sistema de visión artificial en la industria alimentaria

Usar un sistema de visión artificial por computadora para la evaluación de la calidad cada vez es más frecuente en la industria alimentaria debido a su rapidez, precisión y bajo costo. Se trata de una tecnología de ingeniería que integra mecánica, instrumentación óptica, detección electromagnética, video digital y procesamiento de imágenes. Se ha aplicado en muchas áreas como, por ejemplo, el diagnóstico médico, la fabricación automatizada, la vigilancia aérea y, desde hace varios años, también en el sector agrícola y alimentario.

El funcionamiento de estos sistemas se basa en la captura, procesamiento y análisis de imágenes, lo que facilita la evaluación no destructiva de diversas características de los productos alimenticios. Actualmente, los sistemas de visión por computadora se presentan como una parte fundamental en las plantas de procesamiento de alimentos para la evaluación y el control de calidad en línea y en tiempo real. De hecho, la industria alimentaria se encuentra entre las diez principales industrias que utilizan esta tecnología.

Beneficios de utilizar un sistema de visión artificial

En la industria alimentaria moderna, solo los productos de alta calidad garantizan el éxito. Generalmente, la calidad de los alimentos se evalúa a partir de atributos sensoriales como, por ejemplo, sabor, olor, textura, color y apariencia en general. Sin embargo, la inspección manual es un proceso lento y tiene poca repetibilidad, pues el resultado varía según quien esté encargado de llevar a cabo la inspección. Por lo tanto, existe una demanda creciente de nuevas tecnologías para la evaluación objetiva de la calidad de los alimentos.

Mediante la evaluación automática de la calidad de los alimentos, se obtiene una mayor eficiencia, estabilidad y reducción en los costos de producción. Las técnicas de procesamiento de imágenes basadas en la visión por computadora permiten clasificar los alimentos según su tamaño y forma, detectar defectos e incluso identificar la presencia de microorganismos con gran rapidez y una alta precisión. Además, un sistema de visión artificial también permite inspeccionar el funcionamiento de los equipos de producción.

Tecnología Sightline en la inspección de alimentos

En general, los sistemas de inspección Sightline permiten realizar diferentes tipos de mediciones de manera sencilla, con gran rapidez y repetibilidad durante el proceso de producción o después de este, según convenga. Además, admiten el cálculo automático de características complejas de los alimentos que dependen de otras medidas realizadas previamente. Esto garantiza la obtención de resultados confiables asociados a la calidad del producto sin la necesidad de que haya contacto humano y una posible contaminación.

En el caso particular de las tortillas, la implementación de un sistema de visión artificial Sightline permitiría determinar diámetros mínimo, máximo y promedio; área superficial; redondez con respecto a un círculo perfecto; color promedio; y defectos de contorno, rugosidad, pliegues, agujeros y marcas de tostado (según ajustes de color predefinidos). A su vez, se obtienen las dimensiones de los defectos, su ubicación o distribución y, además, el porcentaje del área que representan con respecto al área total de la tortilla.

A modo opcional también es posible llevar a cabo el análisis de calidad de los empaques en términos de sellado, color y ubicación de etiquetas, legibilidad y verificación de diferentes clases de códigos, entre otras características.

Fuentes: 

• Chen, T. C., & Yu, S. Y. (2021). The review of food safety inspection system based on artificial intelligence, image processing, and robotic. Food Science and Technology.
• Guo, Z., Zhang, M., Lee, D. J., & Simons, T. (2020). Smart Camera for Quality Inspection and Grading of Food Products. Electronics, 9(3), 505.
• Chopde, S., Patil, M., Shaikh, A., Chavhan, B., & Deshmukh, M. (2017). Developments in computer vision system, focusing on its applications in quality inspection of fruits and vegetables-A review. Agricultural Reviews, 38(2), 94-102.