¿Qué puede aportar la Inteligencia Artificial al sector alimentario? La visión artificial para el control de productos con variabilidad natural ha dejado de ser un problema. Ya no hay límites en la automatización de la industria alimentaria.
Si hay un sector que hasta el momento ha tenido problemas para automatizar sus procesos de control de calidad, éste es claramente el sector alimentario. El cuello de botella ha sido claramente la visión artificial que, hasta la aparición del Deep Learning, ha sido incapaz de funcionar de forma fiable para los productos cambiantes y variables del sector.
Sin Inteligencia Artificial, aplicar visión a productos alimentarios ha sido una auténtica pesadilla para los ingenieros de automatización y mantenimiento. Con los algoritmos clásicos de visión, los ingenieros de automatización intentaban encontrar patrones en las imágenes para medir distancias, contar elementos o encontrar defectos. El problema es que los productos de este sector tienen variabilidad natural y su apariencia cambia demasiado. Por ejemplo, si pensamos en una manzana, aunque a todos nos venga a la mente la imagen del logo de Apple, la realidad es que no existe una manzana igual y puede tener infinidad de formas.
Imaginemos que el control de calidad debe encontrar todas las galletas encima de la cinta y asegurar que todas tienen un número mínimo de pepitas de chocolate visibles (por ejemplo 7). Realizar esta inspección con visión tradicional es muy complejo, debido a que el producto es muy variable. En cambio, con Deep Learning podemos crear un sistema inteligente capaz de encontrar y inspeccionar todas las galletas de forma individual. Además, podemos definir claramente qué queremos que aprenda el sistema y tener un control absoluto sobre la red neuronal creada.
El sistema propuesto consta de múltiples pasos que se van a realizar de forma secuencial:
-
Localización: En primer lugar, crearemos una red neuronal que aprenderá a distinguir las galletas sobre la cinta. Obviamente, si queremos descartar las galletas incorrectas, primero debemos ser capaces de reconocerlas encima de la cinta transportadora.
-
Detección: Una vez hemos encontrado todas las galletas en la imagen, haremos un análisis individual de cada una. Para ello, crearemos una segunda red neuronal, que las inspeccionará todas por separado con alta resolución. El output de esta red nos indicará los píxeles de la imagen que contienen chocolate.
-
Análisis: Finalmente, con un procesado sencillo, podemos contar el número total de pepitas de chocolate de cada galleta y descartar aquellas incorrectas. Este paso no utiliza Deep Learning, es simplemente programación simple para definir los umbrales y la visualización.
El resultado de este sistema se puede ver en el siguiente vídeo. Hay que destacar que el sistema es extremadamente eficiente computacionalmente. Una de las ventajas de utilizar Deep Learning es que se puede optimizar mucho la computación de las redes neuronales, paralelizando todas las operaciones y reduciendo el tiempo de ejecución. ¡En este caso, el sistema estaría funcionando a más de 4000 galletas por minuto!