Deep Learning para la Industria Alimentaria

Hasta ahora, en esta serie de publicaciones sobre Deep Learning, hemos cubierto las ventajas de implementar un sistema de visión artificial de Deep Learning para facilitar la automatización de fábricas y entornos industriales, además de analizar los aspectos básicos de la creación de un sistema de Deep Learning para tareas de visión artificial.

En esta nueva publicación, analizaremos la utilización de sistemas de visión artificial de Deep Learning para la industria de la alimentación.

¿Por qué usar Deep Learning para alimentación?

En la industria alimentaria, el Deep Learning puede incrementar enormemente la eficiencia de las operaciones. El coste individual por unidad de los alimentos producidos tiende a ser bajo, con una alta tasa de producción por minuto. Esto propicia que, al automatizar el proceso de verificación del control de calidad, se puedan obtener altas tasas de ahorro de tiempo y presupuesto.

Cómo automatizar los controles de calidad de alimentación

La combinación de la visión artificial con el Deep Learning puede allanar el camino hacia soluciones creativas y altamente eficientes en la industria alimentaria. La mayoría de las comprobaciones de calidad de producto en la industria alimentaria dependen de tareas en las que el Deep Learning sobresale sobre cualquier otra tecnología. Estas son: clasificación, reconocimiento, lectura y detección.

Todas estas tareas se aplican muy bien al contexto industrial de producción de alimentos; por ejemplo, clasificar tipos de alimentos, reconocer defectos estéticos comunes, leer las etiquetas de los alimentos y detectar la presencia de daños en el fruto o en el producto final.

Recopilación de datos para un dataset de alimentos

Siguiendo las recomendaciones de nuestro último blog, en este caso se debe utilizar un gran set de datos para el entrenamiento del programa de Deep Learning (probablemente miles de imágenes) que comprendan todas las variaciones posibles que se presentarán en la aplicación final, no solo en los diferentes tipos de alimentos, sino en todas las formas posibles que el fruto o alimento pueda tener. Por ejemplo, una naranja poco madura puede parecer amarilla, por lo que la red neuronal convolucional debería depender también de la forma y la textura en lugar de solo depender del color.

Un sistema de Deep Learning deberá estar capacitado para conocer cada aspecto reconocible de un producto alimenticio, ya que los alimentos pueden variar bastante. Es necesario proporcionar muchas imágenes diferentes de cada tipo de producto, en lugar de imágenes "perfectas" como la anterior.

Después de recopilar los datos del entrenamiento, se deberán etiquetar las imágenes (por ejemplo, "naranja, válida") y dividirlas en subconjuntos de datos (~ 60% del conjunto de entrenamiento, ~ 30% del conjunto de evaluación y el resto para el conjunto de validación final). Si es necesario, se puede realizar un aumento de datos para completar el dataset y aumentar la capacidad de inferencia del modelo entrenado.

Ejemplos de Deep Learning para Alimentación

El Deep Learning domina en las líneas de producción industrial de alimentos por su alta eficacia para reconocer tipos de alimentos, detectar defectos y clasificar en función de aspecto y pautas aprendidas previamente.

Deep Learning para Clasificación y Selección de Frutas

Se puede usar Deep Learning para validar la calidad de frutas.

Tomemos como ejemplo la clasificación de frutas: un sistema de visión artificial basado en Deep Learning podrá validar o invalidar muestras individuales, distinguirlas de otras frutas o incluso detectar imperfecciones y clasificarlas en función de la calidad, como ocurre con las naranjas a continuación.

Un sistema de visión con Deep Learning puede funcionar con gran exactitud y precisión al clasificar los alimentos.

Deep Learning para Clasificación y Selección de Huevos

La clasificación generalmente requiere un ojo subjetivo, pero las pistas visuales objetivas pueden ser muy útiles no solo para aprobar y rechazar muestras de alimentos, sino también para determinar alimentos de mayor y menor calidad.

En la industria alimentaria, por ejemplo, el precio de los huevos se ve particularmente afectado por su tamaño y apariencia, mientras que en otros alimentos no se da esta peculiaridad. Los huevos también son muy frágiles y propensos a agrietarse, lo que se puede traducir en pérdidas de productividad y de dinero si el sistema de detección de calidad no es lo suficientemente estricto.

Sistema de Deep Learning utilizado para detectar grietas (izquierda) y suciedad (derecha).

Afortunadamente, el Deep Learning funciona muy bien para reconocer las grietas de la cáscara de huevo, así como para confiar en señales visuales como el tamaño, el color y la presencia de partículas para determinar la clasificación.

Deep Learning para Evaluación de Calidad en Industria Cárnica

El Deep Learning puede también usarse para buscar señales visuales que determinen la calidad en otros productos animales como la carne, el pescado y las aves de corral. Siempre que se le enseñe en la fase de entrenamiento de datos a reconocer defectos como pelos, plumas y hematomas (sangrado interno), el sistema final será capaz de reconocer la presencia o ausencia de estos defectos indeseables en la línea de producción.

Deep Learning para Comprobación de Ingredientes en Pizza

La conclusión clave es que la razón por la que el Deep Learning funciona tan bien con los alimentos es su adaptabilidad a muchos tipos diferentes de alimentos; a continuación podemos ver que el aprendizaje profundo se utiliza para reconocer una distribución desigual o incluso una ausencia total de ingredientes para pizzas, permitiendo automatizar completamente el proceso de control de ingredientes en una línea de producción, permitiendo rechazar productos que no cumplan las exigencias de calidad, ahorrando tiempo, dinero y recursos de envasado en el largo plazo.

El sistema de Deep Learning es capaz de detectar la ausencia de ingredientes para pizzas (izquierda).

El Deep Learning no es solo utilizado para carne, fruta, huevos y pizza; su adaptabilidad lo convierte en una solución altamente efectiva para problemas en las líneas de producción de alimentos y en una muy amplia variedad de contextos basados en alimentación.

El Deep learning se puede utilizar para aprobar o rechazar productos horneados, como el pan, mediante la detección de colores y formas aceptables o inaceptables.

Caso de Estudio: Deep Learning para la Industria de Alimentación

El siguiente caso de estudio describe cómo se ha utilizado con éxito el Deep Learning en una aplicación centrada en la clasificación de mejillones abiertos en función de la detección de fragmentos de concha.

Usando imágenes de rayos X, los mejillones fueron capturados, procesados y diferenciados en dos clases: "pasa" y "falla".

A continuación, los mejillones se localizaron utilizando la función de análisis de manchas en Matrox Imaging Library (MIL) .

Los Datos

El tiempo necesario para preparar los datos fue de 4 horas y se necesitó de usar algoritmos de aumento de datos. El training del clasificador de Deep Learning duró tres horas y utilizó como muestra 12.000 imágenes.

Los Resultados

Usando la librería Matrox Imaging Library (MIL) y un PC fanless con GeForce GTX 1080Ti y Core i7, se logró una tasa de inferencia de <5ms por mejillón, con una precisión del 99% según el integrador del sistema.

Soluciones de Deep Learning de Vanguardia de ClearView Imaging

Entendemos que preparar un proyecto de visión artificial usando Deep Learning puede resultar complejo. En ClearView Imaging, no solo suministramos todos los componentes que necesitarás para tu proyecto de visión artificial, sino que también contamos con un gran equipo de ingenieros y expertos en visión con el conocimiento y la experiencia para ayudarte con su aplicación. Cualquiera que sea la pregunta o consulta, no dudes en ponerse en contacto a través de nuestra página de contacto.

Permanece atento a esta serie de blogs a medida que continuamos explorando el Deep Learning en una amplia variedad de contextos de visión artificial.

Ya seas un OEM, un integrador de sistemas, un ingeniero o incluso un usuario final, asegúrate de consultar nuestra gran variedad de productos para encontrar los mejores componentes de visión artificial del mercado.