Detección de contaminación por Deep Learning
Cuerpos extraños en producto cárnico
En los procesos de inspección de calidad existen diferentes formas de realizar dicha inspección, ya sea en función del proceso de producción, del producto en sí o los diferentes defectos a detectar.
En aquellos contaminantes cuya tonalidad es indiscutiblemente diferente del producto, se puede utilizar la técnica de comparación de tonos y agrupación en regiones en imágenes capturadas a alta resolución. Con esta técnica podemos comparar mediante algoritmos de visión artificial las regiones con tonalidades KO con parámetros de referencia (circulo inscrito, unidades de píxel, …), siendo una técnica muy eficaz de detección.
Sin embargo, cuando se trata de defectos que tienen una tonalidad similar a la del producto o son de difícil detección mediante algoritmos por comparación de tonos, como pueden ser:
- Pelos (se pueden confundir con sombras y relieves de los filetes)
- Plumas (se pueden confundir con trozos de grasa)
- Restos de bandeja (se pueden confundir con brillos)
- Huesos y ternillas (se pueden confundir con los tonos blancos del producto)
En estos casos, se opta por su detección mediante la aplicación de tecnología por Deep Learning.
Pero… ¿Qué es realmente el Deep Learning?
Se trata de un algoritmo automático jerárquico o estructurado que emula el aprendizaje humano para conseguir determinados conocimientos. El propio sistema es capaz de aprender por sí mismo mediante una fase previa de “entrenamiento”, sin necesidad de programación adicional.
Además, se caracteriza por procesar la información a través de redes neuronales convolucionales entrenadas a medida de cada proceso. Principalmente se utiliza para la automatización de análisis predictivos.
La clasificación de imágenes basada en aprendizaje profundo o Deep Learning permite realizar tareas de clasificación de productos o de defectos mediante técnicas de visión artificial.
Mediante la segmentación semántica, las clases de defectos entrenados se pueden localizar con precisión de píxel. Esto permite resolver tareas de inspección, que anteriormente no se podían realizar, o solo con un esfuerzo significativo de programación.
A continuación, se muestran diferentes muestras con distintos tipos de contaminación, de tonalidad similar al producto como es el caso de la pluma, y contaminación por pelo, un contaminante de difícil detección mediante algoritmos por comparación de tonos:
Como puede observarse, la contaminación que pasa fácilmente desapercibida al ojo humano, mediante esta técnica, podemos detectarla de forma sencilla y con un alto porcentaje de acierto. Para poder aumentar la precisión del clasificador por Deep Learning y reducir el porcentaje de falsos positivos y negativos del producto inspeccionado, se precisaría el entrenamiento de redes neuronales con un mayor número de imágenes (cuantas más imágenes mayor aprendizaje y mayor precisión).