Clasificación de frutas más inteligente con detección óptica y aprendizaje automático

¿Cuánto tiempo inspeccionas una manzana en la tienda antes de que termine en tu canasta? Los consumidores de hoy esperan que sus productos alimenticios sean de alta calidad de manera constante. Es por eso que compañías como Ocean Optics están utilizando herramientas y análisis de detección óptica avanzados para mejorar la calidad de los alimentos para los consumidores y la calidad de las soluciones para los procesadores de alimentos y los fabricantes de máquinas clasificadoras.

Históricamente, la clasificación de alimentos se ha gestionado de forma manual, confiando en la experiencia de los trabajadores para juzgar la calidad visualmente. La introducción de sistemas de visión artificial, escaneo óptico y espectroscopia ha agregado un nivel mucho más profundo de comprensión y análisis. Por ejemplo, algunos espectrómetros pueden "ver" dentro de la cáscara de una fruta para determinar el contenido de grasa, proteína o agua, o para detectar el oscurecimiento interno, la podredumbre o las magulladuras.

Las nuevas herramientas, como el aprendizaje automático, agregan otra capa de capacidad analítica. Por ejemplo, al fusionar la espectroscopia con modelos estadísticos avanzados y arquitectura de aprendizaje automático, se pueden obtener beneficios inmediatos para diferentes grupos dentro de la cadena de suministro: los integradores de máquinas de clasificación que buscan ofertas analíticas más precisas y confiables; los procesadores de alimentos que luchan por instalaciones más eficientes; y consumidores que quieren estar seguros de que están comiendo lo que esperan.

Los dátiles han sido una fruta popular desde los tiempos bíblicos. Los consumidores saben exactamente el tipo de dátil que quieren: ni demasiado húmedo ni demasiado seco.

Ocean Optics fue contactado por Lugo Machinery & Innovation, un proveedor líder de productos de clasificación de productos frescos con sede en Israel, para mejorar su método manual de clasificación de dátiles por humedad. Sus objetivos eran simples: primero, automatizar el proceso de clasificación para eliminar toda inspección manual; luego, realizar las mediciones rápidamente; y por último, realizar las mediciones de forma no destructiva. Además, la línea de tiempo de Lugo fue muy corta, con solo cuatro meses hasta la fecha de la temporada, y no tenían experiencia previa con la espectroscopia.

Se realizaron pruebas de factibilidad en muestras de dátiles de Lugo, que rápidamente mostraron correlaciones NIR con los niveles de humedad en la fruta, lo que ayudó a determinar la elección del sistema. Esta configuración se usó en el sitio para analizar un conjunto de muestras mucho más grande y luego se usó para entrenar datos para desarrollar algoritmos de aprendizaje automático patentados.

Lugo conocía la respuesta de la humedad del dátil entre 850 y 900 nm e imaginó que el análisis se centraría únicamente en esa región. Pero basándonos en nuestra experiencia analizando otras frutas y verduras, ampliamos el rango analítico para incluir características espectrales con patrones más amplios, para ayudarnos a desarrollar algoritmos de aprendizaje automático. Este enfoque (análisis espectral de banda ancha versus longitud de onda discreta) produce resultados más precisos y hace que los datos sean menos susceptibles a las desviaciones relacionadas con la interferencia óptica.

La analítica aplicada también se tuvo en cuenta en el proyecto de clasificación de dátiles de Lugo. Habiendo demostrado la solidez de los algoritmos desarrollados anteriormente, así como su precisión predictiva, Lugo integró la plataforma espectral en un sistema de cinta transportadora con los algoritmos ejecutándose en una PC dedicada. La arquitectura de este sistema de clasificación escanea cada fecha y evalúa más de 12 modelos de correlación potencial, en última instancia, "vota" por el mejor modelo y genera el resultado en milisegundos. Los métodos de clasificación fueron valiosos en esta aplicación, que requería decisiones de umbral más amplias frente a resultados numéricos precisos; algunos de estos métodos incluyen k-vecinos más cercanos (k-NN), gaussiano y polinomial. La caja de herramientas del método está evolucionando para incluir modelos de regresión para resultados cuantificados precisos, lo cual es invaluable para aquellos que trabajan en flujos de procesos que buscan impurezas de cualquier número de fuentes.

Al trazar correlaciones matemáticas entre las tendencias de absorbancia y concentración, hemos dado el primer paso hacia una comprensión avanzada. A medida que estas correlaciones evolucionan de ajustes lineales a funciones más complejas, la comprensión avanza aún más y, a medida que estas funciones complejas comienzan a dar cuenta de múltiples especies, avanzamos aún más. Pero en algún momento, se golpea una pared; en algún momento hay tantas entradas interconectadas trabajando para generar tantas salidas que los métodos tradicionales de desconvolución se vuelven desalentadores, si no imposibles.

La introducción del aprendizaje automático en el proceso de clasificación de frutas brinda un nivel de análisis más profundo que no se basa en el ojo y la percepción humanos, sino que cruza los dedos a través de cada bit digital de datos, analizando estadísticamente la matriz de datos completa de cada exploración del espectrómetro en cada píxel. en el detector. Este sistema ahora puede ver las anomalías que antes se pasaban por alto y desarrollar correlaciones más inteligentes y optimizadas para variables mucho más entrelazadas.

Uno de los aspectos más poderosos del aprendizaje automático es la capacidad de los no expertos para introducir nuevos conjuntos de capacitación en el sistema y lograr resultados que antes solo podían obtener los expertos en el campo. Esto crea la libertad de desarrollar más allá de las capacidades iniciales del producto sin el costo de un experto para tales expansiones y evoluciones. Con estas nuevas herramientas, lo que antes era muy intimidante y restringido ahora es completamente accesible para muchos niveles de usuarios.

Varias interfaces de comunicación están disponibles para trabajar con PLC y equipos de proceso comunes. En nuestro estudio de caso, Lugo y Ocean Optics diseñaron el módulo del espectrómetro para comunicarse con el sistema PLC para activar la acción de una válvula que dirigía las fechas en la dirección correcta (categoría de humedad adecuada). Este sistema en funcionamiento creó una plataforma beta para refinar y optimizar los algoritmos antes de la implementación final.

Hoy, el sistema completamente integrado escanea 5 fechas por segundo y está completamente automatizado. Esto redujo los costos generales, mejoró la seguridad y permitió al cliente concentrarse en perfeccionar otros aspectos del proceso de clasificación. Además, con los modelos estadísticos avanzados ahora establecidos, el cliente podrá desarrollar análisis adicionales sin necesidad de experiencia en modelado.

Con la fusión de la espectroscopia, el modelado estadístico y la arquitectura de aprendizaje automático, los integradores de máquinas de clasificación y los procesadores de alimentos pueden construir sistemas de clasificación y clasificación más eficientes.

Escrito por Derek Guenther, científico sénior de aplicaciones, Ocean Optics