Cómo la IA transforma el control y la supervisión de la calidad de la fruta

La Dr. Vijayalaxmi Kinhal, de Felix Instruments, explica que se utilizan tres métodos de IA para controlar la calidad de la fruta desde el campo hasta la mesa: visión artificial/máquina, aprendizaje automático y aprendizaje profundo   Los enormes volúmenes de datos de los sistemas de producción de alimentos deben analizarse con precisión en tiempo real; la IA extrae información valiosa de grandes volúmenes de datos (big data) sobre la calidad de los alimentos, brindando respuestas de una manera fácil de entender durante el análisis de alimentos en el sitio. El control y seguimiento de la calidad de la fruta son necesarios para garantizar la seguridad alimentaria, satisfacer las demandas de los consumidores, reducir los costos de mano de obra y almacenamiento y minimizar el desperdicio de alimentos. Los métodos tradicionales consumen mucho tiempo y necesitan instrumentación. Por lo tanto, el análisis de IA en dispositivos portátiles y estacionarios se está convirtiendo rápidamente en estándar para la evaluación de alimentos. Este artículo analiza los análisis de IA utilizados para el control y el seguimiento de la fruta.  

¿Qué es la Analítica IA?

El análisis de inteligencia artificial (IA) utiliza una o varias ramas de la IA para evaluar datos y predecir tendencias. Combina la IA con el análisis de datos tradicional, donde los modelos analíticos o algoritmos en el núcleo de la IA pueden analizar grandes cantidades de datos estructurados y no estructurados. Los enormes volúmenes de datos se recopilan en varios formatos, tipos y contenidos. Los datos que deben analizarse en el sitio pueden ser heterogéneos (o multivariados) y tener ruido y redundancia. La organización y limpieza de datos es necesaria para el análisis de datos tradicional y requiere tiempo. Hoy en día, las herramientas de IA que están automatizadas pueden ahorrar tiempo para estas tareas. Los modelos estadísticos y los sistemas informáticos complejos, que forman parte de los análisis de IA, son capaces de acondicionar y preprocesar datos y realizar el análisis necesario para extraer información relevante de los datos. Antes de usar un modelo, se debe entrenar o calibrar. Un conjunto de datos se usa en modelos de entrenamiento y uno más pequeño se usa para probar los modelos en el proceso de validación. Los resultados de los modelos también se comparan con los de las técnicas estándar para evaluar el modelo y juzgar si puede realizar el análisis de forma independiente en el sitio. La variedad de datos de calibración influirá en los poderes de predicción de un modelo. Por ejemplo, los datos de espectroscopía de infrarrojo cercano sobre parámetros de calidad como los azúcares solubles para un cultivar de manzana 'Gala' de una sola temporada y algunos huertos tendrán menos variación, por lo que el poder predictivo del modelo entrenado con él será menor. Un modelo entrenado con datos de manzanas de muchos años y muchos sitios con condiciones ambientales variables hace que las predicciones sean más precisas y aplicables para las pruebas de manzanas Gala en una herramienta comercial. Al hacer posible el análisis en tiempo real, AI Analytics está mejorando la toma de decisiones y mejorando la eficiencia operativa en toda la cadena de suministro de frutas.  

Analítica IA en el Sector Agroalimentario

Las operaciones agrícolas están cada vez más basadas en datos, desde la finca y las etapas posteriores a la cosecha hasta los minoristas y el procesamiento de alimentos. Ninguno de los datos es útil a menos que se analice en tiempo real y los conocimientos presentados sean fáciles de entender para que puedan guiar a los usuarios en la toma de decisiones. La IA está formada por muchas ramas. El aprendizaje automático, la visión artificial y el aprendizaje profundo, más conocidos, se emplean comúnmente en la producción de alimentos. Las herramientas de IA se pueden usar individualmente, pero se utilizan cada vez más en varias combinaciones para abordar tareas más complejas. La disponibilidad de almacenamiento en la nube, máquinas inteligentes, IoT y tecnologías de cadena de bloques respaldan la implementación de análisis de IA en sistemas agroalimentarios. [caption id="attachment_23725" align="aligncenter" width="618"] "Aplicaciones de AI Analytics para el control de calidad de los alimentos", Zhu et al. (2021). (Créditos de la imagen: https://doi.org/10.1016/j.crfs.2021.03.009)[/caption] Existen numerosos usos para el análisis de IA en la producción de alimentos. La agricultura de precisión podría usar una combinación de aprendizaje automático, visión artificial e índices vegetativos para analizar imágenes de sensores remotos para proporcionar información sobre la salud, el crecimiento y la productividad de cultivos y huertos. Los sensores de campo que forman parte de IoT recopilan datos sobre la humedad y la temperatura del suelo, que se pueden combinar con datos meteorológicos de instalaciones de campo o estaciones meteorológicas locales para sugerir horarios de riego. A medida que los productores de frutas amplían su enfoque de solo cantidad para incluir calidad y seguridad alimentaria, aumentan los usos de análisis de IA. Las siguientes secciones discutirán las diferentes ramas de la IA utilizadas en el control de calidad de la fruta, comenzando desde las fincas.  

Aprendizaje automático

El aprendizaje automático requiere datos preextraídos manualmente para el análisis, como datos espectrales NIR. El aprendizaje automático tiene tres tipos: aprendizaje supervisado, no supervisado y de refuerzo, según el método de entrenamiento y si los datos tienen etiquetas. Las estadísticas, tanto cualitativas como cuantitativas, son fundamentales para el aprendizaje automático. Los modelos pueden ser clasificación de patrones, estimación de probabilidad, análisis de regresión, etc. Los modelos estadísticos estándar utilizados en el aprendizaje automático son bayesiano, árbol de decisión, máquina de vectores de soporte (Support Vector Machine, SVM), redes neuronales artificiales (ANN), medias C difusas, bosques aleatorios, red neuronal convolucional (CNN), K-vecinos más cercanos (KNN), Regresión Logística y Análisis Discriminado Lineal (LDA).

• Support Vector Machine es un modelo de aprendizaje supervisado.
• K-means y Fuzzy C Means son modelos de aprendizaje no supervisados.
• Random Forests y Decision Trees son modelos de reconocimiento de patrones.
• La regresión logística bayesiana es un modelo de probabilidad basado en estimaciones.
• El análisis de componentes principales (PCA) y el análisis discriminante lineal (LDA) son métodos de reducción de dimensionalidad.

Los datos analizados pueden ser cualitativos o cuantitativos. El análisis cualitativo puede ser útil para detectar la forma, el color, el tamaño o el olor de frutas y verduras, mientras que el análisis de calidad cuantitativo examinará atributos como azúcares solubles totales, materia seca, acidez titulable o pH.

Aplicación

Los modelos de aprendizaje automático a menudo se combinan con los sistemas de visión artificial para varios propósitos:

1. Clasificación, evaluación de grados de fruta, predicción de tendencias, detección de deterioro bacteriano y calidad.
2. También es posible utilizar el aprendizaje automático para analizar imágenes hiperespectrales de la visión artificial para estimar los parámetros de calidad química internos. El tiempo de procesamiento es rápido y los modelos de aprendizaje automático se pueden integrar con transportadores en tiempo real para calificar y clasificar frutas. O para uso en dispositivos portátiles para minoristas y proveedores.
3. Los modelos de aprendizaje automático también son estándar en el monitoreo y control del procesamiento de alimentos para mejorar la calidad del producto final.
4. Detectar el deterioro de los alimentos en los paquetes a ser eliminados para mantener la calidad del lote.
5. Detección de objetos extraños como crecimiento de hongos o insectos a través de imágenes de rayos X y modelos de aprendizaje supervisado.

Los alimentos monitoreados hasta el momento son manzana, albaricoque, arándano, cereza, cítricos, mango, melocotón, pera, granada, fresa, tomate, cebolla, frijol, grano de café, aceituna, jugo de tomate y nuez.  

Aprendizaje profundo

El aprendizaje profundo es parte del aprendizaje automático, como muestra la Figura 2. Sin embargo, es más avanzado que el aprendizaje automático. Los modelos de aprendizaje profundo involucran redes neuronales profundas y son adecuados cuando se necesitan múltiples capas de funciones. Sin embargo, estos modelos no son tan fáciles de interpretar como los modelos de aprendizaje automático. [caption id="attachment_23726" align="aligncenter" width="414"] Figura 2: “La relación entre la inteligencia artificial, el aprendizaje automático y el aprendizaje profundo”, Zhu et al. (2021). (Créditos de la imagen: https://doi.org/10.1016/j.crfs.2021.03.009)[/caption] Los modelos estándar de aprendizaje profundo son las redes neuronales artificiales (ANN), las redes neuronales convolucionales (CNN), las redes totalmente convolucionales y las redes neuronales recurrentes. Consulte la Figura 4 para ver una representación esquemática del análisis CNN.   [caption id="attachment_23729" align="aligncenter" width="620"] Figura 3: “La arquitectura de una CNN típica”, Zhu et al. (2021). (Créditos de la imagen: https://doi.org/10.1016/j.crfs.2021.03.009)[/caption]

Aplicación

Los modelos de aprendizaje profundo se han utilizado para aplicaciones de evaluación de calidad y seguridad alimentaria cuando se combinan con visión artificial. Este último detectó el objeto, por ejemplo, miel, mientras que ANN predijo los parámetros de calidad de la miel como la actividad antioxidante, el contenido fenólico total, el contenido de cenizas, etc. Los modelos de aprendizaje profundo se utilizan para el control de calidad, el procesamiento de alimentos, el monitoreo y la detección de objetos extraños. Estos modelos se han utilizado para varias hortalizas, frutas, aceites, alimentos al por menor y frutos secos.  

Sistemas de visión artificial

[caption id="attachment_23731" align="aligncenter" width="349"] Figura 4: "Componentes de un sistema de visión artificial", Zhu et al. (2021). (Créditos de la imagen: https://doi.org/10.1016/j.crfs.2021.03.009)[/caption] Los sistemas de visión artificial permiten la evaluación objetiva y no destructiva de los alimentos e implican dos pasos: adquirir imágenes y procesarlas. Para esto, un sistema de visión artificial necesita cámaras y un software de procesamiento de imágenes que se utiliza en una computadora o máquina, como se muestra en la Figura 4. Una o más cámaras adquieren imágenes en 2D o 3D de objetos en movimiento o estacionarios. Las imágenes pueden ser información de profundidad a través de sistemas estéreo, fotografías de sensores remotos, imágenes hiperespectrales, de rayos X, térmicas y de resonancia magnética. El procesamiento de imágenes puede ser de bajo nivel, de nivel intermedio o de alto nivel. El de bajo nivel preprocesa las imágenes. El de nivel intermedio cubre la segmentación, representación y descripción de imágenes. El procesamiento de alto nivel incluye la interpretación y el reconocimiento de imágenes y utiliza métodos de aprendizaje profundo. Las aplicaciones incluyen el monitoreo de cultivos durante la cosecha para la selección de frutas, inspección de calidad y seguridad, clasificación y clasificación de productos y detección de objetos extraños. Los parámetros típicamente cubiertos son el tamaño, la forma, el color, la textura y el peso de los alimentos. Existen sistemas de visión artificial para tomates, manzanas, mangos, naranjas, fresas, galletas y alimentos de forma irregular. Los sistemas automatizados pueden capturar detalles que los humanos pueden pasar por alto y el trabajo es repetitivo, por lo que es ideal para las máquinas. Los sistemas de visión artificial o por ordenador clasifican las frutas en función del color, el diámetro y los cambios de color causados por los microorganismos que causan el deterioro. Luego, las frutas se clasifican para producir lotes de madurez y tamaño similares y para el desecho. La selección de alimentos para su procesamiento también utiliza sistemas de visión artificial.

Quimiometría para datos espectrales NIR

La quimiometría que utiliza herramientas de IA para el análisis de datos espectrales NIR para parámetros de calidad química suele emplear métodos de aprendizaje automático, incluido ANN, ya que los datos analizados no son muy grandes. Los métodos de aprendizaje profundo son más óptimos solo cuando es necesario explorar grandes conjuntos de datos. Los intentos realizados desde 2016 para utilizar modelos de aprendizaje profundo para el análisis quimiométrico de alimentos no han demostrado ninguna mejora en el análisis con respecto a los métodos clásicos. Los dispositivos portátiles, como los medidores de calidad fabricados por Felix Instruments Applied Food Science, que pueden medir de forma no destructiva los sólidos solubles totales, la materia seca, el color y la acidez titulable en tiempo real, utilizan ANN para el análisis.  

Análisis IA para control de precisión de la calidad

El análisis IA permite la aplicación de métodos de agricultura de precisión para el control de calidad. Mediante el análisis de grandes datos de varios tipos y el suministro de información relevante sobre las frutas, la IA garantiza una cosecha, una selección, una clasificación, un envasado, un procesamiento, un almacenamiento y una venta al por menor eficientes. Como resultado, habrá menos pérdida de alimentos y la producción de frutas será más sostenible.   Sigue leyendo