¬°Hub de contenido!
Acceso a contenido educativo gratis.
Comience a aprender

Aplicación de inteligencia artificial a la producción de bandejas para alimentos

El productor de alimentos, apetito, utiliza la tecnología de inteligencia artificial de Neurala para automatizar y optimizar la inspección visual de los componentes de sus bandejas para comida.

Screen Shot 2021 12 15 At 11 10 04 Am 61c1fd97449b2

Desde 1958, apetito ha estado suministrando alimentos congelados y comidas listas para servir a escuelas, guarderías, empresas, hospitales y residencias de ancianos en toda Europa y Canadá. La producción de sus bandejas de comida implica la colocación de diferentes alimentos en bandejas para su envío y entrega. Las quejas de los clientes sobre la falta de alimentos en las bandejas llevaron a la empresa a buscar un enfoque automatizado para la inspección del producto final.

En su intento inicial de corregir este problema, apetito comenzó a pesar cada bandeja a medida que salía de la línea de producción. Sin embargo, esto no solucionó adecuadamente el problema porque si un alimento en la bandeja era un poco más pesado de lo normal, podría explicar falsamente lo que faltaba. Además, apetito quería abordar otras eficiencias de ensamblaje, como garantizar que cada tapa de sus recipientes para postres estuviera correctamente ajustada y asegurada.

Comenzando con Raspberry Pi

Uno de los primeros pasos que tom√≥ Apetito para automatizar las inspecciones visuales fue aplicar un sistema basado en Raspberry Pi para monitorear un carril de producci√≥n. Fotos de productos buenos e inaceptables informaron modelos conectados a una se√Īal de salida en el sistema de control que empujar√≠a los rechazos fuera de la l√≠nea. Sin necesidad de un ser humano para hacer este trabajo, la empresa ahorr√≥ m√°s de ¬£ 15,000 en costos de mano de obra por a√Īo.


   Lea este art√≠culo acerca de c√≥mo la inteligencia artificial est√° impactando la fabricaci√≥n de alimentos



El problema con el sistema Raspberry Pi es que requería cientos de imágenes de sus productos que debían cargarse en una unidad USB y luego transferirse a una computadora para entrenar el sistema en el transcurso de tres a cuatro horas. El conocimiento resultante luego tuvo que ser transferido de nuevo a la línea.

Cada vez que apetito realizaba cambios en sus operaciones de producción de comidas para mantener los niveles de existencias adecuados, se requerían nuevos procesos de capacitación para el sistema Raspberry Pi.

Aunque el sistema Rasperry Pi no era lo suficientemente escalable o flexible para las necesidades de apetito, ayud√≥ a la empresa a darse cuenta de c√≥mo la IA pod√≠a ayudar a apetito a ahorrar costos y detectar problemas de producci√≥n de manera m√°s adecuada.El software Vision Inspection Automation (VIA) de Neurala ayud√≥ a apetito a construir cerebros que detectan anomal√≠as en tan solo 10 minutos. Como resultado, apetito puede descubrir lo que falta en las bandejas de comida √ļnicas e identificar tendencias en los componentes que faltan.El software Vision Inspection Automation (VIA) de Neurala ayud√≥ a apetito a construir cerebros que detectan anomal√≠as en tan solo 10 minutos. Como resultado, apetito puede descubrir lo que falta en las bandejas de comida √ļnicas e identificar tendencias en los componentes que faltan.Foto cortes√≠a Neurala

Inspección basada en IA

Neurala, un proveedor de tecnología de inspección visual basada en IA (inteligencia artificial), comenzó a trabajar con apetito para detectar casos de los cinco componentes faltantes más informados de las bandejas de comida utilizando el software Vision Inspection Automation (VIA) de Neurala. VIA consta de dos programas de software, Inspector y Brain Builder. Con estos programas, apetito pudo construir sistemas de detección de anomalías en 10 a 20 minutos e inmediatamente comenzar las pruebas.

Con el anterior sistema de inspecci√≥n basado en el peso de apetito, la empresa solo pod√≠a marcar una bandeja incompleta, sin comprender lo que faltaba. Con la capacidad de VIA para inspeccionar m√ļltiples regiones de inter√©s en las bandejas, apetito ahora puede ver espec√≠ficamente qu√© componentes faltan e identificar tendencias en componentes faltantes para evitar que ocurran en el futuro.

Seg√ļn los datos, Neurala y apetito han construido 30 "cerebros" de IA en la planta de apetito para detectar varios componentes de alimentos utilizados en varias bandejas de alimentos. Por ejemplo, un "cerebro" desarrollado para identificar los componentes faltantes del pud√≠n de Yorkshire logr√≥ una precisi√≥n de 100 % al final de la prueba, lo que garantiza que apetito pueda detectar su componente faltante m√°s frecuente sin fallas.

Kevin McDonagh, gerente de operaciones de apetito dijo: ‚ÄúA lo largo de este viaje de creaci√≥n de IA, hemos hablado con otras empresas en situaciones similares y a√ļn no hemos encontrado a nadie en la industria alimentaria que est√© aprovechando la IA como lo estamos haciendo con Neurala. Estamos abriendo nuevos caminos juntos‚ÄĚ.