3 ventajas de la inspección multimodal en alimentos

Como consecuencia de la variedad de parámetros de calidad y seguridad alimentaria, obligatorios y voluntarios, los fabricantes de alimentos deben poner en marcha múltiples estrategias para la inspección multimodal en alimentos.

Esto lo pueden lograr a través de análisis realizados por personal experto, sistemas de inspección de contaminantes físicos, planes analíticos de contaminantes químicos y biológicos y estudios sensoriales de propiedades organolépticas.

En este sentido, AINIA está investigando en el potencial de la inspección multimodal en alimentos para explotar la información sinérgica resultante de diferentes tecnologías de imagen para inspeccionar alimentos. De este modo, se consigue mejorar la toma de decisiones respecto al uso de una única fuente de información.

Ventajas de la inspección multimodal en alimentos

1. Utilización de la tecnología de rayos X dual o de doble energía

Esta aprovecha la dependencia de los mecanismos de atenuación, no sólo con los factores anteriores, sino también con la energía de la radiación incidente para:

• Analizar materiales de baja densidad (frutas, vegetales y semillas) mediante los rayos X suaves o blandos, los cuales tienen menores niveles de energía por fotón y menor capacidad de penetración.
• Detectar materiales de alta densidad (metales, cristales y huesos) mediante los rayos X duros, los cuales tienen mayores niveles de energía por fotón y mayor capacidad de penetración.

2. Manejo de dos tecnologías de imagen adicionales sobre la misma muestra

Usar dos tecnologías de imagen permite obtener información de la interacción de la luz con la misma muestra en otras bandas del espectro electromagnético. En este sentido permite:

• Analizar el aspecto del producto (forma, tamaño, color o defectos superficiales) y ciertos tipos de contaminantes en su interior a través de cámaras de visión artificial en el visible (Vis) y el infrarrojo cercano (NIR).
• Detectar defectos a partir de variaciones de emisividad, tales como fallos de sellado en envases; con cámaras termográficas en el infrarrojo de onda larga (LWIR)
• Identificar productos (con bajo contenido de humedad) no conformes con cámaras de visión en terahercios (THz)
• Determinar la composición del producto o la presencia de cuerpos extraños de baja densidad (insectos, plásticos duros, etc.) con cámaras hiperespectrales en el Vis-NIR o el infrarrojo de onda corta (SWIR).

3. Evaluación de distintas aproximaciones basadas en distintas técnicas y en distintos enfoques

Esto se da desde el tratamiento de imágenes o análisis estadísticos convencionales hasta algoritmos de aprendizaje profundo o deep learning). Y en distintos enfoques (desarrollo de un modelo de cuantificación, clasificación o predicción para cada sistema de adquisición o de un modelo basado en la fusión de datos).