Visión artificial para mejorar la calidad

Tradicionalmente se han implementado diferentes métodos e índices de madurez basados en el seguimiento de los cambios bioquímicos y fisicoquímicos para evaluar la calidad y el estado de maduración de los frutos, en muchos casos estas pruebas involucran evaluación sensorial y/o son de carácter destructivo, lo que implica un gran consumo de tiempo, muestras y reactivos, por lo que su aplicación trae consigo diversas desventajas frente a otros métodos modernos como la espectroscopía, quimiometría y visión artificial.

El uso y aplicación de estos nuevos métodos ha sido paulatinamente lento en el sector agroalimentario, principalmente en países en desarrollo donde la generación de la ciencia y tecnología muestra rezagos importantes. Paradójicamente, los países con dependencia tecnológica, situados regiones tropicales como Latinoamérica, sur de Asía y África, son también los mayores productores de frutos climatéricos y diversos productos agrícolas.

La visión artificial o Sistemas de Visión por Computadora (SVC), basados en análisis de imágenes, representa una alternativa económica y viable para evaluar la calidad y madurez de frutos y otros productos agrícolas.

Por lo que se vislumbra un área de oportunidad para la implementación en diversas agroindustrias de los sistemas de visión, pero principalmente en aquellas situadas en países productores, donde estos nuevos métodos pueden proporcionarles ventajas tecnológicas que les permitan incrementar su competitividad y enfrentar los nuevos retos de mejoramiento de la calidad que exige el actual mercado internacional.

Durante los últimos años la visión artificial para inspección de productos ha tenido un auge importante en diversas áreas, pero principalmente en el sector agroalimentario de los países desarrollados, que es donde han adoptado esta tecnología de forma vertiginosa a sus procesos de producción y evaluación de calidad.

Una de las principales ventajas de los SVC es que permiten caracterizar cuantitativamente diversos rasgos físicos como el tamaño, la morfología, el color y las propiedades de textura empleando una simple imagen digital, a su vez esta tecnología es no destructiva, rápida, precisa, objetiva, y evita la inspección humana, que en jornadas largas tiende a ser costosa, subjetiva e imprecisa.

Otra ventaja de la visión artificial es que frecuentemente es acoplada a instrumentos optoelectrónicos y sistemas mecatrónicos que permiten reemplazar la manipulación humana con el fin de hacer más eficaces los procesos. Como se ha mencionado, un campo donde el uso de esta tecnología se ha extendido rápidamente es el de la inspección de productos agroalimentarios, en particular, en la inspección automática de frutas y verduras.

Los principales objetivos de las aplicaciones típicas de los SVC incluyen: clasificación por tamaño y defectos, estimación de la calidad según las características externas y/o internas, el seguimiento de los cambios ocurridos en la fruta durante su almacenamiento o procesamiento y la detección de enfermedades en los equipos de cómputo con programas para la transferencia, almacenamiento, procesamiento y análisis de las imágenes, este puede ser periférico o embebido en el sistema de adquisición de imágenes.

Sin embargo, la aplicación de inspección artificial mediante SVC en el área alimentaria tiene mayores problemas que en otros áreas industriales que usan visión artificial, debido a la complejidad y naturaleza biológica de los alimentos. Mientras que los productos no biológicos manufacturados, generalmente presentan formas, tamaños, colores regulares y homogéneos, una fruta puede tener un color, tamaño y forma altamente heterogénea y compleja, incluso si el fruto o vegetal se ha recolectado el mismo día y del mismo árbol, lo que dificulta el procesamiento y análisis de la imagen.

Por ello, el éxito de un SVC depende en gran medida de la calidad de las imágenes que se adquieren, y aspectos directamente relacionados con esta calidad son el sistema de captura y de iluminación. Se dice que si estos dos aspectos son bien seleccionados, el procesamiento y análisis de imagen son mínimos y se facilitan considerablemente.

Las cámaras son los dispositivos encargados de adquirir las imágenes, convirtiendo la luz que reciben de la escena en señales digitales a través de millones de fotosensores y la microelectrónica de la cámara. La resolución de la imagen depende del número fotosensores en el dispositivo de captura, este número se expresa en píxeles y por eso es común hablar de la resolución de las cámaras en términos de megapíxeles.

Las cámaras matriciales son las más extendidas en aplicaciones comerciales. Éstas adquieren una escena en forma de matriz de dos dimensiones usando un CCD (Charge Couple Device por sus siglas en ingles), que es un circuito integrado que tiene un número determinado de condensadores enlazados o acoplados (fotosensores). Las cámaras de color pueden ser construidas con un único CCD color, compuesto por sensores que son sensibles a las bandas primarias roja, verde y azul (RGB), y la combinación de éstos genera las imágenes en color.

Así, para los sistemas de captura al ser dispositivos comerciales con configuraciones específicas predeterminadas, sólo es posible seleccionar el modelo que mejor se adapte a la economía y las necesidades particulares de cada aplicación, mientras que el sistema de iluminación se debe construir y configurar de forma específica, dependiendo de la aplicación particular y la geometría del objeto que se va a inspeccionar. Un buen sistema de iluminación debe proporcionar una radiación uniforme en toda la escena, evitando la presencia de brillos o sombras. Si la escena no está iluminada de forma adecuada, aumentará la incertidumbre y el error en la extracción de parámetros.

Es muy importante tener en cuenta la geometría de los objetos inspeccionados, por ejemplo situar un tipo de iluminación direccional en un ángulo de 45° respecto de la vertical cuando se ilumina un objeto plano es eficaz para evitar reflejos directos hacia la cámara. Por otro lado, si el objeto tiende a ser esférico o tiene curvatura, es más conveniente utilizar una campana difusora hemisférica con el fin de iluminarlo de manera uniforme. Al respecto, Gomez-Sanchis et al., (2008b) propusieron una metodología para la corrección de este efecto en frutos cítricos.

El uso de filtros polarizadores ayuda a evitar brillos y reflejos indeseados cuando no se puede lograr directamente con el sistema de iluminación. Mientras, Blasco et al., (2007) usaron esta técnica para evitar brillos en las imágenes de cítricos iluminados con tubos fluorescentes y de esta manera estimar su color con mayor precisión y detectar defectos superficiales en la fruta.

Dadas las ventajas y capacidades de los SVC para inspeccionar alimentos, un sin número de trabajos se han realizado para evaluar la calidad y los efectos del procesamiento para una amplia gama de productos. Por ejemplo, investigadores chilenos han desarrollado SVC basados en descriptores de textura fractal, parámetros geométricos, de color y de intensidad de imagen, así como métodos robustos de clasificación y aprendizaje asistidos por computadora, para evaluar los cambios ocurridos durante la maduración de bananas, para clasificación de papas fritas procesadas a diferentes temperaturas, secado de manzanas, entre otros productos, para este fin, por lo general se extrae una amplia variedad de parámetros digitales para utilizarse en la etapa de clasificación, de manera similar a lo que se usa en el reconocimiento de rostros en criminología.

Se sabe que entre mayor sea el número de parámetros de imágenes usados se tendrá una mejor clasificación, así se ha reportado el uso de más de 1500 rasgos o características de las imágenes, logrando alcanzar niveles de clasificación acertada mayores al 95%, un nivel muy aceptable para visión artificial y similar a la clasificación supervisada por humanos. También han implementado un SVC para identificar las etapas de maduración de plátanos basándose en coordenadas de color (L*, a* y b*), el desarrollo de puntos cafés y en la textura de la imagen, desarrollando una técnica simple y confiable para clasificación de las etapas de maduración en lugar de la percepción visual, logrando clasificar los plátanos en siete etapas de maduración con una exactitud del 98%. (Mendoza y Aguilera 2004; Pedreschi et al. 2004; Mendoza et al., 2006, 2007, 2010; Quevedo et al., 2008).

En México, un grupo de investigación estudió los cambios en la estructura de la miga de pan durante el proceso de horneo aplicando análisis de imágenes y descriptores fractales, y encontró tres etapas durante el proceso basando en los cambios de los parámetros fisicoquímicos y el análisis de imágenes. También se ha evaluado el efecto del horneo por microondas en la estructura de la miga de panque, y también la calidad de la miga de otras variedades de pan dulce y salado, como pan danés (croissant), concha, panques, pan base para pasteles, pan de caja normal e integral, bolillo, telera y baguette.

La calidad se ha descrito en términos del volumen, densidad, capacidad de absorción de jarabe y color del pan, y se ha asociado a la estructura de la miga en términos de densidad, homogeneidad, textura fractal, entropía, lagunaridad y distribución de los poros (Rosales-Juárez et al., 2008; Sánchez-Pardo et al., 2008, 2012; López-Guel  et al., 2009; Pérez-Nieto et al., 2010; Tlapale-Valdivia et al., 2010; Farrera-Rebollo et al. 2012; Díaz-Ramírez et al. 2013).

Los procesos de secado también han sido monitoreados con análisis de imágenes y descriptores fractales, principalmente placas de manzana y rebanadas de agave, donde el encogimiento y deformación medido ha sido asociado a la velocidad de secado y microestructura de los materiales, lo cual ha sido relevante para el entendimiento del proceso y la selección de las condiciones de operación óptimas para mejorar su calidad (Santacruz-Vázquez et al., 2008; Gumeta-Chávez et al. 2011).

Por otro lado, la madurez y calidad de frutos climatéricos como plátano, aguacate y mango ha sido estudiada con SVC basados en imágenes RGB, hiperespectrales y usando parámetros de color, textura de imágenes, bandas espectrales y otros descriptores de imagen, los estudios se destacan por asociar los cambios fisicoquímicos ocurridos en los frutos, como la firmeza, pérdida de peso, acidez, sólidos solubles y la microestructura de la pulpa y cascara, que permitió establecer las etapas de maduración y validar las encontradas por análisis de imágenes.

De esta forma se ha podido describir el proceso de senescencia de plátanos, clasificar en tres etapas la madurez (inmaduro, maduros y senescente) de frutos climatéricos como el aguacate (var. Hass) y el mango (var. Manila), usando pocos descriptores de imágenes y alcanzando niveles de clasificación acertada de 82 y 91 % respectivamente, lo que es aceptable considerando que la madurez de estos frutos es muy difícil de establecer incluso con supervisión humana, ya que en etapas intermedias su clasificación puede resultar ambigua aun para jueces entrenados.

Actualmente, el uso de imágenes hiperespectrales ha tomado un auge importante en la última década, ya que estas combinan la bondades de la imágenes digitales con la información que provee la espectroscopia en el rango visible e infrarrojo, de esta forma es posible obtener imágenes en diferentes longitudes de onda generando un hipercubo de imágenes de 4 dimensiones, 2 espaciales (posiciones x, y), una de intensidad (valor de la intensidad del pixel) y otra para diferentes longitudes de onda, que puede estar en el rango visible o en el infrarrojo.

Esto proporciona información espectral que puede asociarse a la composición química del material, lo cual es de gran valor para evaluar la calidad de los productos, e incluso es posible detectar daños imperceptibles a simple vista o lesiones en los frutos asociadas a contaminación microbiana o enfermedades fitopatógenas. Así en colaboración con el Instituto Valenciano de Investigaciones Agrarias y la Universidad de Valencia en España, se ha logrado detectar daños mecánicos inducidos intencionalmente no perceptibles a simple vista en mangos manila, empleando imágenes hiperespectrales y estableciendo la longitud de onda o bandas espectrales que permiten destacar los daños mecánicos desde el primer día de incidencia.

En otra investigación vinculada con la Pontificia Universidad Católica de Chile se realizó un estudio de la calidad de tortilla correlacionando el análisis sensorial con el análisis de imágenes y pudiendo clasificar la calidad de las mismas hasta con un 95 % de correspondencia con el análisis sensorial, empleando más de 2000 parámetros de imagen y robustos métodos de clasificación (Quevedo et al., 2008; Arzate-Vázquez, et al. 2011; Vélez-Rivera et al., 2014a, 2014b;  Gómez-Sanchis, et al. 2008a; Mery y col. 2010, Blasco et al., 2003, 2009).

En otros trabajos de revisión se ha informado que entre las técnicas no destructivas más adecuadas para la determinación de la calidad de frutas y hortalizas están los SVC, ya que permiten a través de una sola imagen digital estimar diversas características como el perímetro, diámetro, área, color, textura, entre otros cientos de parámetros de utilidad para el reconocimiento de patrones y procesos de clasificación (Moreda et al., 2009).

Otro sistema de visión artificial es uno que se ha desarrollado para seleccionar y clasificar el tamarindo por niveles de calidad empleando parámetros de color y tamaño, para su posterior empaque (Jarimopas y Jaisin, 2008). También se han usado imágenes en el infrarrojo cercano en el melón para obtener mapas de la distribución de los sólidos solubles totales a lo largo de su maduración (Tsuta et al., 2002). En fresas se ha determinado parámetros de madurez como el contenido de humedad, sólidos solubles totales y acidez titulable desde imágenes hiperespectrales, y daño por frio en manzanas (Elmasry et al., 2007, 2009).

Por otro lado, en Irlanda un grupo de investigación muy productivo en el área de visión artificial, ha desarrollado un sin número de aplicaciones para evaluar la calidad de una plétora de productos alimenticios, empleando análisis de imágenes en el espectro visible e infrarrojo (imágenes hiperespectrales), sus desarrollos son diversos e incluyen la evaluación de la distribución de los ingredientes en pizzas, en productos cárnicos donde ha estudiado la distribución de componentes químicos como grasa, agua, proteínas en jamón de pavo y puerco, carne de res, cordero, en productos marinos como filetes de salmón.

También han analizado la calidad y la distribución de ingredientes y los componentes en un sin número de productos, hortalizas, vegetales, semillas, productos cárnicos y las lácteos, y principalmente se han enfocado al uso de imágenes hiperespectrales. Este mismo grupo ha realizado recopilaciones bibliográficas importantes que pueden ser revisadas para una mayor profundidad respecto de los SVC y los avances más importantes y aplicaciones del análisis de imágenes para evaluar la calidad en los alimentos (Du y Sun 2004, 2006).

Como se puede apreciar, los SVC tienen una amplia aplicación en el control de la calidad de alimentos y son una tecnología que en la actualidad puede otorgar una ventaja competitiva a los productores de países latinoamericanos y algunos países europeos, con respecto de terceros países que basan su fortaleza en bajos costos de producción (por ejemplo China). Por ello, es muy importante la constante investigación en sistemas de visión artificial aplicados a la inspección de fruta en fresco que sean cada vez más eficientes y adecuados a las necesidades específicas de los productores o exportadores.

La tendencia actual es adaptar estos dispositivos a sistemas mecatrónicos para realizar los procesos de clasificación en línea, ya sea durante la recolección, o en el envasado del producto. En este sentido, el Instituto Valenciano de Investigaciones Agrarias en el área de visión artificial, ha desarrollado sistemas automáticos mecánicos y robotizados para líneas de envasado, que permite separar de forma individual los granos de granada  por color, gajos de mandarina por forma, duraznos y frutos cítricos por tamaño, defectos y/o enfermedades, y han transferido con éxito esta tecnología a empresas locales (Blasco et al. 2003, 2007, 2009).

También el uso generalizado de las imágenes hiperespectrales, de ultrasonido y de rayos X para la evaluación de la calidad tanto interna como externa, son tendencias tecnológicas que cada día se están implementando con mayor fuerza a nivel industrial en diversas partes del mundo. Se habla también de introducir estos sistemas en teléfonos inteligentes para realizar el monitoreo con imágenes fotográficas convencionales en campo o en la línea de producción, para posteriormente enviar la información vía internet.