Tecnologías inteligentes para la inspección poscosecha: más allá de la visión artificial José Blasco Ivars Centro de Agrotecnologías Avanzadas Instituto Valenciano de Investigaciones Agrarias (IVIA)
José Blasco Doctor en Informática Profesor de investigación del Instituto Valenciano de Investigaciones Agrarias (IVIA) 30 años de experiencia en IVIA trabajando en sensores, datos y visión por computador en aplicaciones de campo y poscosecha Líder del Grupo de Trabajo CIGR sobre Análisis de Imágenes y Espectroscopía para Productos y Procesos Agrícolas
Contenido
01 02 03 04
¿Por qué? ¿De dónde venimos? ¿Dónde estamos? ¿Hacia dónde vamos?
Por qué: La importancia de determinar la calidad
La importancia de determinar la calidad Dotar a las empresas de herramientas que les permitan asegurar la calidad de sus productos, prolongar su vida útil y ser más competitivas
La importancia de determinar la calidad ¿Calidad? ¿Qué Calidad? a) Características intrínsecas Calidad externa: tamaño, color, forma y ausencia de daños físicos. Es el elemento inmediato de la opción de compra Calidad organoléptica: valores como sabor o aroma, composición, daño interno Seguridad: ausencia de residuos, contaminantes o agroquímicos Salud y valor nutricional: presencia de fibra, sustancias antioxidantes, valores de efectos beneficiosos en términos de salud Valores funcionales, comodidad en el consumo, facilidad para pelar y lavar
b) Características extrínsecas Valores añadidos en los procesos productivos, prácticas sostenibles, envasado, etiquetado, nuevos productos de la IV gama
c) Características intangibles Conservación, garantía, servicio, precio, etc.
Tecnología óptica no destructiva Breve historia de la tecnología de inspección de productos hortofrutícolas 70s: A ojo 80s: Células ópticas: tonos de color 90s: Cámaras estándar: color, tamaño, forma 00s: Cámaras de mayor resolución y NIR: color, tamaño, forma, detección de defectos 10s: NIR, fluorescencia: defectos invisibles, identificación de defectos 20s: NIRS, Hiper, RX, THz: defectos invisibles, composición, textura, propiedades 25s: Inteligencia Artificial (IA)
Tecnología óptica no destructiva Tecnologías no destructivas
Calidad externa
Visión artificial Colorímetros Calibradores mecánicos / electrónicos
Espectroscopia Imagen hiperespectral Rayos X Rayos T Tomografía axial computerizada (TAC) Resonancia magnética de imagen Sonido y ultrasonido Nariz artificial
Calidad interna
Tecnología óptica no destructiva La apariencia de una fruta (la preferencia del consumidor) es una combinación de: Atributos cromáticos (color) Atributos geometricos (tamaño, forma) Presencia de defectos (calidad)
Los sistemas de inspección automática dependen de:
velocidad es un factor clave Adquisición de una imagen de La calidad Extración precisa de caracteristicas Correcto análisis de los datos
Tecnología óptica no destructiva
Tecnología óptica no destructiva
Tecnología óptica no destructiva
Espectroscopía: Cuando iluminamos un fruto: 1) 2) 3) 4)
Una parte se refleja Una parte se transmite Una parte se absorbe Una parte se dispersa
1 4
4
3
Depende de:
Estructura celular Contenido de agua / Agua libre La composición química La presencia de daños
D et
2 Detector
ec to r
Tecnología óptica no destructiva Imagen Hiperespectral: Información espectral y espacial
Gran número de bandas consecutivas Habilitar el análisis espectral (espectro completo de cada píxel) Equipamiento caro y complejo
Tecnología óptica no destructiva
2,5 Girasol (1)
2
Leche Desecada (2) Leche Líquida (3)
L o g 1 /R
Queso (4)
1,5
Maíz (5) Trigo Molido (5) Trigo Entero (6)
1
Grasas y Aceites (7)
0,5
0
400
600
800
1000
1200
1400
1600
1800
2000
2200
2400
Tecnología óptica no destructiva Técnicas de quimiometría Muestras de entrenamiento para construer modelos Muestras de test para validar modelos
Espectros: individual / promedio Pretratamiento Selección
- Separación de poblaciones - Clasificación - Predicción
Tecnología óptica no destructiva Aprendizaje automático
Muestras etiquetadas + análisis destructivos
Aprendizaje profundo
Muestras etiquetadas
Estado actual
Estado actual Método tradicional destructivo (0h, 6h, 12h, 18, 24h)
Visualización de la predicción de taninos +
-
Estado actual
Estado actual Naranjas / mandarinas (podredumbre, firmeza) Limón (susceptibilidad a la podredumbre, azúcares, acidez, compuestos fenólicos, origen) Níspero (daños, alteraciones fisiológicas, discriminación varietal, azúcares, acidez) Caqui (astringencia, contenido de taninos, daños internos, textura, madurez) Aguacate (materia seca, firmeza, concentración de nutrientes) Granada (azúcares, acidez, daños internos) Fruta de hueso (discriminación varietal, firmeza, madurez, daños internos) Fresa (discriminación varietal, preferencia del consumidor, azúcares) Kiwi (materia seca, madurez, azúcares, acidez) Mango (podredumbre, textura, madurez) Aceitunas (podredumbre) Manzana (origen, pesticidas) Higos secos (contaminación micotoxinas) Almendras (amargor) Patatas (zonas verdes) Durian (calidad interna) Arroz (gelatinización del almidón)
Estado actual
Estado actual
¿Hacia donde vamos?
Conclusiones
Tecnologías inteligentes para la inspección poscosecha: más allá de la visión artificial José Blasco Ivars Centro de Agrotecnologías Avanzadas Instituto Valenciano de Investigaciones Agrarias (IVIA)