Inspección visual automatizada para envases de alimentos: detección de errores en etiquetas y fallos de sellado

En 2023, la FDA registró 232 retiros de alimentos relacionados con alérgenos no declarados. La mayoría fueron errores de envasado: la etiqueta incorrecta en el producto correcto, o la etiqueta correcta con una lista de ingredientes desactualizada. Un solo retiro por alérgenos cuesta un promedio de 10 millones de dólares cuando se incluyen la logística del retiro, el producto destruido, las multas regulatorias y el daño a la marca. Un sistema de visión con IA que detecta errores de etiquetado antes de que el producto salga de la planta cuesta entre $85,000 y $150,000 instalado.

Las cuentas son sencillas. La implementación no lo es.

Verificación de etiquetas a velocidad de línea

Las líneas de envasado de alimentos funcionan rápido. Una línea de snacks puede procesar 400 bolsas por minuto. Una línea de bebidas puede superar las 1,200 botellas por minuto. El sistema de visión necesita capturar una imagen clara de la etiqueta, leer el texto, verificar el código de barras, confirmar que los gráficos coinciden con la plantilla esperada y tomar una decisión de aprobado/rechazado en el tiempo que tarda un envase en pasar frente a la cámara. A 400 envases por minuto, eso son 150 milisegundos por envase.

El reconocimiento óptico de caracteres (OCR) se encarga de la verificación del texto, pero el OCR para etiquetas de alimentos es más difícil que el OCR típico de documentos. Las etiquetas se imprimen en superficies curvas, a través de envolturas transparentes que crean reflejos, sobre sustratos metálicos que cambian de apariencia según el ángulo, y con tamaños de texto tan pequeños como 6 puntos para la información de cumplimiento legal. Los motores OCR convencionales tienen dificultades con estas condiciones. Los modelos OCR de aprendizaje profundo entrenados con imágenes de envases de alimentos funcionan significativamente mejor, alcanzando una precisión de caracteres superior al 99.5% en entornos de producción.

El sistema verifica más que solo texto. Confirma que se está utilizando el material de etiquetas correcto (detectando el escenario en el que un operador carga el rollo de etiquetas incorrecto después de un cambio de producto), comprueba que la etiqueta está posicionada dentro de la tolerancia en el envase, revisa la calidad de impresión (impresión desvanecida, tinta corrida, secciones faltantes) y lee el código de barras 1D o 2D para confirmar que coincide con el código de producto esperado.

Inspección de integridad del sellado

Para envases flexibles (bolsas tipo pouch, bolsas, envolturas flow wrap), la integridad del sellado es un requisito de seguridad alimentaria. Un sellado incompleto o contaminado puede permitir el ingreso microbiano, provocando deterioro o enfermedades transmitidas por alimentos. Los métodos tradicionales de inspección de sellado (prueba de reventón, prueba de penetración de tinta) son destructivos y solo pueden aplicarse a muestras.

Los sistemas de visión con IA inspeccionan la calidad del sellado en el 100% de los envases de forma no destructiva. Las cámaras observan el área de sellado mediante luz transmitida (inspección retroiluminada), donde los defectos de sellado como arrugas, contaminación en la zona de sellado y fusión incompleta aparecen como variaciones en la transmisión de luz. El modelo de IA aprende a distinguir entre variaciones de sellado aceptables (arrugas menores que no afectan la integridad hermética) y defectos genuinos (contaminación del producto en la zona de sellado que impide la fusión completa).

La inspección térmica del sellado añade otra capa. Al capturar imágenes del sellado inmediatamente después de la estación de sellado, una cámara térmica puede detectar áreas donde la temperatura del sellado fue demasiado baja (sellado frío, probablemente sin fusionar) o demasiado alta (sellado quemado, potencialmente debilitado). La IA correlaciona el patrón térmico con los resultados de calidad del sellado obtenidos de pruebas destructivas durante la validación para establecer umbrales apropiados.

Prevención de contacto cruzado con alérgenos

Una de las aplicaciones más valiosas es detectar escenarios de contacto cruzado con alérgenos durante los cambios de producto. Cuando una línea de fabricación cambia de un producto que contiene cacahuetes a un producto libre de cacahuetes, el sistema de visión puede verificar que las etiquetas correctas (con las declaraciones de alérgenos correctas) se están aplicando al producto correcto. Esto suena simple, pero los errores en los cambios de producto son la causa principal de retiros por alérgenos no declarados.

Algunos sistemas avanzados van más allá de la verificación de etiquetas para inspeccionar el producto en sí. Por ejemplo, en una línea de envasado de frutos secos mixtos, el sistema de visión puede verificar que la mezcla correcta de frutos secos está en cada bolsa clasificando los frutos secos visibles a través del envase transparente. Si una bolsa de "solo anacardos" contiene un cacahuete visible, el sistema la marca para rechazo.

Datos de cumplimiento regulatorio

Más allá de detectar envases defectuosos individuales, los sistemas de visión con IA generan el tipo de datos de inspección continuos y documentados que los auditores regulatorios esperan cada vez más. Cada inspección de envase se registra con una marca de tiempo, imagen, resultados de inspección y las verificaciones específicas realizadas. Cuando un inspector de la FDA o un auditor de un cliente minorista solicita ver sus registros de calidad, tener datos de inspección del 100% con imágenes es considerablemente más convincente que un plan de muestreo con hojas de verificación manuales.

Los datos de inspección también respaldan el cumplimiento de la FSMA (Ley de Modernización de la Seguridad Alimentaria) al proporcionar evidencia documentada de controles preventivos en acción. Cuando se detecta un defecto, el sistema registra qué sucedió, cuándo sucedió y qué acción correctiva se tomó (envase rechazado, línea detenida para investigación, etc.). Esta trazabilidad es cada vez más un requisito indispensable para abastecer a los principales minoristas de alimentos.

Desafíos de implementación

El mayor desafío práctico es el cambio de producto. Una planta de alimentos que procesa de 15 a 20 productos diferentes necesita que el sistema de visión cambie los parámetros de inspección (plantilla de etiqueta, código de barras, especificaciones de sellado) de manera fluida durante los cambios. La mayoría de los sistemas manejan esto mediante la integración con el PLC de la línea, que envía una señal de código de producto que activa la receta de inspección apropiada. Pero la gestión de recetas para docenas de productos, cada uno con variantes de envasado estacionales, requiere atención continua.

La iluminación es otro desafío persistente. Los materiales de envases flexibles (películas metalizadas, películas transparentes, películas mate) reflejan la luz de manera diferente, y una configuración de iluminación optimizada para un material puede funcionar mal con otro. Los arreglos de iluminación multiángulo y la iluminación polarizada ayudan, pero algunas implementaciones aún necesitan perfiles de iluminación específicos por material que se alternan durante los cambios de producto.

La tecnología maneja muy bien las operaciones de envasado de alto volumen y repetitivas. Donde tiene dificultades es con el envasado artesanal o hecho a mano, donde la apariencia aceptable varía significativamente de una unidad a otra. Un sistema entrenado con productos envasados a máquina puede tener dificultades con envolturas dobladas a mano o etiquetas artesanales con variación deliberada. Para estas aplicaciones, la tasa de falsos positivos puede volverse inmanejable sin un ajuste extenso.