Rapid and non-destructive identification of micro-contaminants on eggshell surfaces based on machine vision and deep learning

Cada día, millones de huevos se desplazan por cintas transportadoras en las instalaciones de empaque, viajando desde la granja hasta la mesa. En su mayor parte, este viaje es fluido, pero la superficie de un huevo es un paisaje frágil donde la seguridad puede verse comprometida por amenazas diminutas y casi invisibles. Durante el proceso de puesta, los huevos pueden recoger pequeñas motas de heces, sangre o lodo. Estos contaminantes no son solo antiestéticos; a menudo portan bacterias peligrosas como la Salmonella que pueden enfermar a las personas si el huevo no se manipula correctamente. Durante décadas, la única forma de encontrar estas diminutas imperfecciones era que un trabajador humano observara cada uno de los huevos, un trabajo lento y agotador que depende de la vista y la capacidad de atención del trabajador. Los humanos se cansan, su enfoque se distrae e inevitablemente pasan por alto algunos defectos o confunden una mancha natural en la cáscara con una suciedad. Para resolver esto, los ingenieros han recurrido a la visión artificial, una tecnología que utiliza cámaras y computadoras para "ver" y analizar el mundo, con la esperanza de automatizar el proceso de inspección con la velocidad de una máquina y la precisión de un ojo entrenado.

El desafío, sin embargo, es que una cáscara de huevo no es un lienzo en blanco. Tiene su propia textura natural, un patrón moteado de manchas y variaciones de color que pueden parecerse mucho a los contaminantes reales que el sistema intenta encontrar. Cuando una cámara captura una imagen de un huevo en movimiento, el fondo suele estar saturado con la textura de la cinta transportadora y una iluminación desigual, creando un ruido visual que confunde a los programas informáticos estándar. Estos programas suelen tener dificultades para distinguir entre una mota natural inofensiva y una mancha peligrosa, lo que provoca que se desechen huevos innecesariamente o, lo que es peor, que huevos peligrosos se filtren entre las grietas. Investigadores de la Universidad de Zhejiang A&F en China se propusieron construir un sistema que pudiera atravesar esta confusión, creando un método que fuera lo suficientemente rápido, suave y preciso como para detectar las imperfecciones más pequeñas en un huevo en movimiento.

El equipo comenzó enseñando a la computadora a mirar un huevo de manera diferente. Antes de que la computadora pudiera siquiera intentar identificar una mancha, los investigadores tuvieron que limpiar la imagen que estaba viendo. Desarrollaron un proceso que aisla el huevo de su entorno, borrando efectivamente la cinta transportadora y las sombras de la vista de la computadora. Al convertir el fondo en un blanco uniforme y brillante, el sistema obliga a la computadora a concentrarse enteramente en la superficie del huevo mismo. Este paso es crucial porque elimina las distracciones que usualmente confunden a la computadora. Una vez que la imagen está limpia, la computadora puede ver el contraste entre la cáscara del huevo y cualquier punto oscuro en ella con mucha más claridad, haciendo que las pequeñas manchas resalten contra el fondo liso y blanco.

Con las imágenes preparadas, los investigadores se dirigieron al cerebro de la operación: un sofisticado programa informático diseñado para reconocer objetos. Comenzaron con un sistema de detección potente y moderno conocido como YOLOv8s, que es famoso por su velocidad y capacidad para encontrar cosas en imágenes. Sin embargo, la versión estándar de este programa no era lo suficientemente buena para la tarea específica de encontrar manchas microscópicas en los huevos. Tendía a pasar por alto las manchas muy pequeñas o a confundir la textura natural de la cáscara con un defecto. Para solucionar esto, los investigadores añadieron tres mejoras específicas a la arquitectura del programa. Primero, añadieron un módulo que ayuda a la computadora a entender el panorama general, permitiéndole ver cómo las diferentes partes de la imagen se relacionan entre sí globalmente. Segundo, introdujeron un mecanismo que actúa como un reflector, indicándole a la computadora que preste especial atención a las características más importantes mientras ignora el ruido irrelevante del fondo. Finalmente, añadieron una capa especializada diseñada específicamente para captar objetos diminutos, asegurando que incluso la mota de suciedad más pequeña no sea pasada por alto.

El resultado de estas mejoras combinadas es un nuevo sistema que llaman AEP2-YOLOv8s. Al ser probado en una gran colección de imágenes reales de huevos, este sistema mejorado funcionó significativamente mejor que la versión original. Identificó los contaminantes con un alto grado de precisión, mejorando su capacidad para encontrar los objetivos correctos en casi un siete por ciento en comparación con el modelo sin modificar. El sistema demostró ser particularmente bueno para distinguir entre los patrones naturales del huevo y la suciedad real, reduciendo el número de falsas alarmas. También logró localizar las manchas con mayor precisión, trazando límites más ajustados alrededor de los defectos. Los investigadores encontraron que, si bien existían otros tipos de mecanismos de atención, la combinación específica que eligieron funcionó mejor para este problema en particular, equilibrando la necesidad de velocidad con la necesidad de una precisión extrema.

Este trabajo demuestra que es posible automatizar la inspección de los huevos sin dañarlos ni ralentizar las líneas de producción. Al limpiar la entrada visual y refinar la capacidad de la computadora para enfocarse en los detalles correctos, los investigadores crearon una herramienta que puede manejar la realidad desordenada de un entorno agrícola. El sistema no es perfecto; todavía enfrenta desafíos cuando las manchas son extremadamente tenues o cuando las condiciones de iluminación son difíciles, pero representa un gran paso adelante. El estudio sugiere que, al combinar la limpieza de imágenes con actualizaciones inteligentes y dirigidas al software de detección, podemos construir máquinas que sean mucho más confiables que los ojos humanos para detectar las amenazas más pequeñas a la seguridad alimentaria. Este enfoque ofrece un camino práctico para asegurar que los huevos que llegan a nuestras mesas estén limpios y sean seguros, manteniendo al mismo tiempo la línea de producción a las altas velocidades requeridas por la agricultura moderna.