Aplicación del Deep Learnig a la caracterización del veteado en jamón loncheado

En los últimos años, la inteligencia artificial ha experimentado grandes avances que han contribuido a su popularización y a su utilización en muchos ámbitos de nuestra vida diaria. Esta revolución no se puede explicar sin el desarrollo durante los últimos años de unos nuevos algoritmos de aprendizaje conocidos como Deep Learning. Este tipo de algoritmos se enmarcan dentro de la disciplina conocida como aprendizaje automático, o como es conocida en inglés ‘Machine learning’. Esta disciplina se centra en el desarrollo de algoritmos que permiten a las máquinas aprender a partir de su propia experiencia o a partir de datos ya recogidos, es decir, son capaces de aprender a realizar tareas para las que no han sido programadas.

Las técnicas de Deep Learning están basadas en el funcionamiento del sistema de percepción humana y del funcionamiento del cerebro. Estas técnicas aprenden a partir de conjuntos de datos a los que se les ha asignado una salida deseada por parte del desarrollador. Por ejemplo, en el desarrollo de un sistema para detectar correo no deseado, el conjunto de datos podría ser el conjunto de palabras que forman un e-mail y la salida el tipo de e-mail, es decir, si es normal o se trata de spam. Una vez el algoritmo hubiera sido entrenado con los datos disponibles clasificados correctamente (normal/spam), este sería capaz de indicarnos si un nuevo e-mail que llegara al buzón es normal o es spam, utilizando las palabras que lo forman. Estos algoritmos tienen la capacidad de generalización, es decir, a partir de unos cuantos ejemplos correctamente clasificados son capaces de determinar las reglas generales que permiten llevar a cabo la tarea deseada. Este tipo de aprendizaje también recibe el nombre de aprendizaje supervisado.

¿Por qué motivo las técnicas de Deep Learning han revolucionado el campo de la Inteligencia Artificial? Hasta ahora la utilización de técnicas de aprendizaje automático para problemas complejos requería de un arduo trabajo previo de desarrollo por parte de un experto sin garantía de obtener el rendimiento deseado. Sin embargo, este trabajo previo desaparece con el Deep Learning, reduciendo de forma importante el tiempo necesario para el desarrollo de cualquier aplicación. Sin embargo, los algoritmos Deep Learning para funcionar precisan de una gran cantidad de datos para su entrenamiento (aprendizaje) a diferencia de las técnicas tradicionales. Los resultados de diferentes trabajos muestran que los algoritmos Deep Learning superan en rendimiento de forma considerable a los algoritmos tradicionales utilizados hasta ahora. Por este motivo, las técnicas de Deep Learning se están aplicando actualmente a resolución de numerosos problemas. Entre ellas podemos encontrar: traducción automática, la clasificación automática de fotografías y vídeos. También se encuentran en aplicaciones tan actuales como la conducción automática de coches o el reconocimiento automático de voz que encontramos hoy en los móviles.

Sin embargo, estas técnicas que están revolucionando el mundo tardan mucho en llegar a la industria alimentaria. Los motivos pueden ser varios, entre ellos el menor nivel tecnológico de este sector en comparación a otros, o el problema de trabajar con productos muy heterogéneos como son los alimentos que dificultan la automatización de procesos.

En IRTA aplicamos estas tecnologías para solucionar diferentes problemas de la industria alimentaria. Un ejemplo es la aplicación del Deep Learning a la detección del veteado en lonchas de jamón curado. La detección automática de la grasa intramuscular visible o veteado tiene un gran interés ya que influye en la decisión de compra del consumidor y en las características sensoriales, así como en la composición nutricional del producto. A nivel industrial se podrían desarrollar líneas automáticas para clasificar los paquetes de lonchas en función del grado de veteado y adjudicarles un precio diferente y/o destinarlo a mercados distintos. Sin embargo, su detección no es una tarea sencilla. La forma más sencilla de detectar algo en una imagen mediante un programa informático es a partir del color, es decir, a partir de los valores RGB (Rojo-Verde-Azul) que forman cada píxel de una imagen.

En el caso del veteado del jamón, esta aproximación no se puede utilizar ya que las características del color de las vetas de grasa, que pueden tener distintas tonalidades de blanco, varían de loncha a loncha y según su tamaño. Además, la tonalidad de blanco que correspondería a una veta de grasa en una loncha, en otra podría corresponder a depósitos de sal o cristales de tirosina de distinto tamaño a menudo presentes en la superficie de las lonchas dificultando la correcta detección de las vetas. En la literatura científica se pueden encontrar varios algoritmos de alta complejidad que han abordado este tema en jamón o en productos similares como carne fresca u productos curados donde la detección de veteado también es de interés.

Para aplicar Deep Learning a la determinación del veteado del jamón curado, en primer lugar es preciso llevar a cabo el entrenamiento del algoritmo. Por ese motivo, es necesario obtener los ejemplos que servirán para entrenar el algoritmo. Con este propósito se utilizaron fotografías de unas 375 lonchas de jamón curado con diferentes niveles de veteado, tomadas en unas condiciones controladas. De estas lonchas, 252 se seleccionaron de forma aleatoria para entrenar el algoritmo y 123, que no se utilizaron en ningún momento del entrenamiento, para evaluar el rendimiento del algoritmo. De estas imágenes se extrajo un cuadrado de 64x64 píxeles del músculo Biceps femorisde cada loncha. La utilización de un cuadrado de 64x64 píxeles en lugar de la locha entera tiene por función aumentar la velocidad de aprendizaje, pero esto no significa que no se pueda aplicar a la loncha entera. En paralelo, para cada cuadrado de 64x64 píxeles, se determinaron los valores de referencia de este veteado. Esto se realizó mediante un programa informático y la selección manual de las zonas que correspondían al veteado (método de referencia sensorial habitual). Estas imágenes sirvieron de referencia al algoritmo para aprender a detectar el veteado, es decir, para cada imagen de la loncha, el algoritmo aprendió a detectar las vetas de grasa de la imagen de referencia (Figura 1). También las imágenes de referencia sirvieron para evaluar el rendimiento del algoritmo una vez entrenado, comparando el veteado detectado con el algoritmo en las 123 imágenes con el esperado en las imágenes de referencia.

Con todos estos datos se entrenó el algoritmo de Deep Learning. En este caso se utilizó un algoritmo que se conoce como redes convolucionales, también conocidas como CovNets. Una vez el algoritmo fue entrenado se evaluaron las 123 lonchas seleccionadas para evaluar el rendimiento del algoritmo. Los resultados obtenidos muestran que el 98.88% de los píxeles fueron correctamente clasificados como magro o grasa. Entre estos el 99.46% de los píxeles que contenían magro y el 89.14% de los píxeles que contenían grasa fueron correctamente clasificados. Como puede observarse en los resultados (Figura 2), el algoritmo fue capaz de aprender a clasificar con un elevado nivel de acierto únicamente a partir de las imágenes que se utilizaron en el aprendizaje, sin necesidad de desarrollar ningún tipo de programa adicional. Además, hay que añadir que la razón por la que parte de los píxeles fueron incorrectamente clasificados se debió a errores en las imágenes utilizadas como referencia de veteado. Estos errores se debieron en buena parte a la dificultad de establecer un criterio uniforme para determinar lo que es grasa intramuscular y lo que es magro. Todo esto conduce a que el aprendizaje no sea perfecto. Sin embargo, a pesar de todos estos factores el resultado se puede considerar como altamente satisfactorio.

Figura 2. Imagen original, imagen veteado referencia (selección semiautomática) e imagen veteado detectado por Deep Learning para una imagen con un bajo grado de veteado (A) y con un alto grado de veteado (B).

Como hemos podido ver el conjunto de técnicas conocidas como Deep Learning permiten solucionar problemas complejos sin necesidad de desarrollar algoritmos complejos. Estas técnicas que se han mostrado aquí para su aplicación al veteado de jamón pondrían utilizarse también para la detección on-line en una línea industrial de diferentes defectos que pueden aparecer durante la producción de jamón como puede ser la esteatosis, anillos de nitrificación, exceso de grasa subcutánea u oxidación de la grasa, para la caracterización del veteado en carne fresca o para la detección de grasa visual en embutidos loncheados, entre muchas otras aplicaciones.