Tecnologías

Espectroscopía NIR
Espectroscopía Raman
Visión Artificial y Redes Neuronales
¿Qué es la espectroscopía NIR?
Ocultar detalles Mostrar detalles

La espectroscopía, en general, es una técnica adecuada para determinar la composición química y ciertas propiedades físicas del cuerpo inspeccionado, en base al análisis de interacción de la radiación óptica con las estructuras moleculares y atómicas de dicho cuerpo ya que dicha interacción en cada longitud de onda del espectro es, habitualmente, específica para cada sustancia.

En todos los casos, el uso práctico de la espectroscopía implica desarrollar modelos de machine learning que conviertan la información espectral en valores de parámetros tradicionales, sean estos cuantitativos o cualitativos.

En dependencia del tipo concreto de interacción de la radiación con la sustancia, así como del rango óptico utilizado, puede hablarse de distintas espectroscopías: de fluorescencia, Raman, de emisión, de absorción… así como de los rangos UV, VIS, NIR, SWIR, MWIR, LWIR, THz…

La espectroscopía NIR de absorción -que usa la radiación óptica en el rango de 700 a 2500 nm- es la más popular porque combina óptimamente información sobre la composición química para una gran variedad de materiales, madurez tecnológica -traducible en fiabilidad práctica- y precios compatibles con paybacks asumibles.

¿Para qué sirve en la industria?
Ocultar detalles Mostrar detalles

La espectroscopía -y, especialmente, la espectroscopía NIR– se está convirtiendo en una herramienta versátil y robusta en lo que se conoce como PAT (process analytical technologies), esto es, el control de los procesos productivos y de la calidad del producto terminado en base a conocer, en tiempo real y en línea, la composición y las propiedades físicas de lo que se pretende producir y no sólo disponer de información sobre las condiciones del proceso.

Por esa razón su aplicabilidad va desde la determinación exacta del contenido de agua hasta la determinación del punto final de mezclados, por no mencionar el grado de curado (polimerización), la identificación de materiales para su separación, la validación de la materia prima o incluso la detección de anomalías debidas a accidentes o a prácticas fraudulentas.

Ventajas de la Espectroscopía en línea vs. equipos de laboratorio.
Ocultar detalles Mostrar detalles

La ventaja obvia es el tiempo necesario para disponer del resultado y, por lo tanto, para tomar una decisión respecto al proceso en curso.  Con una sonda espectroscópica el resultado está disponible en fracciones de segundo, mientras que los de laboratorio pueden tardar desde horas a días.

Asimismo, al ser la determinación totalmente automática, se eliminan factores distorsionantes en los análisis tradicionales inherentes a la intervención humana, tanto en el muestreo y como en el análisis.

¿Cuál es el límite de detección de la espectroscopía NIR en línea?
Ocultar detalles Mostrar detalles

Por lo general, la espectroscopía NIR no es adecuada para la determinación de concentraciones inferiores a 0.1% en peso, siendo 0.5% en peso un umbral bastante frecuente en las aplicaciones de esta tecnología cuando se usa en línea.

¿Qué es la espectroscopía Raman?
Ocultar detalles Mostrar detalles

En la espectroscopía Raman se hace uso de un mecanismo distinto al de la absorción: se irradia la muestra con una fuente de luz muy intensa (láser) y se captura la radiación generada por la interacción del laser con la sustancia. La señal Raman suele ser muy débil, pero, en cambio, el espectro Raman de cada sustancia tiene un perfil mucho más definido o característico que su perfil de absorción.  Gracias a ello, es un medio idóneo para la identificación de sustancias y la cuantificación de su contenido cuando los tenores son relativamente bajos, pues tiene más especificidad que la espectroscopía de absorción (NIR, por ejemplo).

¿Para qué sirve en la industria?
Ocultar detalles Mostrar detalles

Al igual que la espectroscopía NIR, las sondas Raman son medios idóneos para su uso como herramientas PAT.  A diferencia de la espectroscopía NIR, en la que el agua puede ser un considerable factor interferente, para la señal Raman el agua no supone un problema. Ambas espectroscopías pueden ser complementarias en cuanto a posibles aplicaciones: dado un cierto caso práctico, se ha den de comparar los resultados conseguibles por ambas tecnologías a fin de seleccionar la más adecuada, ya que los factores a considerar no son sólo metrológicos.

¿Qué es y cómo funciona la Visión Artificial con Redes Neuronales?
Ocultar detalles Mostrar detalles

La visión artificial en base a deep learning (redes neuronales) remeda, en cierta manera, la manera en que el cerebro humano procesa la información visual, por lo que, al igual que ocurre con el cerebro, es imprescindible que primero haya un proceso de aprendizaje.  Para ello, se ha de disponer de un conjunto de imágenes suficientemente representativo de los casos que se pretenden detectar, que sirve para “entrenar” la red neuronal, esto es, que la red sea capaz de “interpretar” o “reconocer” las características de interés. Una vez validada la red construida, esta se utiliza para inspeccionar cada nueva imagen, siendo la salida de la red una etiqueta que identifica dicha imagen como perteneciente a una de las clases preestablecidas. En la práctica, una red neuronal es un conjunto de valores numéricos, recogidos en un archivo digital, específico para una tarea concreta, de manera que un software dedicado se ocupa de “aplicar” dicha red a cada imagen a fin de obtener la etiqueta correspondiente a la clase a la que la imagen parece pertenecer.

Las Redes Neuronales vs. algoritmos tradicionales.
Ocultar detalles Mostrar detalles

Los algoritmos de visión artificial tradicionales son determinísticos.  Eso significa que, mediante funciones matemáticas, sean genéricas o específicas, se analiza cada imagen buscando las características de interés.  Ese enfoque limita su aplicación a casos muy concretos, en los que las características sean muy marcadas o evidentes respecto al resto de los elementos de la imagen y siempre requiere de la intervención de expertos humanos.   En el mundo real las circunstancias favorables al uso de algoritmos determinísticos no son nada frecuentes.  Por el contrario, hay muchos elementos interferentes que afectan sobremanera la exactitud del resultado. El deep learning, por el contrario, no parte de supuestos más o menos realistas, sino que, en la fase de aprendizaje, se adapta automáticamente a las circunstancias, esto es, es menos sensible a variaciones imprevistas, y ello puede conseguirlo sin necesidad de supuestos teóricos o del trabajo de un experto.

Aplicaciones de Visión Artificial basada en deep learning en la Industria
Ocultar detalles Mostrar detalles

La aplicación más frecuente es la detección de defectos morfológicos a fin de activar un sistema de rechazo que descarte aquellos productos etiquetados por la red neuronal como defectuosos. Por ejemplo, detección de cuerpos extraños o de unidades defectuosas en alimentos, diferencias cromáticas intolerables en piezas, textiles o productos alimentarios o la cuantificación objetiva de fallos o defectos a fin de calcular un precio justo para los diversos grados de calidad de un producto.