Introduce tu búsqueda a continuación y presiona el botón para obtener resultados.
Una de sus líneas de trabajo es el desarrollo, producción y comercialización de tests de diagnóstico in vitro para los sectores alimentario y medio ambiental.
ZEULAB es una empresa española de biotecnología especializada en el desarrollo de soluciones eficaces que ayuden a sus clientes en el control de la seguridad de los alimentos mediante la aplicación de las últimas tecnologías. Una de sus líneas de trabajo es el desarrollo, producción y comercialización de tests de diagnóstico in vitro para los sectores alimentario y medio ambiental.
En el proceso de fabricación de algunos de estos productos se producen diferentes fallos de calidad en sus productos a nivel funcional y/o a nivel de estética con diferentes casuísticas en cuanto a mermas del producto.
Estos fallos de calidad podrían tener un impacto significativo en la empresa, bien por posible percepción de marca o fiabilidad del producto. Además de un impacto económico en sus costes al tener que retirar estos productos bien de la producción o bien del mercado, generando costos significativos de logística y reemplazo.
Por ello ZEULAB cuida este aspecto con sumo cuidado realizando diferentes procesos de calidad para detectar y en su caso retirar todos los productos con defectos.
El objetivo en este proyecto era trabajar en la automatización de la detección de estos fallos de calidad, validando si mediante el uso de la tecnología de visión artificial, combinando técnicas clásicas y de Deep Learning, era viable eliminar o disminuir en la medida de lo posible estos defectos de calidad en su proceso.
Para realizar la evaluación de algoritmos, es necesario realizar de forma previa un proceso de adquisición de datos, es decir, construir un banco de imágenes (dataset) etiquetadas con el que poder evaluar los algoritmos más adecuados. Este proceso se realizó mediante un sistema de captura de imágenes con cámaras de alta resolución.
Posteriormente, se desarrollaron diferentes algoritmos clásicos utilizados en visión artificial y otros de deep-learning cuya precisión se testeó utilizando dicho banco de imágenes.
El resultado obtenido en el proyecto permitió, por un lado, encontrar los tipos de fallos de calidad que son más factibles de detectar con visión e inteligencia artificial y cuales son más complejos. Con la algoritmia final desarrollada se pudo realizar una detección preliminar de los fallos más prioritarios de cara a buscar una posterior solución industrializable.
