Document details

The presence of foreign objects in food processing lines poses significant risks to consumer safety, product quality, and regulatory compliance. Traditional inspection methods such as manual visual checks or metal detectors are limited in their ability to detect non-metallic con- taminants like plastic, wood, or glass, especially when mixed with vegetable products. In re- sponse to this challenge, this work proposes the development of a real-time, computer vision system capable of detecting foreign materials on conveyor belts in a frozen vegetable factory. The proposed approach relies on RGB image acquisition and deep learning models, particu- larly object detection architectures such as YOLO (You Only Look Once), enhanced with at- tention mechanisms to improve small object recall. This document includes an overview of classical and modern vision techniques, the selection of suitable tools and models, and a defined work plan for implementation, calibration, testing and results. The expected outcome is a lightweight, accurate detection model integrated into a prototype system capable of operating in real-time under industrial conditions. This work aims to contribute to food safety automation in compliance with EU standards and to demon- strate the viability of deploying deep learning-based inspection systems on production lines.

A presença de corpos estranhos em linhas de processamento alimentar representa riscos significativos para a segurança dos consumidores, a qualidade do produto e o cumprimento das normas legais. Métodos tradicionais de inspeção, como verificações visuais manuais ou detetores de metais, são limitados na deteção de contaminantes não metálicos como plástico, madeira ou vidro, sobretudo quando estes se misturam com vegetais. Face a este desafio, este trabalho propõe o desenvolvimento de um sistema de visão por computador em tempo real, capaz de detetar materiais estranhos em tapetes rolantes numa fábrica de legumes congelados. A abordagem baseia-se na captura de imagens RGB e em modelos de deep learning, nomeadamente arquiteturas de deteção como o YOLO (You Only Look Once), complementadas com mecanismos de atenção para melhorar a deteção de objetos pequenos. Este documento inclui uma revisão das técnicas clássicas e modernas de visão, a seleção de ferramentas e modelos adequados, e um plano de trabalho para implementação, calibração, testes e resultados. Espera-se como resultado um modelo de deteção leve e preciso, integrado num protótipo capaz de operar em tempo real sob condições industriais. Este trabalho pretende contribuir para a automatização da segurança alimentar, em conformidade com as normas da União Europeia, e demonstrar a viabilidade da aplicação de sistemas de inspeção com deep learning em linhas de produção.