Inspektionssysteme – Geben Sie sich nicht mit einer einzigen Perspektive zufrieden

Wayne Labs von Food Engineering untersucht, warum Lebensmittelverarbeiter sich nicht allein auf Vision Inspektionslösungen verlassen sollten und wie KI und maschinelles Lernen die Erkennungsmöglichkeiten von Inspektionssystemen neben Röntgen-, NIR-/hyperspektralen und Metalldetektionsverfahren erweitern.

Courtney Crichlow, Projektmanagerin bei KPM Analytics, trug wichtige Erkenntnisse zu dem Artikel bei. Sie erklärte, dass traditionelle Inspektionskriterien davon geprägt waren, was menschliche Qualitätsteams realistisch stichprobenartig prüfen konnten, und dass ein Großteil der heutigen Ausrüstung noch immer nach diesen historischen Standards gebaut wird, anstatt Lebensmittelabfälle zu reduzieren, die Qualität zu verbessern und Fremdkörpervorfälle zu verhindern. Sie räumt zudem mit dem weit verbreiteten Irrtum auf, dass KI-Vision-Modelle sofort einsatzbereit seien, und weist darauf hin, dass KI-basierte Systeme deutlich größere anfängliche Datensätze benötigen, um Produktvariabilität und die spezifischen Merkmale der zu suchenden Fremdkörper zu erlernen. Der Artikel enthält zudem Bildmaterial von KPM Analytics, das zeigt, wie ein gut trainiertes KI/ML-System Fremdkörper mit geringer Dichte findet – wie etwa Kunststoff in Hühnchen oder einen Baumwollhandschuh in Rindfleischabschnitten –, die von Röntgen- und Metalldetektoren oft übersehen werden.

Lesen Sie den Artikel von Food Engineering