Systèmes d'inspection : ne vous contentez pas d'un seul point de vue

Wayne Labs de Food Engineering explique pourquoi les industriels de l'agroalimentaire ne devraient pas se reposer uniquement sur l'inspection visuelle, et comment l'IA et l'apprentissage automatique étendent les capacités de détection au-delà des rayons X, du proche infrarouge/hyperspectral et des détecteurs de métaux.

Courtney Crichlow, cheffe de projet chez KPM Analytics, a apporté des éclairages clés à cet article. Elle explique que les critères d'inspection traditionnels étaient définis par ce que les équipes qualité humaines pouvaient réellement contrôler, et que la plupart des équipements actuels sont encore conçus selon ces normes historiques plutôt que pour réduire le gaspillage alimentaire, améliorer la qualité et prévenir les incidents liés aux corps étrangers. Elle souligne également une idée reçue selon laquelle les modèles de vision par IA seraient immédiatement opérationnels, précisant que ces systèmes nécessitent des jeux de données initiaux beaucoup plus vastes pour apprendre la variabilité des produits et les caractéristiques spécifiques des corps étrangers ciblés. L'article présente aussi des images de KPM Analytics illustrant comment un système d'IA/ML bien entraîné détecte des corps étrangers à faible densité, comme du plastique dans du poulet ou un gant en coton dans de la viande de bœuf, que les rayons X et les détecteurs de métaux manquent souvent.

Lire l'article de Food Engineering