AI kontra systemy wizyjne oparte na regułach w przetwórstwie spożywczym

Ten artykuł pierwotnie ukazał się w numerze Processing Magazine. Kliknij tutaj, aby wyświetlić artykuł na stronie internetowej publikacji.

Chociaż w ostatnich latach szybko zyskały na popularności w wielu zakładach przetwórstwa spożywczego, zautomatyzowane technologie kontroli wizyjnej istnieją od kilku dziesięcioleci. Pierwsze firmy spożywcze, które były pionierami technologii kontroli wizyjnej, pojawiły się w latach 80. XX wieku, gdy wizja maszynowa przeszła z laboratoriów akademickich do zastosowań komercyjnych.

Systemy wizyjne stosowane obecnie na liniach przetwórstwa spożywczego znacznie przewyższają swoje skromne początki. Dzięki ulepszonej rozdzielczości kamer, udoskonalonej technologii oświetleniowej i solidnemu oprogramowaniu analitycznemu, nowoczesne systemy wizyjne mogą teraz szybko analizować unikalne cechy produktów i wykrywać ciała obce z niezwykłą szybkością i dokładnością.

Od dużych marek piekarniczych po producentów mrożonych dań, wszyscy odczuwają zewnętrzne naciski, które przyspieszają potrzebę bardziej zaawansowanych możliwości kontroli w ich zakładach. Wraz z zaostrzeniem przepisów dotyczących bezpieczeństwa żywności, rosnącymi oczekiwaniami konsumentów i zmieniającymi się gustami, ciągłymi niedoborami siły roboczej i wzrostem konkurencji, wdrażanie kontroli wizyjnej — zwłaszcza dzisiejszych potężnych rozwiązań opartych na sztucznej inteligencji — jest coraz częściej postrzegane jako niezbędna inwestycja, aby pozostać konkurencyjnym i rentownym.

Ale czy to automatycznie oznacza, że każdy przetwórca żywności potrzebuje najbardziej zaawansowanego systemu kontroli opartego na sztucznej inteligencji na swojej linii? Niekoniecznie. Zrozumienie szerokiej gamy oferowanych systemów wizyjnych i wiedza, kiedy każde podejście ma sens, jest kluczem do podjęcia właściwej inwestycji.

Technologia kontroli wizyjnej: Zakorzeniona w metrykach opartych na regułach

Większość systemów kontroli wizyjnej w zakładach spożywczych obecnie wykorzystuje predefiniowane progi do analizy produktów pod kątem koloru, rozmiaru, kształtu, kontrastu i innych prostych cech, które są zazwyczaj mierzone poprzez rutynowe pobieranie próbek produktów. W kontrolowanych środowiskach przetwarzania z wysoce jednolitymi produktami, to podejście pomiarowe oparte na regułach okazało się skuteczne.

Jednak dla wielu przetwórców żywności dzisiejsze produkty są dalekie od jednolitości. Wiele produktów jest bardzo zmiennych, nawet na kontrolowanej linii produkcyjnej. Przykłady tych wariacji obejmują naturalne kształty i tekstury składników, a także wariacje procesowe, takie jak stan i ustawienia sprzętu, metody operatora lub zmiany w środowisku otoczenia. Te wariacje są często nieuniknione, a w niektórych przypadkach bardzo pożądane, ale wprowadzają poziom złożoności, który może stanowić wyzwanie dla niektórych systemów opartych na regułach. Ta złożoność często oznacza, że systemy oparte na regułach muszą być rozregulowane, aby uniknąć fałszywych odrzuceń, i wiąże się z odpowiednim ryzykiem niewykrycia właśnie tych wad, których szukają.

Wkraczają aplikacje kontroli wizyjnej oparte na sztucznej inteligencji

Co ciekawe, rozwój technologii wizyjnej opartej na sztucznej inteligencji nie był napędzany przez niedociągnięcia wizji opartej na regułach, ale przez jej sukces.

Użytkownicy systemów wizyjnych opartych na regułach poczuli się bardziej komfortowo z automatyczną kontrolą, co skłoniło ich do zwrócenia się do dostawców technologii o bardziej zaawansowane możliwości. Odkryli, że ich systemy oparte na regułach były mniej przystosowane do obsługi większej zmienności produktów lub do identyfikowania subtelnych wad lub ciał obcych. Ich rosnące oczekiwania ujawniły naturalne ograniczenia technologii i stworzyły potrzebę bardziej elastycznego, adaptacyjnego rozwiązania.

Zamiast polegać na stałych, wstępnie zaprogramowanych pomiarach, systemy oparte na sztucznej inteligencji wykorzystują modele uczenia maszynowego trenowane na obrazach rzeczywistych produktów do rozpoznawania wzorców, tekstur i wariacji, które są prawie niemożliwe do ręcznego zidentyfikowania z wysoką powtarzalnością. Te możliwości zwiększają zdolność systemu do podejmowania bardziej zniuansowanych decyzji, zwłaszcza w zastosowaniach spożywczych, gdzie produkty są z natury niejednorodne.

Porównanie różnic między kontrolą wizyjną opartą na regułach a kontrolą wizyjną opartą na sztucznej inteligencji

Integracja technologii kontroli wizyjnej to nie tylko znacząca inwestycja kapitałowa, ale może również przynieść poważne zmiany zarówno w procesie produkcyjnym, jak i w kulturze organizacji. Oceniając technologie, warto myśleć mniej w kategoriach „która oferuje najwięcej możliwości”, a bardziej w kategoriach „która jest lepsza dla danego zastosowania”. Kontrola wizyjna oparta na regułach i kontrola wizyjna oparta na sztucznej inteligencji wnoszą odrębne mocne strony, które należy rozważyć w ramach unikalnych potrzeb operacji.

Złożoność procesu i produktu. Systemy oparte na regułach najlepiej sprawdzają się w zastosowaniach spożywczych, gdzie warunki produkcji są ściśle kontrolowane, a progi pomiarowe są dobrze zdefiniowane. Zazwyczaj, jeśli można jasno udokumentować kryteria podejmowania decyzji o zaliczeniu/niezaliczeniu za pomocą pomiarów i wykresów kolorów, system oparty na regułach może pomóc zwiększyć szybkość i dokładność rutynowej kontroli produktów.

Systemy oparte na sztucznej inteligencji różnią się tym, że mogą być skutecznie stosowane w środowiskach produkcyjnych, gdzie warunki są mniej przewidywalne. Ponieważ systemy oparte na sztucznej inteligencji uczą się na przykładach produktów, lepiej radzą sobie z naturalnymi wariacjami i bardziej złożonymi atrybutami niż systemy oparte na regułach. Dlatego w przypadku prostszych produktów spożywczych, gdzie zmienność produktu jest mniej zauważalna między poszczególnymi jednostkami, operator zakładu może nie potrzebować wykorzystywać wszystkich rozbudowanych możliwości systemu AI i może znaleźć to, czego potrzebuje, w systemie opartym na regułach, który mierzy tylko kilka komponentów.

Wykrywanie Materiałów Obcych. Ponieważ systemy oparte na regułach działają na podstawie stałych pomiarów, ich zastosowanie do wykrywania ciał obcych jest często ograniczone tylko do kolorów, które nigdy naturalnie nie występują w produkcie. Ta niezdolność do odróżniania anomalii w produkcie od czegokolwiek poza ich zakresem pomiarowym blednie w porównaniu z systemami opartymi na sztucznej inteligencji, które mogą uczyć się i analizować drobne szczegóły oraz wskazówki kontekstowe obrazów, aby odróżnić podobnie wyglądające atrybuty produktu od prawdziwych ciał obcych. Produkcja bułek do hamburgerów jest tego doskonałym przykładem.

Masowo produkowane bułki hamburgerowe są zazwyczaj pieczone w formach wielokrotnego użytku. Z czasem nadmiar ciasta może gromadzić się na dnie formy i na innych bułkach, tworząc nieapetyczny wygląd dla konsumentów. Co więcej, bułki często mają naturalnie występujące pęcherzyki powietrza lub osady mąki, które są akceptowalne, ale wizualnie mogą być podobne do zaschniętych wad ciasta.

System wizyjny oparty na regułach może mieć trudności z odróżnieniem osadów ciasta od tych naturalnych cech. Jednak system wizyjny oparty na sztucznej inteligencji, dobrze przeszkolony na produkcie i procesie, może dokonywać tych ustaleń ze znacznie większą dokładnością.

Ta sama zasada może mieć zastosowanie do innych potencjalnie niebezpiecznych materiałów, które mogą osadzać się na powierzchni produktu, takich jak fragmenty metalu, plastiku lub gumy z maszyn przetwórczych lub opakowań. Jeśli wykrywanie materiałów obcych jest głównym priorytetem dla operacji, systemy wizyjne oparte na sztucznej inteligencji lepiej spełniają to zapotrzebowanie.

Infrastruktura i złożoność zakładu. Kluczowym kryterium wyboru między kontrolą wizyjną opartą na regułach lub sztucznej inteligencji jest zdolność zakładu do wspierania pomyślnego wdrożenia i utrzymania tych systemów. Wszystkie systemy korzystają z szybkiej, bezpiecznej łączności zdalnej w celu uzyskania dostępu do usług wsparcia i monitorowania pojawiających się problemów, ale systemy wizyjne oparte na sztucznej inteligencji mogą mieć zwiększone wymagania wobec zakładu produkcyjnego.

Ponadto, systemy oparte na regułach mogą być łatwiejsze do wdrożenia i utrzymania ze względu na łatwość aktywacji i dostosowywania specyfikacji pomiarowych. Nierzadko zdarza się, że systemy te są w pełni operacyjne w ciągu godzin lub dni od uzyskania pierwszych obrazów. Natomiast procesy gromadzenia danych i tworzenia modeli związane z rozwiązaniami opartymi na sztucznej inteligencji mogą wydłużyć ten czas do tygodni, a nawet miesięcy w przypadku bardzo złożonych projektów.

Myśl praktycznie, oceniając kontrolę wizyjną

Wielu producentów żywności nadal odnosi sukcesy dzięki systemom wizyjnym opartym na regułach, podczas gdy operacje o dużej zmienności produktów i złożonych procesach mogą być lepiej dostosowane do systemów opartych na sztucznej inteligencji. Co najważniejsze, wybór nie zawsze sprowadza się do jednego lub drugiego. Wiele rozwiązań wykorzystuje podejście hybrydowe i może łączyć szybkie wdrożenie oraz wymierne, przewidywalne możliwości systemów opartych na regułach z adaptacyjnością i rozszerzonymi możliwościami wykrywania systemów opartych na sztucznej inteligencji. Rozumiejąc mocne strony każdego z nich, przetwórcy żywności mogą zbudować elastyczną strategię kontroli, aby chronić jakość, poprawiać wydajność i rozwijać się wraz z ich działalnością.