Korzystanie z AI Vision Inspection do zamrażania błędów przetwarzania, materiałów obcych na ich śladach

Ten artykuł pierwotnie ukazał się w magazynie Refrigerated & Frozen Foods. Kliknij tutaj, aby uzyskać dostęp do artykułu na stronie internetowej publikacji.

Wszyscy producenci żywności mrożonej i gotowej stoją przed podobnym codziennym wyzwaniem: upewnienie się, że każda taca z produkowaną żywnością wygląda jak żywność przedstawiona na opakowaniu.

Wiele mrożonych produktów spożywczych jest przetwarzanych, montowanych i pakowanych za pomocą zautomatyzowanych maszyn, często z inspektorem ludzkim jako główną linią obrony w celu wykrycia wad jakościowych, niepożądanych materiałów rodzimych i potencjalnie szkodliwych materiałów obcych, które trafiają do gotowych produktów. Wymagający fizycznie charakter tych ról, w połączeniu z długimi godzinami pracy w zimnych lub przemysłowy środowiskach, może szybko przyczynić się do wypalenia. Ponadto poleganie wyłącznie na inspektorach ludzkich wprowadza subiektywność procesu, zarówno od pracownika do pracownika, jak i od tego samego pracownika na jednej zmianie z powodu zmęczenia.

Wraz ze wzrostem zapotrzebowania konsumentów na mrożone produkty spożywcze i gotowe posiłki, większe wymagania dotyczące przepustowości produktów doprowadziły do nowej ery zautomatyzowanej kontroli wzroku napędzanej sztuczną inteligencją (AI).

Kontrola konwencjonalna w nowoczesnych środowiskach produkcyjnych

Przez dziesięciolecia większość firm zajmujących się przetwórstwem mrożonej żywności opierała się przede wszystkim na wykrywaczach metali i systemach rentgenowskich do wykrywania materiałów obcych. Chociaż technologie te są skuteczne w wykrywaniu gęstych przedmiotów, takich jak metal lub kość, nie mogą zidentyfikować większości obcych materiałów o niskiej gęstości, takich jak plastik, papier, guma i przedmioty o podobnych kolorach, które również stanowią zagrożenie dla konsumentów.

Firmy produkujące żywność - głównie zajmujące się pieczeniem i przetwarzaniem białek oraz kilku użytkowników z branży mrożonek - zaczęły integrować technologie kontroli wizji w swoich liniach przetwórczych. Systemy te zawierają kamery 2D i 3D o wysokiej rozdzielczości z zaawansowanym oświetleniem do analizy wszystkich stron produktu, w tym górnej i dolnej - w celu uzyskania typowych pomiarów jakości, takich jak ogólny kolor, rozmiar i kształt, ze szczegółowymi pomiarami, takimi jak rozkład polewy, stosunek składników, obecność/brak komponentów, predykcyjna waga produktu lub dokładność odcisków na produkcie (jak logo wytłoczone na ciasteczku).

Przetwórcy żywności muszą wiedzieć, że technologie kontroli wzroku uzupełniają rentgenowskie i wykrywacze metali, a nie ich bezpośrednie zastępowanie. Ponieważ każdy system jest przeszkolony na określonym produkcie, zapewnia dodatkową warstwę wykrywania poprzez identyfikację anomalii, które mogą pozostać niezauważone przez inne metody. Jeśli system zidentyfikuje coś poza jego specyfikacjami, może ostrzec operatora o działaniu lub zatrzymaniu linii produkcyjnej.

Niektóre firmy zintegrowały zautomatyzowane metody odrzucania, aby usunąć produkty niezgodne ze specyfikacją, aby zapewnić usunięcie wadliwych produktów z procesu bez powodowania przestojów linii.

Większość technologii kontroli wzroku stosowanych obecnie w przetwórstwie żywności to systemy wizyjne oparte na regułach. W systemie wizyjnym opartym na regułach, gdy produkty przechodzą pod system wizyjny, technologia robi zdjęcie produktu i porównuje obraz z kryteriami pomiarowymi zdefiniowanymi przez użytkownika. Firmy mierzyły jednocześnie tylko kilka prostych atrybutów produktu, takich jak rozmiar produktu, kolor lub kształt, co było znacznie bardziej osiągalne dzięki systemowi opartemu na regułach.

Nowa technologia umożliwia jednoczesne sprawdzanie bardziej złożonych pomiarów produktów, w tym materiałów obcych, przy pełnych prędkościach. Te rosnące wymagania doprowadziły systemy wizyjne oparte na regułach do granic technologicznych.

Systemy oparte na regułach zawsze będą opcją dla producentów żywności, ale ostatnie sukcesy kontrola wizualna wizji opartych na sztucznej inteligencji oferują ekscytujące i wydajne rozwiązanie, które zastępuje wizję opartą na zasadach i zapewnia spójność i bezpieczeństwo produktu.

Jak działa system kontroli oparty na sztucznej inteligencji?

Technologie kontroli wzroku oparte na sztucznej inteligencji stosują zdefiniowane przez człowieka kryteria w celu rozróżnienia cech produktów spożywczych i niepożądanych przedmiotów. Można opracować model sztucznej inteligencji, aby wykryć każdą różnicę, jaką człowiek może dostrzec.

Podobnie jak system kontroli wizyjnej oparty na regułach, system kontroli oparty na sztucznej inteligencji zawiera kamery o wysokiej rozdzielczości i zaawansowane konfiguracje oświetlenia do analizy produktów przechodzących przez linię. Zdolność systemu sztucznej inteligencji do skutecznego segmentowania poszczególnych produktów spożywczych i ich składników od ogólnego obrazu sprawia, że jest on znacznie bardziej skuteczny niż wizja oparta na regułach. System sztucznej inteligencji wykracza poza wykrywanie kolorów lub kształt i grubość produktu, aby analizować złożone systemy pod kątem różnych atrybutów, takich jak człowiek.

Na przykład producent mrożonych obiadów ma kilka składników automatycznie dozowanych na tacę produktu przez wiele zautomatyzowanych maszyn — makaron, białko, sos itp. Podczas gdy te maszyny do nakładania składników są regularnie sprawdzane, mogą one działać nieprawidłowo lub po prostu przegapić znak podczas dozowania produktu na opakowaniu.

Mrożona kolacja z wieloma różnymi kolorami, kształtami i fakturami stanowi wyzwanie dla opartego na regułach system kontroli wizyjnej. Jednak dzięki systemowi kontroli wzroku opartemu na sztucznej inteligencji może natychmiast zidentyfikować każdy pojedynczy składnik całego posiłku jak ludzki inspektor, ale ze znacznie większą precyzją i szybkością. System może również natychmiast zbierać te dane do śledzenia w czasie rzeczywistym lub skompilować je w łatwy do śledzenia raport.

Podobnie sztuczna inteligencja ponownie stosuje precyzję klasy ludzkiej do wykrywania obcych materiałów i znajdowania przedmiotów w strumieniu produktów, które nie należą. Na przykład producent pojedynczych szybkozmrożonych (IQF) pokrojonych w kostkę cebuli może często napotkać problem wchodzenia twardych skórek cebuli do strumienia produktów, co prowadzi do niezadowolenia klientów z tekstury. Skórka cebuli ma zazwyczaj kolor zbliżony do posiekanej cebuli, co szczególnie utrudnia rozróżnienie nawet najbardziej zagorzałemu inspektorowi.

Potencjał sztucznej inteligencji do zrewolucjonizowania kontroli jakości w produkcji mrożonek jest niezaprzeczalny. Badanie przeprowadzone przez Grand View Research szacuje, że sztuczna inteligencja na rynkach żywności i napojów wzrośnie z 8,45 miliarda dolarów w 2023 roku przy CAGR na poziomie 39,1% w latach 2024-2030, przy prognozie przychodów na poziomie 84,75 miliarda dolarów. Ta szansa na wzrost odzwierciedla rosnące wdrażanie rozwiązań opartych na sztucznej inteligencji w całej branży, co naturalnie doprowadziło do wzrostu liczby nowych twórców systemów kontroli AI.

Jedną z kluczowych wartości systemów wizyjnych opartych na sztucznej inteligencji jest ich obiektywność. W przeciwieństwie do ludzkich inspektorów, dobrze wyszkolony system sztucznej inteligencji nigdy nie robi przerwy, nie męczy się ani nie ma „dnia wolnego” na linii. Stosuje pomiary definiowane przez operatora ludzkiego do analizy produktów pod kątem dokładnych kryteriów jakości. Ten sposób szkolenia AI nazywany jest „uczeniem się nadzorowanym”, co oznacza, że wpływ człowieka jest zawsze podstawą funkcji systemu.

Dzięki nadzorowanemu uczeniu się modele sztucznej inteligencji są budowane w oparciu o pokazywanie systemowi zarówno „dobrych” przykładów, jak i „złych” przykładów. Z biegiem czasu system sztucznej inteligencji uczy się tolerancji dla określonej cechy produktu lub obcego materiału. Modele mogą się zmieniać lub ewoluować, gdy nowe próbki produktów wchodzą do zestawu szkoleniowego, ale operator ludzki lub zespół operatorów zawsze pozostaje pod kontrolą.

„Nienadzorowane” szkolenie AI pozwala AI opracować własne tolerancje dla produktów lub materiałów. Ta metoda stwarza szereg zagrożeń związanych z produkcją żywności; ponieważ sztuczna inteligencja zawsze poszukuje danych, nienadzorowane systemy sztucznej inteligencji mogą zacząć podejmować błędne decyzje dotyczące jakości produktu, co prowadzi do potencjalnie katastrofalnych skutków. Bardzo ważne jest, aby dostawca sztucznej inteligencji mógł zademonstrować lub zaoferować spójne szkolenia i wsparcie dla modeli sztucznej inteligencji przez cały okres eksploatacji systemu.

Inteligentne systemy zapewniają bezpieczną żywność, precyzję porcji

Zastosowanie technologii kontroli wizji opartych na sztucznej inteligencji zapewnia producentom mrożonek znaczną przewagę konkurencyjną w branży z ostrą konkurencją i niewielkimi marżami. Systemy te zwiększają bezpieczeństwo i wydajność oraz wykazują zaangażowanie w innowacyjność i jakość, wzmacniając reputację marki i lojalność konsumentów.

Sprostając pojawiającym się wyzwaniom i wykorzystując technologie sztucznej inteligencji, producenci mrożonek mogą zwiększyć bezpieczeństwo produktów, obniżyć koszty operacyjne i sprostać stale zmieniającym się oczekiwaniom konsumentów i organów regulacyjnych. Wraz z postępem sztucznej inteligencji będzie ona odgrywać jeszcze ważniejszą rolę w kształtowaniu przyszłości produkcji mrożonek, zapewniając, że jakość i wydajność idą w parze.

W konkurencyjnym i krytycznym dla bezpieczeństwa świecie produkcji mrożonek stosowanie zaawansowanych technologii sztucznej inteligencji jest nie tylko opcją, ale koniecznością.

‍