Inteligentniejsze oczy na linii: Inspekcja AI widzi, czego ludzie tęsknią

Ten artykuł pierwotnie ukazał się w Żywność i napoje Drink Technology. Kliknij tutaj, aby uzyskać dostęp do artykułu na stronie internetowej publikacji.

Rosnące wymagania przetwórców żywności, aby produkować więcej produktów w większych ilościach bez poświęcania jakości, nie znikają.

Teraz, kilka lat od ery Covid-19, obroty w produkcji żywności pozostały uparcie wysokie, powodując, że wielu przetwórców szuka lepszych rozwiązań, aby sprostać tym wymaganiom.

Tradycyjne metody kontroli produktów, czy to poprzez rutynowe pobieranie próbek, czy obserwowanie prędkości wierszy produktów na przenośnikach, stały się prawie niemożliwe do utrzymania przy dzisiejszych prędkościach przetwarzania. Kontrola ręczna jest pracochłonna, przyziemna i zależy w dużej mierze od doświadczenia operatora, co utrudnia spójność nawet w najlepiej wykonywanych operacjach.

Jak odkryło wiele marek spożywczych, dzisiejsze technologie kontroli wzroku oparte na sztucznej inteligencji przewyższają kontrolę wyłącznie przez ludzi na kilka sposobów. Po pierwsze, system wizyjny AI nigdy nie doświadcza zmęczenia; zachowuje wysokie standardy, aby obiektywnie analizować wszystkie produkty przez cały dzień, każdego dnia. Dodatkowo, inspektorzy ludzcy zazwyczaj sprawdzają tylko górną stronę produktów.

System kontroli wizyjnej wyposażony w kamery górnej, dolnej i bocznej zapewnia 100% kontrolę produktu. Wdrożenie systemu sztucznej inteligencji umożliwia również kontrolę produktu poza tym, co ludzie mogą zobaczyć. Obrazowanie wielospektralne i hiperspektralne umożliwia analizę składową poza widmem widzialnym.

Chociaż są one wykorzystywane w procesach spożywczych w pewien sposób od ponad dekady, kontrola wizyjna oparta na sztucznej inteligencji nadal rodzi wiele pytań wśród przetwórców żywności sceptycznie nastawionych do ich możliwości i przypadków użycia.

Trzy sposoby, w jakie przetwórcy żywności korzystają dziś z kontroli wzroku opartej na sztucznej inteligencji

1) Zmniejszone wycofywanie produktów spowodowane przez materiały obce

Materiały obce występują w wielu formach. Kawałki przenośnika lub odłamki metalu z maszyn, plamki plastiku lub folii z opakowań lub nieuważny pracownik linii przypadkowo pozostawiający ŚOI na linii przetwórczej, mogą powodować masowe wycofywanie produktów.

Większość zakładów przetwórstwa spożywczego wykorzystuje promieniowanie rentgenowskie lub wykrywacze metali do kontroli ciał obcych na krytycznych etapach procesu. Jednak te typy systemów kontroli są skuteczne tylko podczas wykrywania obiektów stałych. Oznacza to, że miękkie obce materiały, takie jak papier, folie, tworzywa sztuczne, drewno lub defekty kosmetyczne, takie jak ciasto na wypiekach, mogą przechodzić niewykryte.

Dzisiejsze technologie kontroli wizyjnej oparte na sztucznej inteligencji są dobrze wyposażone do wykrywania tradycyjnie trudnych materiałów obcych z powierzchni produktu. System wizyjny AI może odróżnić produkty o naturalnych odmianach od obcych anomalii, które może przegapić nawet najbardziej wyczulony operator, takich jak przezroczysty plastik na łożu rozdrobnionego ser lub kawałek białej gumy na stosie mielonej wołowiny.

Nowoczesne modele kontroli wzroku oparte na sztucznej inteligencji mogą teraz wykrywać miękkie obce materiały, takie jak papier i plastik, które zazwyczaj unikają wykrywania promieniowania rentgenowskiego i metali.

Każde uniknięte wycofanie produktów oszczędza miliony dolarów markom żywności; jeśli system wizyjny AI znajdzie tylko jeden potencjalnie niebezpieczny obcy materiał z linii przetwórczej, sam ten wysiłek może wielokrotnie opłacić inwestycję w system.

2) Bardziej spójna kontrola jakości produktu na skalę

Pierwsze kontrola wizualna w zakładach produkcji żywności były zwykle używane do pomiaru prostych cech produktu, takich jak rozmiar, kształt, kolor i inne podstawowe cechy. Moc obliczeniowa, a także technologie kamer i oświetlenia w tym czasie mogły przetwarzać tylko tyle danych wejściowych, ale gdy użytkownicy zaczęli przesuwać granice technologiczne, aby zmierzyć bardziej złożone funkcje produktu lub dowiedzieć się więcej o ich procesie, twórcy kontroli wizji zaczęli badać sztuczną inteligencję jako metodę wdrażania większej liczby możliwości pomiarowych.

Weźmy na przykład bułeczki z hamburgerami; w przypadku marek szybkiego serwowania restauracji (QSR) odpowiedni rozmiar, objętość i kolor pieczenia były wystarczającymi wskaźnikami jakości. W ostatnich latach niektóre QSR rozgałęziły się na różne i głębsze pomiary produktów, takie jak dystrybucja nasion lub analiza połysku na bułce. Dzięki zaawansowanej technologii kamer i oświetlenia system oparty na sztucznej inteligencji może określić ilościowo te cechy z prędkością pełnej linii, umożliwiając operatorom dokonywanie niezbędnych zmian w celu zapewnienia spójności z każdym cyklem produkcyjnym.

Inną wartością zapewnienia jakości technologii kontroli wzroku opartych na sztucznej inteligencji jest ich zdolność do wykrywania subtelnych anomalii i wad produktów. Weźmy na przykład linię do produkcji krakersów dla zwierząt. Każdy kraker ma szczegółowe cechy, które identyfikują go z konkretnym zwierzęciem. Zbyt wiele zepsutych krakersów słabo odzwierciedla markę.

Dzięki systemowi wizyjnemu AI przeszkolonemu do sprawdzania 100% krakersów wychodzących z piekarnika lub strefy chłodzenia, te możliwości rozpoznawania kształtów i wykrywania defektów mogą być bardzo niezawodne i wykorzystywane do napędzania mechanizmu odrzucania w celu usunięcia wadliwych produktów z linii. Jeśli słoniowi brakuje pnia lub ptakowi brakuje dzioba, system sztucznej inteligencji sprawia, że określenie to jest szybsze i bardziej konsekwentne niż przeciętny inspektor produktu.

Dzięki oszczędności na pracy, zmniejszeniu ilości odpadów i poprawie wydajności operacyjnej system kontroli oparty na sztucznej inteligencji stosowany do kontroli jakości zapewnia szybki zwrot z inwestycji w wielu aspektach.

3) Optymalizacja procesu produkcyjnego i poprawa wydajności

Każdy system kontroli wizyjnej AI może stać się siłą napędową danych dla organizacji przetwórstwa spożywczego. Na poziomie podłogi dane wizyjne mogą pomóc odkryć podstawowe przyczyny niespójności procesów. Weźmy jako przykład zakład produkcji bryłek kurczaka: pojedynczy zakład może mieć wiele frytowniczek partiowych, które gotują panierowany produkt. Po ugotowaniu produktu i wejściu do strefy chłodzenia za pomocą przenośników system kontroli liniowej może wykryć przebarwienia produktów z określonej frytownicy, co może wskazywać na konieczność wymiany oleju lub regulacji temperatury.

Na poziomie zakładu dane wizyjne mogą pomóc odkryć trendy produkcyjne, które operatorzy mogą wykorzystać, aby być bardziej proaktywnymi w podejmowaniu decyzji. Na przykład, jeśli pewna wada jakościowa występuje częściej podczas jednej zmiany produkcyjnej w porównaniu z innymi lub jeśli wady mogą być powiązane z partią składników określonego dostawcy, dane wizyjne mogą zaoszczędzić menedżerom jakości znaczny czas rozwiązywania problemów.

Czy Twoja firma rozważa inspekcję AI?

Kontrola wizyjna oparta na sztucznej inteligencji nie zastępuje znaczenia doświadczonych zespołów kontroli jakości, ale wzmacnia je, zapewniając spójną kontrolę w czasie rzeczywistym, umożliwiając członkom zespołu skupienie się na innych ważniejszych zadaniach w zakładzie. Dla przetwórców wypieków, mięsa i świeżych produktów, rezultatem jest mniej niespodzianek, większa zgodność z przepisami i większa pewność, że każdy produkt spełnia najwyższe standardy jakości i bezpieczeństwa żywności.