Systemy kontroli – nie zadowalaj się jednym punktem widzenia

Wayne Labs z Food Engineering analizuje, dlaczego przetwórcy żywności nie powinni polegać wyłącznie na kontroli wizualnej oraz w jaki sposób sztuczna inteligencja i uczenie maszynowe rozszerzają możliwości systemów kontroli, uzupełniając technologie rentgenowskie, NIR/hiperspektralne oraz wykrywanie metali.

Courtney Crichlow, Project Manager w KPM Analytics, wniosła kluczowe spostrzeżenia do artykułu, wyjaśniając, że tradycyjne kryteria kontroli były kształtowane przez to, co zespoły ds. jakości mogły realistycznie sprawdzić, a większość dzisiejszego sprzętu jest nadal budowana zgodnie z tymi historycznymi standardami, zamiast w celu ograniczenia marnowania żywności, poprawy jakości i zapobiegania incydentom z udziałem materiałów obcych. Odniosła się również do powszechnego błędnego przekonania, że modele wizyjne AI zapewniają wartość od razu po uruchomieniu, zauważając, że systemy oparte na AI wymagają znacznie większych początkowych zbiorów danych, aby nauczyć się zmienności produktów i specyficznych cech wykrywanych materiałów obcych. Artykuł zawiera również zdjęcia KPM Analytics pokazujące, jak dobrze wyszkolony system AI/ML znajduje materiały obce o niskiej gęstości, takie jak plastik w kurczaku czy bawełniana rękawica w skrawkach wołowiny, które często są pomijane przez detektory rentgenowskie i metali.

Przeczytaj artykuł w Food Engineering