Sztuczna inteligencja dla jakości i bezpieczeństwa żywności: co działa, a co nie

To niezwykłe, jak szybko sztuczna inteligencja (AI) zmieniła się z intrygującego pomysłu w gorący temat w naszym społeczeństwie - i to dopiero początek. Przemysł spożywczy jest kluczowym motorem innowacji sztucznej inteligencji w produkcji i przetwórstwie. Główne marki spożywcze inwestują znaczne inwestycje i wdrożyły w ostatnich latach kilka różnorodnych aplikacji sztucznej inteligencji, mających na celu poprawę bezpieczeństwa żywności, jakości i przepustowości produktów.

W miarę pojawiania się nowych aplikacji AI firmy są pod presją, aby szybko je przyjąć. W przypadku technologii kontroli wzroku opartych na sztucznej inteligencji niektóre firmy osiągnęły szybki zwrot z inwestycji. Niemniej jednak, bez praktycznego zrozumienia działania sztucznej inteligencji i wysiłku wymaganego do powodzenia aplikacji, firmy mogą szybko wejść na frustrującą ścieżkę.

Przyspieszona przepustowość produkcji napędza niezbędne zmiany kontroli jakości

Systemy kontroli jakości i kontroli przetwarzania należą do najszybciej rozwijających się kategorii technologii AI w produkcji żywności. Od porcjowanych produkty mięsne mięsnych po wypieki, dzisiejsze fabryki są przesuwane do granic operacyjnych, aby osiągnąć większą przepustowość produktów przy jednoczesnym zachowaniu standardów jakości, których oczekują ich klienci.

Błędy są produktem ubocznym przyspieszenia prędkości produkcji bez poprawy procesów kontroli jakości. Wiele firm spożywczych nadal jest uzależnionych od inspektorów ludzkich, którzy łapią niedopieczone ciasteczka lub kurczaki, które tracą panierkę, obserwując linię przetwórczą, ale przy szybkich prędkościach produkcji, rozszerzaniu się obiektów i trudnościach w znalezieniu siły roboczej, prawie niemożliwe jest podejmowanie dokładnych i spójnych decyzji jakościowych przy użyciu tradycyjnych metod.

Rosnące zapotrzebowanie na wykrywanie potencjalnie szkodliwych materiałów obcych z linii przetwórczej dodatkowo komplikuje sprawy dzisiejszych producentów żywności. Wycofanie produktów spowodowane przez zagraniczne materiały może kosztować marki spożywcze ogromne sumy pieniędzy na śledzenie i usunięcie dotkniętych produktów oraz uiszczenie potencjalnych opłat prawnych. Następnie wysiłki public relations mające na celu odbudowę zaufania konsumentów do marki żywności mogą zająć lata.

W rzeczywistości wielu klientów - zwłaszcza marek restauracji szybkiej obsługi - wymaga teraz od swoich przetwórców udowodnienia, że ich protokoły bezpieczeństwa żywności wykraczają poza konwencjonalne metody kontroli. Te nowe wymagania zwiększyły presję na producentów żywności na wprowadzanie innowacji.

Technologie kontroli AI są doskonałym sposobem, aby firmy wykazały swoje zaangażowanie w jakość i bezpieczeństwo żywności. Mimo to droga do udanej instalacji i wdrożenia zaczyna się od zrozumienia granic sztucznej inteligencji.

Krótka historia technologii kontroli wizji w środowiskach produkcji żywności

Podczas gdy zakłady produkcji żywności od dziesięcioleci korzystają z tradycyjnych systemów widzenia inline, dodanie sztucznej inteligencji i możliwości uczenia maszynowego do systemów wizyjnych wbudowanych jest stosunkowo nowe. Zarówno tradycyjne, jak i oparte na sztucznej inteligencji systemy kontroli zawierają serię kamer 2D i 3D, specjalistyczne oświetlenie i potężne oprogramowanie analityczne, które wykonuje zdjęcia produktów w czasie rzeczywistym i porównuje je z zaprogramowanymi tolerancjami. Ale na tym kończą się podobieństwa.

Tradycyjne kontrola wizualna obejmowały proste pomiary oparte na regułach, takie jak kształt i grubość pasztecika z hamburgerami lub kolor pieczenia bochenka chleba. Z biegiem czasu użytkownicy system kontroli wizyjnej wzroku zaczęli rozważać zaawansowane pomiary produktów w celu dalszej poprawy spójności produktu. Pomiary te mogą obejmować marmurkowanie lub stosunek tłuszczu do tłuszczu w kawałku steku, ślady tostów na tortilli lub wirowanie lukru na babeczce.

Wysoce zmienne cechy, takie jak te, stanowią wyzwanie dla systemów opartych na regułach - mogą wykryć, że cecha produktu jest obecna na produkcie, ale nie mogą brać pod uwagę naturalnych odmian produktu, co sprawia, że decyzja o akceptowalnych i nieakceptowalnych produktach jest bardziej niejednoznaczna.

Ponadto zwiększenie złożoności systemu opartego na regułach obciąża jego moc obliczeniową. Wraz z rosnącymi wymaganiami pomiarowymi połączonymi ze wzrostem prędkości produkcji dostawcy technologii kontroli wizyjnej rozpoczęli badania sztucznej inteligencji w celu usprawnienia konfiguracji maszyn i kontroli produktów.

Co to jest system kontroli produktów spożywczych AI?

Technologie kontroli wzroku oparte na sztucznej inteligencji wykorzystują te same koncepcje, co technologie oparte na regułach, ale oferują większą głębię analizy w celu wykrycia anomalii, cech i materiałów, które pozostałyby niezauważone przez system oparty na regułach. Każdy model sztucznej inteligencji to nagromadzenie wielu obrazów akceptowalnych i niedopuszczalnych produktów i materiałów.

Z biegiem czasu system sztucznej inteligencji „uczy się”, jak powinien, a jak nie powinien wyglądać produkt, umożliwiając ustawienie zakresu tolerancji w znacznie bardziej holistyczny sposób niż programowanie oparte na regułach. Po wdrożeniu na linii, operator ludzki w zakładzie produkcyjnym stale monitoruje system sztucznej inteligencji, aby upewnić się, że nie rozwija on niechcianych nawyków. W przypadku bardziej złożonych systemów dostawca AI może być wiodącym menedżerem systemu.

Załóżmy, że sztuczna inteligencja podejmuje złą decyzję w sprawie funkcji produktu. W takim przypadku operator ludzki może poprawić sztuczną inteligencję, aby nie popełnić podobnego błędu w przyszłości. Ta metoda budowania modelu sztucznej inteligencji jest znana jako „nadzorowane uczenie się sztucznej inteligencji”, co utrzymuje przeszkolonego ludzkiego operatora na czele całego programu.

Należy pamiętać o bardzo krytycznym punkcie dotyczącym kontrola wizualna wzroku opartych na sztucznej inteligencji: ich modele sztucznej inteligencji są tak dobre, jak zestawy danych, które je zasilają. Jeśli operator w zakładzie nieprawidłowo oznaczy element produktu lub obcy materiał na linii, może to negatywnie wpłynąć na wydajność sztucznej inteligencji. Z tego powodu firmy, które wykorzystują ekspert dostawcy sztucznej inteligencji do zarządzania swoimi systemami, często odnoszą największe sukcesy.

Dobrze wyszkolony system kontroli sztucznej inteligencji jest korzystny dla wykrywania niepożądanych materiałów obcych, które mogą wyglądać podobnym kształtem lub kolorem do normalnej funkcji produktu. Na przykład kawałek twardego białego plastiku, który wygląda jak kawałek rozdrobnionego ser, spada na zamrożoną pizzę na linii produkcyjnej. Ta anomalia może pozostać niezauważona przez system kontroli wizyjnej oparty na zasadach, ponieważ nie może skutecznie analizować poszczególnych składników pizzy w celu wykrycia niezwykłych, postrzępionych krawędzi, dziwnego kształtu lub połysku tego plastikowego elementu. Ludzki obserwator mógł zauważyć kawałek plastiku, ale zawrotne tempo linii przetwórczej, zmęczenie operatora lub niezdolność do dokładnego przyjrzenia się pizzy na linii sprawia, że to określenie w ułamku sekundy jest prawie niemożliwe.

System kontroli sztucznej inteligencji, który jest instalowany w krytycznych punktach produkcyjnych w celu sprawdzenia każdego produktu przechodzącego przez przenośnik, jest lepiej wyposażony w izolację tworzywa sztucznego i podjęcie niezbędnych następnych kroków (np. wyzwalania odrzucenia w celu usunięcia zanieczyszczonego produktu z linii). Dzieje się tak, ponieważ system AI sprawdza każdy element produktu, który przechodzi.

System oparty na sztucznej inteligencji może nauczyć się wykrywać anomalie na linii, tak jak robi to ludzki inspektor, ale z większą szybkością i wydajnością, znacznie zwiększając dokładność.

Jakie są ograniczenia dzisiejszych systemów kontroli wzroku opartych na sztucznej inteligencji?

Systemy kontroli AI nie są rozwiązaniem typu black box dla przetwórców żywności — nie można po prostu zainstalować systemu na ich linii i oczekiwać rozwiązania problemów związanych z jakością i bezpieczeństwem żywności. Zrozumienie, czego system sztucznej inteligencji nie może zmierzyć, jest równie ważne, jak wiedza, co potrafi.

kontrola wizualna AI mogą mierzyć tylko wizualnie odróżnialne materiały

Jeśli chodzi o wykrywanie materiałów obcych, jednym z powszechnych nieporozumień dotyczących systemów kontroli sztucznej inteligencji jest to, że są one zamiennikiem systemów rentgenowskich lub wykrywania metali. Ostatecznie systemy wizyjne oparte na sztucznej inteligencji uzupełniają rentgenowskie i wykrywacze metali, tworząc kompletny, solidny, in-line program bezpieczeństwa żywności.

Systemy kontroli AI doskonale sprawdzają się w wykrywaniu materiałów obcych o niskiej gęstości, takich jak guma, drewno, tkaniny, papier i inne przedmioty, które przechodzą przez wykrywacze rentgenowskie i metali. Mimo to nie mogą analizować materiałów osadzonych w produkcie lub niewidocznych pod różnymi kątami kamery systemu. Włączenie stołów wytrząsarkowych lub konfiguracji wodospadów w celu tymczasowego oddzielenia produktów lub przedstawienia dolnej powierzchni produktu do kontroli może pomóc w zapewnieniu większej widoczności systemu sztucznej inteligencji.

Jednak, podobnie jak rentgenowskie i wykrywacze metali, operatorzy mogą dostosować system kontroli AI, aby zwiększyć wykrywalność. Zbyt wysokie ustawienie tolerancji może prowadzić do większej liczby fałszywie alarmów. Użytkownicy muszą znaleźć równowagę, aby osiągnąć maksymalną wykrywalność przy jednoczesnym skutecznym zarządzaniu fałszywymi alarmami.

Dodatkowo, jeśli system sztucznej inteligencji jest szkolony na jednej linii o określonych cechach - takich jak kolor taśmy przenośnika - użycie tego samego modelu na innej linii, nawet w tym samym obiekcie, jest mało prawdopodobne, aby skutkowało płynnym przejściem. Ponieważ system AI stale obserwuje powierzchnię przetwarzania, zmieniając swoje środowisko bez dodawania dodatkowych danych w celu aktualizacji treningu modelu, system może prowadzić do niepożądanych rezultatów.

Częstotliwość materiału lub wad ma kluczowe znaczenie dla rozwoju modelu sztucznej inteligencji

Ziemniaki są doskonałym przykładem produktu spożywczego o odmianach masy, które są sortowane i sprzedawane określonym klientom końcowym w zależności od wielkości produktu, gatunku i obecności wad. Dobrej wielkości ziemniak, który jest wolny od większości wad - zwany ziemniakami „świeżymi opakowaniami” - jest zwykle dystrybuowany do sklepów spożywczych lub restauracji. Ziemniak, który może być mniejszy lub nietypowo ukształtowany, może przejść do drugorzędnego procesora (np. chipsy ziemniaczane, mrożonki itp.). Ziemniaki z niepożądanymi widocznymi wadami, takimi jak siniaki, kiełki lub zgnilizna, mogą być sortowane na paszę dla zwierząt gospodarskich.

Ponieważ urządzenia do sortowania ziemniaków stale spotykają się z tymi naturalnymi odmianami produktów, mają wystarczająco duży rozmiar próbki, aby stworzyć silne modele sztucznej inteligencji do wykrywania tych kluczowych cech. Z drugiej strony opracowywanie modeli sztucznej inteligencji dla jednorazowych lub rzadkich anomalii jest trudne, jeśli problem nie pojawia się wystarczająco regularnie, aby sztuczna inteligencja mogła dowiedzieć się, czym jest. W przypadku przedmiotów, które oczywiście wyglądają inaczej niż produkt - na przykład niebieskie plastikowe opakowania, które wchodzą na linię przetwórstwa mrożonego francuskiego narybku - stworzenie tych modeli z obcych materiałów jest mniejszym wyzwaniem.

Na przykład producent zbóż może chcieć opracować model sztucznej inteligencji do wykrywania kawałków potłuczonego szkła w podnośniku ziarna. Załóżmy, że obiekt wykrywa szkło na swojej linii tylko raz w roku, w porównaniu ze skałami lub patykami, które mogą pojawiać się dziesiątki razy dziennie. W takim przypadku opracowanie godnego zaufania modelu materiałów obcych sztucznej inteligencji dla szkła na tak małej próbce jest trudne.

Im mniejsza wada lub materiał, tym wyższa cena systemu

Wszystkie obce materiały w produkcji żywności stwarzają zagrożenie, w tym najmniejsze przedmioty. Jednak system sztucznej inteligencji do wykrywania drobnych cząstek lub anomalii na linii przetwarzania nie jest tak proste, jak powiększenie obrazu przenośnika taśmowego. Możliwość przechwytywania obiektów w najdrobniejszych szczegółach wymaga większej liczby kamer o wyższych rozdzielczościach, aby zbadać określone obszary, zwiększając w ten sposób moc obliczeniową. Chociaż te dokładne, szczegółowe aplikacje wykrywania są technicznie możliwe, wymagane komponenty i złożoność systemu przewyższą cenę większości firm.

Systemy kontroli AI, podobnie jak ludzie, nie są doskonałe

Wdrożenie systemu kontroli opartego na sztucznej inteligencji w zakładzie przetwórstwa spożywczego jest jak noworodek wkraczający na świat. Podobnie jak niemowlę, system sztucznej inteligencji pojawia się zupełnie nieświadomy swojego otoczenia. Nie zna dobra od zła. Użytkownik sztucznej inteligencji i jego zespół wsparcia technicznego mają na celu nauczenie i wychowanie tego noworodka w „istotę” na poziomie doktora, która może podejmować dobre decyzje przy mniejszej interwencji człowieka w czasie.

Nawet najbardziej wyszkolony system kontroli AI ma wady. Użytkownicy powinni od czasu do czasu oczekiwać stosunku fałszywie dodatnich lub pominiętych ocen produktów, dlatego ludzie pozostaną niezbędni dla wydajnego systemu kontroli sztucznej inteligencji dla złożonych problemów i produktów o zmienności masy. Najlepszą drogą do sukcesu będzie przyjęcie praktycznego i cierpliwego podejścia do integracji technologii kontroli sztucznej inteligencji i wybranie dostawcy rozwiązań AI, który będzie współpracował z placówką i podzielił się tą mentalnością.