人工智能促进食品质量与安全：哪些有效，哪些无效

值得注意的是，人工智能（AI）从一个有趣的想法迅速转变为我们社会的热门话题——这仅仅是个开始。食品行业是制造和加工领域人工智能创新的关键驱动力。近年来，主要食品品牌进行了大量投资，并部署了多种不同的人工智能应用程序，旨在提高食品安全、质量和产品吞吐量。

随着新的人工智能应用的出现，公司面临着迅速采用它们的压力。就人工智能驱动的视觉检测技术而言，一些公司的投资回报率很快。尽管如此，如果对人工智能的工作原理没有实际的了解，也没有使应用程序成功所需的努力，公司很快就会走上令人沮丧的道路。

生产吞吐量的加快推动了必要的质量控制变革

质量控制和加工检测系统是食品制造业中增长最快的人工智能技术类别之一。从分份肉类产品到烘焙食品，当今的工厂正处于运营极限，以实现更高的产品吞吐量，同时保持客户期望的质量标准。

错误是在没有改进质量控制流程的情况下加快生产速度的副产品。许多食品公司仍然依赖人工检查员通过观察加工生产线来发现未烘烤过的饼干或鸡胸肉，但是由于生产速度快、设施扩建以及难以找到劳动力，他们几乎不可能使用传统方法做出准确和一致的质量决策。

对于当今的食品制造商来说，检测加工线中潜在有害异物的需求不断增加，这使事情变得更加复杂。外国材料导致的产品召回可能会使食品品牌损失巨额资金来追踪和移除受影响的产品并支付潜在的律师费。然后，重建消费者对食品品牌信任的公共关系工作可能需要数年时间。

实际上，许多客户——尤其是快餐品牌——现在要求他们的加工商证明他们的食品安全协议超越了传统的检查方法。这些新要求增加了食品制造商的创新压力。

人工智能检测技术是企业展示其对质量和食品安全的承诺的绝佳方式。尽管如此，成功安装和实施的道路仍要从了解人工智能的局限性开始。

食品生产环境中视觉检测技术的简史

尽管食品生产设施几十年来一直使用传统的在线视觉系统，但向在线视觉系统添加人工智能和机器学习功能相对较新。传统和人工智能驱动的检测系统都集成了一系列二维和三维摄像头、专业照明和强大的分析软件，这些软件可以拍摄实时产品图像并将其与编程公差进行比较。但相似之处到此为止。

传统的视觉检测系统包括基于规则的简单测量，例如汉堡肉饼的形状和厚度或面包的烘烤颜色。随着时间的推移，视觉检测系统用户开始考虑进行高级产品测量，以进一步提高产品一致性。这些测量值可能包括牛排切块的大理石花纹或脂肪与瘦肉的比例、玉米饼上的吐司痕迹或纸杯蛋糕上的糖霜漩涡。

诸如此类的高度可变特征对于基于规则的系统来说具有挑战性——它们可以检测到商品上是否存在产品特征，但无法考虑天然产品变体，这使得关于可接受和不可接受产品的决定变得更加模棱两可。

此外，增加基于规则的系统的复杂性会给其计算能力带来压力。随着测量需求的不断增长以及生产速度的提高，视觉检测技术提供商开始探索人工智能以简化机器设置和产品检测。

什么是人工智能食品检测系统？

人工智能驱动的视觉检测技术使用与基于规则的技术相同的概念，但提供了更深的分析深度，可以检测基于规则的系统不会注意到的异常、特征和材料。每个 AI 模型都是许多可接受和不可接受的产品和材料图像的积累。

随着时间的推移，人工智能系统 “学习” 产品应该是什么样子和不应该是什么样子，从而能够以比基于规则的编程更加全面的方式设置一系列容差。一旦部署到生产线上，生产现场的人工操作员就会持续监控人工智能系统，以确保它不会养成不良习惯。对于更复杂的系统，人工智能供应商可能是系统的主要管理者。

假设 AI 在产品功能上做出了错误的决定。在这种情况下，人工操作员可以更正人工智能，这样将来它就不会犯类似的错误。这种人工智能模型构建方法被称为 “监督式人工智能学习”，它使训练有素的人工操作员处于整个计划的最前沿。

关于人工智能驱动的视觉检测系统，有一个非常关键的一点需要记住：它们的人工智能模型只有提供给它们的数据集一样好。如果设施的人工操作员错误地在生产线上标记了产品特征或异物，则可能会对人工智能的性能产生负面影响。出于这个原因，利用人工智能供应商的专业人员来管理其系统的公司通常取得最大的成功。

训练有素的人工智能检测系统有利于检测形状或颜色可能与普通产品特征相似的不想要的异物。例如，一块看起来像切碎的奶酪的白色硬塑料会掉到生产线上的冷冻披萨上。基于规则的视觉检测系统可能不会注意到这种异常现象，因为它无法有效地分析披萨的各个组成部分，从而检测出该塑料块上不寻常的、锯齿状的边缘、奇怪的形状或光泽。人类观察员可能会注意到塑料片，但是加工生产线的惊人速度、操作员疲劳或无法仔细观察生产线上的披萨，使得这种瞬间的决定几乎是不可能的。

AI 检测系统安装在关键生产点，用于在每种产品通过输送机时对其进行检测，该系统能够更好地隔离塑料并采取必要的后续步骤（例如，触发拒绝程序，将受污染的产品从生产线中移除）。这是因为人工智能系统会检查通过产品的每个组件。

人工智能驱动的系统可以像人工检查员一样学会检测生产线上的异常，但速度和效率更高，从而大大提高了准确性。

当今人工智能驱动的视觉检测系统的局限性是什么？

人工智能检测系统不是食品加工商的黑匣子解决方案——人们不能简单地在生产线上安装系统并指望其质量和食品安全问题得到解决。了解人工智能系统无法测量的内容与了解其能测量的内容一样重要。

AI 视觉检测系统只能测量视觉上可区分的材料

关于异物检测，对人工智能检测系统的一个常见误解是它们可以替代X射线或金属探测系统。最终，人工智能驱动的视觉系统是对X射线和金属探测器的补充，以创建完整、稳健的在线食品安全计划。

人工智能检测系统擅长检测低密度异物，例如橡胶、木材、织物、纸张和其他将通过 X 射线和金属探测器的物品。尽管如此，他们仍无法分析嵌入在产品中的材料，也无法分析从系统的各个摄像机角度看不到的材料。采用振动台或瀑布配置来临时分离产品或呈现产品的底部表面以供检查，有助于提高人工智能系统的可见性。

但是，像X射线和金属探测器一样，操作员可以调整人工智能检查系统以提高可探测性。将容差设置得过高可能会导致更多的误报。用户必须保持平衡以实现最大可探测性，同时有效管理误报。

此外，如果在具有特定特征（例如传送带颜色）的单条生产线上训练人工智能系统，则即使在同一设施内在不同的线路上使用相同的模型，也不太可能实现无缝过渡。由于人工智能系统不断观察处理表面，在不添加额外数据来更新模型训练的情况下改变其环境，因此该系统可能会导致不想要的结果。

材料或缺陷频率对于 AI 模型开发至关重要

马铃薯是食品质量差异的一个很好的例子，这些食品会根据产品尺寸、等级和缺陷的存在进行分类并出售给特定的终端客户。大小适中、没有大部分缺陷的马铃薯（称为 “新鲜包装” 马铃薯）通常会分发到杂货店或餐馆。可能较小或形状异常的马铃薯可能会进入辅助加工机（例如薯片、冷冻食品等）。对于有不良明显缺陷（例如瘀伤、发芽或腐烂）的马铃薯，可以进行分类作为牲畜饲料。

由于马铃薯分拣设施经常遇到这些天然产物的变化，因此它们的样本量足够大，可以创建强大的人工智能模型来检测这些关键特征。另一方面，如果问题出现的频率不够高，无法让人工智能了解其本质，那么针对一次性或不经常出现的异常情况开发人工智能模型就具有挑战性。对于外观明显与产品不同的物体，例如进入冷冻炸薯条加工生产线的蓝色塑料包装，制作这些异物模型并不那么困难。

例如，谷物生产商可能希望开发一种人工智能模型来检测谷物升降机中的碎玻璃碎片。假设该设施每年仅在生产线上检测一次玻璃，而岩石或棍棒每天可能出现数十次。在这种情况下，很难在如此小的样本量上开发值得信赖的玻璃人工智能异物模型。

缺陷或材料越小，系统价格越高

食品生产中的所有异物都构成危险，包括最小的物体。但是，对于检测加工线上的细颗粒或异常情况的人工智能系统来说，并不像放大传送带的照片那么简单。能够捕捉到物体最精细的细节需要更多分辨率更高的摄像机来检查特定区域，从而提高计算能力。尽管这些精细、详细的检测应用在技术上是可能的，但所需的组件和系统复杂性将超过大多数公司。

像人类一样，人工智能检查系统并不完美

在食品加工设施中部署人工智能驱动的检查系统就像新生儿进入世界一样。像婴儿一样，人工智能系统在抵达时完全没有意识到周围的环境。它不知道对与错。人工智能用户及其技术支持团队的目标是教导和培育新生儿成为博士级别的 “存在”，随着时间的推移，能够以更少的人为干预做出正确的决定。

即使是训练有素的人工智能检查系统也有缺陷。用户应该预计偶尔会出现误报率或错过的产品等级，这就是为什么对于复杂问题和具有大规模变化的产品的高效人工智能检测系统，人类仍然至关重要。通往成功的最佳途径是采取务实而耐心的方法来整合人工智能检测技术，并选择一家能够与该机构合作并认同这种心态的人工智能解决方案提供商。