AI与基于规则视觉系统在食品加工中的对比
这篇文章最初发表在《加工杂志》上。 点击此处可在该出版物网站上查看文章。
尽管近年来自动化视觉检测技术在多家食品加工厂迅速普及，但这项技术本身已经存在了几十年。首批率先采用视觉检测技术的食品公司出现在20世纪80年代，当时机器视觉正从学术实验室走向商业应用。
如今食品加工线上使用的视觉系统已远超其最初的简陋形态。凭借改进的摄像头分辨率、增强的照明技术和强大的分析软件，现代视觉系统现在能够以惊人的速度和准确性快速分析独特的产品特性并检测异物。
从大型烘焙品牌到冷冻晚餐制造商，所有企业都感受到了外部压力，这加速了其工厂对更先进检测能力的需求。面对更严格的食品安全法规、不断提高的消费者期望和变化的口味、持续的劳动力短缺以及竞争对手的增长，采用视觉检测——尤其是当今强大的AI驱动解决方案——正日益被视为保持竞争力和盈利能力的必要投资。
但这是否意味着每个食品加工商都需要在其生产线上配备最强大的AI检测系统呢？并非如此。了解视觉系统的广泛产品种类，并知道何时采用何种方法是做出正确投资的关键。
视觉检测技术：植根于基于规则的度量标准
如今，大多数食品工厂的视觉检测系统都使用预设阈值来分析产品的颜色、尺寸、形状、对比度以及其他简单特征，这些通常通过常规产品抽样进行测量。在产品高度统一的受控加工环境中，这种基于规则的测量方法已被证明是有效的。
然而，对于许多食品加工商而言，如今的产品远非统一。许多产品即使在受控生产线上也具有高度可变性。这些变异的例子包括从食材的天然形状和质地，到设备状况和设置、操作员方法或环境变化等工艺变异。这些变异通常是不可避免的，在某些情况下甚至是高度期望的，但它们引入了一定程度的复杂性，可能对某些基于规则的系统构成挑战。这种复杂性通常意味着基于规则的系统必须进行调整以避免误拒，并带来未能检测到其正在寻找的缺陷的相应风险。
AI驱动的视觉检测应用应运而生
有趣的是，基于AI的视觉技术增长并非源于基于规则的视觉技术的失败，而是源于其成功。
基于规则的视觉系统用户对自动化检测越来越熟悉，这促使他们向技术供应商寻求更先进的功能。他们发现，其基于规则的系统在处理更大的产品可变性或识别细微缺陷或异物方面能力不足。他们日益增长的期望暴露了该技术的固有局限性，并催生了对更灵活、适应性更强的解决方案的需求。
AI驱动的系统不再依赖固定的预编程测量，而是使用经过真实产品图像训练的机器学习模型来识别模式、纹理和变异，这些特征几乎不可能通过人工以高重复性进行识别。这些能力增强了系统做出更细致判断的能力，尤其是在产品本身具有不一致性的食品应用中。
权衡基于规则和AI驱动的视觉检测之间的差异
整合视觉检测技术不仅是一项重大的资本投资，还可能给生产过程和组织内部文化带来重大变革。在评估技术时，与其考虑“哪种功能最多”，不如考虑“哪种更适合具体应用”。基于规则和AI驱动的视觉检测各自具有独特的优势，应根据运营的独特需求进行考量。
工艺和产品复杂性基于规则的系统在生产条件高度受控且测量阈值明确的食品应用中表现最佳。通常，如果您可以使用测量和色卡清晰地记录合格/不合格决策的标准，基于规则的系统可以帮助提高常规产品检测的速度和准确性。
AI驱动的系统则不同，它们可以有效地应用于条件不太可预测的生产环境。由于AI驱动的系统通过产品示例进行学习，因此它们比基于规则的系统更能适应自然变异和更复杂的属性。因此，对于产品单元之间变异不那么明显的简单食品，工厂操作员可能不需要利用AI系统的所有扩展功能，而只需一个测量少数几个组件的基于规则的系统即可满足需求。
异物检测由于基于规则的系统是根据固定测量值运行的，因此它们在异物检测方面的应用通常仅限于产品中从未自然出现的颜色。这种无法区分产品异常与测量范围之外的任何事物的情况，与AI驱动的系统相比显得逊色，后者可以学习和分析图像的微小细节和上下文线索，从而区分看似相似的产品属性和真正的异物。汉堡面包生产就是一个很好的例子。
批量生产的汉堡面包通常在可重复使用的烤盘中烘烤。久而久之，多余的面团可能会积聚在烤盘底部和其他面包上，影响消费者的食欲。更复杂的是，面包本身常有自然形成的气泡或面粉残留，这些是可接受的，但外观上可能与结块的面团缺陷相似。
基于规则的视觉系统可能难以区分面团沉积物和这些自然特征。然而，经过产品和工艺充分训练的AI视觉系统能够以更高的准确性做出这些判断。
同样的原理也适用于其他可能嵌入产品表面的潜在有害物质，例如来自加工机器或包装的金属、塑料或橡胶碎片。如果异物检测是运营中的主要优先事项，AI视觉系统能更好地满足这一需求。
工厂基础设施和复杂性选择基于规则或AI视觉检测系统的关键决策标准是工厂支持这些系统成功部署和维护的能力。所有系统都受益于高速、安全的远程连接，以便获取支持服务并监控新出现的问题，但AI视觉系统可能对生产设施有更高的要求。
此外，考虑到激活和调整测量规格的简便性，基于规则的系统更容易部署和维护。这些系统在获取首批图像后的数小时或数天内即可全面投入运行，这并不少见。相比之下，与AI解决方案相关的数据收集和模型创建过程，对于高度复杂的项目，可能会将这一时间延长至数周甚至数月。
评估视觉检测时要务实
许多食品制造商继续成功使用基于规则的视觉系统，而产品变异性高、流程复杂的运营可能更适合AI视觉系统。关键在于，选择并非总是非此即彼。许多解决方案采用混合方法，能够将基于规则系统的快速部署、量化和可预测能力与AI系统的适应性和扩展检测能力相结合。通过了解各自的优势，食品加工商可以建立一个适应性强的检测策略，以保护质量、提高效率并随着运营发展而演进。
