用于食品质量检测与过程控制的客观智能

本文最初由《食品制造》（Food Manufacturing）于2024年6月24日发布。 点击此处 即可在发布网站上查看原文。

食品加工领域的人工智能（AI）已不再是一个宏大的构想，它正在对整个食品行业产生深远影响。从肉类和禽类加工厂到马铃薯分拣车间，人工智能驱动的检测技术为企业提供了颠覆性的机遇，助力其简化整个组织的质量控制流程，并提升准确性、运营效率和食品安全水平。

尽管如此，许多公司对在食品生产中应用人工智能仍持观望态度。将任何新技术整合到生产流程中都伴随着风险与挑战，而人工智能更代表着组织文化的一次重大变革。此外，近年来人工智能公司如雨后春笋般涌现，对这些复杂且昂贵技术的可靠性、准确性和安全性保持怀疑也是合情合理的。

关于食品生产中的人工智能视觉检测系统，有一条核心原则必须牢记：当人类主导系统的训练与维护时，人工智能应用才能取得最成功的成效。

监督学习与无监督学习的区别

食品并非像精密制造的机械零件那样，是按照严格的工程规范生产出来的。产品外观（如尺寸、形状、颜色、质地、体积等）的可接受公差是由工厂运营部门与质量保证团队共同定义的。在大多数食品加工环节中，通常由生产线上的质检员负责检查产品是否存在缺陷、规格不符或混入有害异物。这种检测方法本质上具有主观性，在单一工厂内尚且难以统一标准，更遑论在整个组织范围内。

人工智能视觉检测的核心价值之一在于其客观性。与人类操作员不同，训练有素的人工智能系统在工厂里从不会“状态不佳”。它会应用人类定义的测量标准，对产品进行精确的质量评估。这种人工智能训练方法被称为“监督学习”，即人工智能系统基于人类输入的信息进行持续训练。

监督学习涉及向人工智能展示一些“合格”样本（数量可能多达数万个甚至更多）和一些“不合格”样本，且所有样本均由专人或团队进行标注。通过这种训练方法，系统会基于特定算法构建模型。人工智能系统从而“学会”了特定产品特征或材料的可接受标准。每个产品模型——包括检测异物的能力——都遵循这一过程。随着新样本被不断标注并加入训练集，模型会持续演进，从而实现性能与可靠性的提升。

监督学习需要时间和耐心，但这种投入将带来一套值得信赖且精准的应用系统。

另一种人工智能训练方法被称为“无监督学习”。通过这一过程，人工智能应用会自行定义公差。由于人工智能会不断搜寻数据，无监督学习模式下的人工智能开始自行决定产品质量标准，这可能会导致不可预见的结果。

无监督学习的缺陷正是企业应当警惕那些无法证明或提供人工智能模型持续训练服务的供应商的原因所在。

人工智能在解决当今食品制造挑战中的应用

农产品从田间采摘后，通常会被送往加工设施进行分拣、定级和分级。以马铃薯为例，系统会根据多种产品特征进行检测和分拣，包括形状、绿皮比例、裂纹、淤伤（新旧）、芽眼等。在马铃薯分拣车间，质检员通常需要在快节奏的作业环境中做出判断，并将马铃薯导向指定的包装线。

配备机载摄像头的人工智能系统可以扫描进料的马铃薯，识别其尺寸和形状，并在自动化剔除装置（如机器人抓手、踢出拨杆等）的配合下剔除缺陷产品。在更复杂的系统中，单个马铃薯可以被分配到多条分拣线或落料口，以确保其被送往正确的客户订单中。同样，马铃薯车间操作员会在人工智能供应商的协助下设定这些公差，并随着时间的推移不断优化这些标准。

在某些情况下，人工智能系统会记录整体性能，以帮助操作员为后续流程做出决策。例如，如果生产线某处的剔除拨杆频繁漏检，这可能预示着机械设备出现了故障。

异物检测与合规性

当胴体到达加工设施并经过多道切割工序，最终被包装上市或送往深加工时，肉类和禽类加工过程中有多个环节可能混入不必要的异物。从破碎的机械零件到橡胶手套，任何异物都可能引发灾难性的后果。考虑到产品召回的成本，以及随之而来的公关噩梦，肉类和禽类加工企业若采用训练有素的人工智能检测技术，将能提供更强的保障，从而保护客户利益并维护品牌价值。

虽然X射线和金属检测仪仍是业内最常用的异物检测手段，但两者在检测纸张、橡胶、塑料、木材等低密度或软质物体，以及与产品颜色相近的异物时往往力不从心。然而，由操作员训练的AI驱动检测系统，能够帮助企业识别肉类或禽类修整线等产品中质量不均的复杂散装物料。当然，其局限性在于物体必须位于表面。因此，AI视觉检测是对X射线和金属检测仪的有效补充。

这些系统可以设定为在发现异物时立即停止生产线，由操作员进行清理，也可以与剔除装置集成，实现异物的自动移除。

此外，在肉类加工厂中，AI视觉检测还能辅助监控进场动物的状态。例如，如果要求鸡只在运抵加工厂时必须存活、状态良好或每箱数量达标，AI视觉检测系统能瞬间做出判断。这不仅有助于企业加强对供应商的问责，还能为践行人道主义养殖提供有力证明。

生产过程控制

AI驱动的视觉检测技术还有助于监控生产设施的整体运行状况和性能。以高产量的烘焙作业为例，通常包含配料混合、面团成型和醒发等核心工艺步骤。烘焙完成后，产品需经过冷却，再进入分拣通道进行包装。

上述各工艺步骤中的视觉属性均能预示最终产品的质量。例如，汉堡胚面团若在烘焙前未醒发至理想高度，成品可能会因尺寸偏差而无法适配包装。在日产数千件产品的情况下，依靠人工在醒发线上准确识别此类细微差异几乎是不可能的。然而，视觉检测系统能够以卓越的精度，对生产线上100%的产品进行高度差异识别。

烘焙后的产品分析也存在类似应用。例如，在饼干生产车间，长条状的饼干面片会经过上方设有多个独立热源的烤炉。通过训练AI视觉系统识别产品颜色差异，一旦烘焙后的饼干面片某部分颜色过深或过浅，系统便会向操作员发出警报。这些色差往往预示着烤炉需要进行调整或维护。

人工干预对AI驱动检测系统的成功至关重要

尽管一些AI检测公司宣传得天花乱坠，但目前市面上尚不存在开箱即用、能直接识别企业独特产品或生产流程的AI食品检测系统。工厂操作员、质量保证人员与值得信赖的AI视觉检测供应商之间持续的协作，是实现投资回报的关键。通过训练和优化AI模型，食品加工企业能够构建强大的系统，从而强化质量保证计划、减少浪费、提高精度，并将人力资源重新分配到最需要的地方。

‍