所见即所省：AI 检测如何提升投资回报率
本文最初发表于《食品工业高管》(Food Industry Executive)。点击此处阅读原文。
即使在几年前，人工智能在食品生产工厂中发挥关键作用的想法似乎还遥不可及，但令人惊叹的是，这一领域的变化速度如此之快。正如许多食品行业高管所认同的那样，食品制造工厂的质量保证岗位，尤其是产品检测岗位，历来人员流失率很高。虽然这些岗位在每家工厂都至关重要，但工作内容往往单调乏味。几年前的新冠疫情使得这些岗位的人员配备变得更加困难，而行业在随后的恢复过程中也一直进展缓慢。
尽管如此，当今竞争激烈的食品生产行业给企业带来了越来越大的压力，要求其提高食品安全和产品质量、实现更高的生产吞吐量、减少浪费并高效运营。面对这些需求，食品生产企业别无选择，只能改进其质量保证和检测方法。
食品产品检测已取得长足进步
许多加工厂将人工在线产品检查作为评估过程和产品控制的主要方法。让我们以汉堡面包制造商为例。观察生产线的质量控制检查员每天会多次从生产线上取样，并将其带到质量检查站。在检查站，质检员通常会用卡尺或尺子测量面包的大小、形状和厚度，然后称重，最后通过参考照片检查产品颜色。
可以想象，这是一种主观且耗时的质量控制方法。在评估 10 个汉堡面包的时间里，可能已经有数百个不合格的面包通过了包装线。
具有前瞻性的食品生产企业开始寻求更好的产品检测方法，从而推动了基于规则的视觉检测技术的发展。该技术由高分辨率 2D 和 3D 相机以及专用照明系统组成，用于捕捉产品图像。随后，利用复杂的软件对这些图像进行分析，以提取测量数据并检测缺陷。每个产品的测量结果会与用户设定的参数（规则）进行对比，从而决定接受或拒绝该产品。早期的基于规则的视觉系统通常安装在生产线上，用于检查最终产品的基本特征，如尺寸、均匀度、形状和颜色。基于规则的视觉系统帮助食品加工商显著提高了质量评估方法的速度和客观性。借助集成的剔除方法将不合格产品从生产线上移除，它们可以将检测效率提高十倍。
自然地，随着食品品牌开始看到自动化产品检测带来的好处，它们开始将更多的测量指标纳入系统，这使得基于规则的视觉技术达到了其运行极限。不仅难以定义如何使用基于规则的检测系统来测量所有期望的属性，而且操作员和质量保证人员也很难设置更复杂的参数并理解视觉系统产生的数据。于是，人工智能应运而生。
如今的 AI 视觉检测系统通过捕捉并标记了有关期望产品质量、缺陷、常见异物及其他相关特征信息的图像来进行训练。基于规则的系统仅被编程用于检查少数特定的产品特征，而 AI 系统则通过学习产品图像，能够以极高的可靠性区分各种特征和缺陷。超高分辨率相机、专用照明系统及其他硬件等视觉系统组件的技术进步，加速了 AI 检测应用的有效性。
AI 视觉检测技术作为一种变革性的解决方案脱颖而出，提供了前所未有的精度、一致性和自动化水平，但通常需要大量的时间和资本投入。采用这些技术的首要动力是它们能够快速带来显著投资回报率（ROI）的明确潜力，但食品品牌是如何实现这一成功的呢？
ROI 驱动因素 #1：避免因未检测到的异物而导致的产品召回
因异物进入加工流程而导致的产品召回会损害食品品牌。每次召回可能耗资数百万美元；其中只有一小部分是用于将产品从市场和配送中心撤回的费用。诉讼、销售损失、保险费增加以及为重塑品牌信任而进行的公关工作等间接成本可能非常巨大，并会在几年内影响企业的盈利能力。
异物可以通过多种方式进入食品加工流程，从使用含有杂质的原材料（无论是由于储存或处理不当），到生产设备的磨损。当今复杂的食品生产流程为异物污染提供了无数机会。然而，人为错误或疏忽也可能是异物进入的重要诱因。即使加工厂为了满足日益增长的生产吞吐量需求而进行扩张，指望一小队质量保证人员和检查员在高生产线速度下发现并清除异物，充其量也是不切实际且不可靠的。
训练有素的 AI 视觉检测系统能够以高精度检测出潜在的有害异物，通常是在人类检查员无法触及的地方。AI 视觉系统从不离岗，从不分心，也从不请病假。由于它能够区分异物与看似自然的产品特征，因此在检测纸张、箔片、橡胶、木材、彩色塑料等软质、低密度物体方面尤为有效，而这些物体通常是 X 射线或金属探测器无法察觉的。
考虑到召回的成本，如果 AI 视觉系统能够从生产线上发现并清除哪怕一件此类异物，该系统就已经收回了数倍的成本。
ROI 驱动因素 #2：劳动力成本节约
如前所述，在大多数食品加工厂中，产品检查员的流失率通常很高。员工的工资和福利只是总投资的一部分；培训操作员所需的时间和精力也伴随着成本。
对于那些因质检员及类似岗位人员流动频繁而感到头疼的食品加工厂主来说，一套训练有素的 AI 视觉检测系统可以通过减少错误、降低浪费以及带来其他生产效益，实现快速投资回报。一些企业仅靠节省的人工成本，不到一年就能收回视觉检测系统的投入。
此外，集成 AI 视觉系统还能让企业将现有劳动力从重复性的检测工作中解放出来，转而从事工厂内更重要、更具成就感的工作。
投资回报驱动因素 #3：卓越的工艺控制减少浪费
原材料和能源成本的上涨给食品制造工厂带来了更大的压力。借助 AI 视觉检测系统，食品加工商能够发现工艺性能中的不利趋势，从而在生产问题演变成大麻烦之前将其解决。
例如，一家拥有六条生产线的饼干制造商曾采用人工检测方案，即每 20 分钟由人员在冷却后抽取饼干样本。在所有被拒收的产品中，约 25% 是由制造工艺问题导致的。其中近三分之一（9.1%）明确归因于烘烤温度不当。这些常规错误在六个月内造成了约 40,600 公斤的产品浪费。
通过对出炉产品进行 100% 的实时监控，该公司的生产团队能够更快地做出反应，并根据全天出现的偏差调整烤箱温度。通过这一应用，该饼干公司将废品率降低了 8.7%（其余 0.4% 的废品发生在系统集成过程中），总计节省了 38,800 公斤的物料。
基于这些数据，按饼干平均成本 1.22 美元/公斤计算，这些节省的成本在六个月内接近 4.7 万美元（38,300 x 1.22 = 47,336 美元），年节省额达 9.46 万美元。这些节省仅体现了产品浪费的减少；而利用数据驱动的决策来控制烤箱温度，还帮助该公司节省了能源成本。
利用 AI 的强大功能，还可以将检测系统数据用于自动控制生产过程的不同环节。在上述例子中，AI 检测系统可以与烤箱控制装置对接，自动调节烤箱设定点，以保持出炉饼干的烘烤色泽。这种利用视觉来控制生产过程的方法被称为视觉过程控制（VPC）。
减少检测，增加收益
多家食品公司发现，集成 AI 视觉检测系统可以显著提高食品生产效率、质量和盈利能力。在经过良好的训练和维护后，AI 视觉系统能够提供精确、可靠且持续的缺陷检测，大幅减少昂贵的产品浪费，并最大限度地降低因异物导致的产品召回风险。
通过自动化繁琐的检测流程，工厂一线员工可以专注于更具战略意义的任务，从而提高工厂的整体生产力。
虽然前期投入可能较大，但可衡量的回报很快就能超过初始支出。
