Intelligence objective pour l'inspection de la qualité des aliments et le contrôle des processus
![](https://cdn.prod.website-files.com/63cf34956bc59159af577c42/66998fccf6974d5462b73792_Banner-FoodManuf-AIFood-YuegangZhao.jpg)
Cet article a été initialement publié par Food Manufacturing le 24 juin 2024. Cliquez ici pour consulter l'article sur le site web de la publication.
L'intelligence artificielle (IA) dans la transformation des aliments n'est plus une grande idée : elle a déjà un impact significatif sur l'ensemble de l'industrie alimentaire. Des transformateurs de viande et de volaille aux hangars de tri de pommes de terre, les technologies d'inspection pilotées par l'IA offrent aux entreprises des opportunités révolutionnaires pour rationaliser le contrôle qualité dans l'ensemble de leur organisation et améliorer la précision, l'efficacité opérationnelle et la sécurité alimentaire.
Malgré tout, de nombreuses entreprises restent préoccupées par l'IA dans la production alimentaire. L'intégration de toute nouvelle technologie dans un processus comporte des risques et des défis, mais l'IA représente un changement de culture organisationnel important. De plus, compte tenu de l'essor rapide des entreprises d'IA ces dernières années, il est raisonnable d'être sceptique quant à la fiabilité, à la précision et à la sécurité de ces technologies complexes et coûteuses.
En ce qui concerne les systèmes d'inspection par vision basés sur l'IA dans la production alimentaire, il y a un principe essentiel à garder à l'esprit : les applications d'IA sont plus efficaces lorsque les humains prennent l'initiative de la formation et de la maintenance du système.
Les différences entre l'apprentissage supervisé et non supervisé
Les produits alimentaires ne sont pas fabriqués selon des spécifications techniques précises, comme les composants de machines fabriqués. Une tolérance acceptable pour l'apparence du produit (taille, forme, couleur, texture, volume, etc.) est définie entre les équipes opérationnelles et d'assurance qualité de l'usine. Dans la plupart des exploitations alimentaires, il incombe à un inspecteur humain de vérifier que les produits ne présentent pas de défauts, de caractéristiques non conformes aux spécifications ou de matières étrangères indésirables et potentiellement dangereuses. Cette méthode d'inspection est intrinsèquement subjective et difficile à contrôler dans une seule usine, sans parler de l'ensemble de l'organisation.
L'une des valeurs fondamentales de l'inspection par vision pilotée par l'IA est son objectivité. Contrairement à un opérateur humain, un système d'IA bien entraîné n'a jamais de « jour de repos » à l'usine. Il applique des mesures définies par l'homme pour analyser les produits selon un critère de qualité exact. Cette méthode de formation à l'IA est appelée « apprentissage supervisé », dans le cadre de laquelle le système d'IA est entraîné en permanence sur la base de données humaines.
L'apprentissage supervisé consiste à montrer à l'IA de « bons » échantillons (qui peuvent être des dizaines de milliers d'échantillons ou plus) et de « mauvais » échantillons, tous deux étiquetés par une personne ou une équipe. Grâce à cette méthode d'entraînement, un modèle est construit sur la base d'algorithmes spécifiques. Le système d'IA « apprend » les critères acceptables pour une caractéristique ou un matériau particulier du produit. Chaque modèle de produit, y compris la capacité de détecter des matières étrangères, suit ce processus. Les modèles évoluent en permanence à mesure que de nouveaux échantillons sont étiquetés et ajoutés au kit d'apprentissage pour améliorer les performances et la fiabilité.
L'apprentissage supervisé demande du temps et de la patience, mais cet effort se traduira par une application fiable et précise.
L'autre méthode de formation à l'IA est appelée « apprentissage non supervisé ». Grâce à ce processus, l'application d'IA définit ses propres tolérances. Parce que l'IA recherche constamment des données, l'IA non supervisée commence à prendre ses propres décisions concernant la qualité des produits, ce qui peut entraîner des résultats imprévisibles.
Les pièges de l'apprentissage non supervisé expliquent pourquoi les entreprises doivent se méfier des fournisseurs d'IA qui ne font pas de démonstration ou ne proposent pas de formation cohérente sur leurs modèles d'IA.
Où l'IA peut s'appliquer pour résoudre les défis de la fabrication alimentaire aujourd'hui
Après avoir été cueillis sur le terrain, les produits frais sont généralement transférés vers une installation de transformation pour tri, dimensionnement et classement. Les pommes de terre, par exemple, sont inspectées et triées en fonction d'un large éventail de caractéristiques du produit, notamment la forme du produit, le pourcentage de couleur verte, les fissures, les bleus (anciens et nouveaux), les germes et bien d'autres. Dans un hangar à pommes de terre, un inspecteur prend généralement ces décisions et achemine les pommes de terre vers les zones d'emballage désignées dans un environnement opérationnel rapide.
![](https://cdn.prod.website-files.com/63cf34956bc59159af577c42/669990ab4e99c91c9cf64697_Viewing%20Defect%20in%20Run%20Mode%20-%20Old%20Bruise.jpg)
Les systèmes d'IA équipés de caméras intégrées peuvent scanner les pommes de terre entrantes pour déterminer leur taille et leur forme et trier les produits défectueux à l'aide de capacités de rejet automatisées (par exemple, des cueilleurs robotiques, des palettes kicker, etc.). Dans les systèmes plus complexes, une seule pomme de terre peut être placée dans plusieurs couloirs ou en plusieurs points pour acheminer cette pomme de terre spécifique au bon client. Encore une fois, l'exploitant du hangar à pommes de terre programme ces tolérances avec l'aide de son fournisseur d'IA, affinant constamment ces critères au fil du temps.
Dans certains cas, le système d'IA enregistre les performances globales pour aider l'opérateur à prendre des décisions concernant les processus en aval. Par exemple, si le nombre de ratés d'un kicker d'éjection est régulièrement élevé à un moment donné du processus, cela peut indiquer un problème mécanique.
Détection de matières étrangères et conformité réglementaire
Lorsque la carcasse arrive à l'usine de transformation, subit ses nombreuses découpes et est soit emballée pour le marché, soit envoyée pour une transformation ultérieure, des matières étrangères indésirables peuvent pénétrer à plusieurs moments de la transformation de la viande et de la volaille. Tout, qu'il s'agisse de pièces de machine cassées ou de gants en caoutchouc, peut avoir des conséquences catastrophiques. Compte tenu du coût d'un rappel de produit et des cauchemars en matière de relations publiques qui s'ensuivent généralement, les entreprises de transformation de la viande et de la volaille qui utilisent des technologies d'inspection basées sur l'IA bien formées peuvent renforcer la protection de leurs clients et de la valeur de leur marque.
![](https://cdn.prod.website-files.com/63cf34956bc59159af577c42/6699908d6cbb2782500b26b3_SVW%20FMD%20-%20cardboard%20in%20almonds.jpg)
Bien que les détecteurs de rayons X et de métaux restent les méthodes les plus utilisées dans l'industrie pour détecter les matières étrangères, ils ont tous deux du mal à détecter les objets de faible densité ou mous tels que le papier, le caoutchouc, le plastique transparent, le bois et les objets pouvant être d'une couleur similaire à celle du produit. Cependant, les systèmes d'inspection pilotés par l'IA et formés par des opérateurs permettent aux entreprises d'identifier les matériaux difficiles à écouler librement dans des produits présentant des variations de masse (par exemple, une ligne de découpe de viande ou de volaille). Bien entendu, la limite est que l'objet doit se trouver à la surface. La vision par IA est donc complémentaire aux détecteurs à rayons X et aux détecteurs de métaux.
Ces systèmes peuvent être programmés pour arrêter instantanément la chaîne de traitement et permettre à l'opérateur de retirer le matériau, ou ils peuvent être intégrés à une méthode de rejet pour retirer automatiquement le matériau du processus.
De plus, dans les usines de transformation de la viande, l'inspection visuelle pilotée par l'IA peut faciliter la surveillance des conditions des animaux à l'admission. Par exemple, si les poulets sont destinés à arriver dans une usine de transformation vivants, en bon état ou avec un certain nombre d'oiseaux par cage, l'inspection par vision artificielle peut effectuer ces déterminations en un instant. Cela aide les entreprises à responsabiliser leurs fournisseurs tout en fournissant des preuves de pratiques humaines.
Contrôle des processus de production
Technologies d'inspection par vision pilotées par l'IA aident également à surveiller la santé et les performances globales d'une installation de production. À titre d'exemple, la plupart des opérations de boulangerie à haut débit suivent les étapes de base du processus telles que le mélange des ingrédients, la formation de la pâte et la levée. Ensuite, après la cuisson, le produit se refroidit avant de passer dans les couloirs de tri pour le conditionnement.
![](https://cdn.prod.website-files.com/63cf34956bc59159af577c42/66998579b360fc05cd8eacf0_AI-Vision-Dough.jpg)
Les attributs visuels de toutes ces étapes du processus peuvent indiquer le résultat final du produit. Par exemple, une pâte pour un pain à hamburger qui n'a pas atteint la hauteur idéale avant la cuisson peut donner un produit trop gros ou trop petit pour son emballage. Lorsque l'on produit des milliers d'unités de produits par jour, il est presque impossible de faire appel à un inspecteur sur la chaîne de vérification pour identifier de telles variations mineures. Cependant, un système d'inspection par vision peut identifier ces variations de hauteur avec une précision supérieure et sur 100 % des produits passant sur la chaîne de production.
Des applications similaires existent pour l'analyse des produits après cuisson. Par exemple, de longues feuilles de pâte à craquelins passent dans un four avec plusieurs sources de chaleur individuelles au-dessus du produit dans une usine de production de craquelins. Grâce à un système AI-Vision conçu pour détecter les variations de couleur du produit, l'opérateur peut être alerté si une section particulière de la pâte à craquelins cuite apparaît trop foncée ou trop claire. Ces variations indiquent que le four peut avoir besoin d'être réglé ou entretenu.
L'intervention humaine est essentielle à la réussite d'un système d'inspection piloté par l'IA
Malgré ce que certaines sociétés d'inspection par IA peuvent annoncer, aucun système d'inspection des aliments basé sur l'IA n'existe aujourd'hui qui soit immédiatement prêt à l'emploi, connaissant le produit ou le processus de production unique d'une entreprise. Une collaboration continue entre les opérateurs de l'usine, le personnel chargé de l'assurance qualité et un fournisseur fiable d'inspection par vision basée sur l'IA est essentielle pour générer un retour sur investissement. En formant et en affinant les modèles d'IA, les entreprises de transformation alimentaire peuvent développer des systèmes robustes qui amplifient leurs programmes d'assurance qualité, réduisent les déchets, améliorent la précision et redistribuent la main-d'œuvre là où elle est le plus nécessaire.
![](https://cdn.prod.website-files.com/63cf34956bc59159af577c42/66998579b360fc05cd8eacf0_AI-Vision-Dough.jpg)
Articles et informations connexes
![Farmer in Field with Tablet](https://cdn.prod.website-files.com/63cf34956bc5915f2a577c37/64236946172791156ebb265c_Farmer%20in%20Field%20with%20Tablet.webp)
![Cookies Bakers](https://cdn.prod.website-files.com/63cf34956bc5915f2a577c37/642369468a571203d44fca2c_Cookies%20%20Bakers.webp)
![Scientists](https://cdn.prod.website-files.com/63cf34956bc5915f2a577c37/64236946a59a095bde32e86e_Scientists.webp)
![Man Examining Grapes](https://cdn.prod.website-files.com/63cf34956bc5915f2a577c37/64236947a59a09c27032e87c_Man%20Examining%20Grapes.webp)