Inteligencja obiektywna do kontroli jakości żywności i kontroli procesów

Ten artykuł został pierwotnie opublikowany przez Food Manufacturing 24 czerwca 2024 r. Kliknij tutaj aby zobaczyć artykuł na stronie internetowej publikacji.

Sztuczna inteligencja (AI) w przetwórstwie spożywczym nie jest już wielkim pomysłem — już teraz wywiera znaczący wpływ na cały przemysł spożywczy. Od przetwórców mięsa i drobiu po szopy do sortowania ziemniaków, technologie kontroli oparte na sztucznej inteligencji stwarzają przedsiębiorstwom możliwości usprawnienia kontroli jakości w całej organizacji i poprawy dokładności, wydajności operacyjnej i bezpieczeństwa żywności.

Mimo to wiele firm obawia się sztucznej inteligencji w produkcji żywności. Integracja każdej nowej technologii z procesem wiąże się z ryzykiem i wyzwaniami, ale sztuczna inteligencja stanowi znaczącą zmianę kultury organizacyjnej. Ponadto, wraz z szybkim rozwojem firm zajmujących się sztuczną inteligencją w ostatnich latach, rozsądne jest sceptyczne podejście do niezawodności, dokładności i bezpieczeństwa tych złożonych i kosztownych technologii.

Jeśli chodzi o systemy kontroli wizji sztucznej inteligencji w produkcji żywności, należy pamiętać o jednej krytycznej zasadzie: aplikacje AI odnoszą największe sukcesy, gdy ludzie przejmują wiodącą rolę w szkoleniu i utrzymaniu systemu.

Różnice między uczeniem się nadzorowanym i nienadzorowanym

Produkty spożywcze nie są wytwarzane zgodnie z precyzyjnie zaprojektowanymi specyfikacjami, takimi jak fabrykowane komponenty maszyn. Dopuszczalna tolerancja dla wyglądu produktu — rozmiaru, kształtu, koloru, tekstury, objętości i innych — jest określana między działalnością zakładu a zespołami zapewniającymi jakość. W większości operacji związanych z żywnością, to od ludzkiego inspektora stojącego w kolejce zależy sprawdzanie produktów pod kątem wad, cech niezgodnych ze specyfikacją lub niepożądanych i potencjalnie szkodliwych materiałów obcych. Ta metoda kontroli jest z natury subiektywna i trudna do kontrolowania w jednym zakładzie, nie mówiąc już o całej organizacji.

Jedną z głównych wartości kontroli wzroku opartej na sztucznej inteligencji jest jej obiektywność. W przeciwieństwie do ludzkiego operatora, dobrze wyszkolony system sztucznej inteligencji nigdy nie ma „dnia wolnego” w zakładzie. Stosuje pomiary zdefiniowane przez człowieka do analizy produktów według dokładnego kryterium jakości. Ta metoda szkolenia SI nazywa się „uczeniem nadzorowanym”, gdzie system sztucznej inteligencji jest stale szkolony w oparciu o ludzkie wkłady.

Nadzorowane uczenie się polega na pokazaniu sztucznej inteligencji niektórych „dobrych” próbek (które mogą być dziesiątkami tysięcy próbek lub więcej) i niektórych „złych” próbek, oba oznaczone przez osobę lub zespół. Dzięki tej metodzie treningowej budowany jest model oparty na określonych algorytmach. System AI „uczy się” akceptowalnych kryteriów dla konkretnej cechy produktu lub materiału. Każdy model produktu — w tym zdolność do wykrywania materiałów obcych — podąża za tym procesem. Modele ewoluują stale, gdy nowe próbki są etykietowane i dodawane do zestawu treningowego w celu poprawy wydajności i niezawodności.

Nauka nadzorowana wymaga czasu i cierpliwości, ale wysiłek zaowocuje godną zaufania i dokładną aplikacją.

Druga metoda szkolenia AI nazywa się „uczeniem się bez nadzoru”. Dzięki temu procesowi aplikacja AI określa własne tolerancje. Ponieważ sztuczna inteligencja nieustannie poszukuje danych, nienadzorowana sztuczna inteligencja zaczyna podejmować własne decyzje dotyczące jakości produktu, co może przynieść nieprzewidywalne rezultaty.

Pułapki uczenia się bez nadzoru są powodem, dla którego firmy powinny uważać na dostawców sztucznej inteligencji, którzy nie demonstrują ani nie oferują konsekwentnego szkolenia swoich modeli sztucznej inteligencji.

Gdzie sztuczna inteligencja ma dziś zastosowanie do rozwiązywania wyzwań związanych z produkcją żywności

Po zebraniu z pola świeże produkty zwykle przenoszą się do zakładu przetwórczego w celu sortowanie, wymiarowanie i sortowanie. Na przykład ziemniaki są sprawdzane i sortowane na podstawie szerokiej gamy cech produktu, w tym kształtu produktu, %zieleni, pęknięć, siniaków (starych i nowych), kiełków i wielu innych. W szopie na ziemniaki inspektor zwykle dokonuje tych ustaleń i kieruje ziemniaki na wyznaczone ścieżki pakowania w szybkim środowisku operacyjnym.

Systemy sztucznej inteligencji z kamerami pokładowymi mogą skanować przychodzące ziemniaki pod kątem ich rozmiaru i kształtu oraz sortować wadliwe produkty za pomocą automatycznych funkcji odrzucania (np. automatyczne zbieracze, wiosła kicker i inne). W bardziej złożonych systemach pojedynczy ziemniak można umieścić na wielu pasach lub kroplach, aby dostarczyć ten konkretny ziemniak do odpowiedniego klienta. Ponownie operator szopy ziemniaczanej programuje te tolerancje z pomocą swojego dostawcy sztucznej inteligencji, konsekwentnie udoskonalając te kryteria z czasem.

W niektórych przypadkach system sztucznej inteligencji rejestruje ogólną wydajność, aby pomóc operatorowi w podejmowaniu decyzji dotyczących dalszych procesów. Na przykład, jeśli w określonym punkcie procesu występuje rutynowo duża liczba braków z wyrzutu, może to sygnalizować problem mechaniczny.

Wykrywanie materiałów obcych i zgodność z przepisami

Kiedy tusza dociera do zakładu przetwórczego, przechodzi wiele cięć i jest pakowana na rynek lub wysyłana do dalszego przetwarzania, w przetwórstwie mięsa i drobiu jest kilka momentów, w których mogą dostać się niechciane obce materiały. Wszystko, od zepsutych elementów maszyn po gumową rękawicę, może spowodować katastrofalne konsekwencje. Biorąc pod uwagę koszt wycofania produktu - i koszmary public relations, które zwykle następują - firmy przetwórstwa mięsa i drobiu wykorzystujące dobrze wyszkolone technologie kontroli AI mogą zaszczepić większą ochronę, aby chronić swoich klientów i wartość marki.

Podczas gdy wykrywacze rentgenowskie i metali pozostają najczęściej stosowanymi w branży metodami wykrywania obcych materiałów, oba mają trudności z wykrywaniem przedmiotów o niskiej gęstości lub miękkich, takich jak papier, guma, przezroczysty plastik, drewno i przedmioty, które mogą mieć podobny kolor do produktu. Jednakże systemy kontroli oparte na sztucznej inteligencji, przeszkolone przez operatorów, umożliwiają firmom identyfikację trudnych materiałów swobodnie płynących w produktach o zmienności masy (np. linia do obróbki mięsa lub drobiu). Oczywiście ograniczeniem jest to, że obiekt musi znajdować się na powierzchni. W związku z tym wizja AI uzupełnia rentgenowskie i wykrywacze metali.

Systemy te można zaprogramować tak, aby natychmiast zatrzymać linię przetwarzania i pozwolić operatorowi usunąć materiał, lub można je zintegrować z metodą odrzucenia w celu automatycznego usunięcia materiału z procesu.

Ponadto w zakładach przetwórstwa mięsnego kontrola wzroku oparta na sztucznej inteligencji może pomóc w monitorowaniu warunków zwierząt podczas przyjmowania. Na przykład, jeśli kurczaki mają przybyć do zakładu przetwórczego żywe, w dobrym stanie lub z określoną liczbą ptaków na skrzynię, kontrola wizyjna AI może dokonać tych ustaleń w mgnieniu oka. Pomaga to firmom utrzymać odpowiedzialność swoich dostawców, jednocześnie dostarczając dowodów humanitarnych praktyk.

Kontrola procesu produkcyjnego

Technologie kontroli wizyjnej oparte na sztucznej inteligencji pomaga również w monitorowaniu ogólnego stanu i wydajności zakładu produkcyjnego. Na przykład większość operacji pieczenia o wysokiej przepustowości odbywa się zgodnie z podstawowymi etapami procesu, takimi jak mieszanie składników, formowanie ciasta i próbowanie. Następnie, po upieczeniu, produkt ochładza się przed przejściem do ścieżek sortowania do pakowania.

Atrybuty wizualne we wszystkich tych etapach procesu mogą wskazywać końcowy wynik produktu. Na przykład ciasto na bułkę hamburgerową, które nie osiągnęło idealnej wysokości przed pieczeniem, może wytworzyć produkt, który jest zbyt duży lub za mały na opakowanie produktu. Przy produkcji tysięcy jednostek produktu dziennie posiadanie inspektora na linii kontrolnej w celu identyfikacji drobnych odmian, takich jak te, jest prawie niemożliwe do dokładnego wykonania. Jednak system kontroli wizyjnej może zidentyfikować te zmiany wysokości z najwyższą dokładnością i w 100% produktów przechodzących na linię produkcyjną.

Podobne zastosowania istnieją do analizy produktów po upieczeniu. Na przykład długie arkusze ciasta krakersowego przechodzą przez piekarnik z kilkoma pojedynczymi źródłami ciepła nad produktem w zakładzie do produkcji krakersów. Dzięki systemowi AI-Vision przeszkolonemu do wykrywania różnic w kolorze produktu, operator może zostać ostrzeżony, jeśli określona część pieczonego ciasta krakersowego wydaje się zbyt ciemna lub zbyt jasna. Te zmiany wskazują, że może wymagać regulacji lub serwisowania piekarnika.

Interwencja człowieka niezbędna do skutecznego systemu kontroli opartego na sztucznej inteligencji

Pomimo tego, co niektóre firmy zajmujące się inspekcją AI mogą reklamować, nie istnieje obecnie żaden system kontroli żywności AI, który natychmiast wychodzi z pudełka, znając unikalny produkt lub proces produkcji firmy. Ciągła współpraca między operatorami zakładów, personelem zapewniającym jakość i godnym zaufania dostawcą kontroli wizji sztucznej inteligencji jest niezbędna do zwiększenia zwrotu z inwestycji. Poprzez szkolenie i udoskonalanie modeli sztucznej inteligencji firmy przetwórstwa spożywczego mogą opracować solidne systemy, które wzmacniają ich programy zapewnienia jakości, zmniejszają ilość odpadów, poprawiają dokładność i redystrybuują siłę roboczą tam, gdzie jest to najbardziej potrzebne.

‍