Ten artykuł pierwotnie ukazał się w magazynie Processing. Kliknij tutaj, aby wyświetlić artykuł na stronie internetowej publikacji.

Od panierowanych pasztecików z kurczaka po ciasteczka z kawałkami czekolady, technologie produkcji i prędkości przepustowości dzisiejszych zakładów przetwórstwa spożywczego zmieniły się dramatycznie w ostatnich latach. To przejście w kierunku większej automatyzacji i mniejszego zaangażowania ręcznego jest widoczne od momentu, gdy surowce wchodzą do zakładu, aż do zapakowania produktu końcowego.

Pomimo pojawiających się metod produkcji, wielu przetwórców żywności nadal w dużej mierze polega na ręcznych inspektorach produktów jako ostatniej linii obrony w celu potwierdzenia jakości produktu końcowego i wykrywania szkodliwych materiałów obcych, które mogą prowadzić do kosztownych wycofywania produktów. Powszechne technologie bezpieczeństwa żywności, takie jak promieniowanie rentgenowskie i wykrywacze metali, które są dobre w wykrywaniu metalu lub kości, zmagają się z obcymi materiałami o niskiej gęstości lub niemetalicznych, takimi jak plastik, guma, drewno i przedmioty o podobnym kolorze do produktu spożywczego.

Aby sprostać tym ograniczeniom, przemysł spożywczy coraz częściej zwraca się do kontrola wizualna wzroku opartych na sztucznej inteligencji (AI). Systemy te oferują zwiększone możliwości wykrywania i wydajność operacyjną, aby sprostać wyzwaniom współczesnych środowisk produkcyjnych.

Nowa era w kontroli produktów spożywczych

Technologie kontroli wizyjnej in-line nie są nowością w przemyśle spożywczym. Niektóre kontrola wizualna oparte na regułach są z powodzeniem stosowane na liniach produkcyjnych od dziesięcioleci. Systemy te łączą kamery 2D i 3D o wysokiej rozdzielczości, aby analizować wszystkie strony produktu pod kątem wstępnie zaprogramowanych cech wizualnych, w tym dolnej części produktów. Od ogólnego rozmiaru, kształtu, koloru i marmurkowania ciętego steku po dystrybucję nasion na bułce hamburgerowej z nasionami sezamu, systemy wizyjne oparte na regułach skutecznie wykrywają skończone szczegóły produktu, które są prawie niemożliwe podczas pracy z pełną prędkością.

Systemy wizyjne in-line mogą być również zintegrowane z mechanizmami odrzucania, aby automatycznie usuwać produkty niespotykane ze strumienia procesów lub ostrzegać operatora o działaniu.

Wraz ze wzrostem zapotrzebowania na te systemy wizyjne oparte na regułach są rozciągane do granic technologicznych. Producenci byli zadowoleni z kontroli kilku aspektów produktu; teraz interesuje ich znacznie więcej. Na przykład, wracając do przykładu bułki hamburgerowej, wiele sieci szybkich restauracji (QSR) woli teraz bułkę o niezmiennie błyszczącej powierzchni produktu. Jednak ten połysk wpływa na pomiar koloru z systemu wizyjnego. Firmy mogą uchwycić tę tradycyjnie trudną do zmierzenia funkcję produktu dzięki odpowiedniemu schematowi oświetlenia, oprogramowaniu i konfiguracji kamery.

Te rosnące wymagania skłoniły dostawców technologii do zbadania sztucznej inteligencji w celu usprawnienia tworzenia modeli pomiarowych dla systemów kontroli produktów. Automatyczne uczenie maszynowe specyfikacji i funkcji produktu radykalnie zmniejsza złożoność systemu i usprawnia konfigurację produktów, pomagając firmom osiągnąć wyższy poziom kontroli jakości i bezpieczeństwa żywności.

Kontrola AI wykracza poza kolorymetry, promieniowanie rentgenowskie i systemy wykrywania metali poprzez zastosowanie głębszej analizy powierzchni produktu. Sztuczna inteligencja jest przeszkolona do wykrywania tego, co człowiek może zobaczyć i nie tylko.

Sztuczna inteligencja umożliwia złożone możliwości pomiarowe

Jako przykład użyjmy producenta mrożonej pizzy, który ma wyzwanie wyprodukować spójny produkt. Większość pizzerii ma wiele etapów, w których składniki są automatycznie nakładane na produkt podczas przechodzenia przez przenośnik. Ten szybki i czasami chaotyczny proces jest często trudny dla ludzkiego operatora do dokładnego sterowania.

Każda pizza ma wiele dodatków, faktur i kolorów. Dzięki wizji opartej na zasadach operator musiałby zaprogramować indywidualne pomiary dla każdego składnika pizzy i umieścić je w ogólnym pomiarze produktu. W zależności od rodzaju pizzy pomiary te mogą wymagać ogromnej mocy obliczeniowej i konwolucji pomiarowej.

Teraz, dzięki kontroli AI, operator pizzy może przeszkolić oprogramowanie, aby natychmiast sprawdzało całą pizzę i wszystkie jej złożoności z elitarną precyzją.

Podobnie system kontroli oparty na sztucznej inteligencji wie również, kiedy produkty nie są zgodne z idealnymi specyfikacjami. Na przykład niektórzy producenci mrożonych obiadów stosują systemy sztucznej inteligencji, aby zapewnić, że składniki żywności są podawane bezpośrednio do właściwych składników opakowania, określają, czy brakuje jakichkolwiek produktów (np. klopsiki w szwedzkiej mączce mrożonej z klopsikami) lub sprawdzają opakowanie produktu.

Budynek dla sztucznej inteligencji w bezpieczeństwie żywności

Firmy przetwórstwa spożywczego od dawna stoją przed wyzwaniami związanymi z utrzymaniem i szkoleniem inspektorów produktów na miejscu, mimo że role te mają kluczowe znaczenie dla zapewnienia jakości i bezpieczeństwa żywności. Stawka jest jednak wysoka — tylko jedno wycofanie produktu z powodu niewykrytych szkodliwych materiałów obcych może spowodować poważne straty finansowe i osłabić reputację marki na rynku.

Finansowy wpływ wycofania produktu w przemyśle spożywczym może być oszałamiający. Według badań przeprowadzonych przez Food Marketing Institute i Consumer Marki Association średni koszt wycofania waha się od 10 milionów do 30 milionów dolarów. Koszty te obejmują powiadamianie konsumentów i sprzedawców detalicznych, usuwanie produktów z półek, usuwanie zanieczyszczonych przedmiotów i zarządzanie wynikającymi z tego wyzwaniami public relations.

Firmy przetwórstwa spożywczego coraz częściej sięgają po systemy kontroli oparte na sztucznej inteligencji, aby zmniejszyć to ryzyko. Inwestując w zaawansowane systemy wykrywania potencjalnych zagrożeń, firmy mogą chronić swoją działalność, chronić swoich klientów i zmniejszyć prawdopodobieństwo kosztownych wycofań.

Ponadto w przypadku zakładów przetwórstwa mięsa, drób i owoców morza, które mają ścisłe warunki sanitarne, istnieją systemy kontroli AI, aby spełnić wymagania dotyczące zmywania (IP69K, NEMA-4X itp.). Na przykład firmy przetwarzające wykończenia wołowiny wykorzystują te systemy kontroli sanitarnej do identyfikacji niewykrywalnych materiałów obcych za pomocą rentgenowskich i wykrywaczy metali. Ponieważ wykończenia wołowe rzadko są jednolite lub spójne, systemy wizyjne oparte na regułach mają trudności z odróżnianiem dobrych produktów od szkodliwych materiałów. Jednak system sztucznej inteligencji może natychmiast podzielić wszystko, co analizuje na linii przetwarzania i natychmiast zidentyfikować materiały, które uważa za poza kryteriami akceptacji.

Wykrywanie obcych materiałów, zanim osiągną one późniejsze etapy przetwarzania, może zaoszczędzić firmom wiele milionów dolarów w ciągu żywotności systemu. Zapewnia to nie tylko szybki zwrot z inwestycji, ale także pomaga chronić zaufanie konsumentów do marki.

Sztuczna inteligencja zapewnia wsparcie tam, gdzie rośliny zwykle walczą

Sztuczna inteligencja będzie nadal przedmiotem gorącej dyskusji na całym świecie, zwłaszcza jeśli chodzi o jej wpływ na zastępowanie pracy ludzkiej w różnych branżach i obowiązkach. Jednak utrzymanie siły roboczej w kluczowych rolach zapewniających jakość zawsze było trudne w przemyśle spożywczym.

Technologie kontroli sztucznej inteligencji skutecznie zaspokajają te potrzeby, stosując 100% obiektywizmu do procesu inspekcji — coś, czego nie można osiągnąć za pomocą ludzkiego operatora. Zamiast poświęcać dużo czasu, pieniędzy i wysiłku na szkolenie pracowników na te ważne, ale przyziemne i powtarzalne zadania, firma może nadać tym ludziom bardziej znaczące obowiązki w innym miejscu zakładu.

Ponadto podstawową zasadą wdrażania kontrola wizualna wizji sztucznej inteligencji jest konieczność zaangażowania człowieka w szkolenie i utrzymanie tych systemów. Aplikacje AI osiągają optymalny sukces, gdy kierują się wiedzą ludzką, głównie poprzez nadzorowane metodologie uczenia się. Dlatego sztuczna inteligencja nigdy całkowicie nie zastąpi czynnika ludzkiego w produkcji żywności; zamiast tego wyposaży zakłady do skutecznego zaspokojenia rosnących wymagań bez poświęcania wysiłków dotyczących jakości lub bezpieczeństwa żywności. Ponieważ technologie sztucznej inteligencji ewoluują szybko każdego dnia, będą one coraz szerzej stosowane w przemyśle spożywczym, aby zapewnić bezpieczniejszą i lepszą jakość żywności przy wyższej przepustowości i niższych kosztach.