От обнаружения к распознаванию: как AI Deep Learning меняет контроль качества пищевой продукции
Искусственный интеллект в пищевой промышленности постепенно выходит за пределы аналитики, прогнозирования и работы с данными. Сегодня AI применяется непосредственно на производственных линиях – там, где за доли секунды необходимо определить качество продукта, обнаружить дефект или постороннее включение и принять решение об отбраковке.
При этом возможности современного автоматизированного контроля определяются не самим фактом наличия AI. Результат формирует связка работы сенсоров, алгоритмов распознавания, механики удаления продуктов и корректно заданных критериев качества.
Разберём, как устроена эта система и какие задачи она уже решает на пищевых производствах.
Два уровня контроля: сырьё и готовый продукт
Автоматизированный контроль на пищевом предприятии можно условно разделить на два направления.
Первое – контроль сырья и продукта на промежуточных этапах производства. Здесь в зависимости от задачи могут применяться оптическая сортировка, рентген-инспекция и металлодетекция.
Фотосепаратор, или оптический сортировщик, анализирует продукт по внешним признакам: цвету, размеру, форме, особенностям поверхности и структуры. Такое оборудование применяется для сортировки круп, бобовых и масличных культур, орехов, сухофруктов, овощей, ягод, снеков и другой продукции.
Рентген-детектор решает другую задачу: анализирует различия в плотности и позволяет выявлять стекло, металл, керамику, камни, силикон и другие плотные посторонние включения. Металлодетектор используется для обнаружения металлических включений и также может быть встроен в производственную линию.
Второе направление – контроль готовой или упакованной продукции. Здесь необходимо выявлять посторонние включения и другие отклонения, которые невозможно определить по внешнему виду упаковки. Для таких задач применяется рентген-инспекция. В зависимости от продукта и типа упаковки также может использоваться металлодетекция.
Для оптической сортировки и рентген-инспекции всё более значимую роль играют алгоритмы AI Deep Learning (глубокое обучение).
Почему обычного правила «увидел отличие – удалил» становится недостаточно
Классические алгоритмы оптической сортировки строятся вокруг анализа цвета и оттенков. Для многих производственных задач такой подход по-прежнему эффективен. Однако с ростом требований к качеству и визуальным характеристикам продукции оценки по отдельным признакам становится недостаточно.
Показательный пример – сортировка ореховой смеси, в которой одновременно присутствуют миндаль, фундук и кешью. Допустим, часть кешью имеет дефект, который по цвету близок к миндалю. Если настроить отбраковку только по цветовому признаку, система не сможет корректно разделить эти объекты: вместе с дефектным кешью под отбраковку может попадать и годный миндаль.
Именно для таких задач в оборудовании применяются алгоритмы AI Deep Learning. Система обучается на большом количестве примеров. Ей показывают, что для конкретной производственной задачи считается качественным продуктом, что – дефектом, а что – посторонней примесью.
После обучения алгоритм классифицирует новые объекты по совокупности полученных признаков.
Универсального понятия «дефект» не существует
Это принципиальный момент при внедрении интеллектуальной сортировки.
Требования могут отличаться в зависимости от продукта, технологического процесса и стандартов конечного качества.
Поэтому настройка AI начинается не с выбора режима оборудования, а с определения критериев качества конкретного предприятия.
На практике берётся реальное сырьё заказчика. Специалисты определяют образцы годного продукта, дефектов и примесей. На их основе проводится съемка на фотосепараторе, затем создаётся программа, проводится тестовая сортировка, после оценивается результат и при необходимости корректируются параметры.
Человек при этом не исчезает из процесса. Напротив, именно специалист формулирует стандарт качества, а задача алгоритма – стабильно применять заданные критерии к большому объёму продукта.
Получается разделение ролей:
человек определяет стандарт – оборудование обеспечивает его соблюдение в производственном потоке.
AI эффективен настолько, насколько качественные данные он получает
Если оборудование физически не способно зафиксировать какой-либо признак, то AI не покажет эффективности. Поэтому глубокое обучение (AI Deep Learning) нельзя рассматривать отдельно от других компонентов оборудования.
Например, в фотосепараторах Meyer используются UHD-камеры с разрешением в четыре раза выше обычных камер. Они фиксируют мельчайшие особенности продукта –потемнения, точки, прогрызы и другие визуальные признаки. Для других задач применяются инфракрасные камеры, которые анализируют структуру продукта.
Далее полученные данные анализирует алгоритм, после чего система классифицирует объект. Но и на этом процесс не заканчивается. В промышленности недостаточно правильно распознать дефект – его необходимо физически удалить из быстро движущегося потока, не потеряв при этом годный продукт.
Поэтому полная цепочка выглядит следующим образом:
сенсор получает данные → алгоритм анализирует признаки → объект классифицируется → принимается решение → система удаления отбраковывает негодный продукт.
В фотосепараторах Meyer за последний этап отвечает система эжекторов: скорость срабатывания одного эжектора достигает 1200 раз в секунду.
Таким образом, конечная эффективность определяется не одной функцией AI, а сочетанием оптики, алгоритмов, механики удаления и корректной настройки оборудования.
Рентгену тоже недостаточно просто «увидеть металл»
Классическая задача рентген-детектора – обнаружить внутри продукта или упаковки посторонний объект, отличающийся по плотности. Но реальные производственные ситуации значительно шире.
Представим пищевой продукт в упаковке, конструкция которой предусматривает металлическую клипсу.
Рентген хорошо видит металл. Но наличие металлического объекта само по себе ещё не означает, что упаковку необходимо удалить.
Если система обнаруживает штатную клипсу в предусмотренном месте, продукт соответствует норме. Если металлический фрагмент находится непосредственно внутри продукта, ситуация уже потенциально опасна.
Следовательно, системе недостаточно ответить на вопрос: «Есть ли здесь металл?»
Необходимо определить: «Что это за объект и где именно он находится?»
В рентген-детекторах Meyer для таких задач используются алгоритмы AI Deep Learning. Оборудование обучается под конкретный продукт и производственную задачу.
Это переход от простого обнаружения объекта к распознаванию контекста.
Рентген-инспекция – это уже не только поиск посторонних предметов
Ещё одно изменение последних лет – расширение самого круга задач рентгеновского контроля.
Рентген-инспекция традиционно ассоциируется с поиском металла, стекла, камня, керамики и других плотных посторонних включений. Однако возможности современных систем этим не ограничиваются. Анализ внутренней структуры продукта позволяет контролировать его комплектность, целостность и отдельные дефекты, которые невозможно определить по внешнему виду упаковки.
Например, при производстве кондитерских изделий упаковка печенья может внешне полностью соответствовать требованиям, в то время как внутри часть продукта повреждена или сломана. Обычный визуальный контроль закрытой упаковки такой дефект не выявит. Рентгеновская система анализирует содержимое упаковки, определяет отклонение от заданных параметров и позволяет автоматически отбраковать продукт.
Рентген-инспекция применяется и для разных типов упаковки – в том числе фольгированной, тетрапаков, жестяных банок, а также для контроля блочного продукта.
Что меняется для самого пищевого предприятия
Развитие автоматизированного контроля даёт производству несколько практических эффектов.
Во-первых, повышается стабильность контроля. Оборудование применяет заданные критерии в течение всей смены независимо от усталости оператора и субъективности визуальной оценки.
Во-вторых, становится возможной работа со сложными дефектами, для которых недостаточно простого сравнения по цвету или одному другому признаку.
В-третьих, точное разделение годного и негодного снижает потери качественного продукта.
В-четвёртых, автоматизированный контроль можно выстраивать на нескольких этапах производства. Оптическая сортировка удаляет дефекты и примеси при подготовке сырья, а рентген-инспекция контролирует как сыпучий, так и упакованный продукт.
В результате предприятие получает не отдельную операцию сортировки, а возможность построить многоуровневую систему контроля качества и безопасности продукции.
AI не отменяет физику производственного процесса
При всех возможностях AI Deep Learning у технологии остаются вполне конкретные ограничения.
Результат зависит от продукта, типа и размера дефекта, возможностей сенсора, способа подачи сырья, производительности линии, требований предприятия к конечному качеству и настроек оборудования.
Поэтому сам факт наличия AI-функции ещё ничего не говорит об эффективности решения на конкретном производстве.
Перед внедрением необходимо ответить как минимум на три вопроса:
Какой продукт предстоит контролировать?
Какие конкретные дефекты или примеси необходимо обнаруживать и удалять?
Какой результат предприятие считает приемлемым после сортировки или инспекции?
После этого оборудование целесообразно проверять непосредственно на продукте предприятия – например, проводить тестовую сортировку в демозале или тестирование в производственных условиях.
Именно реальный продукт показывает, способен ли комплекс сенсоров, алгоритмов и механики решить поставленную задачу.
От обнаружения – к пониманию контекста
Главное изменение автоматизированного контроля можно описать как последовательный переход:
обнаружить → понять → выполнить действие.
Камеры и сенсоры получают информацию о продукте. Алгоритмы AI Deep Learning интерпретируют её. Механика оборудования превращает принятое решение в физическое действие непосредственно в производственном потоке.
Развитие AI на пищевых предприятиях нельзя рассматривать через противопоставление человека и машины.
Роли распределяются иначе: специалист определяет, каким должен быть качественный и безопасный продукт, а технология переносит эти критерии в автоматизированный процесс и стабильно применяет их в масштабах производства.
И именно способность решить конкретную производственную задачу становится главным критерием эффективности промышленного искусственного интеллекта.
Компания «Руспром» работает с 2007 года, с 2019 года является официальным представителем завода Meyer в России. Компания специализируется на внедрении фотосепараторов и рентген-детекторов для предприятий агропромышленной, пищевой и перерабатывающей отраслей, а также обеспечивает полное сервисное сопровождение оборудования. Руспром – первый, кто презентовал на рынке России технологии AI в оптических сортировщиках и рентген-детекторах. Офисы «Руспрома» расположены в Барнауле, Воронеже и Краснодаре, представительства – в Москве и Новосибирске. В демозалах компании проводятся тестовые сортировки сырья и подбор технологий под производственные задачи заказчиков.
Бренд-менеджер:
Ксения Баданина,
89236445444
