Статья посвящена исследованию применения и перспектив развития систем машинного зрения, основанных на машинном обучении, в предприятиях пищевой промышленности. В ней рассматривается внедрение таких систем в технологические процессы производства продуктов питания, а также использование нейронных сетей для создания автоматизированных систем контроля качества.
В условиях стремительного роста населения планеты возрастает спрос на продовольствие, что стимулирует бурное развитие пищевой промышленности. Высокая конкуренция на рынке требует от предприятий производства разнообразной и качественной продукции. Актуальной задачей становится производство широкого ассортимента высококачественных продуктов с длительными сроками хранения без использования добавок и консервантов.
Решение этой проблемы тесно связано с глубокой автоматизацией технологических процессов, внедрением новых информационных технологий и робототехники. Необходимы также разработка эффективных средств анализа и контроля для сложных автоматизированных систем управления, а также проведение других организационно-технических мероприятий, направленных на повышение качества, безопасности и расширение ассортимента выпускаемых продуктов.
Предприятия пищевой промышленности в России сегодня работают в условиях жесткой конкуренции как с отечественными, так и с зарубежными компаниями. Для обеспечения конкурентных преимуществ и роста финансовых показателей предприятия активно ищут новые способы гарантирования исключительного качества продукции, сокращения времени и затрат на производство. Увеличиваются скорости производственных линий, а также требования к качеству продукции со стороны дистрибьюторов и потребителей. В таких условиях традиционные методы контроля технологических процессов с помощью “человеческого глаза” становятся недостаточно эффективными. Машинное зрение приходит на смену “человеческому глазу”, обеспечивая круглосуточный контроль качества и безопасности производства.
Применение машинного зрения
Внедрение автоматизации в технологические процессы способствует увеличению скорости производства продукции, снижению ее стоимости и минимизации влияния человеческого фактора на качество. Одно из наиболее сложных и перспективных направлений автоматизации – это машинное зрение. Данная технология ставит перед собой задачи контроля, анализа и оптимизации современных высокоскоростных производственных процессов.
В настоящее время системы машинного зрения широко используются в различных сферах, включая промышленность, лабораторную практику и пищевую промышленность для решения ряда сложных задач:
- Обнаружение дефектов упаковки: выявление пятен, трещин, царапин, вмятин и других дефектов на упаковке.
- Контроль качества продукции: проверка соответствия цвета, формы и других внешних характеристик эталонному образцу.
- Считывание и верификация маркировки: с помощью технологии оптического распознавания символов системы машинного зрения проверяют дату, код продукта, партию и другую информацию на маркировке.
- Обнаружение посторонних включений в продукции: система, состоящая из специализированной камеры и настроек освещения, позволяет обнаружить наличие инородных объектов в продукте.
- Оценка качества печати этикеток: в условиях высоких производственных скоростей человек не способен надежно оценить качество печати этикетки, а специальные камеры выполняют эту задачу за доли секунды.
- Контроль сборки: например, проверка правильности укупорки бутылок предохранительным кольцом.
Системы машинного зрения активно применяются для решения различных задач контроля качества продукции, таких как проверка каждого изделия, подсчет количества товаров на конвейере, определение их объема и размеров с высокой точностью.
Эти системы функционируют на основе алгоритмов анализа изображений, включая контурный анализ, поиск по шаблону, сопоставление по ключевым точкам и комбинирование данных. После обработки изображения система проводит необходимую проверку и принимает решение.
Аппаратные компоненты систем машинного зрения, такие как модули освещения, датчики и процессоры, доступны в виде готовых решений. Системы можно собирать из отдельных компонентов или приобретать в составе комплексных устройств, где все элементы объединены в единую конструкцию.
К таким устройствам относятся, например, смарт-камеры – интеллектуальные камеры с широким спектром программируемых функций, включая высокоточную локализацию объектов, распознавание текста, считывание штрихкодов и QR-кодов, геометрические измерения и работу с цветом. Смарт-камеры представляют собой автономные системы машинного зрения, соответствующие промышленным стандартам точности и скорости обработки изображений.
Следует отметить, что не все задачи машинного зрения могут быть решены без применения искусственного интеллекта. Технологии машинного обучения позволяют решать более сложные задачи в области анализа изображений.
Новые горизонты применения машинного зрения, которые открывают нейронные сети и машинное обучение
Современные производственные процессы характеризуются нарастающей сложностью, что обуславливает необходимость внедрения интеллектуальных систем управления, способных осуществлять глубокий анализ и выявлять пути оптимизации.
Робототехника находит все более широкое применение в различных технологических процессах. Для решения ряда задач, возникающих в ходе автоматизации, становится необходимым использование технологий машинного обучения и нейросетей.
В сельском хозяйстве искусственный интеллект активно используется для повышения эффективности выращивания культур. Нейронные сети, обученные на миллионах изображений растений, способны различать полезные культуры от сорняков. С помощью камер, интегрированных в системы точного земледелия, можно мгновенно идентифицировать тип растения и применить гербициды только на сорняки. Анализ эффективности применения гербицидов позволяет нейросети совершенствовать алгоритмы расчета необходимого количества вещества.
Роботизированные системы точного полива оптимизируют расход воды, дозируя ее в соответствии с потребностями каждого конкретного растения.
Машинное зрение, основанное на нейронных сетях, используется для раннего обнаружения вредителей и классификации заболеваний сельскохозяйственных животных. Например, в Аргентине дрон с высокоточной камерой сканирует поля пшеницы, а собранные данные анализируются программой для выявления первых признаков заражения. Подобная технология применяется в норвежских рыбных хозяйствах для борьбы с морскими вредителями, которые наносят значительный ущерб отрасли.
Разработана также технология, позволяющая прогнозировать расположение костей и суставов для автоматизированной разделки туш животных. Это особенно актуально при производстве мяса птицы, где неправильный надрез может привести к повреждению костей и снижению качества продукта.
В последнее время наблюдается растущий спрос на автоматизированные системы видеоаналитики и промышленной безопасности.
Эффективное решение задач, стоящих перед такими системами, предполагает применение нейронных сетей и машинного зрения.
Ниже приведены примеры задач, которые могут быть решены с помощью данных технологий:
- Комплексный анализ территории предприятия: контроль периметра, оптимизация логистических и операционных маршрутов, мониторинг санитарного состояния территории.
- Контроль персонала: отслеживание нахождения сотрудников в опасных зонах, проверка наличия средств индивидуальной защиты для минимизации рисков травматизма и предотвращения контаминации пищевых продуктов, учет рабочего времени, анализ и оптимизация операционных процессов.
- Предупреждение и регистрация чрезвычайных ситуаций: в случае аварийных или нештатных ситуаций интеллектуальная система видеонаблюдения способна уведомить менеджеров и персонал о месте происшествия и степени его интенсивности.
Помимо перечисленных, существуют и другие сложные задачи. Например, контроль положения переключателей и органов управления на оборудовании без цифрового интерфейса для предотвращения нештатных ситуаций или нарушений технологического процесса.
Использование машинного зрения на основе искусственного интеллекта способствует повышению стандартов производственной безопасности до нового уровня.
Нейронные сети находят широкое применение в области контроля качества продукции. Технологии искусственного интеллекта способны осуществлять в режиме реального времени обнаружение дефектов, оценку общего состояния продукта и оперативное информирование о выявленных проблемах. Данная система функционирует непрерывно без потери концентрации или усталости. Нейронные сети могут контролировать соответствие продукции заданным параметрам: цвету, длине, ширине, целостности краев, уровню заполнения упаковки. При этом задачи, решаемые нейронными сетями, становятся всё более сложными.
Применение методов data science и нейронных сетей в сфере контроля качества обладает рядом преимуществ:
- Повышение точности проверки качества: нейронные сети способны достигать значительно более высоких результатов проверки качества продукции, особенно в сложных задачах, не поддающихся решению традиционными методами.
- Адаптивность: при корректной настройке алгоритма обучения система может быть адаптирована для решения сходных задач с использованием одних и тех же инструментов.
Значительный прогресс также достигнут в области животноводства. Использование нейронных сетей и машинного зрения позволяет организовать индивидуальный подход к обслуживанию каждого животного.
В качестве примера можно привести неинвазивный метод взвешивания свиней на основе системы машинного зрения, которая определяет вес животного по фото- и видеоданным с использованием методов машинного обучения. Этот метод обеспечивает точный контроль процесса откорма каждого поросенка, позволяет составить индивидуальную программу откорма и определить оптимальный состав пищевых добавок, что в итоге повышает общий выход продукции.
Наша компания разработала информационную систему и создала робота для автоматизированного доения коров, а также автоматизированную систему раздачи кормов. Кормление является наиболее затратным фактором в управлении фермой. Качество, частота раздачи и оптимизация смешанных рационов для каждой группы животных играют решающую роль в производстве.
Выводы
Системы машинного зрения, основанные на нейронных сетях, несомненно станут мощным инструментом в руках специалистов для решения самых сложных задач. Их внедрение позволит оптимизировать использование ресурсов, повысить качество и безопасность продукции, установить новые стандарты промышленной безопасности и ускорить технологические процессы на всех этапах производства.
В настоящее время российские предприятия преимущественно полагаются на неквалифицированный ручной труд. Однако возрастающие требования рынка к качеству продукции и производительности труда делают внедрение новых технологий неизбежным, хотя этот процесс может занять некоторое время.
Источники
- Олешко Р.Б., Красноплахтова Л.И. Применение машинного зрения в сельском хозяйстве // Синергия наук. № 12. − С. 840-844. − URL: http://synergy-journal.ru/archive/article0612.
- Горячкин Б.С., Китов М.А. Компьютерное зрение // E-Scio. №9 (48). URL: https://cyberleninka.ru/article/n/kompyuternoe-zrenie-1.
- Печерский, Д. К. Использование методов компьютерного зрения для улучшения качества продукции пищевых предприятий / Д. К. Печерский, Н. А. Забенкова. – Текст: непосредственный // Молодой ученый. – 2021. – № 6 (348). – С. 27-29. – URL: https://moluch.ru/archive/348/78414.
- Линдигрин Александр Николаевич Искусственные нейронные сети как основа глубинного обучения // Известия ТулГУ. Технические науки. 2019. №12. URL: https://cyberleninka.ru/article/n/iskusstvennye-neyronnye-seti-kak-osnova-glubinnogo-obucheniya.
- Екатерина Царева «Машинное зрение для контроля качества выпускаемой продукции» Опубликовано во втором выпуске 2019 года в журнале «Тара и упаковка».
- Плаксин И.Е., Плаксин С.И., Трифанов А.В. Применение систем управления на животноводческих предприятиях // АгроЭкоИнженерия. № 3 (112). С.109-121.
- Компьютерное зрение: технологии, рынок, перспективы”, отчет TAdviser, 2018.
