Технологии машинного зрения играют решающую роль в развитии современных человекоцентричных производственных систем. В данном исследовании рассматриваются их практические применения для повышения безопасности и производительности в промышленных условиях. Особое внимание уделяется таким областям, как обеспечение качества, защита работников и оптимизация процессов, демонстрируя, как интеллектуальные системы визуального контроля и анализ данных в реальном времени способствуют повышению операционной эффективности и стандартов безопасности.
Методология исследования сочетает в себе углубленный анализ промышленных примеров, включая пример из индустрии замороженного теста, с систематическим обзором современной литературы по технологиям машинного зрения в производстве. Результаты подчеркивают потенциал таких систем для снижения человеческих ошибок, поддержания стабильного качества продукции, минимизации отходов материалов и создания более безопасных и адаптируемых условий труда. Данное исследование предлагает ценные сведения об интеграции передовых визуальных технологий в человекоцентричные производственные среды, а также рассматривает ключевые проблемы и будущие возможности для инноваций и технологической эволюции.
1. Введение
Переход от Индустрии 4.0 к Индустрии 5.0 означает критическую переориентацию промышленных парадигм, смещение акцента с технологически ориентированного подхода к автоматизации, взаимосвязи и эффективности к более целостной структуре, включающей устойчивость, жизнеспособность и человекоцентричные инновации [1, 2]. В этом контексте передовые технологии, такие как искусственный интеллект (ИИ), цифровые двойники и компьютерное зрение, являются не просто инструментами для замены человеческого труда, но и средствами расширения взаимодействия человека и машины.
В частности, системы компьютерного зрения составляют основу восприятия в реальном времени, контекстной осведомленности и интеллектуального принятия решений в динамичных производственных средах. Их внедрение в обеспечение качества, обнаружение аномалий и охрану труда напрямую способствует созданию адаптивных, прозрачных и инклюзивных производственных систем. Кроме того, в сочетании с объяснимыми методологиями ИИ эти системы повышают интерпретируемость и укрепляют доверие, что является необходимым условием для безопасных и эффективных промышленных операций с участием человека, предусмотренных Индустрией 5.0.
Хотя Индустрия 4.0 внедрила автоматизацию, киберфизические системы и оптимизацию на основе данных в производственные процессы, ее основное внимание по-прежнему было сосредоточено на эффективности и масштабируемости. Однако эти подходы часто игнорировали такие важные аспекты, как благополучие работников, воздействие на окружающую среду и организационная устойчивость. Индустрия 5.0 опирается на технологическую основу Индустрии 4.0, но переопределяет приоритеты, включая человекоцентричные инновации, устойчивое производство и коллективный интеллект [3].
В этой парадигме такие технологии, как искусственный интеллект, расширенная реальность и компьютерное зрение, используются не для замены людей, а для расширения человеческих возможностей, создания более безопасных условий труда и поддержки этичной и инклюзивной промышленной трансформации. Настоящий обзор прочно вписывается в эту перспективу Индустрии 5.0, исследуя, как машинное зрение может поддерживать не только автоматизацию и обеспечение качества, но и сотрудничество человека и машины, эргономическую обратную связь в реальном времени и расширение прав и возможностей работников в полуструктурированных производственных средах, таких как производство замороженного теста [4].
Несмотря на многообещающие перспективы производства с использованием машинного зрения, большинство внедрений по-прежнему сосредоточено в высокоструктурированных средах, таких как автомобильное или фармацевтическое производство. Меньше известно об их производительности в более изменчивых и зависящих от человека условиях, таких как пищевая промышленность, где реальные условия ставят под сомнение надежность и удобство использования систем ИИ. В этой статье мы исследуем роль компьютерного зрения в поддержке человекоцентричного производства на примере реального случая в индустрии замороженного теста.
Мы изучаем, как системы визуального контроля на основе глубокого обучения повышают операционную эффективность, качество продукции и поддержку работников, что соответствует основным ценностям Индустрии 5.0 [5]. В отличие от других секторов пищевой промышленности, замороженное тесто представляет собой особый набор проблем для приложений машинного зрения. Его деформируемая и нежесткая структура в сочетании с высокой отражательной способностью поверхности из-за изменчивости влажности и текстуры на разных стадиях ферментации усложняет стандартные методы анализа изображений. Эти факторы требуют надежных, адаптивных и часто основанных на ИИ методов контроля для обеспечения надежного обнаружения и классификации. В этом обзоре конкретно рассматриваются эти проблемы и исследуются подходы на основе машинного зрения, адаптированные к контексту замороженного теста.
Этот сдвиг в сторону человекоцентрированного дизайна особенно актуален в секторе пищевой промышленности, который сталкивается с растущими требованиями к гибкости, отслеживаемости и соблюдению гигиенических стандартов. По мере изменения ожиданий потребителей производители сталкиваются с проблемой поддержания стабильного качества продукции, одновременно адаптируясь к частым изменениям продукции и динамичным рыночным условиям [6]. Машинное зрение стало важнейшим фактором этой трансформации, предлагая обратную связь в реальном времени, неинвазивный контроль и интеллектуальную автоматизацию, адаптированную к полуструктурированным средам и средам с участием человека [7].
Недавние исследования показали, что системы машинного зрения, интегрированные с искусственным интеллектом (ИИ) и расширенной реальностью (XR), могут повысить эффективность работы человека в производственных условиях за счет снижения когнитивной нагрузки, повышения точности принятия решений и повышения безопасности выполнения задач [8]. В частности, в пищевой промышленности компьютерное зрение применялось для обнаружения дефектов, анализа текстуры и влажности, контроля загрязнений и проверки упаковки [9, 10]. Однако его применение в областях с высокой изменчивостью, таких как производство замороженного теста, остается ограниченным в литературе, что указывает на необходимость анализа, специфичного для данной области, и прикладных тематических исследований.
Дальнейшая структура данной статьи следующая: Раздел 2 содержит теоретические основы и обзор смежных работ по применению машинного зрения в человекоцентричном производстве. Раздел 3 описывает принятую методологию исследования, включая протокол систематического обзора литературы. Раздел 4 представляет собой подробное исследование конкретного случая в индустрии замороженного теста, описывающее внедрение технологий машинного зрения на различных этапах производства. Раздел 5 обсуждает результаты исследования, уделяя особое внимание вкладу машинного зрения в взаимодействие человека и машины, безопасность и производительность. Наконец, Раздел 6 подводит итоги статьи и предлагает направления для будущих исследований и промышленного внедрения.
2. Предыстория и смежные работы
В рамках Индустрии 4.0 технологии компьютерного зрения были разработаны в первую очередь для автоматизации задач контроля, обнаружения дефектов и оптимизации процессов с минимальным участием человека [11]. Однако появление Индустрии 5.0 переосмыслило роль машинного зрения, внедрив человекоцентричный подход, в рамках которого ожидается, что интеллектуальные системы будут поддерживать, дополнять и сотрудничать с операторами-людьми [12, 13].
2.1. Контроль качества и мониторинг процессов с участием человека
Недавние исследования показали, что компьютерное зрение может повысить контроль качества за счет повышения точности, согласованности и интеграции с процессом принятия решений человеком. Например, Цзян и др. [14] описывают систему визуальной аналитики в реальном времени, развернутую на сборочной линии, которая обеспечивает непрерывную обратную связь операторам, позволяя раннее обнаружение отклонений качества и значительно сокращая количество переделок. Эта система достигла 25% улучшения выхода годной продукции с первого раза, демонстрируя ценность сотрудничества человека и ИИ. Аналогично, Да Силва Феррейра и др. [2] подчеркивают важность объяснимого ИИ (XAI) в визуальном контроле, отмечая, что системы с прозрачными процессами принятия решений повышают доверие оператора и способствуют более точным вмешательствам при неоднозначных обнаружениях.
Другие исследования рассматривали гибридные системы контроля, где компьютерное зрение обрабатывает повторяющиеся проверки поверхности, в то время как люди проверяют крайние случаи или неоднозначные закономерности. Эти системы со смешанной инициативой не только снижают утомляемость при контроле, но и служат контурами обратной связи для обучения моделей ИИ. Более того, системы машинного зрения, интегрированные с цифровыми двойниками, позволяют осуществлять непрерывную синхронизацию между физическим производством и виртуальными стандартами качества, предлагая новую парадигму для контроля качества на основе данных в условиях Индустрии 5.0 [9].
2.2. Безопасность и предотвращение рисков
Охрана труда – одна из наиболее важных областей, где машинное зрение способствует человекоцентричному производству. Системы на основе машинного зрения все чаще используются для мониторинга опасных зон, выявления небезопасного поведения работников (например, наклонов, неправильного подъема или несоблюдения требований к СИЗ) и предоставления оповещений в режиме реального времени для предотвращения несчастных случаев. Например, Чжао и др. [15] разработали интеллектуальную систему наблюдения, которая достигла 94% точности в определении опасных поз и запускала автоматические реакции, такие как визуальные/звуковые сигналы тревоги или отключение оборудования. Эти системы способствуют проактивному управлению безопасностью, снижая зависимость от ручного контроля и улучшая время реагирования на инциденты.
Кроме того, мониторинг на основе машинного зрения часто интегрируется с инструментами оценки эргономических рисков, такими как REBA или RULA, для непрерывной оценки качества осанки во время повторяющихся или напряженных задач. Аготе-Гарридо и др. [16] продемонстрировали, как цифровые двойники с поддержкой машинного зрения могут моделировать движения работника в 3D и имитировать потенциальные риски усталости или травм в различных сценариях. В сочетании с моделями прогнозирования на основе ИИ эти системы могут даже предвидеть рискованные условия до их проявления, что позволяет адаптировать рабочие процессы в режиме реального времени, например, снижать скорость выполнения задач или переназначать операции. Такие подходы отражают основные принципы Индустрии 5.0, где благополучие работников и устойчивость системы заложены в операционную логику умных заводов [17].
2.3. Эргономика и помощь оператору
Помимо предотвращения несчастных случаев, машинное зрение играет все более важную роль в эргономической оценке и оказании помощи оператору в режиме реального времени. Системы машинного зрения могут непрерывно отслеживать позу тела, углы суставов и траектории движений, что позволяет проводить автоматизированную оценку эргономического риска на основе таких моделей, как REBA, RULA или OWAS. Это позволяет заблаговременно выявлять действия, вызывающие перенапряжение, и поддерживает динамическую корректировку задач. Например, системы слияния данных с датчиков, сочетающие RGB-D камеры с отслеживанием скелета, используются на производственных линиях для выявления повторяющихся поз, вызывающих стресс, что снижает долгосрочный риск развития заболеваний опорно-двигательного аппарата.
Системы помощи оператору также используют зрение для повышения эффективности выполнения задач путем проецирования наложений с указаниями или обеспечения адаптивного взаимодействия с коллаборативными роботами. Модони и др. [12] представляют гибридную платформу компьютерного зрения и дополненной реальности, которая предоставляет контекстные инструкции во время сборочных работ. Такой подход значительно снижает когнитивную нагрузку и физические усилия, особенно в условиях высокой вариативности и малого объема производства (HMLV). Такие платформы помощи с использованием зрения поддерживают адаптивное сотрудничество, позволяя работникам сосредоточиться на принятии решений, делегируя повторяющиеся или физически сложные действия инструментам поддержки на основе ИИ. Эти инновации демонстрируют, как компьютерное зрение соответствует ценностям Индустрии 5.0, дополняя, а не заменяя человеческие усилия, и способствуя благополучию и вовлеченности в промышленные рабочие процессы [18].
2.4. Интеграция в киберфизические системы
Системы машинного зрения являются важнейшим компонентом киберфизических производственных систем (КПФС), обеспечивая бесшовную связь между физическими действиями и цифровыми представлениями. В передовых архитектурах КПФС модули машинного зрения действуют как перцептивные интерфейсы, которые непрерывно захватывают пространственную и семантическую информацию о производственной среде. Это позволяет осуществлять синхронизацию в реальном времени между активностью человека, состоянием машины и моделями цифровых двойников [19]. Например, Чжао и др. [20] предложили систему, в которой распознавание жестов на основе машинного зрения и контекстно-ориентированный мониторинг позволяют машинам динамически адаптировать поведение, реагируя на намерения оператора и изменения окружающей среды за миллисекунды.
Более того, Куэльяр и др. [21] внедрили слой компьютерного зрения в модульную структуру CPPS, которая позволила производственным системам выявлять несоответствия компонентов, обнаруживать узкие места и оптимизировать поток процесса. Эти системы особенно эффективны в реконфигурируемых или взаимодействующих с человеком производственных ячейках, где предопределенные правила недостаточны из-за изменчивости и вмешательства человека. CPPS с улучшенным визуальным восприятием также может поддерживать самодиагностику, прогнозируемое техническое обслуживание и контекстную осведомленность, тем самым усиливая адаптивность и устойчивость, которые являются центральными для парадигм Индустрии 5.0. В сочетании с цифровыми двойниками и механизмами логического мышления на основе ИИ данные визуального восприятия могут направлять автономное принятие решений, которое включает человека в процесс, а не исключает его.
2.5. Тактильное восприятие и мультимодальное восприятие
Системы, основанные на машинном зрении, хотя и мощные, часто сталкиваются с ограничениями при работе с деформируемыми, прозрачными или закрытыми объектами — условиями, часто встречающимися в пищевой промышленности [22]. Чтобы преодолеть эти проблемы, исследователи все чаще интегрируют тактильные, силовые и датчики приближения с модулями машинного зрения для создания многомодальных систем восприятия. Например, мягкие роботизированные захваты, оснащенные встроенными датчиками силы и искусственной «оболочкой», могут измерять податливость, обнаруживать проскальзывание и реагировать на мельчайшие физические изменения в динамике контакта [23]. Эти возможности позволяют осуществлять коррекцию в реальном времени во время деликатных операций, таких как манипулирование тестом, где визуальные сигналы могут не полностью фиксировать изменения текстуры или сопротивления.
В условиях совместной работы сочетание визуальной и тактильной обратной связи позволяет роботам оценивать намерения взаимодействия и соответствующим образом корректировать поведение, обеспечивая более безопасное и интуитивно понятное взаимодействие человека и робота. К последним разработкам относятся системы слияния данных с датчиков, которые объединяют RGB-D изображения с тактильными и инерционными сигналами для улучшения классификации объектов, стабильности захвата и прогнозирования движения. Такие системы особенно актуальны в полуструктурированных средах, таких как пищевые заводы, где высока непредсказуемость и изменчивость. Слияние различных модальностей не только повышает надежность выполнения задач, но и отражает акцент Индустрии 5.0 на системах, которые адаптируются к людям и сотрудничают с ними, а не работают независимо.
2.6. Проблемы зрения в пищевой промышленности
Системы машинного зрения сталкиваются со значительными техническими и практическими проблемами в условиях производства продуктов питания [24]. Продукты, как правило, нежесткие, обладают высокой внутриклассовой изменчивостью и могут подвергаться воздействию влаги, температуры или деформации, вызванной обработкой. Например, изделия из теста могут менять форму во время ферментации или транспортировки, что делает геометрический контроль ненадежным. Кроме того, условия освещения, скорость конвейера и перекрытие продуктов вносят динамическую изменчивость, которая усложняет обнаружение и классификацию в реальном времени. Эти факторы снижают производительность традиционных алгоритмов компьютерного зрения, обученных на жестких, однородных наборах данных [22].
Кроме того, ограничения в области безопасности и гигиены пищевых продуктов ограничивают использование физических маркеров или инвазивных методов зондирования, что приводит к увеличению зависимости от пассивных решений, основанных только на визуальном контроле. Затенения, зеркальные отражения и прозрачность (например, в упаковочных пленках или глазури) еще больше ухудшают качество изображения. Для решения этих проблем изучаются адаптивные методы обучения, мультиспектральная визуализация и методы сегментации с учетом контекста. Однако лишь немногие из этих решений были надежно проверены в реальных промышленных условиях, особенно в гибких или полуструктурированных средах. Это подчеркивает необходимость применения специализированных подходов, способных надежно работать в таких условиях, и именно эту проблему призван решить данный обзор. Как показано в таблице 1, производство замороженного теста сочетает в себе полуструктурированные среды с высокой вариативностью продукта, что увеличивает сложность системы визуального контроля.
Таблица 1. Сравнение требований к системам машинного зрения в различных отраслях промышленности.
| Домен | Среда | Изменчивость продукции | Сложность зрения |
|---|---|---|---|
| Автомобильная промышленность | Структурированный | Низкий | Середина |
| Фармацевтическая промышленность | Чистая комната | Очень низкий | Низкий |
| Замороженное тесто | Полуструктурированный | Высокий | Высокий |
| Электроника | Структурированный | Середина | Середина |
| Сельское хозяйство | Неструктурированный | Очень высокий | Очень высокий |
2.7. Пробел в исследованиях реальных, ориентированных на человека приложений.
Хотя эти исследования демонстрируют технический потенциал производства с использованием машинного зрения, большинство из них разрабатываются и тестируются в структурированных, высокоточных отраслях, таких как автомобильная или фармацевтическая промышленность [25]. В отличие от этого, такие области, как пищевая промышленность, представляют собой проблемы, включая высокую вариативность продукции, частое вмешательство человека и неструктурированную среду. Эти факторы ограничивают применимость существующих решений и указывают на пробел в исследованиях по разработке практичных, объяснимых и надежных решений для человекоцентричных предприятий [26]. Чтобы восполнить этот пробел, в нашей работе исследуется внедрение системы визуального контроля на основе глубокого обучения на реальном предприятии по производству замороженного теста. Цель этого исследования — оценить, как такие системы могут повысить эффективность, качество и поддержку работников в сложной и динамичной производственной среде.
Хотя в предыдущих обзорах рассматривалось машинное зрение в контексте общей пищевой промышленности, лишь немногие исследования явно фокусируются на замороженном тесте или готовых к выпечке продуктах, которые предъявляют уникальные технические и эксплуатационные требования. Кроме того, ограниченное внимание уделялось интеграции систем машинного зрения с интерфейсами дополненной реальности и цифровыми двойниками человека в этих средах. Данная статья восполняет этот пробел, сочетая тематический анализ с перспективой, основанной на индустрии замороженного теста [27].
3. Пересмотрите стратегию и источники.
В данном исследовании используется методология систематического обзора литературы (SLR) для изучения и обобщения существующего объема научных знаний о роли машинного зрения в Индустрии 5.0, особенно в контексте человекоцентричных производственных сред. Качественная оценка отобранных статей проводилась двумя независимыми рецензентами, обладающими опытом в области компьютерного зрения и производственных систем.
Статьи оценивались на основе заранее определенных тематических кластеров и релевантности приложениям машинного зрения в человекоцентричных средах. Разногласия разрешались путем обсуждения. Использовались следующие инструменты: кластеризация ключевых слов с помощью VOSviewer (онлайн-инструмент для построения и визуализации библиометрических сетей. Мы использовали его в апреле-мае 2025 г., https://www.vosviewer.com/, доступ 20 августа 2025 г.) и ручной контент-анализ с использованием общей матрицы обзора. Обзор носит систематический характер и направлен на решение двух ключевых исследовательских вопросов:
-
Какова роль машинного зрения в улучшении взаимодействия человека и машины в процессе производства замороженного теста?
-
Какие области применения машинного зрения могут способствовать повышению безопасности и производительности на предприятиях, ориентированных на человека?
Эти исследовательские вопросы послужили основой для стратегии поиска статей и аналитической структуры обзора.
3.1. Этап I — Разработка дизайна обзора
На этом начальном этапе был определен объем обзора и обеспечена методологическая строгость за счет применения подхода, состоящего из трех основных этапов и восьми фаз.
3.1.1. Этап 0 — Определение необходимости проведения обзора
Растущая сложность операций в пищевой промышленности и необходимость соблюдения строгих стандартов качества и безопасности сделали технологии машинного зрения незаменимыми. Благодаря возможности визуального контроля и принятия решений в режиме реального времени, машинное зрение поддерживает контроль качества и оптимизацию процессов, уменьшая количество ошибок и повышая соответствие гигиеническим нормам пищевой промышленности [28]. В рамках концепции «Индустрия 5.0» крайне важно развитие человекоцентричных заводов — производственных подразделений, которые интегрируют технологии с благополучием человека и эргономикой.
Эти заводы способствуют созданию условий для совместной работы, в которых интеллектуальные системы и робототехника снижают физическую нагрузку, одновременно повышая общую эффективность [29]. В этом контексте машинное зрение служит «глазами» умного завода, предоставляя данные, которые используются в автоматизированных процессах принятия решений и снижают необходимость участия человека в операциях высокого риска [30]. Учитывая быструю эволюцию систем машинного зрения, необходим систематический обзор для обобщения последних инноваций и оценки того, как эти технологии формируют будущее пищевой промышленности. Кроме того, рассматривается влияние предложенной в рамках «Индустрии 5.0» перспективы человекоцентрированного проектирования на внедрение и реализацию таких технологий [31].
3.1.2. Этап 1 — Формулирование предложения по обзору
На этом этапе был разработан протокол обзора для обеспечения объективности и достоверности. Обзор посвящен технологиям машинного зрения в пищевой промышленности и их влиянию на безопасность, производительность и взаимодействие человека и машины. Для поиска статей использовались базы данных IEEE Xplore, ScienceDirect, ACM Digital Library и Scopus. Исследования отбирались на основе актуальности (опубликованы в период с 2017 по 2024 год), релевантности для пищевой промышленности и соответствия принципам Индустрии 5.0.
Данный систематический обзор литературы был проведен в соответствии с рекомендациями PRISMA 2020. Заполненный контрольный список PRISMA и блок-схема представлены в дополнительных материалах .
3.1.3. Этап 2 — Разработка протокола обзора
Для обеспечения беспристрастности и надежности в процессе обзора был принят протокол PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses). PRISMA — это международно признанная система, которая способствует повышению качества систематических обзоров и метаанализов. Она предоставляет рекомендации по поддержанию прозрачности и методологической строгости, минимизации риска предвзятости и повышению надежности и воспроизводимости результатов исследований.
Этот протокол включает последовательность шагов для определения и применения критериев включения и исключения, отбора и оценки источников, а также синтеза результатов в анализ. Соблюдение рекомендаций PRISMA обеспечивает всестороннее и методическое освещение темы исследования. Протокол обзора включает несколько этапов, которые облегчают систематический и точный анализ данных. Первоначально были определены ключевые исследовательские вопросы, которые направляли процесс обзора.
Затем был проведен поиск источников с использованием конкретных поисковых терминов и ключевых слов для сбора соответствующей литературы из авторитетных академических баз данных. Отбор и оценка источников основывались на заранее определенных критериях включения и исключения, с акцентом на соответствующие исследования взаимодействия человека и машины и повышения производительности в пищевой промышленности.
Была проведена оценка качества с учетом достоверности и релевантности данных в соответствии со стандартами PRISMA. Такой систематический подход гарантирует, что обзор является всесторонним и основанным на достоверных источниках, что позволяет организовать синтез и сравнение результатов для ответа на исследовательские вопросы с максимальной точностью и детализацией. Хотя в ходе поиска не было обнаружено дублирующихся записей, был выполнен этап дедупликации для обеспечения целостности набора данных.
3.2. Этап II — Проведение обзора
Второй этап состоит из пяти фаз, посвященных систематическому сбору, отбору, оценке и обобщению данных из соответствующих исследований. Применение строгих критериев обеспечило релевантность и качество источников, а данные были организованы таким образом, чтобы дать точные ответы на исследовательские вопросы.
3.2.1. Этап 3 — Идентификация направления исследований
Этот этап знаменует начало сбора данных для систематического обзора. Ранее сформулированные исследовательские вопросы привели к разработке соответствующих поисковых запросов для выявления релевантных исследований и статей. Поисковые запросы были выбраны таким образом, чтобы всесторонне охватить такие области, как машинное зрение, роботизированное зрение, компьютерное зрение, человекоцентричное производство, интеллектуальное производство, замороженное тесто, хлебопекарная промышленность и пищевая промышленность.
Эти ключевые слова были объединены с помощью булевых операторов для формирования надежных и эффективных поисковых запросов. Например, поисковые строки включали такие выражения, как: («компьютерное зрение» ИЛИ «машинное зрение» ИЛИ «роботизированное зрение») И («человекоцентричное производство» ИЛИ «интеллектуальное производство» ИЛИ «замороженное тесто» ИЛИ «хлебопекарная промышленность» ИЛИ «пищевая промышленность»). Сбор и отбор исследований включали проверку заголовков, аннотаций и ключевых слов для выявления релевантных исследований.
Статьи, не соответствующие заранее определенным критериям включения, были исключены. В частности, были удалены исследования, написанные не на английском языке или не прошедшие рецензирование. Те, которые соответствовали требованиям, перешли к этапу 4 для дальнейшей оценки качества и релевантности. Этот процесс гарантировал, что включенные в обзор источники были напрямую связаны с исследовательскими вопросами и обеспечил прочную основу для изучения компьютерного зрения в человекоцентричной среде пищевой промышленности.
3.2.2. Этап 4 — Отбор исследований
После выявления релевантных исследований на этапе 3 процесс отбора был сосредоточен на применении строгих критериев для оценки качества и релевантности данных, которые будут использованы в обзоре. В общей сложности было выявлено 2186 исследований из четырех основных академических баз данных. На рисунке 1 представлено распределение статей по базам данных, причем большинство из них получены из Scopus и IEEE Xplore.
Рисунок 1. Распределение статей по научным источникам.
Отбор исследований проводился на основе четко определенных критериев включения и исключения. Отобранные исследования соответствовали следующим критериям:
-
Актуальность: Статьи должны были быть посвящены или непосредственно связаны с ролью компьютерного зрения в человекоцентричных средах производства замороженного теста.
-
Период публикации: Для обеспечения актуальности данных были отобраны исследования, опубликованные за последние семь лет (2017–2024).
-
Язык: Для обеспечения единообразия и понятности процесса обзора были включены только публикации на английском языке.
-
Доступность полного текста: В обзор были включены только статьи с полным доступом, что позволило провести углубленное чтение и анализ.
После применения этих критериев были отобраны наиболее релевантные и качественные исследования. Этот процесс позволил сузить круг до тщательно отобранного набора статей, которые содержали достоверные данные и были способны всесторонне и точно ответить на исследовательские вопросы (Таблица 2).
Таблица 2. Краткое описание процесса отбора исследований.
| Этап проверки | Количество исследований |
|---|---|
| Выявлено с помощью IEEE Xplore, ScienceDirect, ACM, Scopus. | 2186 |
| Удалено перед скринингом | 162 |
| Проверено | 2024 |
| Исключены после проверки | 334 |
| Полный текст получен | 1690 |
| Не удалось получить | 30 |
| Прошла оценку на соответствие критериям. | 1660 |
| Исключено после оценки полного текста. | 1575 |
| В окончательный список включенных исследований | 85 |
3.2.3. Этап 5 — Оценка качества
Оценка качества является критически важным этапом в процессе систематического обзора, гарантирующим, что отобранные статьи соответствуют высоким стандартам научной достоверности и непосредственно связаны с исследовательскими вопросами. Одним из основных критериев является ясность исследовательских целей: статья должна четко формулировать цель исследования и предоставлять прозрачные, четко определенные задачи. Методологическая строгость оценивается на основе представления всесторонней методологии, включая четкое описание используемых аналитических методов и процедур, особенно в контексте применения компьютерного зрения в человекоориентированной среде.
Надежность результатов оценивается по наличию проверяемых данных и статистических доказательств, подтверждающих результаты. Также проверяется соответствие исследовательским вопросам, чтобы убедиться, что исследования соответствуют сфере охвата обзора. Кроме того, выводы оцениваются на предмет согласованности и полноты, чтобы гарантировать, что они дают четкие ответы на поставленные исследовательские вопросы. Для анализа были отобраны только статьи, удовлетворяющие этим критериям, что гарантирует достоверность и надежность выводов обзора.
3.2.4. Этап 6 — Извлечение и мониторинг данных
Этап извлечения данных сосредоточен на сборе и регистрации соответствующей информации из выбранных исследований для всестороннего и точного ответа на исследовательские вопросы. Для облегчения этого процесса была разработана структурированная форма, позволяющая систематически собирать и документировать ключевые характеристики каждого исследования. Форма включала необходимую информацию, такую как ссылка и год публикации, для целей цитирования и составления библиографических списков. Она также отражала цели и исследовательские вопросы исследования, с акцентом на их соответствие вопросам, связанным с человеческим сотрудничеством и безопасностью в пищевой промышленности.
Кроме того, были задокументированы используемая методология и методы компьютерного зрения, такие как обнаружение объектов и анализ изображений (например, алгоритмы YOLO для распознавания объектов). Основные результаты и выводы были зафиксированы, чтобы подчеркнуть их значение для безопасности, производительности и взаимодействия человека и машины. Исследования также были проанализированы с точки зрения их связи с принципами Индустрии 5.0, в частности, в применении компьютерного зрения в человекоцентричных промышленных средах. Процесс извлечения данных был организован с использованием электронных таблиц (например, Excel, с колонками «Автор», «Год», «Методы» и «Результаты»), что обеспечило систематический и точный анализ и сравнение.
3.2.5. Этап 7 — Синтез данных
После извлечения данных следующий этап был посвящен обобщению результатов выбранных исследований. Как показано в таблице 1, это обобщение включало группировку и категоризацию результатов для эффективного ответа на исследовательские вопросы и обеспечения целостного представления. Приложения компьютерного зрения были классифицированы по основным областям, включая контроль качества, безопасность пищевых продуктов, автоматизацию производства и поддержку взаимодействия человека и машины.
Каждая категория включает приложения, предназначенные для достижения конкретных целей, направленных на повышение эффективности и безопасности в производстве пищевых продуктов. Основные результаты исследований были систематизированы и сгруппированы для предоставления конкретных ответов на исследовательские вопросы. Например, было установлено, что такие приложения, как обнаружение дефектов и мониторинг качества, имеют решающее значение для повышения безопасности.
В то же время технологии классификации и распознавания продукции способствовали повышению эффективности и точности производственных процессов. Обобщение результатов проводилось посредством качественного анализа, представляя результаты таким образом, чтобы облегчить понимание того, как компьютерное зрение способствует развитию пищевой промышленности. Такой подход позволил сравнить различные технологические стратегии и подчеркнуть преимущества каждого приложения.
3.3. Этап III — Представление результатов и их распространение
Третий этап посвящен представлению и распространению результатов систематического обзора посредством всестороннего анализа и изложения полученных данных. На этом этапе формулируются четкие ответы на исследовательские вопросы, а также выделяются ключевые темы, выявленные в ходе исследования. Кроме того, на этом этапе предлагаются направления для будущих исследований и практического применения, с акцентом на непрерывное развитие технологий компьютерного зрения и совершенствование взаимодействия человека и машины в пищевой промышленности.
Этап 8 — Отчетность и рекомендации
На заключительном этапе обзора результаты представлены в подробном отчете, который дает четкие ответы на исследовательские вопросы и предлагает направления для будущих исследований и внедрения. Отчет состоит из двух основных компонентов: описательного анализа и тематического анализа. Описательный анализ дает обзор текущего состояния применения компьютерного зрения в пищевой промышленности.
Он включает классификацию приложений по таким категориям, как контроль качества, безопасность продукции и автоматизация, а также изучение временной эволюции соответствующих технологий. Этот анализ обеспечивает всестороннее «картирование» области, определяя области с наибольшей концентрацией инноваций и основные направления исследовательской деятельности. Тематический анализ углубляется в ключевые вопросы, выявленные в ходе анализа данных. К ним относятся вклад компьютерного зрения в повышение безопасности труда, повышение производительности за счет автоматизации и укрепление взаимодействия человека и машины.
Эта часть анализа предлагает более глубокое понимание того, как технологии компьютерного зрения положительно влияют на пищевую промышленность и поддерживают принципы Индустрии 5.0, с особым акцентом на человекоцентрированные подходы. На основе полученных результатов даются несколько рекомендаций для будущих исследований и практического внедрения. Исследования могут быть сосредоточены на новых технологиях компьютерного зрения, в частности на интеграции искусственного интеллекта и глубокого обучения, для дальнейшего повышения производительности и точности.
Кроме того, расширение взаимодействия человека и машины остается важнейшей областью для дальнейшего развития, особенно в условиях, требующих высокого уровня безопасности и точности. Наконец, приложения компьютерного зрения настоятельно рекомендуются для повышения контроля качества, в частности, для обнаружения микродефектов и удовлетворения растущих требований к гигиене и безопасности пищевых продуктов. Таблица под названием «Каталог научных исследований и обзор применения — категории, методы и системная интеграция в промышленном контексте» представлена в Приложении А.
4. Индустрия замороженного теста
Индустрия замороженного теста специализируется на крупномасштабном производстве готовых к выпечке изделий из теста, отвечающих различным потребностям потребителей, включая удобство, качество и стабильность. Процесс производства замороженного теста включает в себя ряд последовательных этапов, от проверки сырья до окончательного контроля качества. Упрощенное представление общего рабочего процесса показано на рисунке 2. Технологические достижения в производстве преобразили этот сектор, сделав его краеугольным камнем мировой хлебопекарной промышленности.
Производственные процессы в этой отрасли делают акцент на эффективности, масштабируемости и поддержании качества теста на протяжении всего процесса производства, заморозки и распределения. Высококачественное сырье имеет решающее значение для производства замороженного теста. Мука, дрожжи, сахар, жиры и вода закупаются и смешиваются с использованием промышленных миксеров для обеспечения однородной консистенции.
Процесс смешивания строго контролируется, поскольку отклонения могут повлиять на текстуру, вкус и хлебопекарные свойства конечного продукта. Ферментация играет решающую роль в формировании структуры и вкуса теста. В производстве замороженного теста этот процесс часто модифицируется или сокращается в соответствии с требованиями заморозки. Частичная ферментация широко используется, обеспечивая стабильность теста во время заморозки и сохранение его способности подниматься после размораживания и выпечки.
Рисунок 2. Общий обзор процесса производства замороженного теста. Последовательность включает в себя контроль качества сырья, автоматизированное приготовление теста, формование, предварительную выпечку (по желанию), замораживание, упаковку и окончательный контроль качества.
После замешивания и частичной ферментации тесто формуется и порционируется на стандартные размеры и формы. Для этих операций обычно используются автоматизированные системы, обеспечивающие однородность, что является ключевым фактором для достижения стабильных результатов выпечки на последующих этапах. Замораживание — один из наиболее важных этапов в производстве замороженного теста. Методы быстрой заморозки, такие как заморозка с помощью воздушного потока, используются для сохранения структуры теста и прекращения активности дрожжей без ущерба для качества. Правильные методы заморозки позволяют хранить тесто длительное время, сохраняя при этом его функциональные свойства. После заморозки тесто вакуумно упаковывается или герметично запечатывается для предотвращения порчи. Упаковка разработана не только для сохранения качества, но и для предоставления четких инструкций потребителю, включая температуру и время выпечки, что обеспечивает удобство процесса выпечки.
На протяжении всего производственного процесса применяются строгие меры контроля качества для обеспечения стабильности и безопасности. Для поддержания стандартов качества часто используются такие методы, как визуальный осмотр и анализ текстуры. В то же время все чаще применяются более совершенные методы, такие как гиперспектральная визуализация, для оценки содержания влаги, эластичности и наличия загрязнений. Эти меры помогают поддерживать высокие стандарты производства, гарантируя, что тесто соответствует ожиданиям как производителей, так и потребителей.
Массовое производство замороженного теста предлагает множество преимуществ. Централизованное производство снижает затраты за счет эффекта масштаба, автоматизации трудоемких процессов и минимизации отходов. Для потребителей и предприятий общественного питания замороженное тесто обеспечивает стабильное качество и удобство, позволяя выпекать по запросу без необходимости длительной подготовки. Тем не менее, отрасль сталкивается с такими проблемами, как поддержание качества продукции во время заморозки и размораживания, оптимизация эффективности производства и удовлетворение предпочтений потребителей в отношении более здоровых и экологически устойчивых продуктов. Производители решают эти проблемы с помощью инновационных подходов, включая использование улучшителей теста на основе ферментов и экологически устойчивых упаковочных решений, чтобы оставаться конкурентоспособными на развивающемся рынке.
4.1. Методы машинного зрения в производстве замороженного теста
В этом разделе рассматривается использование систем машинного зрения на различных этапах производства, подчеркивается их роль в оптимизации процессов и обеспечении соблюдения стандартов качества. В частности, в этом разделе анализируется использование машинного зрения на восьми основных этапах производства замороженного теста: (1) проверка сырья, (2) смешивание и замешивание, (3) формование, (4) замораживание, (5) упаковка, (6) контроль качества, (7) взаимодействие человека и робота и (8) отслеживаемость. Каждый из этих этапов представляет собой отдельные проблемы и требования к визуальному восприятию и помощи с использованием ИИ. В следующих подразделах мы подробно рассмотрим каждый этап, обсуждая соответствующие приложения машинного зрения, типичные конфигурации систем и их соответствие принципам человекоцентричного подхода и Индустрии 5.0.
4.1.1. Проверка сырья
Проверка сырья является важнейшим этапом в производстве замороженного теста, обеспечивающим качество, безопасность и стабильность продукции. Системы компьютерного зрения, интегрирующие такие технологии, как гиперспектральная визуализация (HSI) и машинное обучение, стали революционными инструментами для автоматизации оценки качества. Эти системы обеспечивают неразрушающий, быстрый и точный метод оценки сырья, позволяя производителям поддерживать высокие стандарты производства.
Загрязнение посторонними материалами представляет собой значительный риск в пищевой промышленности, ставя под угрозу как безопасность, так и целостность продукта. Гиперспектральная визуализация оказалась весьма эффективной в обнаружении посторонних объектов, которые могут быть визуально или физически похожи на сырье. В переработке зерновых культур системы HSI одновременно захватывают пространственные и спектральные данные, что позволяет идентифицировать загрязняющие вещества и обеспечивать более чистый поток продукта. Кроме того, HSI с использованием машинного обучения повышает точность обнаружения за счет классификации уровней загрязнения и визуализации пораженных областей с помощью псевдоцветных карт. Этот подход продемонстрировал особую эффективность в обнаружении грибкового загрязнения рисовых зерен, где алгоритмы опорных векторов (SVM) с использованием гауссовых распределений достигли точности классификации выше 93% [32].
Постоянство качества ингредиентов, таких как мука и дрожжи, имеет важное значение для производства замороженного теста с однородной текстурой и вкусом. Гипотеза гиперспектрального анализа (ГСИ) облегчает оценку качества злаков путем анализа таких параметров, как содержание влаги, грибковое загрязнение и химический состав. Фурье-преобразовательная среднеинфракрасная (FT-MIR) спектроскопия в сочетании с хемометрическими методами оказалась эффективной в классификации типов муки, достигнув 100% точности в идентификации образцов муки с использованием таких моделей, как машины опорных векторов (SVM) и искусственные нейронные сети (ANN) [33]. ГСИ также доказала свою эффективность в классификации зерен на основе микроструктуры и биохимического состава, что позволяет проводить неразрушающую оценку уровня белка, крахмала и влаги в пшеничной муке [34]. Эти системы использовались для быстрого обнаружения загрязнений в злаках, предлагая визуальное представление уровней порчи и позволяя раннее выявление снижения питательных веществ в пшенице и других злаках [35].
Способность HSI одновременно фиксировать пространственные и спектральные данные делает его ценным инструментом для мониторинга этих параметров в реальном времени. В процессе обработки его способность обнаруживать колебания влажности и химического состава позволяет производителям немедленно вносить корректировки. Эта возможность в реальном времени не только повышает стабильность конечного продукта, но и сокращает отходы и повышает эффективность производства [34].
В недавнем исследовании Кан и др. [36] разработали прогностическую модель химических свойств пшеничной муки в процессе удаления алейрона с использованием машинного обучения и изображений семян. Их исследование было сосредоточено на анализе химических характеристик семян в течение различных интервалов удаления для прогнозирования качества муки. Разработанная модель надежно предсказывала содержание золы, но столкнулась с трудностями в прогнозировании содержания крахмала и белка.
Несмотря на обширные исследования контроля качества пищевых продуктов на основе HSI, отсутствуют методы сертификации содержания цельного зерна в хлебе. Для решения этой проблемы была разработана новая методология, которая сочетает HSI с хемометрическими инструментами для сертификации содержания цельнозерновой муки в хлебе. Предложенный метод, количественная оценка по количеству пикселей с классификацией (QPC), использует неоднородность образцов хлеба, содержащих смеси муки, для оценки соотношения цельного зерна [37].
Метод QPC основан на модели бинарной классификации, которая классифицирует пиксели изображения как цельнозерновые или из белой муки на основе их спектральной сигнатуры. Модель обучается на образцах хлеба, приготовленного из 100% цельнозерновой или 100% белой муки. Затем она применяется к образцам хлеба неизвестного состава, оценивая содержание цельного зерна на основе доли пикселей, классифицированных как цельное зерно [37].
Результаты показали, что количественная модель может успешно предсказывать содержание цельного зерна с максимальным отклонением 8 г цельнозерновой муки на 100 г общей муки от фактического значения. Метод хорошо показал себя независимо от типа злаков, используемых в хлебопечении. Учитывая распространенные коммерческие соотношения цельнозерновой муки (30%, 50% и 70%), метод QPC обладает значительным потенциалом для решения существующей проблемы отсутствия официальных методов сертификации состава цельного зерна в хлебе [37].
Системы компьютерного зрения предлагают ряд преимуществ перед традиционными методами контроля качества. Во-первых, они неразрушающие, что позволяет сохранить целостность сырья во время проверки — важнейший фактор в пищевой промышленности. Во-вторых, они обеспечивают быструю и точную оценку, что делает их подходящими для высокопроизводительных промышленных сред. В-третьих, HSI является экологически чистым, исключая необходимость использования химических веществ, обычно применяемых в традиционных методах тестирования. Наконец, адаптивность систем зрения позволяет интегрировать их в производственные процессы, обеспечивая непрерывный мониторинг и контроль [32, 34].
4.1.2. Ферментация и приготовление теста
Этапы ферментации и приготовления теста при производстве замороженного теста требуют тщательного внимания, поскольку они формируют основу для текстуры, вкуса и общего качества конечного хлебобулочного изделия. Ферментация включает метаболическую активность дрожжей, которые превращают углеводы в углекислый газ и этанол, образуя газовые пузырьки, которые расширяются и структурируют тесто. Этот биохимический процесс определяет подъем теста, его эластичность и влагоудержание — ключевые характеристики для производства высококачественной выпечки. Надлежащий мониторинг и контроль условий ферментации, таких как температура и влажность, имеют решающее значение для оптимизации свойств теста для заморозки и последующей выпечки [38].
Традиционные методы оценки ферментации теста, часто ручные и субъективные, были заменены автоматизированными неразрушающими методами, которые повышают точность и согласованность. RGB-изображения в сочетании с алгоритмами машинного обучения, такими как YOLOv8s, позволяют проводить анализ поверхности теста в реальном времени, включая его площадь, текстуру и однородность.
Эти данные обрабатываются передовыми моделями, такими как модели ансамбля (SEM), для классификации состояния ферментации на недоферментированное, оптимально ферментированное или переферментированное. Такие автоматизированные системы достигают точности классификации до 83%, что облегчает точную корректировку условий ферментации и обеспечивает однородность продукта [16, 38].
Приготовление теста также выигрывает от технологий точного смешивания и дозирования, которые включают машинное обучение для обеспечения равномерного распределения ингредиентов. Модели глубокого обучения анализируют данные на основе изображений для прогнозирования и стандартизации текстуры и объема теста, оптимизируя его готовность к заморозке. Интеграция этих технологий снижает вариативность в производстве и облегчает масштабирование производства замороженного теста [39, 40].
Недавно была разработана система компьютерного зрения для классификации жареных изделий из теста на основе содержания в них фурана, потенциально канцерогенного соединения. Система использовала данные изображений для извлечения цветовых и текстурных характеристик, которые затем подавались в модели классификации. Результаты показали, что система может точно классифицировать образцы на категории с низким и высоким содержанием фурана, достигая 95% точности, используя всего восемь характеристик изображения [40, 41].
Эти инновации подчеркивают значимость интеллектуальных систем в решении традиционных проблем производства теста. В частности, они снижают субъективность, связанную с процессами ручной оценки, и облегчают адаптацию производственных операций к промышленному масштабу. По мере дальнейшего расширения индустрии замороженного теста использование этих технологий становится критически важным для удовлетворения спроса на высококачественную и стабильную продукцию при одновременной оптимизации операционной эффективности.
4.1.3. Формирование продукта
Формирование продукта является критически важным этапом в процессе производства замороженного теста, обеспечивающим однородность размера, веса и формы — факторов, которые напрямую влияют как на качество продукта, так и на эффективность процесса. Автоматизированные системы формования теста, часто включающие роботизированные манипуляторы и интеграцию передовых датчиков, преобразовали традиционные методы ручного формования. Эти системы повышают однородность и снижают трудозатраты, особенно в условиях крупномасштабного производства. Роботизированные системы, оснащенные тактильными датчиками и технологиями компьютерного зрения, все чаще используются для работы с тестом — материалом, известным своей деформируемостью и неоднородным поведением. Роботизированные решения с визуальным управлением используют методы раскатывания и формования для достижения точных форм теста. Эти системы используют данные с RGB-D камер и тактильную обратную связь для динамической регулировки силы и движения, минимизируя структурные повреждения теста и достигая желаемой формы [42, 43].
Дополнительным достижением в формовании продукции является использование многосенсорных систем, которые объединяют визуальные и тактильные данные для оптимизации обработки и формования теста. Эти технологии позволяют роботам анализировать физические свойства теста, такие как эластичность и содержание влаги, и соответствующим образом корректировать методы формования. Это приводит к увеличению производительности и повышению эффективности при создании замороженных тестовых продуктов [44]. Применение компьютерного зрения в формовании также распространяется на контроль качества в реальном времени.
Системы на основе зрения могут обнаруживать аномалии формы или размера и корректировать процесс для поддержания однородности. Эта интеграция не только обеспечивает однородность продукта, но и минимизирует дефекты, сокращая потери ресурсов и повышая общую эффективность производства [45, 46]. В заключение, внедрение передовой робототехники и компьютерного зрения в формовании теста значительно повысило точность и надежность процессов производства замороженного теста. Используя эти технологии, производители могут добиться большей однородности продукта, снизить эксплуатационные расходы и соответствовать высоким стандартам, предъявляемым в пищевой промышленности.
4.1.4. Заполнение и сборка
Процессы наполнения и сборки при производстве замороженного теста требуют тщательного контроля для поддержания качества, однородности и эффективности работы продукта. Автоматизация все чаще интегрируется в эти этапы для решения проблем, связанных с точностью и однородностью. Системы компьютерного зрения позволяют автоматизировать проверку продукции с помощью таких методов, как анализ поверхности, обнаружение дефектов и измерение геометрических характеристик, что значительно повышает контроль качества в промышленных приложениях. Роботизированные системы, оснащенные тактильными датчиками и передовыми технологиями машинного зрения, произвели революцию в операциях наполнения и сборки.
Эти технологии позволяют роботам обнаруживать изменения консистенции или формы теста и динамически корректировать свои действия для минимизации структурных повреждений и обеспечения равномерного распределения наполнителя [47]. Многофункциональные сенсорные системы дополнительно повышают точность формования и наполнения, значительно сокращая отходы материала во время производства [48]. Ключевой проблемой в процессах наполнения является обеспечение однородности, особенно при работе с высоковязкими ингредиентами или компонентами, имеющими различные физические свойства. Автоматизированные разливочные машины в сочетании с системами мониторинга в реальном времени эффективно решают эту проблему, обеспечивая равномерное наполнение различных продуктов. Эти системы оптимизируют производство и плавно интегрируются с другими этапами, такими как складывание, сворачивание и запечатывание, обеспечивая высокое качество конечного продукта с улучшенной производительностью [47].
Этап сборки также значительно выигрывает от достижений в области автоматизации. Такие задачи, как складывание и запечатывание, требующие деликатного манипулирования, выполняются роботизированными системами, предназначенными для обработки сложных конструкций изделий без ущерба для качества. Согласно [49], автономные системы сборки, использующие обучение на основе демонстрации и интегрирующие навыки роботов, могут значительно сократить время настройки и затраты на адаптацию в условиях высокогибкого производства. Роль компьютерного зрения в этом контексте заключается в обнаружении отклонений в форме или размере и предоставлении немедленной обратной связи для корректирующих действий. Это обеспечивает согласованность и минимизирует отходы даже в условиях крупносерийного производства [44].
Улучшения в этих процессах также были отмечены в исследованиях, подобных исследованию Иликоски [50], который проанализировал узкие места производственной линии. Внедряя целенаправленные модификации, такие как усовершенствованные механизмы резки лезвий, производители смогли сократить потери материала и повысить надежность работы. Хотя исследование было сосредоточено на конкретной производственной линии, его результаты подчеркивают, как целенаправленная модернизация оборудования может повысить общую производительность процесса. Интеграция передовых систем автоматизации и контроля качества преобразовала этапы наполнения и сборки при производстве замороженного теста. Эти технологии решают давние проблемы, позволяя производителям эффективно масштабировать операции, сохраняя при этом высокие стандарты качества продукции.
4.1.5. Предварительная выпечка
Предварительная выпечка значительно влияет на стабильность мякиша и миграцию влаги между различными слоями хлеба, что в конечном итоге влияет как на общее качество, так и на срок годности продукта во время хранения [51]. Современные системы компьютерного зрения, использующие передовые технологии обработки изображений и глубокого обучения, играют все более важную роль в повышении качества и безопасности пищевых продуктов на всех этапах производства. Эти системы позволяют осуществлять непрерывный мониторинг и контроль, тем самым улучшая процессы обеспечения качества [52].
Системы компьютерного зрения собирают данные изображений различными методами и выполняют множество задач, включая контроль качества, классификацию сельскохозяйственной продукции, обнаружение посторонних предметов и мониторинг урожая. В частности, в пищевой промышленности эти системы могут измерять параметры продукта, такие как размер, вес, форма, текстура и цвет, фиксируя детали, часто незаметные для человеческого глаза [52]. Примечательным примером такой технологии является адаптивная система выпечки хлеба, использующая машинное обучение для оптимизации процесса выпечки. Эта система объединяет ряд датчиков, включая датчик температуры (MAX6675), датчик этанола (MQ3) и датчик расстояния (GP2Y0A02YK0F), а также высокоскоростную камеру (ELP-USBFHD08S-MFV) для захвата RGB-изображений, данных о глубине и суммы значений оттенков серого пикселей (SPGV). Эти датчики предоставляют критически важные данные в реальном времени для мониторинга и управления процессом выпечки.
Алгоритмы машинного обучения позволяют разрабатывать модели прогнозирования процесса выпечки (BPPM), которые динамически корректируют параметры выпечки на основе данных датчиков и машинного зрения. Это приводит к заметному улучшению качества продукции, например, к увеличению объема буханки и повышению удельной плотности мякиша [36]. Кроме того, сочетание технологий глубокого обучения и компьютерного зрения облегчает автоматизированную оценку качества хлеба, включая анализ цвета и текстуры.
4.1.6. Процесс заморозки
В производстве замороженного теста этап заморозки имеет решающее значение для сохранения качества, текстуры и срока годности продукта. Роботизированные системы, оснащенные технологиями машинного зрения и датчиками, улучшают этот процесс, обеспечивая точную обработку и минимизируя повреждения во время перехода к заморозке. Эти роботы могут динамически корректировать свою работу в режиме реального времени, изменяя такие параметры, как поток воздуха и температура, для поддержания желаемых свойств теста на протяжении всего хранения [53]. Интеграция систем компьютерного зрения в операции заморозки позволяет обнаруживать дефекты, такие как трещины или изменения толщины, которые могут поставить под угрозу структурную целостность конечного продукта [54]. Контроль качества в режиме реального времени гарантирует, что только продукты, соответствующие спецификациям, поступают на последующие этапы производства.
Криогенные методы заморозки, использующие газы, такие как азот или углекислый газ, для быстрого снижения температуры, все чаще применяются в пищевой промышленности. Эти методы сохраняют структуру продукта и его влажность. Роботизированные системы, работающие в сочетании с криогенными технологиями, обеспечивают бережное обращение и равномерное замораживание, тем самым минимизируя риск деформации. Кроме того, коллаборативные роботизированные манипуляторы (коботы) работают бок о бок с работниками, автоматизируя повторяющиеся задачи, такие как загрузка и выгрузка теста в морозильные камеры. Это снижает воздействие низких температур на работников и повышает безопасность производства. Эти инновации делают процесс заморозки более эффективным и лучше адаптированным к растущим производственным потребностям.
4.1.7. Упаковка
Этап упаковки обеспечивает правильное позиционирование замороженных тестовых изделий, их защиту от внешних факторов и готовность к распространению. Интеграция компьютерного зрения и робототехники произвела революцию в этом процессе, позволив выполнять сложные задачи с большей точностью и согласованностью. Эти системы играют решающую роль в решении проблем пищевой промышленности, включая поддержание гигиены, обработку различных упаковочных материалов и обеспечение стабильного качества продукции.
Эти технологии поддерживают мониторинг в реальном времени и контроль качества. Используя передовые методы визуализации, системы оценивают целостность и однородность упаковочных материалов, обнаруживают дефекты, такие как разрывы или смещения, и обеспечивают правильное размещение и читаемость этикеток. 3D-реконструкция на основе структурированного света позволяет точно измерять размеры упаковки, обеспечивая соответствие требуемым спецификациям — что особенно актуально для упаковки замороженного теста, где изменения размера и формы из-за заморозки могут повлиять на соответствие упаковки и герметичность [55].
Алгоритмы глубокого обучения еще больше расширили возможности систем машинного зрения. Например, MASK R-CNN успешно применяется для идентификации элементов упаковки, включая светоотражающие или прозрачные материалы, часто используемые в пищевых продуктах. Эти материалы, которые могут вызывать переэкспозицию или затенение при обычной визуализации, эффективно обрабатываются адаптивными моделями глубокого обучения, обеспечивающими точное обнаружение и классификацию [21, 55].
Роботизированные системы с визуальным управлением играют важную роль в автоматизации современных упаковочных линий. Эти системы используют зрение для определения ориентации и положения упаковочных компонентов и изделий, обеспечивая точную обработку и сборку. Роботизированные манипуляторы со встроенными алгоритмами структурированного света и зрения могут корректировать свои движения в реальном времени, учитывая смещения или перемещение продукта [16, 55].
Гибкие роботизированные манипуляторы эффективно обрабатывают деликатные или нестандартные предметы в процессе упаковки. Эти манипуляторы используют мягкое всасывание и гибкие методы захвата для манипулирования замороженным тестом без повреждений. Они идеально подходят для мелкосерийного производства с большим разнообразием продукции, требующего большей адаптивности. Кроме того, их модульность облегчает интеграцию в различные конфигурации, повышая операционную гибкость [56].
Взаимодействие человека и робота, поддерживаемое удобными интерфейсами и передовыми системами безопасности, является ключевым фактором в автоматизации упаковки. Коллаборативные роботы (коботы) предназначены для работы вместе с операторами-людьми, беря на себя такие задачи, как размещение материалов и контроль качества. Выполняя повторяющиеся и физически сложные задачи, коллаборативные роботы снижают риск ошибок и травм, позволяя работникам-людям сосредоточиться на более сложных аспектах процесса упаковки [22].
Несмотря на эти достижения, применение машинного зрения и робототехники в упаковке сопряжено с серьезными проблемами. Разнообразие упаковочных материалов, различающихся по прозрачности, отражательной способности и текстуре, требует постоянной адаптации алгоритмов машинного зрения и конструкции концевых захватов. Кроме того, поддержание строгих гигиенических стандартов в условиях упаковки пищевых продуктов требует надежных протоколов очистки и стерилизации роботизированных систем, что может увеличить как эксплуатационные расходы, так и сложность системы [56, 57].
4.1.8. Контроль качества
Контроль качества в пищевой промышленности имеет основополагающее значение для обеспечения безопасности, качества и соответствия продукции ожиданиям потребителей и нормативным стандартам. Системы машинного зрения (СМП) в настоящее время являются важными инструментами в современных системах контроля качества, предоставляя неинвазивные и эффективные методы проверки, отвечающие растущим требованиям отрасли. Используя такие технологии, как гиперспектральная визуализация, рентгеновские лучи и камеры высокого разрешения, СМП могут собирать подробные данные о размере, форме, текстуре и цвете продукта.
Гиперспектральная визуализация, в частности, расширяет возможности традиционной визуализации, захватывая данные в нескольких диапазонах длин волн, что позволяет обнаруживать как внутренние, так и внешние дефекты, такие как синяки на фруктах или несоответствия в структуре теста [9, 52]. Рентгеновская визуализация также широко используется для обнаружения посторонних материалов, таких как стекло, металл или кальцинированные частицы, что способствует соблюдению требований безопасности пищевых продуктов [58]. Помимо систем, основанных на визуальном анализе, для оценки качества пищевых продуктов используются и другие неинвазивные технологии, включая спектроскопические методы (инфракрасные, рамановские и терагерцовые), магнитно-резонансную томографию и электронные датчики (электронный нос и электронный язык). Эти методы позволяют проводить быстрый, неразрушающий и чувствительный анализ многочисленных параметров качества пищевых продуктов [35, 59].
Интеграция передовых программных алгоритмов значительно расширила функциональность MVS. Модели глубокого обучения, в частности сверточные нейронные сети (CNN), превосходно справляются с автоматизацией задач обнаружения и классификации дефектов. Например, CNN, обученные на больших наборах данных, могут автономно обнаруживать и локализовать проблемные области, такие как гниль в яблоках или дефекты в тесте, с минимальным вмешательством человека [52].
Анализ размеров и размерности также играет центральную роль в контроле качества, при этом такие методы, как анализ объектов, используются для вычисления таких параметров, как периметр, округлость и соотношение сторон. Один из примеров включает систему машинного зрения, которая достигла высокой точности при оценке сложных геометрических форм в изделиях, изготовленных методом аддитивного производства, обеспечивая стабильные результаты [ 40 , 43 ]. Такие возможности особенно актуальны для производства замороженного теста, где однородность формы и размера имеет решающее значение для последующих процессов, таких как упаковка.
Промежуточный этап обработки изображений, в частности сегментация и извлечение признаков, одинаково важны для выделения областей интереса (ROI) для дальнейшего анализа. Алгоритмы сегментации, такие как методы водоразделов, доказали свою эффективность в различении дефектных и недефектных областей, например, обнаружении гниения фруктов, с показателями обнаружения, превышающими 99% [52].
Тем не менее, крупномасштабное применение MVS в пищевой промышленности представляет собой постоянные проблемы. Присущая пищевым продуктам изменчивость, включая различия в текстуре, цвете или форме, требует сложных и адаптируемых алгоритмов. Кроме того, необходимость специализированного обслуживания и калибровки систем обработки изображений увеличивает сложность эксплуатации [1]. Несмотря на это, достижения в области искусственного интеллекта, такие как обучение с подкреплением и трансферное обучение, демонстрируют многообещающие результаты. Сверточные нейронные сети (CNN) успешно применялись для извлечения признаков и классификации качества пищевых продуктов, хотя по-прежнему существует потребность в больших наборах данных и улучшенной обобщающей способности модели [60].
В заключение, интеграция систем машинного зрения в процессы контроля качества в пищевой промышленности знаменует собой значительный технологический прогресс. Благодаря сочетанию инновационных технологий обработки изображений с интеллектуальными программными алгоритмами, эти системы снижают необходимость ручной проверки, минимизируют ошибки и повышают точность и надежность производственных процессов.
5. Результаты
5.1. Тенденции в публикациях по применению машинного зрения
Анализ выбранных статей выявляет значительные тенденции публикаций за последнее десятилетие. 2024 год ознаменовал пик активности, когда было опубликовано 24 статьи, отражающие быстрое развитие технологий машинного зрения и их промышленного применения [61]. Этот рост указывает на растущее внедрение искусственного интеллекта (ИИ) и систем машинного зрения для повышения эффективности производственных процессов и качества продукции. В отличие от этого, в 2018 году было опубликовано несколько статей, всего две. В этот период Марк и др. [61] подчеркнули вклад машинного зрения в повышение эффективности работы оператора за счет использования передовых технологий автоматизации.
В тематическом плане публикации посвящены обнаружению дефектов, автоматизации и сотрудничеству человека и робота. Фан и др. [62] подчеркнули роль машинного зрения в обеспечении «целостного понимания сцены», что позволяет осуществлять массовую персонализацию в промышленных условиях посредством взаимодействия человека и робота. Одновременно Шарма и др. [63] исследовали использование систем машинного зрения для мониторинга в реальном времени и контроля качества, подчеркивая потенциал ИИ в обнаружении дефектов. Дальнейший анализ показывает, что приложения машинного зрения в основном нацелены на такие области, как контроль качества и автоматизация, с сильным акцентом на повышение производительности в таких отраслях, как автомобилестроение и пищевая промышленность. Ленг и др. [64] описали внедрение машинного зрения в процессы контроля качества, продемонстрировав его способность автономно обнаруживать и исправлять дефекты.
Технологии машинного зрения были разделены на шесть ключевых областей применения, как это было определено в ходе обзора литературы. Эти категории отражают разнообразное использование систем машинного зрения в различных отраслях промышленности, подчеркивая критически важные области внимания (рис. 3). Самая большая категория, системы машинного зрения на основе ИИ, составляет 42,3% проанализированных исследований.
Эти системы используют глубокие сверточные нейронные сети для извлечения признаков из больших объемов данных, превосходя традиционные подходы с точки зрения распознавания объектов и обнаружения дефектов [40]. Широко используемые в автоматизированных средах, системы машинного зрения повышают идентификацию объектов, обнаружение дефектов и эффективность принятия решений. Системы машинного зрения, поддерживаемые ИИ, такие как сети глубокого обучения, оптимизируют обнаружение дефектов и повышают эффективность процессов, тем самым укрепляя обеспечение качества в различных отраслях промышленности [62, 65].
Рисунок 3. Количество публикаций в год по приложениям компьютерного зрения, 2010–2024 гг. Источник данных: [Scopus/Web of Science], запрос «приложения компьютерного зрения»; данные получены в мае 2025 года.
Вторая по величине категория, контроль качества, составляет 27,6% исследований. Контроль качества на основе машинного зрения значительно повышает эффективность и надежность, одновременно снижая трудозатраты и риски [46]. Эти системы используют камеры высокого разрешения, ИИ и передовые вычислительные технологии для автоматической проверки продукции и предоставления данных в режиме реального времени на протяжении всей производственной линии [66].
Они могут обнаруживать дефекты, проводить анализ размеров и принимать автономные решения на основе собранных данных [46]. Технология оказывается особенно эффективной в выявлении дефектов поверхности, проверке соответствия производственным стандартам и снижении количества ошибок за счет автоматизированных проверок. Системы контроля качества на основе машинного зрения продемонстрировали свою способность улучшать качество продукции и производительность, тем самым повышая общую конкурентоспособность производства [67]. Эти системы особенно ценны в высокоточных отраслях промышленности, где обнаружение дефектов в режиме реального времени обеспечивает стабильное качество на протяжении всего производственного процесса.
Системы машинного зрения в пищевой промышленности составляют 16% проанализированных исследований, что отражает их растущую роль в обеспечении безопасности и качества продукции. К областям применения относятся обнаружение загрязнений, проверка целостности упаковки и оптимизация производственных потоков для замороженных продуктов. Эти инновации помогают поддерживать высокие стандарты производства продуктов питания, минимизируя при этом отходы. Системы обработки изображений в реальном времени, составляющие 7,1% приложений, преобразили современные производственные среды.
Эти технологии обеспечивают замечательную скорость обработки, сокращая задержку принятия решений со 185 мс до 45 мс [20]. Анализ визуальных данных в реальном времени осуществляется с использованием камер высокого разрешения и возможностей обработки в реальном времени [68]. В промышленных условиях такие системы обеспечивают непрерывный мониторинг производственных линий, предоставляя немедленную обратную связь по параметрам качества и процесса. Это значительно сокращает время простоя и повышает общую эффективность [69]. Технология особенно эффективна в сценариях, требующих быстрого принятия решений, таких как контроль качества и процесса, где немедленная реакция на визуальные данные имеет решающее значение для поддержания стандартов производства [70]. Эти системы могут интерпретировать сложные потоки визуальных данных и корректировать их в режиме реального времени для обеспечения оптимальных результатов производства [68].
Взаимодействие человека и робота, составляющее 3,8% приложений систем машинного зрения, направлено на установление эффективного взаимодействия в промышленных условиях. Интеграция ИТ, ОТ, ИИ и человеческого интеллекта обеспечивает двустороннее, проактивное и глобально оптимизированное сотрудничество между операторами и роботами [71]. Благодаря системам на основе машинного зрения и расширенной сенсорной обратной связи эти системы сотрудничества обеспечивают всестороннюю ситуационную осведомленность и адаптируются к динамическим производственным условиям с помощью методов моделирования цифровых двойников [62].
Такие функции сотрудничества повышают безопасность и эффективность на рабочем месте, хотя их внедрение может быть целесообразным только в контекстах, где взаимодействие человека и робота может быть достаточно контролируемым [54]. Эти системы требуют возможностей непрерывного обучения и эволюции для адаптации к разнообразным задачам и динамичным производственным средам, поддерживая более гибкие и человекоцентрированные производственные процессы [72]. Кроме того, они используют технологии восприятия, которые обеспечивают естественное выполнение задач, где операторы принимают гибкие решения, а роботы интерпретируют их намерения, адаптируя свое поведение с помощью передовых механизмов восприятия и управления [71].
Обнаружение дефектов составляет 3,2% приложений машинного зрения. Эти системы позволяют быстро анализировать визуальные данные с помощью камер высокого разрешения и обработки в реальном времени, помогая производителям выявлять и устранять дефекты до того, как они повлияют на конечный продукт [47]. Они вносят значительный вклад в достижение производства без дефектов, обеспечивая непрерывный мониторинг и анализ качества в реальном времени с помощью интегрированных систем визуальной оценки [13].
Библиометрический анализ
Для анализа собранных данных была использована определенная методология. Набор данных был сформирован из 85 статей, отобранных на основе их релевантности теме исследования. Статьи включали ключевые слова, аннотации и заголовки, которые были экспортированы из библиографической базы данных в формате Excel.
Впоследствии для предварительной обработки данных использовался Python 3.12.2. С помощью таких библиотек, как pandas 2.3.2, набор данных был очищен путем удаления нерелевантной информации и повторяющихся записей. Инструменты, такие как CountVectorizer 1.7.1 из scikit-learn, использовались для извлечения наиболее часто встречающихся ключевых слов, а библиотека nltk облегчала удаление стоп-слов и общую очистку текста. После предварительной обработки данные были импортированы в VOSviewer для дальнейшего анализа. Были созданы два файла: файл карты, содержащий ключевые слова и их соответствующие кластерные распределения, и сетевой файл, указывающий на связи совместного появления ключевых слов.
Анализ, проведенный с помощью VOSviewer (см. рис. 4), позволил создать карту ключевых слов, визуализирующую взаимосвязи между понятиями и соответствующими им кластерами. Эти кластеры представляют тематические области, включая машинное зрение, автоматизацию, анализ изображений и взаимодействие человека и машины. Связи между ключевыми словами показывают релевантность и частоту встречаемости терминов в контексте обзора литературы. В результате процесса было выявлено пять основных кластеров, организованных на основе тематического сходства. Анализ этих кластеров способствовал согласованию результатов с исследовательскими вопросами, предоставляя ценные сведения о ключевых концепциях, связанных с машинным зрением и его применением в производстве замороженного теста.
Рисунок 4. Процентное распределение категорий машинного зрения в зависимости от их применения.
В частности, зелёный кластер подчёркивает применение анализа изображений и распознавания признаков в обнаружении дефектов и оценке качества продукции. Ключевые слова, такие как контроль, эффективность и качество, подчёркивают роль машинного зрения в повышении производительности и содействии сотрудничеству человека и машины. Это согласуется с RQ1, представленным на рисунке 5 , поскольку машины выполняют вспомогательную роль по отношению к операторам-людям, повышая эффективность и минимизируя ошибки. Красный кластер фокусируется на автоматизации и робототехнике, используя такие термины, как автоматизация, робототехника и промышленность. Тесная связь этих терминов с машинным зрением демонстрирует, как эти технологии повышают безопасность и эффективность производственных процессов. Это подтверждает RQ2, предполагая, что автоматизация с использованием машинного зрения может обнаруживать потенциальные опасности и обеспечивать более безопасные условия труда на заводах.
Рисунок 5. Примеры анализа на основе машинного зрения в производстве замороженного теста. ( а ) Сеть совместной встречаемости ключевых слов по результатам анализа литературы. ( б ) Машинное зрение в человекоцентричном производстве.
Синий кластер, сосредоточенный на вычислительных и компьютерных системах, подчеркивает способность отслеживать и анализировать данные в режиме реального времени. Ключевые слова, такие как зрение, системы, обнаружение и компьютер, подчеркивают важность визуальных систем в обнаружении аномалий и предотвращении рисков. Это подтверждает как RQ1, способствуя сотрудничеству человека и машины за счет доступности данных, так и RQ2, закладывая основу для повышения безопасности и производительности. Коричневый кластер акцентирует внимание на процессах управления и производства, используя такие термины, как производство, процесс и безопасность. Машинное зрение интегрировано в процессы контроля качества и мониторинга производства, обеспечивая высокие стандарты и предотвращая потенциальные ошибки. Это также подтверждает RQ2, демонстрируя, что машинное зрение имеет решающее значение для безопасности и оптимизации производства. В заключение, взаимосвязь этих кластеров демонстрирует, что машинное зрение играет вспомогательную роль как в сотрудничестве человека и машины (RQ1), так и в повышении безопасности и производительности в человекоцентрированных производственных системах (RQ2), что приводит к созданию более безопасных, эффективных и гибких производственных сред.
5.2. Исследовательский вопрос 1: Какова роль машинного зрения в улучшении взаимодействия человека и машины на фабрике по производству замороженного теста?
Развитие передовых систем машинного зрения трансформировало взаимодействие человека и машины, особенно в промышленных условиях, таких как производство замороженного теста. Эти системы обеспечивают точность и адаптивность, способствуя беспрепятственному взаимодействию между людьми и машинами. Машинное зрение все чаще применяется в таких задачах, как обнаружение и классификация объектов, тем самым повышая общую эффективность и обеспечивая более эффективное управление производственными процессами [73]. В следующих подразделах рассматриваются ключевые аспекты этого сотрудничества, включая взаимодействие человека и машины, автоматизированную поддержку задач, влияние на навыки работников, разработку решений для совместной работы и роль обратной связи в реальном времени, подчеркивая вклад машинного зрения в оптимизацию рабочей среды.
5.2.1. Сотрудничество человека и машины
Машинное зрение играет решающую роль в эффективном взаимодействии человека и машины, помогая операторам в задачах, связанных с производством замороженного теста. Камеры высокого разрешения могут точно определять положение и ориентацию продуктов на производственной линии, предоставляя операторам визуальные подсказки для оптимального размещения [71]. Это значительно снижает количество ошибок и повышает качество конечного продукта. Кроме того, системы машинного зрения повышают безопасность на рабочем месте, постоянно отслеживая движения как работника, так и машины.
При обнаружении потенциальной опасности система может автоматически активировать механизмы безопасности или выдавать предупреждения сотрудникам [47]. Машинное зрение также способствует быстрой адаптации и обучению новых сотрудников. Системы дополненной реальности (AR), работающие на основе машинного зрения, могут проецировать пошаговые инструкции непосредственно в поле зрения работника, ускоряя обучение и уменьшая количество ошибок, связанных с обучением [74]. Это особенно ценно в условиях высокой текучести кадров или сезонных колебаний производства.
5.2.2. Автоматизированная поддержка задач
Автоматизированная поддержка задач является основой для достижения интеллектуального производства, ориентированного на человека. Машинное зрение позволяет машинам динамически адаптироваться к движениям рабочих, способствуя более интуитивному и плавному взаимодействию человека и машины [75]. Эти системы также проверяют правильность размещения компонентов в режиме реального времени, что позволяет выявлять и исправлять ошибки на ранних стадиях [57], что приводит к улучшению качества продукции и сокращению отходов.
Расширенная реальность (XR), включающая виртуальную реальность (VR), дополненную реальность (AR) и смешанную реальность (MR), дополнительно поддерживает автоматизированное выполнение задач за счет снижения когнитивной нагрузки и повышения ясности инструкций, особенно в условиях производства с большим разнообразием продукции и малым объемом производства (HMLV) [76]. Однако эффективность XR зависит от сложности задачи, дизайна интерфейса и способа доставки информации.
Распознавание жестов работника также является ключевой особенностью автоматизации задач. Такие системы, как Kinect и Leap Motion, продемонстрировали высокую точность обнаружения жестов, с показателями успешности 95–98,9% [76]. Кроме того, интеграция новых материалов и форм-факторов, таких как наночастицы, нанопроволоки и графен, обеспечивает более гибкие и эргономичные устройства взаимодействия человека и машины [77], тем самым улучшая пользовательский опыт и повышая эффективность автоматизированной поддержки задач в условиях Индустрии 5.0.
5.2.3. Влияние на квалификацию работников
Интеграция технологий машинного зрения и дополненной реальности в промышленность меняет роли работников и необходимые навыки. Работники переходят от ручных задач к надзору и управлению автоматизированными системами. Вместо ручного проведения повторяющихся проверок качества или сборочных работ операторы теперь контролируют функционирование систем машинного зрения, которые выполняют эти задачи [78]. Этот сдвиг требует новых компетенций в настройке системы, интерпретации данных и устранении неполадок. В результате работники берут на себя более стратегические роли, сосредотачиваясь на решении проблем, оптимизации процессов и принятии решений [58]. Взаимодействие человека и машины становится центральным, при этом работники развивают навыки эффективного взаимодействия с системами машинного зрения и роботами, используя гибкость человека наряду с точностью машины.
Технология дополненной реальности может поддерживать работников, предоставляя визуальные инструкции в реальном времени во время выполнения задач с участием роботов, тем самым повышая как безопасность, так и производительность [69]. Внедрение цифровых двойников человека (HDT) в сотрудничество человека и робота (HRC) переопределяет требования к навыкам в Индустрии 5.0. Благодаря целостному мониторингу работников, HDT способствуют приобретению сложных навыков, таких как эргономичные движения, распознавание намерений и эффективное взаимодействие с роботами. Они позволяют проводить 3D-анализ позы, прогнозировать намерения действий и оценивать эргономические риски [62]. HDT также поддерживают междисциплинарную экспертизу, предоставляя работникам информацию, повышающую как безопасность, так и производительность.
Более того, HDT способствуют адаптивности и критическому мышлению. С помощью алгоритмов машинного обучения работники могут выявлять и корректировать эргономические риски, рассчитанные с использованием таких оценок, как REBA. HDT также могут прогнозировать и координировать действия роботов на основе намерений человека, что требует стратегического мышления для эффективного сотрудничества с интеллектуальными машинами [62]. Этот набор инструментов позволяет управлять сложными, динамичными производственными средами. HDT снижают потребность в физическом прототипировании и уменьшают эргономические риски, в то время как от работников ожидается понимание и интерпретация данных, генерируемых HDT, для оптимизации сотрудничества и эффективности. Эмпирические исследования показывают, что HDT могут достичь 98,54% точности в распознавании намерений и средней ошибки всего 0,66 при оценке эргономического риска, демонстрируя свой потенциал для повышения компетенций, связанных с безопасностью и производительностью [62].
5.2.4. Разработка решений для совместной работы
Машинное зрение улучшает системы коллаборативных роботов (коботов), повышая их способность воспринимать действия человека и условия рабочего пространства. Камеры, установленные на роботизированных манипуляторах, постоянно контролируют рабочее пространство и корректируют движения кобота, чтобы избежать столкновений [11]. Машинное зрение также позволяет распознавать жесты и движения, поддерживая интуитивное общение человека и робота [79]. Например, кобот может обнаружить, когда работник тянется за компонентом, и автоматически доставить его, обеспечивая бесперебойное и эффективное сотрудничество.
Кроме того, коллаборативные роботы, оснащенные системами машинного зрения, могут выполнять высокоточные проверки качества, обнаруживая незначительные дефекты, которые могут остаться незамеченными для инспекторов-людей. Это освобождает работников от повторяющихся задач [72]. Машинное зрение также позволяет коллаборативным роботам адаптироваться к изменяющимся производственным условиям, например, идентифицировать и обрабатывать различные типы продукции или форматы упаковки без ручного вмешательства, повышая гибкость производственной линии [11]. Наконец, данные о движении, полученные системами машинного зрения, могут быть проанализированы для оптимизации рабочих процессов и эргономики, что способствует повышению безопасности труда и эффективности процесса [79].
5.2.5. Роль обратной связи в реальном времени
Передовые системы машинного зрения обеспечивают непрерывный контроль и анализ производственных процессов в режиме реального времени. Это позволяет немедленно обнаруживать и исправлять отклонения или проблемы с качеством, значительно сокращая время реагирования и минимизируя выпуск дефектной продукции [68].
Обратная связь в режиме реального времени позволяет динамически корректировать параметры производства. Например, системы машинного зрения могут обнаруживать изменения в характеристиках продукта и автоматически точно настраивать параметры оборудования для компенсации [13]. Такая обратная связь также облегчает быстрое принятие решений операторами и руководителями. Четкие визуальные индикаторы и оповещения позволяют персоналу оперативно реагировать на возникающие проблемы, сокращая время простоя и оптимизируя производственный поток [80].
Данные, собранные в режиме реального времени, могут быть использованы для прогнозирующего технического обслуживания, выявления ранних признаков износа оборудования и предотвращения незапланированных простоев [70]. Непрерывная обратная связь также позволяет улучшать процессы в долгосрочной перспективе. Анализируя тенденции и закономерности данных, производители могут выявлять возможности для повышения качества продукции и эффективности производства [68].
5.3. Исследовательский вопрос 2: Какие области применения машинного зрения могут повысить безопасность и производительность на предприятиях, ориентированных на человека?
Анализируя данные, собранные на различных этапах процесса производства замороженного теста, как показано на рисунке 6, мы выявили взаимосвязи между различными приложениями машинного зрения и этапами производства. Диаграмма разделяет систему на три основные области: этапы производства, промежуточные и конечные продукты, а также соответствующие приложения машинного зрения. Связи между категориями показывают, как технологии машинного зрения отображаются на протяжении всего производственного процесса. В общей сложности было выявлено 18 различных приложений машинного зрения, охватывающих 12 этапов производства и контрольных точек продукта, как подробно описано в таблице 3.
Рисунок 6. Применение методов обнаружения и анализа на разных этапах процесса хлебопекарного производства. Цветные полосы обозначают основные этапы производства: подготовка сырья (фиолетовый), смешивание и ферментация (синий), расстойка (зеленый), выпечка (красный), упаковка (голубой) и контроль качества (оранжевый/красный). Примечание: перекрывающиеся надписи «Формованные изделия» соответствуют промежуточным (расстойка) и заключительным (выпечка) этапам производства продукции.
Таблица 3. Применение машинного зрения в производстве замороженного теста.
| Приложение (%) | Описание |
|---|---|
| Обнаружение посторонних предметов (13,33%) | Обнаруживает загрязняющие вещества в сырье с помощью изображений высокого разрешения, обеспечивая безопасность пищевых продуктов. |
| Проверка на наличие дефектов упаковки (6,67%) | Выявляет такие проблемы, как неправильное расположение этикеток и повреждение пломб во время окончательной упаковки. |
| Контроль размеров (6,67%) | Обеспечивает равномерную форму и размер изделий в процессе формовки. |
| Анализ эластичности и текстуры (6,67%) | Оценивает эластичность теста в режиме реального времени для поддержания его однородности. |
| Равномерность распределения и контроль влажности (6,67%) | Контролирует однородность теста и его влажность для обеспечения стабильного производства. |
| Обнаружение трещин и дефектов (6,67%) | Обнаруживает видимые трещины и дефекты. |
| Размерный анализ (6,67%) | Обеспечивает единообразие измерений размеров на всех этапах производства. |
| Мониторинг ферментации (6,67%) | Отслеживает ход ферментации с помощью структурного анализа и анализа влажности. |
| Определение влажности и химического состава (6,67%) | Контролирует состав сырья для обеспечения качества. |
| Динамическое формирование (6,67%) | Корректирует параметры формирования в режиме реального времени, используя обратную связь от робота. |
| Визуальная проверка качества (6,67%) | Обеспечивает привлекательный внешний вид и стабильное качество продукции. |
| Контроль равномерности толщины (6,67%) | Контролирует и проверяет равномерность толщины продукта. |
| Адаптация роботизированного механизма (6,67%) | Позволяет роботам динамически адаптироваться к изменениям в производстве. |
| Классификация состояния теста (6,67%) | Классифицирует тесто как недоферментированное, хорошо ферментированное или переферментированное для оптимизации процесса. |
5.3.1. Повышение безопасности труда
Машинное зрение является важнейшим фактором обеспечения безопасности и производительности на интеллектуальных фабриках, ориентированных на человека. Одним из ключевых применений является обнаружение препятствий и опасностей в рабочем пространстве в режиме реального времени с помощью камер и датчиков для оповещения работников о потенциальных рисках [45]. Концепция Оператора 4.0 становится краеугольным камнем Индустрии 4.0 и перехода к Индустрии 5.0. Она описывает квалифицированного, интеллектуального работника, который сотрудничает с технологиями взаимодействия человека и машины для достижения синергии между человеком и автоматизацией [81].
В этом контексте мобильные промышленные роботы все чаще интегрируются в интеллектуальное производство, работая бок о бок с операторами для выполнения сложных задач. Однако эти роботы часто имеют ограниченное поле зрения и могут терять из виду динамические цели — людей. Для решения этой проблемы был предложен проактивный подход к отслеживанию человека с использованием взаимодействующих множественных моделей (IMM) для прогнозирования траекторий движения человека на основе ограниченного входного сигнала от датчиков [82].
Машинное зрение также поддерживает эргономический мониторинг с помощью дополненной реальности, позволяя создавать цифровые двойники человеческих скелетных структур, которые анализируют осанку и движения. Дополненная реальность визуализирует эргономические инструкции и предупреждения в реальном времени для снижения рискованного поведения [45]. Дополнительные приложения включают обеспечение использования надлежащих средств индивидуальной защиты, мониторинг жизненно важных показателей для предотвращения усталости и обнаружение угроз безопасности, таких как дым или утечки.
Дополненная реальность усиливает интеграцию человека в киберфизические системы (HCPS), при этом цифровые двойники играют центральную роль. Дополненная реальность предлагает естественный и гибкий интерфейс, позволяющий визуализировать геометрию, анимацию и обогащенные данные через гарнитуры дополненной реальности для улучшения рабочих процессов, безопасности и обучения навыкам [83]. В сочетании с глубоким обучением и компьютерным зрением дополненная реальность может поддерживать принятие решений и расширять возможности операторов как интеллектуальных сотрудников. Синергия между дополненной реальностью и цифровыми двойниками вызвала растущий интерес со стороны исследований и промышленности.
В соответствии с человекоцентричной концепцией Индустрии 5.0, цифровые двойники с поддержкой дополненной реальности теперь используются на протяжении всего жизненного цикла продукта, от проектирования и производства до обслуживания и переработки. Например, на этапе проектирования дополненная реальность позволяет создавать прототипы в реальном времени с помощью интерактивных визуализаций. В производстве интеграция двойников дополненной реальности поддерживает планирование задач, мониторинг и адаптивные инструкции по сборке [83].
Коллаборативные роботы (коботы), рассматриваемые как ключевые агенты Индустрии 5.0, призваны дополнять, а не заменять работников-людей. Такие технологии, как функциональная ближнеинфракрасная спектроскопия (fNIRS), могут использоваться для распознавания намерений человека в реальном времени. В то же время могут появиться такие должности, как главный директор по робототехнике (CRO), для управления взаимодействием робота и человека. Новое приложение HMI с использованием технологий XR демонстрируется на примере управления мостовым краном, где HoloLens 2 используется для взаимодействия с цифровым двойником крана, визуализации проектных характеристик, данных о состоянии и выдачи команд [77].
5.3.2. Повышение производительности
Традиционно контроль качества теста основывался на субъективных, трудоемких ручных методах. Машинное зрение предлагает неинвазивную, автоматизированную альтернативу. Муренгами и др. [38] предложили систему, использующую RGB-изображения и глубокое обучение YOLOv8s для классификации теста на категории: недоферментированное, правильно ферментированное или окончательно переферментированное.
Такие характеристики, как площадь поверхности, контраст и однородность, были введены в многоуровневую ансамблевую модель (SEM), которая объединила классификаторы SVM, AdaBoost, KNN и RF, достигнув точности до 83%. В другом эксперименте точность классификации загрязнений с использованием гауссова SVM составила 93,4%. Другой перспективный подход включает гиперспектральную визуализацию, которая одновременно захватывает пространственные и спектральные данные для оценки влажности и химического состава теста с высокой точностью [35]. Эти методы облегчают непрерывный мониторинг, снижая зависимость от ручных проверок и повышая однородность продукта. Мониторинг размеров и однородности является еще одним фактором повышения производительности. Ондрас и др. [42] продемонстрировали, как RGB-D камеры и алгоритмы сравнения форм могут позволить роботизированным системам адаптивно формировать тесто, чтобы оно соответствовало целевой форме с IoU > 0,90.
Оптимизация процесса упаковки выигрывает от использования машинного зрения благодаря высокоточной классификации типов упаковки с помощью систем, сочетающих структурированный свет и глубокое обучение (например, Mask R-CNN для 2D-распознавания и 3D-реконструкции). Эти системы уменьшают ошибки сортировки, повышают скорость и позволяют использовать OCR/OCV для проверки этикеток и отслеживания [22].
В сочетании с роботизированными системами они позволяют создавать полностью автоматизированные упаковочные линии, управляемые системами оценки захватов на основе машинного зрения для обработки пищевых продуктов [56]. Прогнозируемое техническое обслуживание — еще одна область, где системы машинного зрения приносят пользу. Камеры высокого разрешения и тепловизионные камеры собирают данные о производительности оборудования (например, температура, вибрация), которые затем передаются моделям машинного обучения для прогнозирования неисправностей [69].
Сверточные нейронные сети могут выявлять износ инструментов, а мультимодальные данные из акустических и визуальных источников улучшают планирование технического обслуживания. Наконец, обнаружение порчи и контроль заморозки имеют решающее значение для безопасности пищевых продуктов. Системы машинного зрения превосходят ручные проверки в выявлении плесени или изменения цвета, а тепловизионные камеры обеспечивают надлежащее соблюдение холодовой цепи [20]. Сверточные нейронные сети, такие как DenseNet121 или ResNet-50, доказали свою эффективность в распознавании дефектов, а их применение распространяется на интеллектуальное хранение и автоматическое отбраковывание скомпрометированных товаров [52].
5.4. Бизнес-аналитика и ИИ для поддержки принятия решений на основе визуального анализа.
Сближение бизнес-аналитики (BI) и искусственного интеллекта (AI) в системах машинного зрения предоставляет значительные преимущества для процессов принятия решений в человекоцентричных производственных средах. Системы машинного зрения создают потоки структурированных данных высокого разрешения, выходящие за рамки традиционных приложений контроля качества, что позволяет интегрировать их в панели мониторинга бизнес-аналитики (BI) для отслеживания критически важных показателей производительности, таких как частота дефектов, изменчивость процесса и взаимодействие оператора с системой.
Недавние исследования показали, что передовые модели ИИ улучшают слабо контролируемое обнаружение дефектов за счет использования методов обучения с учетом аномалий [84], тем самым предоставляя важные данные, которые облегчают прогнозируемое техническое обслуживание и оповещения в режиме реального времени. Эти функции могут быть легко интегрированы в платформы BI для повышения оперативности и операционной эффективности в динамичных производственных средах. Кроме того, фреймворки BI могут включать внешние источники данных, включая потребительские настроения, для совершенствования производственных стратегий.
Например, Symeonidis et al. [85] продемонстрировали применение неконтролируемого анализа настроений к данным социальных сетей как эффективного механизма для согласования производственных результатов с меняющимися требованиями рынка. Этот подход имеет потенциал для распространения на системы принятия решений с замкнутым циклом в рамках операций по переработке пищевых продуктов с использованием машинного зрения. В совокупности интеграция бизнес-аналитики и искусственного интеллекта устраняет разрыв между детализированными данными о восприятии и решениями стратегического уровня, тем самым укрепляя парадигму Индустрии 5.0, характеризующуюся интеллектуальной, объяснимой и ориентированной на человека автоматизацией.
Хотя оба исследовательских вопроса касаются роли машинного зрения в человекоцентричном производстве, они затрагивают разные аспекты его внедрения. RQ1 фокусируется на динамике сотрудничества между работниками и системами, использующими машинное зрение, — с акцентом на удобство использования, поддержку оператора и взаимодействие человека и машины. В отличие от этого, RQ2 исследует техническое и операционное воздействие машинного зрения, в частности, на повышение безопасности и производительности процессов на различных этапах производства. Разделяя эти вопросы, исследование различает аспекты машинного зрения, ориентированные на человека (RQ1), и его вклад в производительность на системном уровне (RQ2), предоставляя всестороннее представление о его значимости в современных промышленных условиях.
Примечание об ограничениях тематического исследования
6. Система оценки
Для оценки общего влияния систем машинного зрения на процесс производства замороженного теста в данном исследовании используется структурированная система оценки, основанная на принципах Индустрии 5.0. Цель состоит в том, чтобы качественно количественно оценить вклад каждого применения машинного зрения в ключевые показатели эффективности, а именно: взаимодействие человека и машины, безопасность труда и производительность.
Данная структура основана на пяти тематических кластерах, выявленных с помощью библиометрического картирования (см. раздел 3), а именно: безопасность и охрана труда, мониторинг в реальном времени, инспекция и контроль качества пищевых продуктов, системы сотрудничества и ИИ, а также промышленная автоматизация. Эти кластеры определяют параметры оценки, используемые в данном разделе.
6.1. Критерии оценки и методология
Оценка основана на трех основных критериях:
-
Взаимодействие человека и машины: степень, в которой технологии машинного зрения улучшают взаимодействие между операторами-людьми и автоматизированными системами. Это включает такие аспекты, как руководство по выполнению задач, эргономическая поддержка и интуитивно понятные механизмы обратной связи.
-
Влияние на безопасность: эффективность машинного зрения в снижении производственных рисков, выявлении небезопасного поведения или аномалий и повышении эффективности мониторинга безопасности в режиме реального времени на протяжении всего производственного процесса.
-
Результаты повышения производительности: вклад систем машинного зрения в повышение эффективности процессов, снижение количества ошибок, минимизацию отходов и общее увеличение пропускной способности.
Каждая область применения, соответствующая конкретным этапам процесса производства замороженного теста, оценивается по этим критериям. Уровни оценки присваиваются по трехбалльной шкале: 1 = Низкий, 2 = Средний, 3 = Высокий.
Оценка основана на результатах обзора литературы, анализа конкретных примеров и практических применений, подробно описанных в Разделах 5 и 6 .
6.2. Результаты оценки
В таблице 4 приведены сводные данные по оценкам на восьми основных этапах производства, а на рисунке 7 эти же данные визуализированы с помощью цветовой тепловой карты для быстрого ознакомления и сравнения.
Таблица 4. Качественная оценка применения машинного зрения в производстве замороженного теста.
| Этап производства | Сотрудничество человека и машины | Влияние на безопасность | Результаты повышения производительности |
|---|---|---|---|
| Проверка сырья | Середина | Высокий | Середина |
| Смешивание и ферментация | Низкий | Середина | Высокий |
| Формирование | Середина | Середина | Высокий |
| Наполнение и сборка | Высокий | Середина | Середина |
| Парбейкинг | Середина | Середина | Середина |
| Замораживание | Низкий | Высокий | Высокий |
| Упаковка | Середина | Высокий | Середина |
| Окончательный контроль качества | Середина | Высокий | Высокий |
Рисунок 7. Тепловая карта уровней оценки для приложений машинного зрения на разных этапах производства.
6.3. Анализ и интерпретация
Результаты выявляют несколько ключевых тенденций:
-
Безопасность является наиболее важной областью применения машинного зрения, демонстрирующей стабильно высокие показатели на таких этапах, как заморозка, упаковка и окончательный контроль качества. Эти системы особенно эффективны в обнаружении опасностей, отслеживании положения тела и идентификации посторонних предметов.
-
Производительность заметно повышается на таких этапах, как смешивание и ферментация, формование и замораживание, где визуальная обратная связь и анализ в реальном времени улучшают однородность и снижают количество ошибок в процессе обработки.
-
Взаимодействие человека и машины наиболее эффективно в задачах, требующих динамического взаимодействия, таких как наполнение и сборка, где используются адаптивные системы управления и робототехнические системы. Однако на ранних этапах, таких как проверка сырья или ферментация, уровень интеграции взаимодействия остается относительно низким, что указывает на возможности для улучшения.
6.4. Краткое изложение выводов
7. Рамочная программа оценки технологической готовности
В то время как в предыдущем разделе оценивалось влияние систем машинного зрения на основе функциональных критериев, таких как безопасность, производительность и взаимодействие человека и машины, в этом разделе основное внимание уделяется технологической зрелости этих систем. В частности, мы оцениваем уровень готовности каждого приложения машинного зрения с точки зрения стадии его разработки, возможности внедрения и потенциала интеграции, используя концепцию уровней технологической готовности (TRL). Для поддержки практического внедрения систем машинного зрения в человекоцентричном производстве крайне важно оценивать их технологическую готовность по нескольким параметрам. В этом разделе представлена оценочная структура, которая позволяет как исследователям, так и заинтересованным сторонам в промышленности определять зрелость и применимость технологий машинного зрения в реальных промышленных условиях. Предложенная структура основана на принципах уровней технологической готовности (TRL), расширяя их с учетом социально-технических характеристик среды Индустрии 5.0. Она оценивает готовность по четырем ключевым осям:
- (1)
-
Алгоритмическая устойчивость: Этот параметр оценивает надежность, адаптивность и обобщаемость алгоритма компьютерного зрения в реальных условиях, включая переменное освещение, неоднородность продукции и производственные помехи. Например, модели глубокого обучения, такие как YOLOv8, должны демонстрировать высокую точность не только в лабораторных условиях, но и на высокоскоростных производственных линиях с изменяющимися визуальными входными данными.
- (2)
-
Интеграция человека и машины: важнейшим фактором в человекоцентричном производстве является бесперебойное взаимодействие между операторами и интеллектуальными системами. По этому показателю оценивается эффективность передачи результатов системой машинного зрения, возможность вмешательства и обеспечение объяснимости. Системы, обеспечивающие интерпретируемую визуальную обратную связь и эргономичные интерфейсы, оцениваются выше с точки зрения готовности к применению в рамках концепции «Индустрия 5.0».
- (3)
-
Совместимость инфраструктуры: это относится к степени взаимодействия между системой машинного зрения и существующей производственной инфраструктурой, включая программируемые логические контроллеры (ПЛК), цифровые двойники, киберфизические системы (КПС) и платформы промышленного Интернета вещей. Готовность повышается с упрощением интеграции, модульностью и поддержкой стандартных протоколов (например, OPC UA, MQTT).
- (4)
-
Соответствие этическим и социальным нормам: Технологии Индустрии 5.0 также должны соответствовать этическим принципам, включая конфиденциальность работников, прозрачность данных и справедливость. Этот аспект оценивает, соответствует ли внедрение машинного зрения нормам труда и обеспечивает ли защиту от неправомерного использования средств наблюдения. Готовность системы зависит от ее соответствия правовым и этическим рамкам.
Каждая ось оценивается по шкале от 1 (начальная стадия исследований) до 5 (полностью внедрена и интегрирована в промышленную практику), что позволяет провести детальную оценку технологической зрелости. Данная методика была применена в тематическом исследовании индустрии замороженного теста для оценки разработанной системы контроля в режиме реального времени, выявив высокий уровень готовности в отношении алгоритмической надежности и совместимости инфраструктуры, а также продолжающуюся работу по улучшению объяснимости и этической гарантии.
Данная концепция готовности поддерживает принятие решений о масштабировании технологий машинного зрения в других секторах и обеспечивает основу для дальнейшей стандартизации методов оценки в человекоцентричном интеллектуальном производстве.
7.1. Концептуальная основа для человекоцентричного производства, ориентированного на визуальное восприятие.
Для обобщения результатов данного обзора мы предлагаем концептуальную основу, которая организует приложения машинного зрения в человекоцентричных производственных средах по трем функциональным измерениям: прозрачность процесса, человекоцентричное взаимодействие и адаптивный интеллект. Как показано на рисунке 8, пересечения этих измерений выделяют области, где технологии машинного зрения обеспечивают комплексную ценность.
Рисунок 8. Концептуальная схема областей применения машинного зрения в трех человекоцентричных производственных измерениях.
7.2. Ограничения и нерешенные проблемы
8. Выводы и дальнейшая работа
В данном исследовании изучалась роль машинного зрения в человекоцентричных производственных средах, с особым акцентом на индустрии замороженного теста. Интеграция систем машинного зрения в такие условия вносит значительный вклад как в повышение безопасности, так и в повышение производительности. На основе систематического обзора литературы и исследования реального случая были рассмотрены два основных исследовательских вопроса, что привело к ключевым выводам, изложенным ниже. Во-первых, что касается взаимодействия человека и машины, машинное зрение повышает эффективность работы оператора, предоставляя визуальные указания в режиме реального времени, что позволяет выполнять задачи более безопасно и точно. Такие технологии, как дополненная реальность (AR), распознавание жестов и цифровые двойники человека (HDT), облегчают интуитивное взаимодействие между работниками и машинами. Эти достижения смещают роль работников от ручного труда к стратегическому надзору, требуя новых навыков, таких как управление системами, решение проблем и интерпретация визуальных данных. Во-вторых, с точки зрения повышения производительности и безопасности, технологии машинного зрения поддерживают контроль качества на различных этапах производства замороженного теста — от проверки сырья до упаковки. Автоматизированный визуальный контроль позволяет обнаруживать дефекты в режиме реального времени, выявлять проблемы ферментации на ранней стадии и контролировать целостность упаковки. Приложения для прогнозирующего технического обслуживания и системы на основе искусственного интеллекта обеспечивают минимальное время простоя и стабильное качество продукции. Предложенная модель технологической зрелости представляет собой дорожную карту для интеграции машинного зрения в пищевую промышленность. Она позволяет организациям оценивать текущие возможности и выявлять возможности для инноваций, автоматизации и человекоориентированного проектирования. Модель зрелости охватывает все этапы — от базовых функций захвата изображений до полной киберфизической интеграции в соответствии с принципами Индустрии 5.0.
Кроме того, библиометрический анализ выявил растущий исследовательский интерес к применению машинного зрения за последнее десятилетие, особенно в таких областях, как контроль качества на основе ИИ и взаимодействие человека и робота. Кластерный анализ 85 научных статей подтвердил тематическую конвергенцию вокруг автоматизации, обнаружения дефектов и понимания сцены, что подтверждает актуальность направления исследования. В конечном итоге, результаты показывают, что машинное зрение играет решающую роль в переходе к устойчивым, безопасным и адаптивным производственным системам. Оно способствует созданию заводов, где человеческий труд дополняется, а не заменяется интеллектуальными технологиями. Успешная интеграция машинного зрения зависит от надежного проектирования системы, обучения операторов и этических соображений в отношении прозрачности и использования данных.
Дальнейшие исследования должны быть сосредоточены на следующих аспектах:
-
Разработка легких, эргономичных интерфейсов для длительного использования человеком.
-
Расширение роли цифровых двойников в поддержке принятия решений в режиме реального времени.
-
Исследование совместимости систем машинного зрения с инфраструктурами Интернета вещей.
-
Обеспечение кибербезопасности во все более взаимосвязанных средах.
Эти направления имеют решающее значение для реализации всего потенциала машинного зрения в поддержке безопасного, производительного и устойчивого человекоцентричного производства.
Дополнительные материалы
Следующие дополнительные материалы можно загрузить по адресу.
Литература
- Konstantinidis, F.K.; Balaska, V.; Symeonidis, S.; Psarommatis, F.; Psomoulis, A.; Giakos, G.; Mouroutsos, S.G.; Gasteratos, A. Achieving zero defected products in diary 4.0 using digital twin and machine vision. In Proceedings of the 16th International Conference on PErvasive Technologies Related to Assistive Environments, Corfu, Greece, 5–7 July 2023; pp. 528–534. [Google Scholar]
- da Silva Ferreira, M.V.; Junior, S.B.; da Costa, V.G.T.; Barbin, D.F.; Barbosa, J.L., Jr. Deep computer vision system and explainable artificial intelligence applied for classification of dragon fruit (Hylocereus spp.). Sci. Hortic. 2024, 338, 113605. [Google Scholar] [CrossRef]
- Sheikh, R.A.; Ahmed, I.; Faqihi, A.Y.A.; Shehawy, Y.M. Global perspectives on navigating Industry 5.0 knowledge: Achieving resilience, sustainability, and human-centric innovation in manufacturing. J. Knowl. Econ. 2024, 1–36. [Google Scholar] [CrossRef]
- Hassoun, A.; Jagtap, S.; Trollman, H.; Garcia-Garcia, G.; Duong, L.N.; Saxena, P.; Bouzembrak, Y.; Treiblmaier, H.; Para-López, C.; Carmona-Torres, C.; et al. From Food Industry 4.0 to Food Industry 5.0: Identifying technological enablers and potential future applications in the food sector. Compr. Rev. Food Sci. Food Saf. 2024, 23, e370040. [Google Scholar] [CrossRef] [PubMed]
- Guruswamy, S.; Pojić, M.; Subramanian, J.; Mastilović, J.; Sarang, S.; Subbanagounder, A.; Stojanović, G.; Jeoti, V. Toward better food security using concepts from industry 5.0. Sensors 2022, 22, 8377. [Google Scholar] [CrossRef]
- Sood, S.; Singh, H. Computer vision and machine learning based approaches for food security: A review. Multimed. Tools Appl. 2021, 80, 27973–27999. [Google Scholar] [CrossRef]
- Madhavan, M.; Sharafuddin, M.A.; Wangtueai, S. Measuring the Industry 5.0-readiness level of SMEs using Industry 1.0–5.0 practices: The case of the seafood processing industry. Sustainability 2024, 16, 2205. [Google Scholar] [CrossRef]
- Roy, S.; Singh, S. XR and digital twins, and their role in human factor studies. Front. Energy Res. 2024, 12, 1359688. [Google Scholar] [CrossRef]
- Deeba, K.; Chinnpa Prabu Shankar, K.; Gnanavel, S.; Elsisi, M. Artificial Intelligence, Computer Vision, and Robotics for Industry 5.0. In Next Generation Data Science and Blockchain Technology for Industry 5.0: Concepts and Paradigms; John Wiley & Sons: Hoboken, NJ, USA, 2025; pp. 295–324. [Google Scholar]
- Licardo, J.T.; Domjan, M.; Orehovački, T. Intelligent robotics—A systematic review of emerging technologies and trends. Electronics 2024, 13, 542. [Google Scholar] [CrossRef]
- Tzampazaki, M.; Zografos, C.; Vrochidou, E.; Papakostas, G.A. Machine vision—Moving from Industry 4.0 to Industry 5.0. Appl. Sci. 2024, 14, 1471. [Google Scholar] [CrossRef]
- Modoni, G.E.; Sacco, M. A human digital-twin-based framework driving human centricity towards industry 5.0. Sensors 2023, 23, 6054. [Google Scholar] [CrossRef]
- Konstantinidis, F.K.; Balaska, V.; Symeonidis, S.; Tsilis, D.; Mouroutsos, S.G.; Bampis, L.; Psomoulis, A.; Gasteratos, A. Automating dairy production lines with the yoghurt cups recognition and detection process in the Industry 4.0 era. Procedia Comput. Sci. 2023, 217, 918–927. [Google Scholar] [CrossRef]
- Jia, X.; Ma, P.; Tarwa, K.; Wang, Q. Machine vision-based colorimetric sensor systems for food applications. J. Agric. Food Res. 2023, 11, 100503. [Google Scholar] [CrossRef]
- Wang, G.; Liu, B.; Wang, J.; Wang, J. Intelligent Inspection System of Tobacco Enterprise Measuring Equipment Based on Machine Vision. In Proceedings of the 2023 4th International Conference on Computer Science and Management Technology, Xi’an, China, 13–15 October 2023; pp. 291–296. [Google Scholar]
- Agote-Garrido, A.; Martín-Gómez, A.M.; Lama-Ruiz, J.R. Manufacturing system design in industry 5.0: Incorporating sociotechnical systems and social metabolism for human-centered, sustainable, and resilient production. Systems 2023, 11, 537. [Google Scholar] [CrossRef]
- Panghal, A.; Chhikara, N.; Sindhu, N.; Jaglan, S. Role of Food Safety Management Systems in safe food production: A review. J. Food Saf. 2018, 38, e12464. [Google Scholar] [CrossRef]
- Pang, J.; Zheng, P.; Fan, J.; Liu, T. Towards cognition-augmented human-centric assembly: A visual computation perspective. Robot. Comput.-Integr. Manuf. 2025, 91, 102852. [Google Scholar] [CrossRef]
- Lins, T.; Oliveira, R.A.R. Cyber-physical production systems retrofitting in context of industry 4.0. Comput. Ind. Eng. 2020, 139, 106193. [Google Scholar] [CrossRef]
- Zhao, Z.; Wang, R.; Liu, M.; Bai, L.; Sun, Y. Application of machine vision in food computing: A review. Food Chem. 2024, 463, 141238. [Google Scholar] [CrossRef]
- Cuellar, S.; Grisales, S.; Castaneda, D.I. Constructing tomorrow: A multifaceted exploration of Industry 4.0 scientific, patents, and market trend. Autom. Constr. 2023, 156, 105113. [Google Scholar] [CrossRef]
- Vasudevan, S.; Mekhalfi, M.L.; Blanes, C.; Lecca, M.; Poiesi, F.; Chippendale, P.I.; Fresnillo, P.M.; Mohammed, W.M.; Lastra, J.L.M. Robotics and Machine Vision for Primary Food Manipulation and Packaging: A Survey. IEEE Access 2024, 12, 152579–152613. [Google Scholar] [CrossRef]
- Navarro-Guerrero, N.; Toprak, S.; Josifovski, J.; Jamone, L. Visuo-haptic object perception for robots: An overview. Auton. Robot. 2023, 47, 377–403. [Google Scholar] [CrossRef]
- Palanikumar, K.; Natarajan, E.; Ponshanmugakumar, A. Application of machine vision technology in manufacturing industries—A study. In Machine Intelligence in Mechanical Engineering; Elsevier: Amsterdam, The Netherlands, 2024; pp. 91–122. [Google Scholar]
- Konstantinidis, F.K.; Mouroutsos, S.G.; Gasteratos, A. The role of machine vision in industry 4.0: An automotive manufacturing perspective. In Proceedings of the 2021 IEEE International Conference on Imaging Systems and Techniques (IST), Kaohsiung, Taiwan, 24–26 August 2021; pp. 1–6. [Google Scholar]
- Villani, V.; Picone, M.; Mamei, M.; Sabattini, L. A digital twin driven human-centric ecosystem for industry 5.0. IEEE Trans. Autom. Sci. Eng. 2024, 22, 11291–11303. [Google Scholar] [CrossRef]
- Chai, J.J.; O’Sullivan, C.; Gowen, A.A.; Rooney, B.; Xu, J.L. Augmented/mixed reality technologies for food: A review. Trends Food Sci. Technol. 2022, 124, 182–194. [Google Scholar] [CrossRef]
- Chakravartula, S.S.N.; Bandiera, A.; Nardella, M.; Bedini, G.; Ibba, P.; Massantini, R.; Moscetti, R. Computer vision-based smart monitoring and control system for food drying: A study on carrot slices. Comput. Electron. Agric. 2023, 206, 107654. [Google Scholar] [CrossRef]
- Alimam, H.; Mazzuto, G.; Tozzi, N.; Ciarapica, F.E.; Bevilacqua, M. The resurrection of digital triplet: A cognitive pillar of human-machine integration at the dawn of industry 5.0. J. King Saud Univ.-Comput. Inf. Sci. 2023, 35, 101846. [Google Scholar] [CrossRef]
- Nilsson, F.; Jakobsen, J.; Alonso-Fernandez, F. Detection and classification of industrial signal lights for factory floors. In Proceedings of the 2020 International Conference on Intelligent Systems and Computer Vision (ISCV), Fez, Morocco, 9–11 June 2020; pp. 1–6. [Google Scholar]
- Rokhva, S.; Teimourpour, B.; Soltani, A.H. Computer vision in the food industry: Accurate, real-time, and automatic food recognition with pretrained MobileNetV2. Food Humanit. 2024, 3, 100378. [Google Scholar] [CrossRef]
- Siripatrawan, U.; Makino, Y. Assessment of food safety risk using machine learning-assisted hyperspectral imaging: Classification of fungal contamination levels in rice grain. Microb. Risk Anal. 2024, 27, 100295. [Google Scholar] [CrossRef]
- Fattahi, S.H.; Kazemi, A.; Khojastehnazhand, M.; Roostaei, M.; Mahmoudi, A. The classification of Iranian wheat flour varieties using FT-MIR spectroscopy and chemometrics methods. Expert Syst. Appl. 2024, 239, 122175. [Google Scholar] [CrossRef]
- Liu, Y.; Pu, H.; Sun, D.W. Hyperspectral imaging technique for evaluating food quality and safety during various processes: A review of recent applications. Trends Food Sci. Technol. 2017, 69, 25–35. [Google Scholar] [CrossRef]
- Aviara, N.A.; Liberty, J.T.; Olatunbosun, O.S.; Shoyombo, H.A.; Oyeniyi, S.K. Potential application of hyperspectral imaging in food grain quality inspection, evaluation and control during bulk storage. J. Agric. Food Res. 2022, 8, 100288. [Google Scholar] [CrossRef]
- Kang, S.; Kim, Y.; Ajani, O.S.; Mallipeddi, R.; Ha, Y. Predicting the properties of wheat flour from grains during debranning: A machine learning approach. Heliyon 2024, 10, e36472. [Google Scholar] [CrossRef]
- Medina-García, M.; Roca-Nasser, E.A.; Martínez-Domingo, M.A.; Valero, E.M.; Arroyo-Cerezo, A.; Cuadros-Rodríguez, L.; Jiménez-Carvelo, A.M. Towards the establishment of a green and sustainable analytical methodology for hyperspectral imaging-based authentication of wholemeal bread. Food Control 2024, 166, 110715. [Google Scholar] [CrossRef]
- Murengami, B.G.; Jing, X.; Jiang, H.; Liu, X.; Mao, W.; Li, Y.; Chen, X.; Wang, S.; Li, R.; Fu, L. Monitor and classify dough based on color image with deep learning. J. Food Eng. 2025, 386, 112299. [Google Scholar]
- Barthwal, R.; Kathuria, D.; Joshi, S.; Kaler, R.; Singh, N. New trends in the development and application of artificial intelligence in food processing. Innov. Food Sci. Emerg. Technol. 2024, 92, 103600. [Google Scholar] [CrossRef]
- Ahmad, H.M.; Rahimi, A. Deep learning methods for object detection in smart manufacturing: A survey. J. Manuf. Syst. 2022, 64, 181–196. [Google Scholar] [CrossRef]
- Leiva-Valenzuela, G.A.; Mariotti, M.; Mondragón, G.; Pedreschi, F. Statistical pattern recognition classification with computer vision images for assessing the furan content of fried dough pieces. Food Chem. 2018, 239, 718–725. [Google Scholar] [CrossRef] [PubMed]
- Ondras, J.; Ni, D.; Deng, X.; Gu, Z.; Zheng, H.; Bhattacharjee, T. Robotic dough shaping. In Proceedings of the 2022 22nd International Conference on Control, Automation and Systems (ICCAS), Jeju, Republic of Korea, 27 November–1 December 2022; pp. 300–307. [Google Scholar]
- Akundi, A.; Reyna, M. A machine vision based automated quality control system for product dimensional analysis. Procedia Comput. Sci. 2021, 185, 127–134. [Google Scholar] [CrossRef]
- Derossi, A.; Di Palma, E.; Moses, J.; Santhoshkumar, P.; Caporizzi, R.; Severini, C. Avenues for non-conventional robotics technology applications in the food industry. Food Res. Int. 2023, 173, 113265. [Google Scholar] [CrossRef]
- Bhana, R.; Mahmoud, H.; Idrissi, M. Smart industrial safety using computer vision. In Proceedings of the 2023 28th International Conference on Automation and Computing (ICAC), Birmingham, UK, 30 August–1 September 2023; pp. 1–6. [Google Scholar]
- Deng, L.; Liu, G.; Zhang, Y. A review of machine vision applications in aerospace manufacturing quality inspection. In Proceedings of the 2024 4th International Conference on Computer, Control and Robotics (ICCCR), Shnaghai, China, 19–21 April 2024; pp. 31–39. [Google Scholar]
- Wang, J.; Hu, H.; Chen, L.; He, C. Assembly defect detection of atomizers based on machine vision. In Proceedings of the 2019 4th International Conference on Automation, Control and Robotics Engineering, Shenzhen, China, 19–21 July 2019; pp. 1–6. [Google Scholar]
- Nadon, F.; Valencia, A.J.; Payeur, P. Multi-modal sensing and robotic manipulation of non-rigid objects: A survey. Robotics 2018, 7, 74. [Google Scholar] [CrossRef]
- Ji, S.; Lee, S.; Yoo, S.; Suh, I.; Kwon, I.; Park, F.C.; Lee, S.; Kim, H. Learning-based automation of robotic assembly for smart manufacturing. Proc. IEEE 2021, 109, 423–440. [Google Scholar] [CrossRef]
- Ylikoski, M. Optimization of Gateau Fazer’s Production Line. Bachelor’s Thesis, Metropolia University of Applied Sciences, Helsinki, Finland, 2022. [Google Scholar]
- Nivelle, M.A.; Bosmans, G.M.; Delcour, J.A. The impact of parbaking on the crumb firming mechanism of fully baked tin wheat bread. J. Agric. Food Chem. 2017, 65, 10074–10083. [Google Scholar] [CrossRef]
- Xiao, Z.; Wang, J.; Han, L.; Guo, S.; Cui, Q. Application of machine vision system in food detection. Front. Nutr. 2022, 9, 888245. [Google Scholar] [CrossRef]
- Wang, X.V.; Xu, P.; Cui, M.; Yu, X.; Wang, L. A literature survey of smart manufacturing systems for medical applications. J. Manuf. Syst. 2024, 76, 502–519. [Google Scholar] [CrossRef]
- Pereira, D.; Bozzato, A.; Dario, P.; Ciuti, G. Towards Foodservice Robotics: A taxonomy of actions of foodservice workers and a critical review of supportive technology. IEEE Trans. Autom. Sci. Eng. 2022, 19, 1820–1858. [Google Scholar] [CrossRef]
- Liu, X.; Liang, J.; Ye, Y.; Song, Z.; Zhao, J. A food package recognition and sorting system based on structured light and deep learning. In Proceedings of the 2023 International Joint Conference on Robotics and Artificial Intelligence, Shanghai, China, 7–9 July 2023; pp. 19–25. [Google Scholar]
- Qiu, Z.; Paul, H.; Wang, Z.; Hirai, S.; Kawamura, S. An evaluation system of robotic end-effectors for food handling. Foods 2023, 12, 4062. [Google Scholar] [CrossRef] [PubMed]
- Ghobakhloo, M. Industry 4.0, digitization, and opportunities for sustainability. J. Clean. Prod. 2020, 252, 119869. [Google Scholar] [CrossRef]
- Zafar, M.H.; Langås, E.F.; Sanfilippo, F. Exploring the synergies between collaborative robotics, digital twins, augmentation, and industry 5.0 for smart manufacturing: A state-of-the-art review. Robot. Comput.-Integr. Manuf. 2024, 89, 102769. [Google Scholar] [CrossRef]
- Jimoh, K.A.; Hashim, N. Recent advances in non-invasive techniques for assessing food quality: Applications and innovations. Adv. Food Nutr. Res. 2025, 114, 301–352. [Google Scholar]
- Hashmi, A.W.; Mali, H.S.; Meena, A.; Hashmi, M.F.; Bokde, N.D. Surface Characteristics Measurement Using Computer Vision: A Review. CMES-Comput. Model. Eng. Sci. 2023, 135, 917–1005. [Google Scholar]
- Mark, B.G.; Rauch, E.; Matt, D.T. Worker assistance systems in manufacturing: A review of the state of the art and future directions. J. Manuf. Syst. 2021, 59, 228–250. [Google Scholar] [CrossRef]
- Fan, J.; Zheng, P.; Li, S. Vision-based holistic scene understanding towards proactive human–robot collaboration. Robot. Comput.-Integr. Manuf. 2022, 75, 102304. [Google Scholar] [CrossRef]
- Sharma, A.; Kulkarni, A. Vision System for Smart Manufacturing: A Review. In Proceedings of the 2023 IEEE Engineering Informatics, Melbourne, Australia, 22–23 November 2023; pp. 1–9. [Google Scholar]
- Leng, J.; Zhu, X.; Huang, Z.; Li, X.; Zheng, P.; Zhou, X.; Mourtzis, D.; Wang, B.; Qi, Q.; Shao, H.; et al. Unlocking the power of industrial artificial intelligence towards Industry 5.0: Insights, pathways, and challenges. J. Manuf. Syst. 2024, 73, 349–363. [Google Scholar] [CrossRef]
- Kanth, R.; Heikkonen, J. Machine Vision and Artificial Intelligence in Robotics for Smart Factory. In Proceedings of the 2023 IEEE International Conference on Emerging Trends in Engineering, Sciences and Technology (ICES&T), Bahawalpur, Pakistan, 9–11 January 2023; pp. 1–4. [Google Scholar]
- Sahoo, S.; Lo, C.Y. Smart manufacturing powered by recent technological advancements: A review. J. Manuf. Syst. 2022, 64, 236–250. [Google Scholar] [CrossRef]
- Mandapaka, S.; Diaz, C.; Irisson, H.; Akundi, A.; Lopez, V.; Timmer, D. Application of automated quality control in smart factories—A deep learning-based approach. In Proceedings of the 2023 IEEE International Systems Conference (SysCon), Vancouver, BC, Canada, 17–20 April 2023; pp. 1–8. [Google Scholar]
- Prasad, P.D.; Patel, D.; Muthuswamy, S.; Karumbu, P. In Situ Material Identification, Machining Monitoring, and Cloud Logging Integrated with AI and Machine Vision. In Proceedings of the 2024 5th International Conference on Innovative Trends in Information Technology (ICITIIT), Kottayam, India, 15–16 March 2024; pp. 1–6. [Google Scholar]
- Adjogble, F.K.; Warschat, J.; Hemmje, M. Advanced Intelligent Manufacturing in Process Industry Using Industrial Artificial Intelligence. In Proceedings of the 2023 Portland International Conference on Management of Engineering and Technology (PICMET), Monterrey, Mexico, 23–27 July 2023; pp. 1–16. [Google Scholar]
- Hamza, S.A.; Jesser, A. Advancing Industry 4.0 with real-time machine vision integration in cyber-physical systems. In Proceedings of the 2024 IEEE 3rd International Conference on Computing and Machine Intelligence (ICMI), Mt. Pleasant, MI, USA, 13–14 April 2024; pp. 1–5. [Google Scholar]
- Li, C.; Zheng, P.; Yin, Y.; Wang, B.; Wang, L. Deep reinforcement learning in smart manufacturing: A review and prospects. CIRP J. Manuf. Sci. Technol. 2023, 40, 75–101. [Google Scholar] [CrossRef]
- Ren, L.; Dong, J.; Liu, S.; Zhang, L.; Wang, L. Embodied intelligence toward future smart manufacturing in the era of AI foundation model. IEEE ASME Trans. Mechatron. 2024, 30, 2632–2642. [Google Scholar] [CrossRef]
- Azadnia, R.; Fouladi, S.; Jahanbakhshi, A. Intelligent detection and waste control of hawthorn fruit based on ripening level using machine vision system and deep learning techniques. Results Eng. 2023, 17, 100891. [Google Scholar] [CrossRef]
- Sontakke, M.; Yerimah, L.E.; Rebmann, A.; Ghosh, S.; Dory, C.; Hedden, R.; Bequette, B.W. Integrating smart manufacturing techniques into undergraduate education: A case study with heat exchanger. Comput. Chem. Eng. 2024, 191, 108858. [Google Scholar] [CrossRef]
- Javaid, M.; Haleem, A.; Singh, R.P.; Suman, R. Substantial capabilities of robotics in enhancing industry 4.0 implementation. Cogn. Robot. 2021, 1, 58–75. [Google Scholar] [CrossRef]
- Yang, J.; Liu, Y.; Morgan, P.L. Human-machine interaction towards Industry 5.0: Human-centric smart manufacturing. Digit. Eng. 2024, 2, 100013. [Google Scholar] [CrossRef]
- Yang, H.I.; Min, S.G.; Yang, J.H.; Eun, J.B.; Chung, Y.B. A novel hybrid-view technique for accurate mass estimation of kimchi cabbage using computer vision. J. Food Eng. 2024, 378, 112126. [Google Scholar] [CrossRef]
- Yousif, I.; Samaha, J.; Ryu, J.; Harik, R. Safety 4.0: Harnessing computer vision for advanced industrial protection. Manuf. Lett. 2024, 41, 1342–1356. [Google Scholar] [CrossRef]
- Maddikunta, P.K.R.; Pham, Q.V.; Prabadevi, B.; Deepa, N.; Dev, K.; Gadekallu, T.R.; Ruby, R.; Liyanage, M. Industry 5.0: A survey on enabling technologies and potential applications. J. Ind. Inf. Integr. 2022, 26, 100257. [Google Scholar] [CrossRef]
- Lin, S.; Qi, X. Development of Intelligent Agricultural Automation Based on Computer Vision. In Proceedings of the 2023 International Conference on Integrated Intelligence and Communication Systems (ICIICS), Kalaburagi, India, 24–25 November 2023; pp. 1–6. [Google Scholar]
- Ciccarelli, M.; Papetti, A.; Germani, M. Exploring how new industrial paradigms affect the workforce: A literature review of Operator 4.0. J. Manuf. Syst. 2023, 70, 464–483. [Google Scholar] [CrossRef]
- Wu, H.; Xu, W.; Yao, B.; Hu, Y.; Feng, H. Interacting multiple model-based adaptive trajectory prediction for anticipative human following of mobile industrial robot. Procedia Comput. Sci. 2020, 176, 3692–3701. [Google Scholar] [CrossRef]
- Yin, Y.; Zheng, P.; Li, C.; Wang, L. A state-of-the-art survey on Augmented Reality-assisted Digital Twin for futuristic human-centric industry transformation. Robot. Comput.-Integr. Manuf. 2023, 81, 102515. [Google Scholar] [CrossRef]
- Sevetlidis, V.; Pavlidis, G.; Balaska, V.; Psomoulis, A.; Mouroutsos, S.G.; Gasteratos, A. Enhancing Weakly Supervised Defect Detection Through Anomaly-Informed Weighted Training. IEEE Trans. Instrum. Meas. 2024, 73, 3538310. [Google Scholar] [CrossRef]
- Symeonidis, S.; Peikos, G.; Arampatzis, A. Unsupervised consumer intention and sentiment mining from microblogging data as a business intelligence tool. Oper. Res. 2022, 22, 6007–6036. [Google Scholar] [CrossRef]
- Velesaca, H.O.; Suárez, P.L.; Mira, R.; Sappa, A.D. Computer vision based food grain classification: A comprehensive survey. Comput. Electron. Agric. 2021, 187, 106287. [Google Scholar] [CrossRef]
- Steger, C.; Ulrich, M.; Wiedemann, C. Machine Vision Algorithms and Applications; John Wiley & Sons: Hoboken, NJ, USA, 2018. [Google Scholar]
- Lullien-Pellerin, V. How can we evaluate and predict wheat quality? J. Cereal Sci. 2024, 104001. [Google Scholar] [CrossRef]
- Zhong, R.Y.; Xu, X.; Klotz, E.; Newman, S.T. Intelligent manufacturing in the context of industry 4.0: A review. Engineering 2017, 3, 616–630. [Google Scholar] [CrossRef]
- Nahavandi, S. Industry 5.0—A human-centric solution. Sustainability 2019, 11, 4371. [Google Scholar] [CrossRef]
- Li, S.; Zheng, P.; Liu, S.; Wang, Z.; Wang, X.V.; Zheng, L.; Wang, L. Proactive human–robot collaboration: Mutual-cognitive, predictable, and self-organising perspectives. Robot. Comput.-Integr. Manuf. 2023, 81, 102510. [Google Scholar] [CrossRef]
- Li, M.; Liu, Y.; Xu, G.; Ma, Z. The intelligent warehousing system combined with machine vision is constructed. In Proceedings of the 2024 3rd International Symposium on Control Engineering and Robotics, Changsha, China, 24–26 May 2024; pp. 104–108. [Google Scholar]
- Page, M.J.; McKenzie, J.E.; Bossuyt, P.M.; Boutron, I.; Hoffmann, T.C.; Mulrow, C.D.; Shamseer, L.; Tetzlaff, J.M.; Akl, E.A.; Brennan, S.E.; et al. The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ 2021, 372, n71. [Google Scholar] [CrossRef]
- Wakchaure, M.; Patle, B.K.; Mahindrakar, A.K. Application of AI techniques and robotics in agriculture: A review. Artif. Intell. Life Sci. 2023, 3, 100057. [Google Scholar] [CrossRef]
- Castillo-Ortiz, I.; Villar-Patiño, C.; Guevara-Martínez, E. Computer vision solution for uniform adherence in gastronomy schools: An artificial intelligence case study. Int. J. Gastronomy Food Sci. 2024, 37, 100997. [Google Scholar] [CrossRef]
- Mehdizadeh, S.A. Machine vision based intelligent oven for baking inspection of cupcake: Design and implementation. Mechatronics 2022, 82, 102746. [Google Scholar] [CrossRef]
Авторы: Vasiliki Balaska, Anestis Tserkezis, Fotios Konstantinidis, Vasileios Sevetlidis, Symeon Symeonidis, Theoklitos Karakatsanis, Antonios Gasteratos
