Производители продуктов питания и напитков лидируют во внедрении технологий искусственного интеллекта в компьютерном зрении, от контроля качества и безопасности пищевых продуктов до сокращения количества отзывов продукции и проверки производственных линий в режиме реального времени.
Пищевая промышленность не славится быстрым развитием, инновациями и внедрением инноваций. Она регулируется, консервативна, чувствительна к рентабельности и не терпит сбоев в работе.
Эти характеристики делают скорость внедрения технологии компьютерного зрения (быстрее, чем в строительстве, логистике и большинстве отраслей промышленности, которые говорят об ИИ уже дольше!) достойной внимания.
Агентное компьютерное зрение
Это приведет к изменениям в различных отраслях, включая цепочки поставок, производство, коммунальные услуги и строительство.
Рынок решений для пищевой промышленности, использующих искусственный интеллект, превысил 9,5 миллиардов долларов. Системы компьютерного зрения теперь достигают точности обнаружения дефектов, превышающей 98%, в условиях пищевой промышленности. Мы утверждаем, что внедрение происходит потому, что специфические условия производства продуктов питания делают системы компьютерного зрения необычайно подходящими и крайне сложными для опровержения.
В этой статье мы рассмотрим 7 причин, по которым пищевая промышленность становится самым быстрорастущим направлением в сфере компьютерного зрения с использованием искусственного интеллекта.
Если вы еще не читали первую часть, в ней рассказывается о том, как внедрить технологию компьютерного зрения в пищевой промышленности: от первого примера использования до развертывания на всем предприятии и повышения рентабельности инвестиций на разных площадках.
1. Последствия сбоя в качестве незначительны, очевидны и катастрофичны.
В большинстве производственных сред в различных отраслях отклонение от нормы качества приводит к производственным проблемам. В пищевой промышленности это может спровоцировать отзыв продукции, расследование со стороны регулирующих органов, инцидент, связанный с общественным здравоохранением, и необратимый ущерб репутации бренда, иногда все это одновременно.
Создаваемое этим давление не является абстрактным. Контроль качества в пищевой промышленности — это не просто желательное условие. Это жизненно важная функция. И на протяжении десятилетий его выполняли инспекторы, работающие на скоростях конвейера, на которые человеческое внимание никогда не было рассчитано.
Человеческая ошибка в таком масштабе — это не провал усилий, а структурное ограничение.
Какие изменения в технологическом зрении вносит ИИ на производственную линию?
Системы компьютерного зрения автоматизируют визуальный контроль на производственной линии, включая обнаружение посторонних предметов, дефектов поверхности, отклонений в заполнении и дефектов упаковки с такой скоростью, которая недоступна командам ручного контроля качества при длительных производственных циклах. Результат очевиден: сокращение количества отзывов продукции, уменьшение числа вмешательств регулирующих органов и заметно более безопасная продукция, поступающая к потребителям.
Когда альтернативой является попадание загрязненной партии продукции на полки супермаркетов, расчет рентабельности инвестиций не представляет сложности.
2. Производственная среда отличается необычайной стабильностью.
Одной из постоянных проблем, с которыми сталкиваются команды, занимающиеся внедрением компьютерного зрения в пищевой промышленности, является изменчивость окружающей среды. Меняется освещение, смещаются ракурсы камеры, изменяются условия, и традиционные модели, обученные для определенного набора условий, теряют свою эффективность при изменении этих условий.
Рассмотрим описанные выше условия: контролируемое освещение, фиксированное положение камер и четко определенная рабочая среда. Именно в таких условиях система компьютерного зрения показывает свои лучшие результаты, и они являются стандартными для предприятий пищевой промышленности.
Производственные линии в пищевой промышленности устроены иначе. В них приоритет отдается стабильности: контролируемое освещение, фиксированное положение камер, стандартизированный поток продукции, повторяющиеся производственные процессы. Наилучшие результаты технологии машинного зрения показывают именно в той среде, которую производители продуктов питания создавали на протяжении десятилетий.
Это не означает, что внедрение является тривиальной задачей. Но это означает, что структурные барьеры, замедляющие внедрение в условиях открытого воздуха или переменчивой среды, просто не применимы в той же мере внутри предприятия пищевой промышленности. Алгоритмы машинного обучения, обученные в стабильных, хорошо освещенных производственных условиях, сходятся быстрее, обобщают результаты более надежно и требуют меньше текущего обслуживания, чем практически в любой другой промышленной среде.
3. Регуляторное давление создает функцию принудительного соблюдения требований.
Регулирование безопасности пищевых продуктов не является факультативным, и требования к нему постоянно растут. Бремя соблюдения нормативных требований, с которым сталкиваются производители продуктов питания и напитков, охватывает одновременно множество различных областей:
- Система HACCP (анализ опасностей и критические контрольные точки) требует документированного мониторинга и корректирующих действий в каждой критической контрольной точке производственного процесса.
- Закон FDA о модернизации системы безопасности пищевых продуктов (FSMA) : обязывает применять превентивные меры контроля, проверять поставщиков и вести отслеживаемую документацию на протяжении всей производственной линии.
- Общий закон ЕС о пищевых продуктах (Регламент 178/2002) : требует полной прослеживаемости продукции от фермы до потребителя и возможности отзыва или изъятия любого продукта на любом этапе производства.
- ISO 22000 : международный стандарт управления безопасностью пищевых продуктов, требующий систематического выявления опасностей и мониторинга мер контроля в режиме реального времени.
Как искусственный интеллект в системах машинного зрения решает каждую из этих задач.
Системы Vision AI позволяют выявлять проблемы качества до того, как они перерастут в нарушения нормативных требований. Они автоматически обнаруживают дефекты упаковки, такие как протечки, неправильная маркировка и поврежденные контейнеры, в режиме реального времени, отклоняя или перенаправляя несоответствующую продукцию до того, как она покинет производственную линию. Что еще более важно, они создают автоматический журнал аудита, в котором регистрируется каждая проверка, указывается время и доступна для восстановления.
Регуляторы все чаще требуют доказательств, а не гарантий. Технология компьютерного зрения предоставляет доказательства на таком уровне полноты, которого никогда не смогут обеспечить записи ручных проверок. Это различие смещает акцент в вопросах соблюдения нормативных требований: из причины для сомнений в внедрении ИИ это становится причиной для его ускорения.
4. Дефицит рабочей силы здесь ощущается острее, чем почти где бы то ни было.
Переработка пищевых продуктов — это физически тяжёлый, монотонный процесс, часто проводимый в холодных или влажных условиях. Кроме того, это один из секторов, наиболее пострадавших от структурной нехватки рабочей силы, которая меняет обрабатывающую промышленность во всём мире.
К числу задач, наиболее уязвимых с точки зрения нехватки кадров, относятся:
- Контроль качества и инспекция производственной линии на производственной скорости.
- Проверка качества на заключительном этапе производственной линии и проверка целостности упаковки.
- Мониторинг загрязнений в условиях высокой пропускной способности.
- Контроль за соблюдением гигиенических норм и/или требований к средствам индивидуальной защиты в условиях, обеспечивающих безопасность пищевых продуктов.
- Документация по передаче смены и регистрация проблем с качеством.
Смена смен и время ожидания, которые предсказуемо повторяются из смены в смену на каждом предприятии – операционные ритмы, которые отслеживаются непрерывно, выявляя то, что упускается при ручной регистрации, и то, что следующей смене необходимо знать перед началом работы.
Автоматизация упаковочных линий с использованием искусственного интеллекта помогает производителям продуктов питания и напитков решать проблему нехватки рабочей силы и ускорять производство, поскольку интеллектуальные системы выполняют повторяющиеся задачи сортировки, проверки и маркировки с большей точностью и скоростью, чем это делают люди. Давление со стороны рынка труда превращает сомнения по поводу ИИ в необходимость.
5. Проблема загрязнения не имеет ручного решения в больших масштабах.
В пищевой промышленности распространенным применением является обнаружение посторонних предметов. Компаниям необходимо выявлять физические загрязнения в пищевых продуктах до того, как они попадут к потребителям. Этот пример наглядно демонстрирует преимущества компьютерного зрения, которое сейчас внедряют команды, работающие в пищевой промышленности.
При объемах производства в сотни тысяч единиц в день ручная проверка не является жизнеспособной стратегией обнаружения загрязнений. Она никогда ею и не была. Исторически сложилось так, что для обнаружения плотных загрязнений использовались рентгеновские системы, а для обнаружения металлических — металлодетекторы. Обе системы ограничены в своих возможностях, и ни одна из них не способна обнаружить все типы загрязнений на протяжении всего процесса проверки.
Технология машинного зрения добавляет уровень, который не может быть воспроизведен ни одним из этих способов: возможность в режиме реального времени выявлять поверхностные загрязнения, изменение цвета, структурные повреждения и аномалии упаковки на каждой единице продукции на производственной линии, без усталости или отвлечения внимания.
Системы искусственного интеллекта в системах компьютерного зрения на предприятиях пищевой промышленности обнаруживают даже незначительные дефекты или загрязнения (например, посторонние предметы в упакованных продуктах или бактериальный рост, невидимый человеческому глазу). В результате сокращается количество отзывов продукции и обеспечивается заметно более безопасный продукт для потребителей.
6. Сокращение отходов стало стратегическим приоритетом.
Пищевые отходы — это одновременно и операционные издержки, и, все чаще, обязательство в области ESG (экологического, социального и корпоративного управления). Эти два фактора приводят к одному и тому же решению.
Чрезмерный брак — это высокая и часто недооцениваемая статья расходов в пищевой промышленности. Искусственный интеллект для компьютерного зрения снижает процент чрезмерного брака, повышая точность процесса контроля и различая продукцию, подлежащую утилизации, и продукцию, находящуюся на грани допустимого качества.
Возможность сокращения отходов за счет оптимизации процессов в режиме реального времени является одним из наиболее убедительных финансовых аргументов в пользу внедрения ИИ в этом секторе. Технология машинного зрения, постоянно отслеживающая производственный процесс, выявляет неэффективности, которые в противном случае были бы видны только в отчетах по окончании смены (микроотклонения, несоответствия при наполнении, отклонения в упаковке), задолго до того, как они накапливаются и приводят к значительным потерям. Давление со стороны требований устойчивого развития превращает сокращение отходов из проекта по оптимизации затрат в обязательство на уровне совета директоров, и машинное зрение с использованием ИИ является одним из наиболее прямых доступных рычагов.
7. Растущий спрос на отслеживаемость создает инфраструктуру данных, которой в отрасли раньше не было.
Одним из наименее заметных событий в пищевой промышленности за последние пять лет стало развитие инфраструктуры отслеживания происхождения продукции. Это обусловлено регулированием, требованиями розничных продавцов и давлением потребителей. Теперь каждый крупный продуктовый ритейлер ожидает наличия документации, подтверждающей отслеживаемость продукции от фермы до прилавка. Для этого необходим сбор данных на каждом этапе производственного процесса.
Обнаружение буферных запасов и паллет на складах с помощью компьютерного зрения.
Внедрение систем компьютерного зрения в пищевой промышленности для обеспечения качества и безопасности пищевых продуктов позволяет получать данные для отслеживания продукции в качестве побочного продукта. Каждая автоматизированная визуальная проверка, каждое обнаружение в режиме реального времени, каждая зарегистрированная проблема качества становятся частью записи об отслеживаемости. Инвестиции в искусственный интеллект для контроля качества приносят дополнительную выгоду в виде инфраструктуры соответствия требованиям, которую пищевая промышленность и так вынуждена создавать.
Эта второстепенная ценность часто недооценивается при расчете рентабельности инвестиций, и, как только организации это осознают, она нередко становится аргументом, превращающим ориентированное на качество внедрение в решение о создании инфраструктуры в масштабах всей компании.
Будущее пищевой промышленности уже видно.
Пищевая промышленность внедряет технологию компьютерного зрения не потому, что она является уникально прогрессивной. Она внедряет её потому, что специфические условия отрасли сходятся, делая аргументы в её пользу необычайно убедительными. Речь идёт о стабильности окружающей среды, серьёзности последствий сбоев, нехватке рабочей силы, регуляторном давлении и требовании сократить количество отходов.
| Возможности | Ручной осмотр | Технология машинного зрения на основе искусственного интеллекта |
|---|---|---|
| Скорость проверки | Ограничены человеческим вниманием и усталостью. | Работает непрерывно на полной скорости производственной линии. |
| Стабильность работы в разных сменах | Со временем и при передаче смены качество ухудшается. | Результаты в 2 часа ночи идентичны результатам в 9 утра. |
| Обнаружение загрязнений | Ограничено видимыми дефектами на поверхности. | Обнаруживает поверхностные, структурные и аномальные дефекты. |
| Регистрация проблем с качеством в режиме реального времени | Ручной, прерывистый, подверженный человеческим ошибкам | Автоматический, с отметкой времени, готовый к аудиту. |
| Документация по отслеживаемости | Ввод данных на бумаге или вручную. | Генерируется автоматически в качестве побочного продукта проверки. |
| Доказательства соответствия нормативным требованиям | Сложно производить в больших масштабах. | Полный протокол проверки доступен по запросу. |
| Реагирование на новые проблемы качества | Требуется переподготовка инспекционного персонала. | Алгоритмы машинного обучения адаптируются к новым данным. |
Будущее производства продуктов питания основано на технологиях машинного зрения, которые работают непрерывно, выявляют проблемы качества в режиме реального времени, автоматизируют визуальные проверки, которые невозможно проводить силами людей в больших масштабах, и генерируют данные для отслеживания и соответствия требованиям, необходимые пищевой промышленности. Производители продуктов питания и напитков, инвестирующие в эту инфраструктуру сейчас, опережают не тенденцию, а потребности.
