Искусственный интеллект в пищевой промышленности выходит за пределы аналитики, прогнозирования и работы с данными. AI применяется непосредственно на производственных линиях — там, где за доли секунды необходимо определить качество продукта, обнаружить дефект или постороннее включение и принять решение об отбраковке. Однако наличие AI-функции само по себе не определяет эффективность контроля. Результат зависит от всей системы: возможностей сенсоров, качества данных, алгоритмов распознавания, механики удаления продукта и, главное, критериев, по которым конкретное предприятие разделяет годную продукцию и дефекты. Разбираемся, чем Deep Learning отличается от классических алгоритмов сортировки, в каких случаях он действительно нужен пищевому производству и как оценивать результат его внедрения.
Где AI применяется для контроля пищевой продукции
Автоматизированный контроль на пищевом предприятии можно условно разделить на два направления. Первое — контроль сырья и продукта на промежуточных этапах производства. В зависимости от задачи здесь могут применяться оптическая сортировка, рентген-инспекция и металлодетекция. Фотосепаратор, или оптический сортировщик, анализирует продукт по внешним признакам: цвету, размеру, форме, особенностям поверхности и структуры. Такое оборудование применяется при сортировке круп, бобовых и масличных культур, орехов, сухофруктов, овощей, ягод, снеков и другой продукции.
Рентгеновские системы решают другую задачу: анализ различий в плотности позволяет выявлять металл, стекло, керамику, камни и ряд других посторонних включений. Металлодетекторы предназначены для обнаружения металлических загрязнений и также могут интегрироваться в производственную линию.
Второе направление — контроль готовой и упакованной продукции. Здесь требуется находить посторонние включения и другие отклонения, которые невозможно определить при обычном внешнем осмотре упаковки. Именно в системах машинного зрения и автоматизированной инспекции все большую роль получают алгоритмы машинного и глубокого обучения. Научные исследования подтверждают, что сочетание методов машинного зрения с Deep Learning позволяет решать задачи классификации пищевой продукции, сортировки, поиска дефектов и посторонних объектов. При этом система не ограничивается самим алгоритмом: машинное зрение включает получение изображения, его анализ и последующее выполнение заданной операции.
Когда сортировки по цвету становится недостаточно
Классические алгоритмы оптической сортировки могут работать с заранее определенными признаками, например цветом и оттенком. Для большого числа производственных задач этого достаточно. Сложности возникают, когда годный и негодный продукт визуально похожи по одному признаку, но отличаются по совокупности характеристик. Один из реальных примеров — сортировка болгарского перца на консервном производстве. В компании Meyer рассказывают, что перед фотосепаратором была поставлена задача удалить плодоножки, сердцевину и гнилые дольки.
«Часть этих фрагментов по цвету похожа на годный перец, поэтому сортировки только по цвету недостаточно. Продукт движется по ленте, камеры снимают его со всех сторон, а AI Deep Learning помогает оценивать форму и другие визуальные признаки», — объясняет ведущий специалист компании Вадим Иванов.
Подобные задачи хорошо показывают разницу между обнаружением отдельного признака и распознаванием объекта. Исследования машинного зрения на болгарском перце также демонстрируют преимущества нелинейных моделей при классификации продукта по совокупности характеристик. В одной из работ интеллектуальная модель машинного зрения превзошла линейный метод классификации; авторы получили точность 93,2% в конкретных экспериментальных условиях. Эти показатели нельзя переносить на другое оборудование или производство, однако само исследование показывает, почему при сложной классификации продукта анализа отдельных простых признаков может быть недостаточно.
Современные научные обзоры описывают тот же принцип шире: Deep Learning позволяет автоматически извлекать значимые признаки из изображений и применяется, в частности, для обнаружения трещин, повреждений и загрязнений, а также сортировки и грейдинга пищевой продукции.
Кто определяет, что считать дефектом
Универсального понятия «дефект» для автоматизированной сортировки не существует. Требования различаются в зависимости от продукта, дальнейшего технологического процесса, спецификаций заказчика и стандартов конечного качества. Для одного предприятия критична посторонняя примесь, для другого — еще и форма, размер, оттенок или степень повреждения продукта. По словам Вадима Иванова, сейчас заметен спрос на задачи, в которых необходимо одновременно удалить примеси и обеспечить заданные характеристики продукции. Для предприятий, работающих с торговыми сетями, значение могут иметь как безопасность, так и стабильность партии по внешнему виду.
«Задачи отличаются от продукта к продукту. При сортировке орехов нужно удалять скорлупу, потемневшие ядра или отделять целые орехи от половинок. У сухофруктов плодоножка может оставаться на самом плоде — тогда приходится удалять его целиком. У овощей оценивают примеси, повреждения, форму и размер. У снеков может быть важно отделить целые изделия от сломанных. AI Deep Learning помогает там, где решение нельзя принять по одному только цвету», — говорит эксперт.
Поэтому настройка интеллектуальной сортировки начинается не с выбора универсального режима AI, а с определения критериев качества конкретного предприятия. На практике специалисты отбирают образцы годного продукта, дефектов и примесей. На их основе получают изображения, формируют и настраивают программу распознавания, проводят тестовую сортировку и оценивают результат. При необходимости параметры корректируют. Человек при этом не исключается из процесса: специалист определяет стандарт качества, а оборудование должно стабильно применять эти критерии в производственном потоке.
AI эффективен настолько, насколько качественные данные получает
Deep Learning не способен распознать характеристику продукта, которую оборудование физически не может зафиксировать. Поэтому алгоритм нельзя рассматривать отдельно от камер, сенсоров и условий получения данных. В оптических сортировщиках для разных задач могут применяться камеры высокого разрешения, позволяющие фиксировать мелкие потемнения, точки, повреждения и другие внешние признаки, а также инфракрасные системы для получения дополнительной информации о продукте. Полученные данные передаются алгоритму, который классифицирует объект. Но для производственной линии этого недостаточно: распознанный дефект необходимо физически удалить из быстро движущегося потока, минимизировав при этом попадание годной продукции в отход.
Поэтому технологическая цепочка выглядит так: сенсор получает данные → алгоритм анализирует признаки → объект классифицируется → принимается решение → система удаления отбраковывает продукт.
Научные исследования подтверждают принципиальность именно этой связки. Оптические методы позволяют проводить быстрый неразрушающий контроль, однако создают сложные многомерные массивы данных. Интеграция таких сенсоров с моделями машинного и глубокого обучения позволяет автоматизировать извлечение признаков, классификацию и прогнозирование и применять систему для сортировки и оценки качества в режиме реального времени. Таким образом, конечная эффективность определяется не наличием AI как отдельной функции, а сочетанием сенсоров, алгоритма, механики отбраковки и корректной настройки всей системы.
Как измерить эффективность AI-сортировки
Именно здесь возникает один из главных вопросов пищевого предприятия: насколько применение Deep Learning улучшит результат по сравнению с классическими алгоритмами? Универсального процента не существует. Даже два предприятия, работающие с одинаковым сырьем, могут использовать разные критерии качества. Поэтому показатели точности, полученные на одной линии, нельзя автоматически переносить на другую.
«Одной цифры, которая показала бы эффект AI Deep Learning на любом производстве, нет. Даже два предприятия, сортирующие один и тот же продукт, могут считать хорошим результатом разные показатели. Одному важно убрать примеси. Другому нужно еще соответствовать требованиям к форме, оттенку и целостности продукта», — отмечает Вадим Иванов.
Поэтому результат оценивают непосредственно при тестовой сортировке. Сначала специалисты предприятия определяют, какой продукт считать годным, после чего можно анализировать три ключевых показателя:
- сколько негодного продукта осталось в основной массе;
- сколько годного продукта попало в отбраковку;
- с какой производительностью система обеспечивает этот результат.
«По этим данным можно оценить результат и экономику для конкретной линии. AI Deep Learning и камеры высокого разрешения помогают различать продукт по нескольким признакам сразу, когда сортировки по цвету недостаточно. Это дает возможность точнее настроить отбраковку и сократить потери годного продукта. Но назвать универсальный процент улучшения по сравнению с классическими алгоритмами было бы некорректно», — добавляет Иванов.
При этом сравнивать системы только по заявленной точности AI также некорректно. Современные научные обзоры среди ключевых факторов эффективности называют размер и репрезентативность обучающих данных, проверку модели на независимых выборках и способность алгоритма сохранять результат при изменении условий. Для промышленного внедрения остаются актуальными проблемы переноса модели между разными сценариями и реальными производственными условиями.
Фото: usertrmk / Magnific
Рентгену недостаточно просто увидеть металл
Аналогичный переход от обнаружения признака к интерпретации контекста происходит в рентгеновской инспекции. Классическая задача рентгеновской системы — обнаружить внутри продукта или упаковки посторонний объект, отличающийся по плотности. Но реальные производственные ситуации сложнее. Например, металлическая клипса может быть штатной частью упаковки колбасного изделия. Сам факт присутствия металла еще не означает, что продукт необходимо удалить с линии.
«Рентген-детектор должен учитывать положение клипсы: упаковка не должна попадать в отбраковку только из-за нее, но сам продукт при этом нужно проверять на посторонние включения», — приводит пример Вадим Иванов.
Алгоритмы распознавания в таких задачах позволяют учитывать контекст изображения и обучать систему под конкретный продукт и производственный сценарий.
AI-контроль упаковки: один дефект — разные решения
Еще нагляднее роль заданных предприятием критериев проявляется при контроле упаковки. Иванов приводит два противоположных производственных запроса. В одном случае предприятие просило удалять пакеты с семечками, если в шов попадала скорлупа или сам продукт. Для производителя орехов определенное отклонение в области шва, напротив, не являлось основанием для отбраковки: по его критериям оно не влияло на безопасность продукции.
«Поэтому решение об отбраковке зависит от того, какую задачу поставило предприятие», — подчеркивает эксперт.
То есть одна и та же визуальная особенность не обязательно означает одинаковое решение для разных производств. Задача системы — не найти абстрактный дефект, а сопоставить обнаруженный признак с критериями приемки конкретного продукта. Это соответствует и данным независимых исследований. Например, системы машинного зрения и Deep Learning экспериментально применялись для выявления загрязнений и дефектов шва пищевой упаковки. В исследовании контроля термосваренных лотков CNN в сочетании с гиперспектральными изображениями использовали для распознавания до 11 типов загрязнения зоны запайки; в условиях конкретного эксперимента общая точность выявления дефектов превышала 94%.
Рентген-инспекция — это уже не только поиск посторонних предметов
Еще одно направление развития автоматизированного контроля — расширение круга задач рентгеновской инспекции. Рентген традиционно ассоциируется с поиском металла, стекла, камней, керамики и других плотных посторонних включений. Однако анализ внутренней структуры продукта позволяет решать и другие задачи: контролировать комплектность, целостность и некоторые дефекты, которые невозможно увидеть через закрытую упаковку. Например, упаковка печенья может внешне соответствовать требованиям, тогда как часть изделий внутри сломана. Визуальный осмотр закрытой упаковки этого не покажет. Рентгеновская система может анализировать содержимое и сопоставлять его с заданными параметрами.
Что AI Deep Learning дает пищевому производству
Практический эффект автоматизированного контроля складывается сразу из нескольких составляющих.
Во-первых, оборудование способно применять заданные критерии в течение производственной смены без изменения требований из-за усталости или субъективной оценки оператора.
Во-вторых, Deep Learning расширяет возможности работы со сложными дефектами, когда решение нельзя принять на основании одного признака.
В-третьих, более точное разделение объектов позволяет работать не только над удалением дефектов, но и над снижением количества годной продукции, ошибочно попадающей в отбраковку.
Наконец, разные системы контроля можно использовать на нескольких этапах производства: оптическую сортировку — при подготовке сырья и полуфабриката, рентген-инспекцию — при контроле продукта и уже сформированной упаковки. В результате предприятие получает возможность выстраивать многоуровневый контроль, а не рассматривать сортировку или инспекцию как отдельную операцию.
Когда пищевому предприятию действительно нужен Deep Learning
Использование AI оправдано не самим фактом сложности или современности технологии. Если требуемый дефект надежно определяется по простому признаку, классического алгоритма может быть достаточно. Преимущество Deep Learning возникает прежде всего там, где системе необходимо классифицировать сложные объекты, учитывать сразу несколько признаков или различать визуально похожие годные и негодные продукты. Поэтому перед выбором решения предприятию необходимо ответить как минимум на три вопроса:
- Какой продукт предстоит контролировать?
- Какие конкретные дефекты, примеси или отклонения необходимо обнаруживать?
- Какой результат предприятие считает приемлемым после сортировки или инспекции?
Следующий этап — проверка решения непосредственно на реальном продукте. Иванов объясняет, что для этого специалисты предприятия вместе с инженерами сначала определяют образцы годного продукта, дефектов и примесей. Затем проводится съемка, создается программа, выполняется тестовая сортировка, оценивается результат и при необходимости корректируются параметры. Такой подход принципиален и с точки зрения современных исследований Deep Learning. Результат модели зависит от качества и репрезентативности исходных данных, а одна из сохраняющихся проблем технологии — способность стабильно работать при изменении продукта и производственных условий. Поэтому высокая точность, полученная на одной выборке или линии, сама по себе еще не гарантирует аналогичного результата на другом предприятии.
От обнаружения дефекта — к пониманию контекста
Главное изменение автоматизированного контроля пищевой продукции можно описать последовательностью:
обнаружить → распознать → принять решение → выполнить действие.
Камеры и другие сенсоры получают информацию о продукте. Алгоритм интерпретирует признаки и классифицирует объект. Оборудование выполняет решение непосредственно в производственном потоке. Именно поэтому развитие AI на пищевых предприятиях некорректно сводить к противопоставлению человека и машины. Специалист по-прежнему определяет, каким должен быть качественный и безопасный продукт. Задача технологии — перенести эти критерии в автоматизированный процесс и стабильно применять их к большим объемам продукции. Поэтому главный вопрос при выборе AI-системы контроля — не наличие Deep Learning как функции, а способность всей связки из сенсоров, алгоритмов, механики и настроек решить конкретную производственную задачу.
Надежда Тимофеева, sfera.fm
