בקרת איכות חזותית מבוססת AI למזון

בקרת איכות חזותית מבוססת בינה מלאכותית למוצרי מזון

בקו ייצור, תפוח רקוב במנה פרימיום יכול להיעלם מעין — העין האנושית מתעייפת, הקשב יורד לקראת סוף המשמרת. אנו מיישמים ראייה ממוחשבת המבוססת על ראייה ממוחשבת ו-YOLOv8 שבודקת כל מוצר 24/7 ללא עייפות. בדיקה חזותית אוטומטית טובה פי 5 מבדיקה ידנית, ומפחיתה תוצאות שליליות שגויות ב-80%. בדיקת בינה מלאכותית מעבדת כל מוצר בפחות מ-20 אלפיות השנייה, מה שהופך אותה למהירה עד פי 10 ממיון ידני. המערכת משתמשת בשלוש מצלמות (מלמעלה + שתי צדדיות) לצילום מזוויות מרובות, קריטי לפגמים כמו חבורות בתפוחים הנראות רק מזווית מסוימת. דיוק הזיהוי מגיע ל-98% עבור פגמים אופייניים. עבור קו בגודל בינוני טיפוסי (5 טון/משמרת), עלות המערכת נעה בין 12,000 ל-50,000 דולר, עם חיסכון חודשי של עד 15,000 דולר מהפחתת פסולת ועלויות בדיקה ידנית. תקופת ההחזר נעה בין 6 ל-12 חודשים בהיקפי ייצור החל מ-5 טון למשמרת.

בקרת איכות חזותית מבוססת בינה מלאכותית: אתגרים מרכזיים

תאורה היא הגורם המרכזי. חבורה בתפוח נראית רק תחת זווית אור ספציפית. הפתרון הוא צילום מזוויות מרובות (3–4 מצלמות) או אור מקוטב לדיכוי סנוור. ללא תאורה מתאימה, המודל אינו יכול להבחין בין פרי טרי לפגום.

סטנדרטים סובייקטיביים. הערכת טריות דגים לפי צבע זימים או בהירות עיניים דורשת מודל שאומן על מאפיינים מצומצמים. אנו משתמשים במצלמות מולטי-ספקטרליות (NIR) לבשר ועוף — בטווח הקרוב לאינפרא-אדום, כתמי דם נראים ללא קשר לצבע העור. מצלמות NIR מולטי-ספקטרליות יעילות פי 3 מ-RGB סטנדרטי בזיהוי כתמי דם על עוף.

מהירות מסוע. במהירות 0.3 מ'/שנייה עם רוחב רצועה של 1.2 מ', כל פריים חייב להיות מעובד ב-15–20 אלפיות השנייה. על Jetson Orin, אנו משיגים 12 אלפיות השנייה עבור 720p עם זיהוי YOLOv8m ואימות צבע.

כיצד בינה מלאכותית מתמודדת עם שינויי תאורה?

המודל מאומן על תמונות שעברו שינוי סינתטי: הוספת רעש, שינוי בהירות, ניגודיות, סימולציה של מקורות אור שונים. נורמליזציה אדפטיבית של היסטוגרמה מוחלת לפני ההסקה. בייצור, אנו מתקנים את כיול התאורה ומנטרים סטיות באמצעות ספקטרופוטומטר. לפי מחקר שפורסם ב-Journal of Food Engineering, עיבוד מקדים כזה משפר את שיעור הזיהוי ב-15%.

מדוע הדיוק תלוי בגודל מערך הנתונים?

המודל חייב לראות את כל הווריאציות של אנומליה: גדלים שונים, כיוונים, תאורה. על 4200 תמונות של תפוחים (3 זנים), השגנו 98.7% רגישות לריקבון. אם מערך הנתונים קטן מ-2000, המודל מבצע התאמת יתר ומכליל בצורה גרועה. הנפח האופטימלי הוא 3000–5000 פריימים מסומנים לכל מוצר.

משימות ושיטות אופייניות

import cv2
import numpy as np
from ultralytics import YOLO
import segmentation_models_pytorch as smp
import torch
from PIL import Image

class FoodQualityInspector:
    def __init__(self, config: dict):
        self.detector = YOLO(config['detection_model'])
        self.seg_model = smp.Unet(
            encoder_name='efficientnet-b3',
            classes=3,  # good, defect, background
            activation='softmax2d'
        )
        seg_ckpt = torch.load(config['seg_model'])
        self.seg_model.load_state_dict(seg_ckpt)
        self.seg_model.eval()
        self.color_standards = config.get('color_standards', {})
        self.defect_area_threshold = config.get('max_defect_ratio', 0.03)

    def inspect(self, image: np.ndarray, product_type: str) -> dict:
        result = {
            'product_type': product_type,
            'passed': True,
            'defects': [],
            'grade': 'A'
        }
        det_results = self.detector(image, conf=0.4)
        defect_area_total = 0
        for box in det_results[0].boxes:
            cls = self.detector.model.names[int(box.cls)]
            bbox = list(map(int, box.xyxy[0]))
            area = ((bbox[2]-bbox[0]) * (bbox[3]-bbox[1]))
            img_area = image.shape[0] * image.shape[1]
            defect = {
                'type': cls,
                'bbox': bbox,
                'area_ratio': area / img_area,
                'confidence': float(box.conf)
            }
            result['defects'].append(defect)
            defect_area_total += area / img_area
        if product_type in self.color_standards:
            color_result = self._color_check(image, product_type)
            result['color_analysis'] = color_result
            if not color_result['in_range']:
                result['defects'].append({
                    'type': 'color_deviation',
                    'deviation': color_result['deviation']
                })
        critical_defects = [d for d in result['defects'] if d['type'] in ['mold', 'rot', 'foreign_object']]
        if critical_defects:
            result['passed'] = False
            result['grade'] = 'REJECT'
        elif defect_area_total > self.defect_area_threshold:
            result['grade'] = 'C'
        elif result['defects']:
            result['grade'] = 'B'
        return result

    def _color_check(self, image: np.ndarray, product_type: str) -> dict:
        hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
        standard = self.color_standards[product_type]
        lower = np.array(standard['hsv_lower'])
        upper = np.array(standard['hsv_upper'])
        mask = cv2.inRange(hsv, lower, upper)
        in_range_ratio = mask.sum() / 255 / mask.size
        return {
            'in_range': in_range_ratio > standard.get('min_ratio', 0.6),
            'ratio': float(in_range_ratio),
            'deviation': float(1 - in_range_ratio)
        }

מאפיינים לפי קטגוריית מוצר

פירות וירקות

פגמים נפוצים: ריקבון, חבורות, סדקים, חומר זר. אתגר מרכזי: חבורות בתפוחים הנראות רק תחת תאורה ספציפית. פתרון: צילום מזוויות מרובות (3–4 מצלמות) או אור מקוטב.

בשר ועוף

כתמי דם, זיהום, חיתוך לא מלא. מצלמות מולטי-ספקטרליות (טווח NIR) עדיפות על RGB סטנדרטי לזיהוי כתמי דם.

לחם ומאפים

סדקים בקרום, תכלילים זרים, אפייה לא מלאה. ניגודיות גבוהה — ביצועים טובים.

דגים

טריות נקבעת לפי צבע זימים ובהירות עיניים. דורש מודל שאומן על מאפיינים מצומצמים.

השוואת שיטות זיהוי לפי מוצר

מקרה בוחן: קו מיון תפוחים, 8 טון/שעה (מהניסיון שלנו)

מסוע ברוחב 1.2 מ', מהירות 0.3 מ'/שנייה, 3 מצלמות (מלמעלה + 2 צדדיות). משימה: מיון ל-3 קטגוריות: פרימיום (ללא פגמים), סטנדרטי (פגמים קלים), מיץ (פגמים חמורים).

• מודל: YOLOv8m, כוונון עדין על 4200 תמונות של תפוחים (3 זנים)
• מחלקות: חבורה, כתם_ריקבון, צלקת, סדק, גודל_קטן, גודל_גדול
• ביצועים: פריים 720p מעובד ב-12 אלפיות השנייה על Jetson Orin

תוצאות לאחר שבועיים של פעילות:

• דיוק סיווג פרימיום/סטנדרטי: 96.2%
• רגישות לזיהוי ריקבון: 98.7%
• הפסדי מיון שגוי הופחתו ב-68% לעומת בדיקה ידנית (חיסכון של עד 14–20 אלף דולר לחודש)

מה כלול: אספקת מפתח

1. ביקורת קו — הערכת תאורה, מהירות מסוע, שטח זמין
2. איסוף וסימון מערך נתונים — מ-2000 תמונות עם הערות פגמים
3. אימון מודל — YOLOv8, EfficientNet, או ארכיטקטורה מבוססת Transformer (הבחירה תלויה בדרישות מהירות/דיוק)
4. הנדסת הסקה — אופטימיזציה ל-Jetson, שרת GPU, או ענן (Triton, ONNX)
5. אינטגרציה עם מסוע — סנכרון מצלמות, פולסים למיין, פרוטוקולים OPC UA/Modbus
6. תיעוד והדרכת מפעילים — הוראות, הנחיות, לוח מחוונים
7. אחריות — 6 חודשים של תמיכה במודל (אימון מחדש אם מופיעים פגמים חדשים)

לוחות זמנים לפיתוח

ייעוץ ופרויקט פיילוט

כדי להעריך את הפרויקט שלך, צור קשר — נבצע ביקורת קו חינמית ונציע פתרון במסגרת התקציב ולוחות הזמנים שלך. עם ניסיון של למעלה מ-5 שנים ו-10 הטמעות מוצלחות בתעשיית המזון, אנו מספקים פתרונות בדיקת בינה מלאכותית אמינים. הזמן פרויקט פיילוט של שבועיים כדי לראות דיוק על המוצרים שלך. קבל ייעוץ על הטמעת בדיקת בינה מלאכותית בקו שלך.

הניסיון שלנו: 10 מערכות שהוטמעו בתעשיית המזון, הסמכות ל-ISO 9001 ו-HACCP.