AI w kontroli jakości spożywczej: etykiety, zgrzewy i napełnienie

Problemy z etykietami i zgrzewami dominują w opakowaniowej części danych o wycofaniach żywności FDA. To dokładnie te wady, które system wizyjny o sztywnych regułach gubi przy pełnej prędkości linii. Kontrola wizualna z AI po cichu przepisuje tę kategorię na nowo.

Branża spożywcza podchodziła do AI na linii ostrożnie i miała ku temu powody. Koszty wycofania produktu są ogromne, przestój linii wycenia się na minuty, a zainstalowana baza regułowych systemów AOI jest bardzo szeroka. W 2025 roku zmieniło się to, że sprzęt konsumencki obsługuje dziś linie o wysokim BPM, w tym 600 butelek na minutę, a nie tylko dedykowane szafy przemysłowe.

Wady etykiet

W danych o wycofaniach dominują trzy klasy wad etykiet. Naklejenie głównej etykiety na niewłaściwą butelkę, spadek czytelności kodu partii, gdy głowica atramentowa zatyka się w trakcie zmiany, oraz wysłanie błędnej grafiki, gdy linia przezbrajała się między markami.

Każdy z tych przypadków jest trudny dla regułowego AOI. Przesunięcie etykiety dryfuje w trakcie zmiany o setki milimetrów, bo rolki etykiet się rozciągają. Czytelność nadruku atramentowego to wzorzec wizualny, który pogarsza się stopniowo. Błędna grafika to zadanie rozpoznawania, a nie tolerancja geometryczna.

Modele AI uczą się tych wzorców z kilku tysięcy oznaczonych zdjęć dobrych i złych sztuk i utrzymują kalibrację przez całą zmianę. Ważniejsze jest to, że nowe SKU obsługują po pięciominutowym douczeniu modelu, a nie po dwugodzinnej aktualizacji receptury.

Wady zgrzewów

Zgrzewy indukcyjne na masłach orzechowych, żywności dla niemowląt i produktach o jakości farmaceutycznej podlegają ostrym wymogom regulacyjnym. Niepełny zgrzew wpuszcza powietrze do środka. Zmarszczki zgrzewu na saszetkach z kawą dają powolne nieszczelności, które tygodniami przechodzą test wybrzuszenia, ale skracają termin przydatności o miesiące.

Kontrola z AI wychwytuje oba przypadki przy pełnej prędkości linii, ponieważ model uczy się poprawnej geometrii zgrzewu dla każdego SKU, a nie ramki tolerancji. Pomarszczone lub niepełne zgrzewy pojawiają się jako silne sygnały anomalii w tym samym oknie 30 milisekund, które produkt spędza pod kamerą.

Wady napełnienia

Niedopełnienie to ryzyko związane z obietnicą marketingową. Przepełnienie to ryzyko kosztowe. Pęknięcie opakowania na linii to ryzyko przestoju.

Wszystkie trzy widać w danych z kamery na różne sposoby. Poziom napełnienia to zadanie wykrywania krawędzi. Pęknięcie opakowania to zadanie wykrywania anomalii, bo pęknięta butelka wygląda inaczej niż każda dobra butelka w sposób, którego reguła nie zdoła w pełni wyliczyć. Jedna kamera z dwoma modelami działającymi równolegle obsługuje wszystkie trzy przypadki na liniach, które wdrożyliśmy.

Co 600 BPM oznacza przy wyborze kamery

Sześćset butelek na minutę to dziesięć butelek na sekundę. Każda butelka ma około 100 milisekund w strefie kontroli, zanim opuści kadr. Wnioskowanie, decyzja i wyzwolenie bramki odrzutu muszą zmieścić się w tym oknie.

Nowoczesne przetwarzanie brzegowe na sprzęcie konsumenckim spokojnie radzi sobie z wnioskowaniem w 50 milisekund. Zostaje 50 milisekund na zarejestrowanie obrazu i sterowanie bramką odrzutu. Kamery przemysłowe nadal wygrywają przy synchronizacji poniżej milisekundy, gdy na butelkę potrzeba kilku kamer, ale stanowiska jednokamerowe osiągnęły już równorzędność.

Co AI wnosi ponad regułowe AOI

Trzy konkretne rzeczy. Zerowy czas programowania nowego SKU, bo model uczy się z obrazów, a nie z zestawu reguł. Lepsza skuteczność przy wadach leżących między klasami, bo rozmazany kod partii nie jest ani brakujący, ani źle ukształtowany, tylko pogorszony. Oraz niższe wskaźniki fałszywych alarmów, co w zakładzie spożywczym przekłada się wprost na mniej dobrych produktów wyrzuconych na złom.

Szerszy obraz produkcji znajdziesz w 20 zastosowaniach w produkcji oraz w naszym przeglądzie kontroli jakości na końcu linii. Jeśli szukasz szerszych podstaw, poradnik o kontroli wizyjnej omawia całą kategorię.

Enao Vision dostarcza obudowy ze stali nierdzewnej w klasie spożywczej na iPhone'y do zastosowań przy etykietach, zgrzewach i napełnianiu. We wdrożeniach poprawę OEE widać zwykle już w pierwszych zmianach, a zakłady bez sieci Ethernet pracują na opcjonalnym hotspocie 5G. Wartością nie jest sama kamera, tylko tempo uruchomienia nowego SKU i wycofanie produktu, które nigdy się nie zdarza.

Kategoria się przesuwa. Regułowe AOI utrzyma swoje miejsce na monolitycznych liniach z jednym SKU. Każda linia rozlewnicza lub pakująca, która przezbraja się częściej niż raz na zmianę, jest kandydatem do kontroli z AI, a 71 procent wycofań związanych z opakowaniem to powód, dla którego ta zmiana dzieje się właśnie teraz.

Warto doczytać: strona Enao o zautomatyzowanej kontroli przekąsek słonych przeprowadza przez to samo podejście dla chipsów, prazynek i przekąsek ekstrudowanych, z siedmioma rodzinami wad i przepisem na konfigurację optyczną.

Rozszerzenie piekarnicze: strona Enao o zautomatyzowanej kontroli ciastek i herbatników przeprowadza przez to samo podejście dla ciastek miękkich, herbatników formowanych rotacyjnie i linii dekorowanych, z siedmioma rodzinami wad i konfiguracją optyczną.

Prowadzisz linię rozlewniczą, etykietującą albo zgrzewającą i chcesz porównać doświadczenia? Inne zespoły mierzą się z ograniczeniami powyżej 300 BPM, więc wypróbuj demo.

Zacznij

Chcesz zobaczyć, jak Enao Vision działa na Twojej linii? Zacznij za darmo z iPhone'em, którego już masz, albo wypróbuj demo, aby zobaczyć kontrolę etykiet, poziomu napełnienia i zamknięć na linii pakowania.