AI-система візуального контролю якості продуктів харчування

AI-візуальний контроль якості продуктів харчування

На виробничій лінії гниле яблуко в партії преміум-сорту може залишитися непоміченим — людське око втомлюється, увага падає до кінця зміни. Ми ставимо машинний зір на базі computer vision та YOLOv8, який інспектує кожен продукт 24/7 без знижок на втому. Автоматизований візуальний контроль знижує кількість помилково пропущених дефектів на 80% і скорочує частку ручної праці до мінімуму. Система використовує три камери (верх + два боки) для багаторакурсної зйомки, що критично для дефектів на кшталт забоїв яблук, видимих лише під певним кутом. Точність детекції — до 98% для типових дефектів. Окупність системи — від 6 до 12 місяців при продуктивності від 5 тонн за зміну.

Основні складнощі візуального контролю

Освітлення — ключовий фактор. Забій яблука видно лише при певному куті світла. Рішення — багаторакурсна зйомка (3–4 камери) або поляризоване світло, яке пригнічує відблиски. Без правильного освітлення модель не відрізнить свіжий плід від битого.

Суб’єктивний стандарт. Оцінка свіжості риби за кольором зябер або прозорістю очей потребує навченої моделі на вузьких ознаках. Ми використовуємо мультиспектральні камери (NIR) для м’яса та птиці — у ближньому ІЧ діапазоні крововиливи видно незалежно від кольору шкіри.

Швидкість конвеєра. При швидкості 0.3 м/с і ширині стрічки 1.2 м потрібно обробити кадр за 15–20 мс. На Jetson Orin ми вкладаємося в 12 мс для 720p — з детекцією YOLOv8m та кольоровою перевіркою.

Як AI справляється з варіаціями освітлення?

Модель навчається на синтетично змінених зображеннях: додавання шуму, зміна яскравості, контрасту, імітація різних джерел світла. Також застосовується адаптивна нормалізація гістограми перед інференсом. У production-системі ми фіксуємо калібрування освітлення та моніторимо відхилення через спектрофотометр.

Чому точність залежить від розміру датасету?

Модель має бачити всі варіації дефекту: різний розмір, орієнтацію, освітлення. На 4200 зображеннях яблук (3 сорти) ми досягли recall 98.7% по гнилі. Якщо датасет менше 2000, модель перевчається і погано узагальнює. Оптимальний обсяг — 3000–5000 розмічених кадрів на продукт.

Типові задачі та методи

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)
        }

Специфіка за категоріями продуктів

Фрукти та овочі

Основні дефекти — гниль, забої, тріщини, сторонні включення. Ключова складність — забій яблука видно лише при певному освітленні. Рішення: багаторакурсна зйомка (3–4 камери) або поляризоване світло.

М’ясо та птиця

Крововиливи, забруднення, неповна обробка. Мультиспектральна камера (NIR діапазон) краще стандартного RGB для виявлення крововиливів.

Хліб та випічка

Тріщини скоринки, сторонні включення, недопік. Задача висококонтрастна — працює добре.

Риба

Свіжість визначається за кольором зябер, прозорістю очей. Потребує навченої моделі на специфічних ознаках.

Порівняння методів детекції за продуктами

Кейс: лінія сортування яблук, 8 т/год (з нашої практики)

Конвеєрна стрічка 1.2м шириною, швидкість 0.3 м/с, 3 камери (верх + 2 бокових). Задача — сортування на 3 категорії: Premium (без дефектів), Standard (дрібні), Juice (великі дефекти).

• Модель: YOLOv8m, донавчений на 4200 зображеннях яблук (3 сорти)
• Класи: bruise, rot_spot, scar, crack, size_small, size_large
• Продуктивність: обробка 1 кадру 720p за 12ms на Jetson Orin

Результати після 2 тижнів експлуатації:

• Точність класифікації Premium/Standard: 96.2%
• Точність виявлення гнилі (recall): 98.7%
• Втрати від неправильного сортування знизилися на 68% порівняно з ручним контролем, що призводить до значної економії

Що входить у роботу: доставка "під ключ"

1. Аудит виробничої лінії — оцінка освітлення, швидкості конвеєра, доступного місця
2. Збір та розмітка датасету — від 2000 зображень з анотаціями дефектів
3. Навчання моделі — YOLOv8, EfficientNet або Transformer-based архітектура (вибір залежить від вимог до швидкості та точності)
4. Інференс-інжиніринг — оптимізація для запуску на Jetson, GPU-сервері або хмарі (Triton, ONNX)
5. Інтеграція з конвеєром — синхронізація камер, пульсація сортувальників, протоколи OPC UA/Modbus
6. Документація та навчання операторів — інструкції, регламенти, дашборд
7. Гарантія — 6 місяців підтримки моделі (донавчання при появі нового дефекту)

Терміни розробки

Консультація та пілотний проєкт

Для оцінки вашого проєкту зв’яжіться з нами — проведемо безкоштовний аудит лінії та запропонуємо рішення під ваш бюджет і терміни. Замовте пілотний проєкт на два тижні, щоб побачити точність на своїй продукції. Отримайте консультацію щодо впровадження AI-інспекції на вашій лінії.

Наш досвід: 10 впроваджених систем у харчовій промисловості, сертифікати на відповідність ISO 9001 та HACCP.

Як distribution shift вбиває метрики CV-моделі в промисловості

На виробництві ставлять камеру, контролюють якість продукції. Модель навчена на 10 000 розмічених зображень — точність на тесті mAP 0.84. Запускають у продакшен — і в перший же тиждень пропускають 30% дефектів. Освітлення на лінії змінюється по змінах, distribution shift обнуляє метрики. Це класична історія з Computer Vision у промисловості, де розпізнавання образів дає збій без правильної обробки дрейфу.

Наші інженери з досвідом 60+ проектів з комп'ютерного зору знають, як виключити такі сценарії. Гарантуємо стабільну роботу моделі в реальних умовах.

Які архітектури детекції об'єктів обрати: YOLO, RT‑DETR чи інші?

YOLO — стандарт для real‑time детекції. YOLOv8 та YOLOv11 від Ultralytics — найбільш використовувані версії у виробництві: простий API, активна спільнота, вбудована валідація та експорт в ONNX/TensorRT. Для задач з високими вимогами до точності та коли latency менш критична — RT‑DETR, transformer‑based архітектура без NMS, дає кращий mAP на COCO при порівнянній швидкості з YOLOv8l.

Типова помилка при навчанні детектора: датасет 8000 зображень, 3 класи, fine‑tune YOLOv8m — F1 0.73 на валідації. Дивимося confusion matrix — один клас майже ніколи не детектується. Причина: дисбаланс 1:23. Рішення: oversampling рідкісного класу, focal loss для objectness, аугментації (Mosaic, MixUp вимкнути для рідкісного класу — вони його «розмивають»). Transfer learning обов'язковий: передтреновані на COCO ваги скорочують потребу в даних у 10 разів. Fine‑tune на 500–2000 доменних зображеннях дає робочу модель за 1–2 дні на одній GPU.

Для edge deployment: експорт в ONNX → TensorRT engine. YOLOv8n в TensorRT FP16 на Jetson AGX Orin дає 150+ FPS при P99 latency < 8 ms — це в 3 рази швидше, ніж ONNX Runtime без TensorRT. На сервері A10G: 700+ FPS для YOLOv8n в TensorRT INT8.

Як fine‑tuning YOLO допомагає в розпізнаванні образів?

Припустимо, потрібно знаходити мікродефекти на поверхні металу — задача з високою роздільною здатністю та перекосом класів. Використовуємо YOLOv8m, передтренований на COCO (документація Ultralytics), і донавчаємо на 2000 власних зображень. Застосовуємо аугментації Mosaic, MixUp, random perspective. Після 200 епох mAP 0.5 досягає 0.93. Ключові прийоми:

• focal loss для objectness голови — зменшує внесок легко класифікованих прикладів.
• class‑balanced sampling — вирівнює представництво рідкісних класів.
• Test Time Augmentation (TTA) — підвищує recall на 5–7% за рахунок усереднення по фліпах та масштабах.

Отримайте консультацію з підбору архітектури для вашого завдання — зв'яжіться з нами.

Які архітектури сегментації обрати: SAM, Mask R‑CNN чи інші?

SAM (Segment Anything Model) від Meta змінив підхід до сегментації. SAM 2 працює з відео, підтримує трекінг об'єктів через кадри — для інтерактивного виділення об'єкта по точці або bbox це найкращий вибір з коробки. Для production instance segmentation без інтерактивного промпту — Mask R‑CNN або YOLOv8‑seg. YOLOv8‑seg навчається як звичайний детектор з додатковими масками, зручний у тих же пайплайнах. Семантична сегментація (кожен піксель — клас) — SegFormer, DeepLabV3+. SegFormer‑B5 дає хороший баланс точності та швидкості для аналізу супутникових знімків або медичної сегментації.

Кейс: сегментація клітин на мікроскопічних зображеннях. Датасет 400 зображень з ручною розміткою. Навчання Mask R‑CNN на ResNet‑50 backbone дало IoU 0.61 — погано. Проблема: об'єкти (клітини) перекриваються, стандартний NMS вбиває перекриваючі передбачення. Рішення: перехід на cellpose (спеціалізована архітектура для біомедичних задач) + soft‑NMS. IoU зріс до 0.79.

Коли Tesseract не справляється з OCR?

Tesseract — відправна точка для простих задач: друкований текст, хороше освітлення, рівне розташування. Як тільки з'являються рукописні елементи, нестандартні шрифти, перспективні спотворення або багатоколоночний макет — Tesseract деградує швидко.

PaddleOCR — production‑grade рішення: виявлення текстових блоків + розпізнавання + структурний аналіз. Працює з коробки для 80+ мов, включаючи українську. Підтримує таблиці та документи зі складною структурою. Wikipedia: Оптичне розпізнавання символів. TrOCR (Microsoft) — трансформерний OCR з сильними результатами на рукописному тексті. Для українського рукописного тексту потрібен fine‑tuning: базова модель навчена переважно на латиниці.

Що робити, якщо Tesseract не справляється з розпізнаванням образів на документах?

Для задач «витягни дані з рахунку / договору / паспорта» використовуємо LayoutLMv3 або Donut — ці моделі розуміють layout документа, а не тільки текст. Інтеграція через Hugging Face Transformers, fine‑tuning на 200–500 розмічених документах. Типовий pipeline:

1. Preprocessing: deskew, denoising, binarization через OpenCV.
2. Виявлення текстових блоків: PaddleOCR detection або CRAFT.
3. Розпізнавання: PaddleOCR recognition або TrOCR.
4. Post‑processing: нормалізація, валідація через regex або LLM для структурованих полів.

Для документів з фіксованою структурою template matching + OCR точково по координатах часто надійніше за end‑to‑end рішення.

Face Recognition: ідентифікація та верифікація

Face recognition = detection + alignment + embedding + matching. Кожен етап важливий.

Detection: RetinaFace або InsightFace для точної локалізації обличчя та ключових точок. MTCNN — старіше, але надійне рішення. Embedding: ArcFace (InsightFace) — state‑of‑the‑art для face recognition embeddings. Моделі iresnet50/iresnet100 передтреновані на MS1MV3 (5M ідентичностей). Ембеддинг‑вектор 512 float32, порівняння за cosine similarity. Threshold tuning: поріг рішення — критичний параметр. При threshold 0.6 типовий FPR на LFW benchmark — 0.001, TPR — 0.985. У production threshold потрібно калібрувати під реальний distribution: люди в масках, зі зміненою зовнішністю, в різних умовах освітлення. Liveness detection обов'язковий: MiniFASNet — lightweight модель на CPU, FaceX‑Zoo містить кілька передтренованих liveness‑детекторів.

Відеоаналітика

Відео — послідовність кадрів плюс часовий вимір. Наївний підхід — детектувати на кожному кадрі — дорого.

Трекінг: ByteTrack та BoT‑SORT — стандарт для multi‑object tracking. Працюють поверх будь-якого детектора, додають persistent ID об'єктам між кадрами — це дає підрахунок об'єктів, трекі руху, velocity.

Оптимізація: не потрібно обробляти кожен кадр. Для статичних сцен детекція на кожному 5–10 кадрі, між ними — трекер. Для детекції подій (людина увійшла в зону) background subtraction (OpenCV MOG2) як lightweight pre‑filter перед нейромережевою детекцією. Action Recognition: SlowFast, VideoMAE для класифікації дій. Важкі моделі — для production використовуємо ONNX export + TensorRT або офлайн обробку.

Як виміряти якість моделі розпізнавання образів у продакшені?

Моніторинг якості — ключовий елемент MLOps. Відстежуємо:

• розподіл prediction confidence;
• частку low‑confidence передбачень (індикатор OOD‑даних);
• дрейф вхідних зображень через feature distribution (embeddings з backbone).

Падіння середньої confidence з 0.87 до 0.71 за тиждень — ранній сигнал про distribution shift. NVIDIA Triton Inference Server рекомендує відстежувати ці метрики через Prometheus. Наші сертифіковані інженери налаштовують моніторинг і гарантують SLA по якості інференсу.

Деплой CV‑моделей

Для онлайн інференсу використовуємо Triton Inference Server (NVIDIA) — production‑стандарт для serving CV‑моделей. Підтримує TensorRT, ONNX, PyTorch, dynamic batching, multiple instances. REST та gRPC API. Гарантуємо стабільну роботу під навантаженням.

Edge deployment: ONNX Runtime на ARM/x86 CPU. TensorFlow Lite для мобільних пристроїв. OpenVINO для Intel CPU/GPU/VPU — дає 2–3× приріст швидкості на Intel залізі порівняно з ONNX Runtime. Після деплою передаємо модель з документацією та навчаємо персонал.

Що входить в роботу

Терміни та вартість

Прототип детектора на існуючих даних — 1–2 тижні. Production‑система з оптимізацією під цільове залізо — 4–8 тижнів. Повний цикл включаючи розмітку даних (1000–5000 зображень) — 2–4 місяці. Вартість розраховується індивідуально під кожну задачу. Ми на ринку більше 5 років, реалізували 60+ проектів з комп'ютерного зору. Оцінимо ваш проект під ключ — замовте консультацію, щоб отримати розрахунок та технічну пропозицію.