AI-система для харчової промисловості
Харчова промисловість стикається з унікальними вимогами: жорсткий контроль якості, простежуваність, управління сировиною, що швидко псується, і мінімізація втрат. AI оптимізує кожен етап – від рецептури до логістики готової продукції.
Контроль якості сировини та продукції
Computer Vision на лінії:
Камери над конвеєром + ML у реальному часі:
from ultralytics import YOLO
import cv2
import numpy as np
class FoodQualityInspector:
"""Инспекция качества пищевой продукции на конвейере"""
# Дефекты для обнаружения (зависит от продукта)
DEFECT_CLASSES = {
'fruit': ['bruise', 'mold', 'cut', 'discoloration', 'underripe', 'overripe'],
'bread': ['burn', 'crack', 'deformation', 'foreign_object'],
'meat': ['fat_excess', 'blood_spot', 'bone_fragment', 'discoloration']
}
def __init__(self, product_type='fruit', model_path=None):
self.product_type = product_type
self.model = YOLO(model_path or f'{product_type}_quality_yolov8m.pt')
self.pass_threshold = 0.85 # минимальная уверенность для «годно»
self.fps_counter = 0
self.defect_stats = {}
def inspect_frame(self, frame):
"""Инспекция кадра с конвейера"""
results = self.model(frame, conf=0.4, iou=0.5)
defects_found = []
for r in results:
for box in r.boxes:
class_name = self.model.names[int(box.cls)]
confidence = float(box.conf)
if class_name != 'good':
defects_found.append({
'defect': class_name,
'confidence': confidence,
'bbox': box.xyxy[0].tolist()
})
self.defect_stats[class_name] = self.defect_stats.get(class_name, 0) + 1
is_good = len(defects_found) == 0
return {
'pass': is_good,
'defects': defects_found,
'action': 'conveyor' if is_good else 'reject_bin'
}
def get_quality_report(self, total_inspected):
"""Отчёт по качеству за смену"""
total_defects = sum(self.defect_stats.values())
return {
'total_inspected': total_inspected,
'defect_rate': total_defects / max(total_inspected, 1),
'defect_breakdown': self.defect_stats,
'pareto': sorted(self.defect_stats.items(), key=lambda x: -x[1])[:5]
}
NIR спектроскопія для складу:
Неруйнівний аналіз вмісту білка, жиру, вологи за секунди: - On-line NIR-аналізатори (Bruker, Foss) на конвеєрі - PLS-R моделі, відкалібровані на продукті → точність ±0.1–0.3% за основними показниками - Сортування на сорти/категорії в реальному
Оптимізація рецептур та виробництва
Cost Optimization при дотриманні складу:
Заміна інгредієнтів без погіршення якості - хліб з пшениці кількох постачальників з різною силою борошна: - LP/QP оптимізація суміші: мінімізувати вартість при дотриманні: білок ≥12%, вологість ≤14%, ІДК у нормі - Перерахунок за зміни цін постачальників - автоматично
Управління параметрами процесу:
SCADA + ML для оптимізації виробничих параметрів: - Хлібопечення: температура та час випічки → колір кірки, вологість м'якушів - Пастеризація: температура × час = логарифм інактивації патогенів - ML-сурогат процесу: швидко пророкує якість при зміні параметрів
Планування виробництва та запасів
Прогноз попиту:
Харчові виробники працюють з коротким горизонтом планування: - FMCG виробництво: прогноз продажів по SKU для наступного тижня - Промислові замовлення: прогноз портфелю клієнтів - Сезонність + промо: облік акцій ретейлерів завчасно
Термін придатності та управління FEFO:
- Кожна партія при виробництві → встановити дату закінчення терміну - FEFO у складському обліку: відвантажувати в порядку закінчення терміну - Прогноз прострочення: партії, які, ймовірно, не будуть реалізовані вчасно → спецпропозиція ретейлеру
Простежуваність (Traceability)
Farm-to-fork цифровий слід:
- ЕДО + штрих-коди/DataMatrix: кожна партія → однозначна ідентифікація сировини та процесу - Національна система маркування (ЧЕСТНИЙ ЗНАК): інтеграція через API для молочної, м'ясної продукції - Recall simulation: за скільки хвилин можна локалізувати та відкликати проблемну партію?
Термін розробки: 4-8 місяців для харчової AI-платформи з CV-контролем якості, оптимізацією рецептур та простежуваністю.