После охлаждения куриные тушки поступают на сортировочную линию, где требуется выявить различные повреждения: синяки, порезы, сломанные конечности и другие дефекты. Ранее эта задача решалась вручную, с участием операторов. Такой подход имел существенные недостатки:

• Высокая трудоёмкость — для обеспечения бесперебойного контроля на линии требовалось большое количество сотрудников;
• Риск ошибок — человеческий фактор неизбежно приводил к пропускам дефектов, снижая общее качество и подрывая доверие потребителей;
• Ограничение по скорости — ручная сортировка замедляла производственный процесс;
• Сложность масштабирования — увеличение объёмов производства требовало бы пропорционального роста штата сотрудников.

ML Sense — ИИ-платформа для контроля качества продукции на производствах конвейерного типа. На основе компьютерного зрения она распознаёт дефекты и может быть интегрирована с отбраковщиком.

Подбор и монтаж оборудования

Были выбраны промышленные камеры с разрешением до 16 384 пикселей и частотой захвата до 200 кГц, способные фиксировать мельчайшие дефекты в условиях конвейерной линии.

Установлены специальные осветительные модули, обеспечивающие равномерное освещение тушки без теней и бликов — критично для стабильной работы системы компьютерного зрения.

Камеры установлены по обе стороны конвейера: одна — для съёмки грудной части тушки, другая — для спинной. Это обеспечивает максимальный охват объекта анализа.

Вся конструкция выполнена с учётом требований пищевого производства: нержавеющая сталь, устойчивость к коррозии, удобство мойки и безопасность для работы в санитарной среде.

Сбор и разметка датасета

За короткий срок собрано и обработано 5000 изображений тушек, проходящих по линии.

Все изображения вручную размечены: специалисты отметили гематомы (от 300 мм²), порезы (от 10 мм), обломанные конечности и иные повреждения.

Каждое изображение использовалось для формирования обучающей выборки — нейросеть обучалась не только типам, но и размерам дефектов, что позволило повысить точность классификации.

Обучение нейросети и отработка логики

Сформированная обучающая выборка была использована для настройки сверточных нейросетей, адаптированных под задачу визуального контроля куриных тушек.

Использовались модели серии YOLO (v5, v8, v10), что позволило добиться высокой скорости обработки изображений в реальном времени.

Модель была интегрирована в производственную инфраструктуру и оптимизирована под пропускную способность линии.

Синхронизация с системой отбраковки

Камеры передают изображения в систему. Когда система машинного зрения фиксирует дефект (например, порез или гематому), она сразу передает информацию на контроллер. Контроллер, в свою очередь, активирует отбраковщик, который автоматически снимает бракованную тушку с конвейера, предотвращая её попадание в дальнейшую переработку или упаковку.

При установке системы ML Sense не нужно было останавливать конвейер или менять существующее оборудование. Система была добавлена к уже работающему оборудованию, что помогло избежать дополнительных затрат на модернизацию и простои.

После успешных испытаний и подтверждения надежности работы мы передали систему в эксплуатацию. Для персонала завода провели обучение, чтобы они могли эффективно использовать новое оборудование. Благодаря интуитивно понятному интерфейсу сотрудники быстро освоили систему и теперь уверенно управляют процессом контроля качества.