Автоматический контроль качества мясных полуфабрикатов с помощью машинного зрения

Ранее контроль качества на производственной линии выполнялся вручную. Операторы визуально проверяли продукцию на движущемся конвейере и выявляли дефекты: нарушения формы, повреждения поверхности, посторонние включения и другие отклонения.

На линии выпускаются различные виды мясных полуфабрикатов, которые отличаются по форме, размеру и структуре поверхности.

Производительность конвейерной линии — от 300 до 900 изделий в минуту в зависимости от типа продукции.

В таких условиях даже самый внимательный оператор не мог гарантировать стопроцентное качество. В результате часть брака попадала в упаковку и дальше — к клиенту.

Перед нами стояла задача автоматизировать контроль качества полуфабрикатов (18 видов) и снизить зависимость от человеческого фактора.

Требовалось:

• выявлять дефекты в режиме реального времени;
• автоматически удалять дефектную продукцию с линии;
• сократить нагрузку на операторов;
• стабилизировать качество выпускаемой продукции;
• снизить количество рекламаций и производственных потерь.

ML Sense — ИИ-платформа для контроля качества продукции на производствах конвейерного типа. Российская разработка. Входит в реестр отечественного ПО.

Оборудование полностью соответствует требованиям пищевого производства: камеры и освещение смонтированы в корпусах из нержавеющей стали, легко обслуживаются и безопасны для работы в пищевом цехе.

Система интегрирована с конвейером: если алгоритм выявляет дефект, через контроллеры подаётся управляющий сигнал на отбраковщик, и котлета автоматически сбрасывается.

Как работает:

1. Камера фиксирует каждый полуфабрикат на движущейся ленте.
2. Алгоритмы машинного зрения анализируют изображение.
3. При обнаружении дефекта подаётся сигнал на отбраковщик.
4. Дефектный полуфабрикат автоматически удаляется с линии.

Для запуска системы был собран обучающий датасет по нескольким категориям продукции, различающимся по форме, размеру и структуре поверхности. В выборку вошли изображения изделий с различными типами дефектов, характерных для реального производства.

Чтобы сократить сроки внедрения и обучения модели, продукцию сгруппировали по визуально схожим признакам. Такой подход позволил уменьшить количество отдельных сценариев обучения и быстрее адаптировать систему под производственную линию.

Алгоритмы обучались распознавать дефекты не только на конкретном типе изделия, но и на схожих категориях продукции. Например, если модель выявляет повреждение на одном типе полуфабриката, она способна обнаруживать аналогичный дефект и на продукции с похожей геометрией, учитывая различия в размере и масштабе изображения.

Система позволяет гибко настраивать правила контроля качества под требования конкретного производства и типа продукции. Для разных категорий дефектов можно задавать уровень критичности и отдельно определять логику автоматической отбраковки.

Например, оператор может отключить реакцию системы на отдельные некритичные отклонения или задать минимальный порог чувствительности. Это помогает избежать избыточной отбраковки и адаптировать контроль качества под реальные производственные требования.

Оператор получает доступ ко всем событиям системы через интерфейс мониторинга. Каждое обнаружение дефекта фиксируется в журнале вместе с визуальными материалами и параметрами срабатывания.

Система поддерживает фильтрацию и анализ событий по различным параметрам: времени, типу отклонения, производственной линии и категории продукции. Это помогает специалистам анализировать причины возникновения брака, выявлять повторяющиеся проблемы и отслеживать стабильность производственного процесса.