УДК 004.93

Применение систем машинного зрения на основе нейронных сетей в пищевой промышленности

Сатюкова Людмила Павловна – кандидат ветеринарных наук, доцент кафедры Ветеринарно-санитарной экспертизы и биологической безопасности Российского биотехнологического университета.

Шечков Сергей Алексеевич – студент магистратуры Российского биотехнологического университета.

Аннотация: Статья рассматривает применение и перспективы дальнейшего развития систем машинного зрения, использующих машинное обучение на предприятиях пищевой промышленности. Внедрение их в технологические процессы пищевых производств, а также использование нейронных сетей для реализации автоматизированных систем контроля качества, повышения безопасности и увеличения ассортимента выпускаемых пищевых продуктов.

Ключевые слова: пищевая промышленность, автоматизация технологических процессов, машинное зрение, нейронные сети, машинное обучение.

Введение

В настоящее время, в связи с быстрым ростом населения Земли, потребность в продовольствии всё больше возрастает и пищевая промышленность, отвечая на вызов времени, вступила в период своего бурного развития. Потребность общества в разнообразной и качественной продукции увеличивает конкуренцию в данной отрасли. В этих условия остро стоит проблема производства большого ассортимента высококачественных продуктов с длительными сроками хранения без добавок и консервантов. Решение этих проблем тесно связано с глубокой автоматизацией технологических процессов, внедрением на производства новых информационных технологий и робототехники, разработкой необходимых средств анализа и контроля для сложных автоматизированных систем управления, а также с проведением иных организационно-технических мероприятий, способствующих улучшению качества, повышению безопасности и увеличению ассортимента выпускаемых пищевых продуктов.

Сегодня предприятия пищевой промышленности в России работают в условиях жесткой конкуренции, как с местными, так и с зарубежными компаниями. Для обеспечения своего преимущества на рынке, а с ним и роста финансовых показателей, предприятия, находят всё новые способы обеспечить исключительное качество продукции, сократить время и стоимость производства товаров. Возрастают скорости на производственных линиях, а также требования к качеству продукции со стороны дистрибьюторов и потребителей. В таких условиях традиционный подход к контролю технологических процессов при помощи «человеческого глаза» становится малоэффективным. На смену человеческому глазу приходит машинное зрение, которое неустанно в круглосуточном режиме следит за качеством и безопасностью производства.

Применение машинного зрения

Автоматизация технологических процессов позволяет увеличить скорость выпуска продукции, снизить её стоимость и значительно снизить влияние человеческого фактора на качество продукции. Одним из самых сложных и перспективных направлений автоматизации современных производств является машинное зрение. Перед ним стоят задачи по контролю, анализу и последующей оптимизации современных сложных и скоростных производственных процессов.

Сегодня системы машинного зрения активно используются многими заводами и лабораториями, а также крупными предприятиями пищевой промышленности для решения разных сложных задач, к примеру:

• Выявление дефектов упаковки – наличие на упаковке пятен, трещин, царапин, вмятин и т. п.;
• контроль качества продукции – соответствие цвета, формы и других внешних признаков эталонному образцу;
• считывание и проверка маркировки – с помощью технологии оптического распознавания символов системы машинного зрения проверяют дату, код продукта, партию и другую информацию на маркировке;
• обнаружение посторонних включений в продукцию – система, состоящая из специальной камеры и определенным образом настроенного освещения, позволяет обнаружить включения инородных объектов в продукцию;
• проверка качества печати этикеток – в условиях высоких производственных скоростей человеку невозможно надежно выполнить проверку этикетки и произвести оценку качества ее печати, а специальные камеры делают это за доли секунды;
• контроль сборки – к примеру, проверка правильности укупорки бутылок с предохранительным кольцом.

Проверка качества каждой единицы продукции, подсчет количества товаров на ленте, определение их объема и размеров с точностью до нескольких микрон, эти и многие другие задачи сейчас успешно решаются системами машинного зрения и без использования машинного обучения и нейронных сетей.

Такие системы основывается на алгоритмах анализа изображения (контурный анализ, поиск по шаблону (template matching), сопоставление по ключевым точкам (feature detection, description matching), совмещение данных (Data Fusion), после чего проводится необходимая проверка и принятие решения.

Аппаратные компоненты систем машинного зрения – модули освещения, датчики, процессоры, доступны в виде готовых изделий. Системы машинного зрения можно собирать из готовых компонентов или приобретать в составе комплекса, в котором все компоненты объединены в одном устройстве.

К таким устройствам машинного зрения относятся, например, смарт-камеры – интеллектуальные камеры машинного зрения с большим набором программируемых функций, среди которых высокоточная локализация объектов, распознавание текста, считывание штрихкодов и двумерных кодов, геометрические измерения, работа с цветом. Смарт-камеры представляют собой полностью автономные системы машинного зрения, соответствующие промышленным требованиям по точности и скорости обработки изображений.

Однако далеко не все задачи машинного зрения можно решить без использования искусственного интеллекта. Применение технологий машинного обучения позволяет решать гораздо более сложные задачи.

Новые горизонты применения машинного зрения, которые открывают нейронные сети и машинное обучение

Производство постоянно усложняется: появляется необходимость использования интеллектуальных систем управления способных к глубокому анализу и нахождению путей оптимизации производства. Всё более широкое распространение находят роботы, всё больше внедряются они в разнообразные технологические процессы, возникает необходимость решать задачи, которые без применения технологий машинного обучения и нейросетей решить невозможно.

Фермеры начали использовать искусственный интеллект для помощи в выращивании урожая. Нейросеть можно научить отличать полезные культуры от сорняков. «Изучив» несколько миллионов фотографий образцов необходимой культуры, система с помощью камеры может мгновенно определить, что находится перед ней: здоровый побег или сорняк. После точечного применения гербицида на сорняке и последующего анализа эффективности его применения, нейросеть учится понимать, в каких случаях и какое количества вещества действительно необходимо.

Роботизированная система точного полива позволяет решить проблему контроля расхода воды, поскольку она определяет, сколько именно воды необходимо и достаточно каждому конкретному растению.

Машинное зрение с использованием нейросети помогает обнаружить вредителей, а также своевременно отследить и классифицировать заболевания скота. Одно из таких испытаний проводится в городе Леонес (Аргентина), в нём стали использовать дрон со специальной камерой, он способен изучить каждый стебель пшеницы, и после сбора данных программа способна выявить первые признаки заражения намного раньше человека. Похожую технологию внедрили и в норвежских рыбных хозяйствах, там умное машинное зрение стало основным оружием в борьбе с морскими вредителями, от которых производства теряют сотни миллионов долларов.

Уже создана технология, пригодная для прогнозирования расположения костей и суставов для разделки туш животных. Это наиболее актуально при автоматизации производства мяса птицы, где неправильный надрез может привести к повреждению кости и потенциальной порче продукта.

Возросли запросы на автоматические системы видеоаналитики и промышленной безопасности. Задачи, которые должны решать такие системы подразумевают использование нейронных сетей и машинного зрения на их основе. Вот несколько примеров таких задач:

• Комплексная аналитика территории предприятия – контроль периметра предприятия, аналитика и оптимизация логистических и операционных путей, контроль санитарного состояние территории и т. д.;
• Контроль персонала – контроль нахождения персонала в опасной зоне, наличие средств индивидуальной защиты для снижения травматизма персонала и предотвращения контаминации пищевых продуктов, подсчет времени работы персонала, аналитика и оптимизация операционных процессов;
• Предупреждение и фиксация чрезвычайных ситуаций – в случае аварии или нештатной ситуации система интеллектуального видеонаблюдения может предупредить менеджеров и персонал о том, где произошла авария, и о степени ее интенсивности.

Есть и другие сложные задачи – например контроль положения переключателей и органов управления на оборудовании не имеющего цифрового интерфейса, с целью предотвращения нештатной ситуации или нарушения технологического процесса. Использование машинного зрения на базе искусственного интеллекта поднимает стандарты производственной безопасности на новый уровень.

Другая значимая область применения нейросетей – это контроль качества. Технологии искусственного интеллекта позволяют в реальном времени распознавать дефекты на каждой единице продукции, оценивать, общее состояние продукта и в реальном времени сообщать о найденных проблемах. Такая система может работать 24/7, не устаёт и не теряет концентрацию. Нейронная сеть может отслеживать, имеет ли предмет желаемый цвет, длину и ширину, нет ли краев, заполнена ли упаковка до необходимого уровня. Причем эти задачи становятся всё более и более сложными. Применение data science, нейросетей, в данной сфере обладает рядом преимуществ:

Первое – удается достичь гораздо более высоких результатов проверки качества продуктов в большинстве сложных задач, которые не решаются классическими методами. Второе – есть возможность адаптации, при правильной настройке алгоритма обучения можно переносить систему с одной задачи на другую похожую задачу, и использовать при этом одни и тем же инструменты.

Интересные достижения произошли и в области животноводства. Использование нейронных сетей и машинного зрения позволяют организовать индивидуальный подход в обслуживании каждого конкретного животного. Так, например, был разработан неинвазивный метод взвешивания свиней на основе системы машинного зрения, которая оценивает вес животного по фото- и видеоданным с использованием машинного обучения. Это позволяет точно контролировать процесс откорма каждого поросёнка, составить индивидуальную программу откорма и определить индивидуальный состав пищевых добавок, что существенно улучшает общий выход продукции. Компания «GEA Farm Technologies» разработала информационную систему и создала робота для автоматизированного доения коров, а также автоматизированную систему раздачи кормов. Кормление – самый затратный фактор в управлении фермой. Качество, частота раздачи и оптимизация смешанных рационов для каждой группы животных имеют решающее значение для производства.

Заключение

Системы машинного зрения с использованием нейронных сетей обязательно станут мощным инструментом для решения самых сложных задач в руках специалистов. Они позволят экономить ресурсы, помогут повысить качество и безопасность выпускаемой продукции, зададут новые стандарты производственной безопасности, ускорят технологические процессы на всех этапах производства.

На российских предприятиях, производители пока еще в большей степени полагаются на дешевый ручной труд, Но вместе с тем требования рынка к качеству продукции и производительности труда таковы, что применение новых технологий неизбежно, это лишь вопрос времени.

Список литературы

1. Олешко Р.Б., Красноплахтова Л.И. Применение машинного зрения в сельском хозяйстве // Синергия наук. № 12. − С. 840-844. − URL: http://synergy-journal.ru/archive/article0612.
2. Горячкин Б.С., Китов М.А. Компьютерное зрение // E-Scio. №9 (48). URL: https://cyberleninka.ru/article/n/kompyuternoe-zrenie-1.
3. Печерский, Д. К. Использование методов компьютерного зрения для улучшения качества продукции пищевых предприятий / Д. К. Печерский, Н. А. Забенкова. – Текст: непосредственный // Молодой ученый. – 2021. – № 6 (348). – С. 27-29. – URL: https://moluch.ru/archive/348/78414.
4. Линдигрин Александр Николаевич Искусственные нейронные сети как основа глубинного обучения // Известия ТулГУ. Технические науки. 2019. №12. URL: https://cyberleninka.ru/article/n/iskusstvennye-neyronnye-seti-kak-osnova-glubinnogo-obucheniya.
5. Екатерина Царева «Машинное зрение для контроля качества выпускаемой продукции» Опубликовано во втором выпуске 2019 года в журнале «Тара и упаковка».
6. Плаксин И.Е., Плаксин С.И., Трифанов А.В. Применение систем управления на животноводческих предприятиях // АгроЭкоИнженерия. № 3 (112). С.109-121.
7. Компьютерное зрение: технологии, рынок, перспективы", отчет TAdviser, 2018.