AI-система для пищевой промышленности

AI-система для пищевой промышленности

Пищевая промышленность сталкивается с уникальными требованиями: жёсткий контроль качества, прослеживаемость, управление скоропортящимся сырьём и минимизация потерь. AI оптимизирует каждый этап — от рецептуры до логистики готовой продукции.

Контроль качества сырья и продукции

Computer Vision на линии:

Камеры над конвейером + ML в реальном времени:

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 спектроскопия для состава:

Неразрушающий анализ содержания белка, жира, влаги за секунды:

• On-line NIR-анализаторы (Bruker, Foss) на конвейере
• PLS-R модели, откалиброванные на продукте → точность ±0.1–0.3% по основным показателям
• Сортировка на сорта/категории в реальном времени

Оптимизация рецептур и производства

Cost Optimization при соблюдении состава:

Замена ингредиентов без ухудшения качества — хлеб из пшеницы нескольких поставщиков с разной силой муки:

• LP/QP оптимизация смеси: минимизировать стоимость при соблюдении: белок ≥12%, влажность ≤14%, ИДК в норме
• Пересчёт при изменении цен поставщиков — автоматически

Управление параметрами процесса:

SCADA + ML для оптимизации производственных параметров:

• Хлебопечение: температура и время выпечки → цвет корки, влажность мякиша
• Пастеризация: температура × время = логарифм инактивации патогенов
• ML-суррогат процесса: быстро предсказывает качество при изменении параметров

Планирование производства и запасов

Прогноз спроса:

Пищевые производители работают с коротким горизонтом планирования:

• FMCG производство: прогноз продаж по SKU для следующей недели
• Промышленные заказы: прогноз по портфелю клиентов
• Сезонность + промо: учёт акций ретейлеров заблаговременно

Срок годности и управление FEFO:

• Каждая партия при производстве → установить дату истечения срока
• FEFO в складском учёте: отгружать в порядке истечения срока
• Прогноз просрочки: партии, которые вероятно не будут реализованы вовремя → спецпредложение ретейлеру

Прослеживаемость (Traceability)

Farm-to-fork цифровой след:

• ЭДО + штрих-коды/DataMatrix: каждая партия → однозначная идентификация сырья и процесса
• Национальная система маркировки (ЧЕСТНЫЙ ЗНАК): интеграция через API для молочной, мясной продукции
• Recall simulation: за сколько минут можно локализовать и отозвать проблемную партию?

Срок разработки: 4–8 месяцев для пищевой AI-платформы с CV-контролем качества, оптимизацией рецептур и прослеживаемостью.