В современном производстве и переработке пищевых продуктов интеграция автоматизированных производственных линий значительно повышает эффективность и обеспечивает стабильность и постоянство качества пищевых продуктов. Применение технологии искусственного интеллекта способствовало развитию этих производственных линий в направлении автоматизации и интеллектуального анализа, так что фабрика может осуществлять интеллектуальное управление и предоставлять предприятиям возможность контролировать затраты, оптимизировать ресурсы и быстро реагировать на требования рынка.
Применение искусственного интеллекта для автоматизации определения безопасности пищевых продуктов
Искусственный интеллект постепенно становится ключевой технологией в автоматизированном процессе контроля качества в области инспекции пищевых продуктов для обеспечения безопасности и качества пищевых продуктов. Основой технологии искусственного интеллекта является моделирование процессов обучения и когнитивных функций человека. С помощью технологий ML и DL анализируется большое количество наборов данных из различных источников, а также строится и обучается модель для определения правила учета специфических особенностей пищевого сырья и выявления отклонений от стандартов качества, что позволяет достичь эффективного и точного определения пищевого сырья. Сообщается, что ЕС внедрил байесовские сетевые модели для прогнозирования продовольственного мошенничества. В дополнение к этому, с 2019 года Управление по контролю за продуктами и лекарствами США (FDA) также работает над разработкой инструмента скрининга на основе ML для выявления поставок морепродуктов с высоким и низким уровнем риска.
DL часто хорошо справляется с обработкой больших объемов и сложных данных и находит важное применение в области компьютерного зрения. В контексте инспекции безопасности пищевых продуктов и классификации качества качество продукции может оцениваться автоматически, точно и эффективно. Например, с помощью DL-моделей можно идентифицировать данные изображения пищевого сырья, определить визуальные особенности, такие как цвет, форма и текстура продукта, или определить его химический состав с помощью спектрального анализа. Технология NLP также позволяет анализировать отчеты о проверках и исторические данные для прогнозирования потенциальных проблем с качеством. Применение этих технологий делает процесс тестирования пищевого сырья более интеллектуальным и автоматизированным.
В связи с постоянным повышением спроса людей на информацию о качестве пищевых продуктов, получаемую в режиме реального времени, неразрушающий контроль постепенно вытеснил традиционные методы искусственного сенсорного обнаружения и химического анализа. Традиционные методы искусственного сенсорного обнаружения и химического анализа часто запаздывают и разрушительны, что приводит к определенным потерям человеческих, материальных и финансовых ресурсов.
Появление неразрушающего контроля имеет удовлетворительный потенциал применения в цепочке поставок продуктов питания. Сочетание технологии гиперспектральной визуализации и технологии DL может значительно улучшить количественный анализ пищевых ингредиентов. Гиперспектральные изображения могут предоставить более богатую спектральную информацию, чем традиционные RGB-изображения, так что модели DL могут извлекать сложные характеристики компонентов для неразрушающего контроля химического состава и идентификации остатков пестицидов в пищевых продуктах. Эта технология не только повышает точность обнаружения, но и снижает затраты на обнаружение и отвечает потребностям современного мониторинга безопасности пищевых продуктов.
Управляемые искусственным интеллектом системы компьютерного зрения, которые позволяют проводить автоматизированные проверки безопасности и контроля качества, являются одним из способов заменить традиционный ручной сенсорный контроль и химический анализ неразрушающим контролем. Они могут анализировать изображения продуктов питания или видеоданные для выявления дефектов, загрязнений или несоответствий, а также осуществлять мониторинг физических свойств пищевого сырья в режиме реального времени. Автоматическое выявление и устранение несоответствующих материалов.
Классификация фруктов по качеству является ключевым стандартом для предприятий, стремящихся расширить рынок сбыта, а автоматическая сортировка фруктов после сбора урожая стала ключевой задачей для контроля качества. Сообщается, что CNN широко используется для классификации изображений пищевых продуктов и выявления дефектов. Обрабатывая большое количество маркированных данных, CNN может изучать и идентифицировать особенности поверхности пищевых продуктов, а также автоматически выявлять дефекты на поверхности фруктов с помощью алгоритмов, таких как дефекты внешнего вида, такие как деформированные фрукты, пятна, трещины на фруктах, обесцвечивание или повреждение поверхности.
При обнаружении яблок, бананов и других фруктов алгоритмы искусственного интеллекта могут точно идентифицировать и автоматически отсеивать некачественные продукты на производственной линии, осуществлять сортировку и сортировочный контроль для улучшения качества фруктов и значительно повышать эффективность и точность процесса обнаружения. Нитья и др. (2022) использовали CNN для автоматического обнаружения и оценки дефектов внешнего вида, таких как пятна, обесцвечивание или повреждения поверхности манго, с точностью до 98%. Использование алгоритмов CVS и ML на основе искусственного интеллекта позволяет завершить классификацию фруктов и овощей, гарантируя, что высококачественные фрукты и овощи будут поставляться на рынок или использоваться для переработки сырья.
Сообщается, что точность CVS при классификации испорченного инжира может достигать 99,5%. Являясь одним из важных показателей для оценки свежести и зрелости фруктов и овощей, компьютерное зрение также может определять зрелость продуктов питания, анализируя распределение цветов на изображении. Например, при оценке степени созревания помидоров система искусственного интеллекта может динамически корректировать время сбора урожая на основе изменения цвета, чтобы обеспечить оптимальное время сбора, тем самым повышая рыночную стоимость продукта.
Был предложен метод, который объединяет значения цвета признаков с методом классификации нейронной сети обратного распространения (BPNN) для определения степени зрелости (зеленый, оранжевый и красный) свежих томатов. Кроме того, на этапе проверки и тестирования продуктов были внедрены специализированные роботы в сочетании с несколькими камерами, которые в сочетании с алгоритмами глубокого обучения могут проверять этикетки различных продуктов и их качество, обеспечивая недорогой и высокопроизводительный мониторинг различных качеств продуктов в режиме реального времени. Кроме того, системы искусственного интеллекта могут постоянно обучаться и адаптироваться к новым данным, постоянно оптимизируя алгоритмы обнаружения для повышения точности и эффективности. Такая автоматизация не только снижает необходимость в ручном тестировании, сокращает затраты, но и увеличивает скорость тестирования, гарантируя соответствие пищевого сырья стандартам безопасности и качества перед началом производственного процесса.
Применение искусственного интеллекта в автоматизированном производстве и переработке пищевых продуктов
Интеграция технологии искусственного интеллекта в автоматизированные производственные линии во время обработки и производства позволяет линиям по переработке пищевых продуктов достичь более высокого уровня автономности, что знаменует собой значительный сдвиг в сторону интеллектуальности и точности в пищевой промышленности. В настоящее время интеллектуальные роботы, несомненно, являются ключевым элементом производственных линий по переработке пищевых продуктов. Эти роботы обладают исключительными возможностями и высокой точностью при выполнении таких задач, как сортировка и резка. Например, при переработке фруктов ягоды подвергаются современным интеллектуальным технологиям и методам обнаружения, которые включают различные устройства обнаружения во время процессов сортировки, сушки, дезинфекции и обеззараживания, а также замораживания, и используют искусственный интеллект для обработки данных, поступающих от устройств обнаружения, с последующей классификацией или прогнозированием с помощью регрессионного моделирования.
В индустрии производства морепродуктов было продемонстрировано, что после сканирования рыбного филе компьютерные алгоритмы определяют наилучший способ обрезки, а затем гидроабразивные ножи (приводимые в действие направленными струями воды под высоким давлением) автоматически снимают ненужную рыбью кожу с филе.
Автоматизация и интеллектуальные технологии в мясопереработке широко используются при первичной переработке, а системы оборудования для резки мяса, сочетающие машинное зрение и компьютерные технологии, способны выполнять 700 разрезов в минуту с точностью до ±5%. Была описана транспортировка свиней или птицы с ферм на скотобойни для окончательного охлаждения, где процесс убоя в значительной степени автоматизирован, и обсудили несколько систем для переработки мяса, в которых используются технологии визуального контроля, такие как разделение говяжьих туш.
Роботы с искусственным интеллектом не только способны выполнять множество утомительных и повторяющихся задач, таких как сборка продуктов питания, упаковка и укладка на поддоны, но и способны работать в суровых условиях, обеспечивая непрерывность и стабильность производственного процесса. Помимо интеллектуальной автоматизации производственных операций, анализ и прогнозирование данных с помощью ИИ в процессе производства и обработки напрямую повлияет на эффективность производства, использование ресурсов и качество продукции.
Роль ИИ в автоматизированном анализе и прогнозировании производственных данных
В процессе производства и переработки пищевых продуктов на основе датчиков, баз данных и других данных генерируется большой объем данных, связанных с закупкой сырья, производственными операциями, тестированием качества продукции и другими ключевыми производственными связями. Благодаря созданию системы сбора данных, интеграции данных и их очистке можно эффективно анализировать данные для получения характеристик, тенденций, распределения и других взаимосвязей, которые непосредственно влияют на эффективность производства, использование ресурсов и качество продукции. Применение технологии искусственного интеллекта делает анализ и прогнозирование производственных данных более эффективными и точными. Предприятия могут более точно планировать производство, прогнозировать спрос и управлять качеством, тем самым получая конкурентное преимущество в условиях жесткой рыночной конъюнктуры.
Мониторинг и анализ производственных данных в режиме реального времени
Производство продуктов питания — сложный и неопределенный процесс, колебания объемов производства и случайность рыночного спроса, изменчивость сырья и ингредиентов приведут к разнице между запланированным объемом производства и фактическим объемом производства. В то же время экологические и гигиенические условия на предприятиях пищевой промышленности могут оказывать решающее влияние на качество и безопасность пищевых продуктов, оказывая давление на компании с точки зрения экономических издержек и воздействия на окружающую среду.
Распространенные алгоритмы машинного обучения, такие как деревья решений, случайные леса и методы опорных векторов, часто демонстрируют уникальные преимущества при работе с большими и сложными наборами данных. Например, модели ML могут прогнозировать производственные потребности на ближайшие недели на основе исторических данных о продажах и производстве для оптимизации производственных планов. DL, особенно RNN и сети с долговременной кратковременной памятью (LSTM), превосходно справляются с обработкой временных рядов данных. Они могут фиксировать временные зависимости в производственных данных, что делает их пригодными для прогнозирования спроса и оповещения об отказах оборудования.
Например, LSTMS может анализировать исторические данные о работе производственных линий, прогнозировать отказы оборудования, проводить профилактическое техническое обслуживание и сокращать время простоя. Был представлен инструмент, помогающий визуализировать и выявлять тенденции в системах тестирования антенн. Инструмент фокусируется на способности прогнозировать отказы по истечении срока службы (EOL) путем изучения данных, полученных в ходе тестов, позволяя пользователям просматривать графики, показывающие прогрессию данных, и прогнозировать будущие данные с помощью моделей искусственного интеллекта.
Отслеживая и анализируя различные данные в процессе производства в режиме реального времени, модели искусственного интеллекта могут выявлять показатели, которые отклоняются от нормы, и предупреждать о потенциальных угрозах безопасности. Такой прогноз качества может помочь компаниям своевременно корректировать производственные параметры для обеспечения стабильности качества продукции.
При производстве молочных продуктов современные интеллектуальные системы обнаружения часто используют алгоритмы ML для анализа ключевых параметров, таких как температура, pH и общее количество бактерий. Как только эти параметры выйдут за пределы заданного диапазона, система автоматически уведомит операторов и незамедлительно примет соответствующие корректирующие меры. Своевременная информация о качестве партии может снизить затраты, связанные с отзывом, упаковкой и транспортировкой, не только предотвращая попадание на рынок продукции, не соответствующей требованиям, но и эффективно сокращая производственные потери и повышая эффективность производства. Например, анализируя данные об окружающей среде, такие как температура и влажность, в сочетании с показателями качества, модели ML могут отслеживать качество продукции в режиме реального времени и предупреждать о возможных проблемах.
Применение моделей прогнозирования при планировании спроса и управлении запасами
Традиционные подходы к прогнозированию спроса на продовольствие основаны в основном на исторических данных о продажах, сезонных тенденциях и ряде качественных факторов, таких как рыночная активность, экономические условия и предпочтения потребителей. Однако эти подходы имеют ограничения, такие как ограниченная зависимость от данных, или могут не в полной мере учитывать сложные и изменчивые факторы, влияющие на спрос. Например, отсутствие возможностей анализа данных в режиме реального времени, что ограничивает быстрое реагирование на изменения рынка, избыток или нехватку запасов, которые могут быть вызваны низкой точностью прогнозирования, а также сложностью обработки больших объемов данных и сложных моделей в масштабе. Поэтому, чтобы повысить точность и оперативность прогнозирования, многие пищевые компании начали обращаться к передовым технологиям анализа данных, таким как ML и DL, для преодоления этих ограничений.
В последние годы развитие технологий искусственного интеллекта, таких как DL, привлекло многих исследователей к прогнозированию спроса. Технологии прогнозирования спроса на основе искусственного интеллекта позволяют выявлять и анализировать сложные взаимосвязи и закономерности в больших массивах данных, таких как исторические данные о продажах, рыночные тенденции, погодные условия, настроения в социальных сетях и активность конкурентов.
Эта технология способна преодолеть трудности, с которыми сталкиваются традиционные подходы при объяснении и учете многочисленных факторов, влияющих на поведение потребителей. Например, в молочной промышленности, применили алгоритм K-ближайших соседей (K-NN), используя данные с близлежащих ферм для дополнения данных целевой фермы, чтобы улучшить интерпретируемость результатов и увеличить вероятность увеличения производства молока и рентабельности разработали многоэтапную модель, которая объединила многослойный персептрон (MLP), адаптивную систему нейро-нечеткого вывода (ANFIS) и регрессию с опорными векторами (SVR) для достижения точного прогнозирования спроса на молочные продукты. Специалисты пришли к выводу, что поведение населения и инфляция оказывают наиболее существенное влияние на потребление молочных продуктов в Иране.
В пищевой промышленности подчеркнули необходимость использования возможностей ML для эффективной обработки и оценки больших массивов данных, чтобы помочь пищевым компаниям адаптироваться к изменениям рынка и более эффективно управлять цепочкой поставок. В частности, они использовали алгоритмы метода опорных векторов (SVM) и LSTM для улучшения возможностей прогнозирования спроса крупной дистрибьюторской компании в Саудовской Аравии.
В области управления запасами основными проблемами, как правило, являются избыточные запасы и риск их возникновения. Избыточные запасы потребуют значительных средств и увеличат риски порчи продукции и отходов. Такие проблемы часто возникают у скоропортящихся молочных продуктов. В то же время, возникновение проблем с нехваткой продуктов окажет негативное влияние на удовлетворенность потребителей и снизит конкурентоспособность компании на рынке. На эти проблемы также влияют такие факторы, как ограниченный срок хранения, ограниченное время транспортировки и высокая частота транспортировки, что приводит к увеличению эксплуатационных и транспортных расходов.
Для решения проблем, связанных с управлением запасами скоропортящихся продуктов, исследователи разработали различные методы. Например, было предложено две стратегии планирования запасов, а именно «Первым поступающим» и «Последним поступающим», для оптимизации цен на продукцию и размера партии, что позволяет максимизировать прибыль на фоне скоропортящихся продуктов. Их подход направлен на максимизацию прибыли. Они считают, что спрос должен определяться ценой и свежестью, и при таких обстоятельствах допускаются перебои с поставками.
Была разработана модель производственных запасов в рамках классической экономической концепции объема производства, ориентируясь на учет изменений потребительского спроса в периоды отсутствия запасов с учетом ухудшения качества продукции с течением времени. Модель использует кусочно-постоянную функцию для аппроксимации изменений в запасах в период их отсутствия и продемонстрировала точность этого приближения на практике.
Сегодня с появлением искусственного интеллекта появились новые решения для управления запасами. Например, на основе тематических исследований выяснилось, что искусственный интеллект уже успешно сокращает количество отходов, оптимизирует запасы и повышает удовлетворенность клиентов. Интегрируя искусственный интеллект в системы управления запасами, компании могут повысить эффективность и точность процесса принятия решений обнаружилось, что наибольшие потери в цепочке поставок происходят при управлении запасами из-за неточного прогнозирования спроса. Чтобы решить эту проблему, была разработана модель обратного распространения, основанную на многослойной нейронной сети с прямой связью, которая может точно прогнозировать спрос и решать дорогостоящие проблемы с запасами, вызванные несоответствием спроса и предложения. Были описаны методы ML, которые могут быть использованы для динамического управления запасами, и предложили основанный на нейронной сети алгоритм определения количества для прогнозирования спроса.