Tradycyjne metody kontroli jakości są często czasochłonne i podatne na błędy ludzkie, co prowadzi do nieefektywności i zwiększonych kosztów. W tym artykule przedstawiamy hipotetyczne studium przypadku ilustrujące, w jaki sposób zaawansowany system wykrywania obrazu może zrewolucjonizować kontrolę jakości w przemyśle spożywczym, na przykładzie dużej firmy zajmującej się przetwórstwem owoców i warzyw.
Opis problemu i cel projektu
Firma specjalizuje się w produkcji dżemów, soków, warzyw w puszkach i mrożonek. Codziennie przetwarza tysiące ton surowców na swoich rozległych liniach produkcyjnych. Głównym wyzwaniem dla firmy jest utrzymanie wysokiej jakości produktów, minimalizacja odpadów i szybka identyfikacja wad produkcyjnych, takich jak zanieczyszczenia, uszkodzenia mechaniczne owoców i warzyw oraz niezgodność z normami jakości. Tradycyjne metody kontroli jakości okazały się niewystarczające, co skłoniło firmę do wdrożenia zautomatyzowanego systemu wykrywania obrazów opartego na sztucznej inteligencji.
Celem projektu było opracowanie i wdrożenie zaawansowanego systemu sztucznej inteligencji, który automatycznie kontrolowałby produkty spożywcze na linii produkcyjnej, identyfikując wady i uszkodzenia. System miał na celu zwiększenie wydajności kontroli jakości poprzez automatyzację procesu, zmniejszenie strat produkcyjnych dzięki szybkiemu wykrywaniu wad oraz poprawę ogólnej jakości produktów dostarczanych na rynek, prowadząc do większej satysfakcji klientów.
Przygotowanie danych
Trzy miesiące przed rozpoczęciem projektu firma zainstalowała kamery na kluczowych etapach linii produkcyjnej. Kamery zostały zainstalowane przy wlocie surowców, na liniach sortowniczych i przy maszynach pakujących. Te strategiczne lokalizacje pozwoliły na monitorowanie jakości surowców i produktów na różnych etapach produkcji. Kamery rejestrowały obrazy surowców, takich jak jabłka, pomidory, papryka, marchew i ziemniaki, które były następnie analizowane pod kątem wad i uszkodzeń.
W ciągu trzech miesięcy firma zebrała około 500 000 rekordów obrazów, przy czym codziennie przybywało około 5 000 nowych obrazów. Dane te były przechowywane na lokalnych serwerach i w chmurze, zapewniając łatwy dostęp do dużych zbiorów danych. Każdy rekord zawierał znacznik czasu, lokalizację na linii produkcyjnej, typ produktu i opis wady, jeśli została wykryta. Podczas gromadzenia danych niektóre metody i lokalizacje kamer zostały zmodyfikowane w celu poprawy jakości zebranych danych. Brakujące dane zostały uzupełnione przez dodatkowe sesje zdjęciowe i ulepszenia konfiguracji kamer.
Wybór modelu i szkolenie
Do implementacji systemu wykorzystano zaawansowane technologie i narzędzia sztucznej inteligencji, takie jak Pytorch i OpenCV. Konwolucyjne sieci neuronowe (CNN) zostały wybrane ze względu na ich skuteczność w zadaniach analizy obrazu, dzięki ich zdolności do automatycznego wykrywania cech i wzorców. Wykorzystano również uczenie transferowe, wykorzystując wstępnie wytrenowany model YOLO, który został dostosowany do specyficznych danych przemysłu spożywczego.
Dane obrazu zostały wstępnie przetworzone przy użyciu OpenCV, w tym korekcji kolorów, normalizacji oświetlenia i usuwania szumów. Rozszerzenie danych, takie jak obrót, skalowanie oraz zmiany jasności i kontrastu, zostało zastosowane w celu zwiększenia zbioru danych szkoleniowych i poprawy uogólnienia modelu. Modele CNN zostały wytrenowane na dużych zbiorach danych obrazów, obejmujących różne klasy surowców i różne rodzaje defektów. Proces uczenia został przyspieszony przy użyciu procesorów graficznych z technologią NVIDIA CUDA, umożliwiając wydajne przetwarzanie dużych zbiorów danych.
Wdrożenie i integracja
Model wykrywania obrazów został wdrożony na serwerach AWS z obsługą GPU, aby zapewnić szybkie przetwarzanie danych obrazu. Do skalowania i zapewnienia wydajności systemu wykorzystano serwery AWS EC2 z instancjami p3.2xlarge. Interfejs API RESTful został utworzony przy użyciu Flask, umożliwiając komunikację między systemem wykrywania obrazów a linią produkcyjną. API obsługiwało żądania HTTP POST do wysyłania obrazów i odbierania wyników analizy.
Interfejs API został zintegrowany z istniejącym systemem produkcyjnym firmy, umożliwiając automatyczne przesyłanie obrazu z kamer do systemu wykrywania obrazu. System produkcyjny wysyłał obrazy do API w czasie rzeczywistym, a wyniki analizy były zwracane do systemu produkcyjnego w celu podjęcia odpowiednich działań, takich jak usunięcie wadliwych produktów z linii.
Narzędzia do monitorowania i zarządzania, takie jak Amazon CloudWatch, zostały wdrożone w celu zapewnienia ciągłej dostępności i wydajności systemu.
Osiągnięte wyniki
System osiągnął dokładność 80% w wykrywaniu wad surowców, co przyniosło producentowi znaczące korzyści biznesowe. Wdrożenie zmniejszyło ilość odpadów produkcyjnych o 20%, co odpowiada 10 tonom mniej odpadów miesięcznie.
Wydajność kontroli jakości surowców wzrosła o 50%, prowadząc do szybszych i dokładniejszych inspekcji. Zakładając, że koszt pracy związanej z kontrolą jakości surowców wynosi 50 000 PLN miesięcznie, oszczędności wynikające ze zwiększonej wydajności wyniosły 25 000 PLN miesięcznie.
Koszty i zasoby
W projekt zaangażowanych było trzech analityków danych i kierownik projektu pracujący w niepełnym wymiarze godzin. Projekt trwał 4 miesiące i obejmował przygotowanie danych, szkolenie w zakresie modeli i wdrożenie systemu.
Serwery AWS zostały wykorzystane do szkolenia modeli i wdrożenia systemu wykrywania obrazów. Trening modelu na instancjach EC2 p3.2xlarge kosztował 10 600 PLN za 900 godzin pracy. Wdrożenie i operacje na instancjach EC2 t3.large kosztowały 900 PLN za 4 miesiące pracy. Przechowywanie danych na Amazon S3 kosztowało 700 PLN za 2 TB danych w ciągu 4 miesięcy, a wykorzystanie Amazon RDS do przechowywania bazy danych kosztowało 1 100 PLN.
Całkowity koszt projektu wyniósł 513 300 PLN.
Monitorowanie i optymalizacja
System był monitorowany pod kątem dostępności i wydajności za pomocą Amazon CloudWatch, a modele wykrywania obrazów były regularnie aktualizowane co miesiąc, aby uwzględnić zmiany w surowcach i nowe typy wad. System alertów informował zespół o wszelkich nieprawidłowościach, takich jak spadki wydajności lub problemy z dostępnością danych.
Interakcja z zespołem technicznym
Współpraca między zespołami miała kluczowe znaczenie dla powodzenia projektu. Regularnie odbywały się spotkania pomiędzy zespołami data science, IT, produkcji i zarządzania jakością w celu omówienia postępów projektu, wymiany pomysłów i identyfikacji potencjalnych problemów. Wszystkie etapy projektu zostały dokładnie udokumentowane, w tym specyfikacje techniczne, raporty z analizy danych, wyniki testów A/B i zalecenia dotyczące dalszych działań. Przeprowadzono szkolenie dla zespołu produkcyjnego w zakresie korzystania z systemu wykrywania obrazów i interpretacji wyników w celu maksymalnego wykorzystania potencjału narzędzia.
Wyzwania i przyszłe kierunki
Projekt stanął przed kilkoma wyzwaniami, takimi jak zapewnienie skalowalności systemu w celu obsługi rosnących ilości danych i surowców oraz ciągłe poprawianie dokładności modelu wykrywania poprzez regularne aktualizacje i optymalizację algorytmów. Integracja z różnymi systemami produkcyjnymi i zapewnienie kompatybilności również stanowiły wyzwanie.
W przyszłości producent żywności planuje rozszerzyć zakres wykrywania, wprowadzając wykrywanie innych rodzajów wad, takich jak deformacje strukturalne lub zmiany koloru. Zwiększenie automatyzacji poprzez bardziej zaawansowane mechanizmy decyzyjne na linii produkcyjnej oraz wykorzystanie zaawansowanej analityki do przewidywania problemów jakościowych i optymalizacji procesów produkcyjnych to kolejne kroki w rozwoju systemu.
Podsumowanie
Wdrożenie zaawansowanego systemu detekcji obrazu przyniosło znaczące korzyści, takie jak zmniejszenie ilości odpadów produkcyjnych, zwiększenie wydajności kontroli jakości surowców i poprawa jakości produktów. Chociaż projekt napotkał pewne wyzwania, korzyści biznesowe z wdrożenia systemu były znaczące, a firma planuje dalszy rozwój i optymalizację systemu w przyszłości.
To hipotetyczne studium przypadku pokazuje, w jaki sposób sztuczna inteligencja może zrewolucjonizować branżę spożywczą, przynosząc wymierne korzyści zarówno producentom, jak i konsumentom.
