Wprowadzenie
W dzisiejszych czasach branża żywnościowa zmaga się z wieloma wyzwaniami związanymi z utrzymaniem wysokiej jakości produktów oraz minimalizacją odpadów produkcyjnych. Tradycyjne metody kontroli jakości często są czasochłonne i mogą być obarczone błędami ludzkimi, co prowadzi do nieefektywności i zwiększonych kosztów. W niniejszym artykule przedstawiamy hipotetyczne studium przypadku, które ilustruje, jak zaawansowany system do detekcji obrazu może zrewolucjonizować kontrolę jakości w branży żywnościowej, na przykładzie dużego producenta przetworów owocowo-warzywnych.
Opis problemu i cel projektu
Firma specjalizuje się w produkcji dżemów, soków, konserw warzywnych oraz mrożonek. Codziennie przetwarza tysiące ton surowców na swoich rozbudowanych liniach produkcyjnych. Kluczowym wyzwaniem dla firmy jest utrzymanie wysokiej jakości produktów, minimalizacja odpadów oraz szybka identyfikacja wad produkcyjnych, takich jak zanieczyszczenia, uszkodzenia mechaniczne owoców i warzyw oraz niezgodności z normami jakości. Tradycyjne metody kontroli jakości okazały się niewystarczające, dlatego firma zdecydowała się na wdrożenie zautomatyzowanego systemu do detekcji obrazu opartego o sztuczną inteligencję.
Celem projektu było opracowanie i wdrożenie zaawansowanego systemu AI, który automatycznie inspekcjonowałby produkty spożywcze na linii produkcyjnej, identyfikując wady i uszkodzenia. System miał za zadanie zwiększyć efektywność kontroli jakości poprzez automatyzację procesu, zredukować ilość odpadów produkcyjnych poprzez szybsze wykrywanie wad oraz poprawić ogólną jakość produktów dostarczanych na rynek, co miało przełożyć się na wyższą satysfakcję klientów.
Przygotowanie danych
Do projektu firma musiała przygotować się już 3 miesiące wcześniej, instalując kamery na kluczowych etapach linii produkcyjnej. Kamery zainstalowano przy wejściu surowców do zakładu, nad liniami sortowania oraz przy maszynach pakujących. Te strategiczne lokalizacje umożliwiły monitorowanie jakości surowców i produktów na różnych etapach produkcji. Kamery rejestrowały zdjęcia surowców, takich jak jabłka, pomidory, papryki, marchewki i ziemniaki, które były następnie analizowane pod kątem wykrycia wad i uszkodzeń.
W ciągu 3 miesięcy firma zgromadziła około 500,000 rekordów danych obrazowych, z dziennym przyrostem wynoszącym średnio 5,000 nowych zdjęć. Dane te były przechowywane na serwerach lokalnych oraz w chmurze, co zapewniało łatwy dostęp do dużych zbiorów danych. Każdy rekord zawierał znacznik czasowy, lokalizację na linii produkcyjnej, typ produktu oraz opis wady, jeśli taka została wykryta. W trakcie zbierania danych niektóre metody i lokalizacje kamer były modyfikowane, aby poprawić jakość zbieranych danych. Brakujące dane były uzupełniane poprzez dodatkowe sesje zdjęciowe i poprawę konfiguracji kamer.
Wybór i trenowanie modelu
Do implementacji systemu wykorzystano zaawansowane technologie i narzędzia sztucznej inteligencji, takie jak Pytorch i OpenCV. Wybór padł na konwolucyjne sieci neuronowe (CNN), które są szczególnie skuteczne w zadaniach związanych z analizą obrazów, dzięki swojej zdolności do automatycznego wykrywania cech i wzorców. Wykorzystano również transfer learning, korzystając z pretrenowanego modelu YOLO, który został dostosowany do specyficznych danych branży żywnościowej.
Dane obrazowe były wstępnie przetwarzane za pomocą OpenCV, obejmując korekcję kolorów, normalizację oświetlenia oraz usuwanie szumów. Dane były również argumentowane poprzez obrót, skalowanie, zmiany jasności i kontrastu, aby zwiększyć zbiór danych treningowych i poprawić generalizację modelu. Modele CNN były trenowane na dużych zbiorach danych obrazowych, obejmujących różne klasy surowców oraz różne typy wad. Proces trenowania był przyspieszany za pomocą GPU dzięki technologii NVIDIA CUDA, co pozwalało na efektywne przetwarzanie dużych zbiorów danych.
Implementacja i integracja
Model detekcji obrazu został wdrożony na serwerach AWS z obsługą GPU, aby zapewnić szybkie przetwarzanie danych obrazowych. Wykorzystano serwery AWS EC2 z instancjami p3.2xlarge, co umożliwiło skalowanie i wydajność systemu. Stworzono RESTful API za pomocą Flask, które umożliwiało komunikację między systemem detekcji obrazu a linią produkcyjną. API obsługiwało żądania HTTP POST do przesyłania zdjęć i odbierania wyników analizy.
API zostało zintegrowane z istniejącym systemem produkcyjnym firmy, umożliwiając automatyczne przesyłanie zdjęć z kamer do systemu detekcji obrazu. System produkcyjny przesyłał zdjęcia 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.
Wdrożono narzędzia do monitorowania i zarządzania systemem, takie jak Amazon CloudWatch, aby zapewnić ciągłą dostępność i wydajność systemu.
Uzyskane wyniki
System osiągnął skuteczność na poziomie 80% w wykrywaniu wad surowców, co przełożyło się na znaczne korzyści biznesowe dla producenta. Dzięki wdrożeniu systemu, firma zmniejszyła ilość odpadów produkcyjnych o 20%, co oznacza 10 ton mniej odpadów miesięcznie.
Efektywność kontroli jakości surowców wzrosła o 50%, co oznacza szybszą i bardziej dokładną inspekcję surowców. Zakładając, że koszt pracy związany z kontrolą jakości surowców wynosi 50,000 PLN miesięcznie, oszczędności wynikające z większej efektywności wyniosły 25,000 PLN miesięcznie.
Koszty i zasoby
Przy projekcie pracowało trzech Data Scientistów oraz Project Manager na część etatu, projekt trwał 4 miesiące, obejmując przygotowanie danych, trening modeli oraz wdrożenie systemu.
Do przeprowadzenia treningu modeli oraz wdrożenia systemu detekcji obrazu wykorzystano serwery AWS. Trening modeli przeprowadzono na instancjach EC2 p3.2xlarge, co kosztowało 10,600 PLN za 900 godzin pracy. Wdrożenie i operacje przeprowadzono na instancjach EC2 t3.large, co kosztowało 900 PLN za 4 miesiące pracy. Przechowywanie danych na Amazon S3 kosztowało 700 PLN za 2 TB danych przez 4 miesiące, a korzystanie z Amazon RDS do przechowywania bazy danych kosztowało 1100 PLN.
Łączny koszt projektu wyniósł 513,300 PLN.
Monitorowanie i optymalizacja
System był monitorowany pod kątem dostępności i wydajności przy użyciu Amazon CloudWatch, a modele detekcji obrazu były regularnie aktualizowane co miesiąc, aby uwzględniać zmiany w surowcach oraz nowe typy wad. System alertów informował zespół o wszelkich nieprawidłowościach, takich jak spadki wydajności czy problemy z dostępnością danych.
Interakcja z zespołem technicznym
Współpraca między zespołami była kluczowa dla sukcesu projektu. Organizowane były regularne spotkania między zespołem data science, IT, produkcji i zarządzania jakością, aby omówić postępy projektu, wymienić pomysły oraz zidentyfikować potencjalne problemy. Wszystkie etapy projektu były dokładnie dokumentowane, a dokumentacja obejmowała specyfikacje techniczne, raporty z analiz danych, wyniki testów A/B oraz rekomendacje dotyczące dalszych działań. Przeprowadzono szkolenia dla zespołu produkcyjnego na temat korzystania z systemu detekcji obrazu oraz interpretacji wyników, aby maksymalnie wykorzystać potencjał narzędzia.
Wyzwania i przyszłe kierunki rozwoju
Projekt napotkał kilka wyzwań, takich jak zapewnienie skalowalności systemu, aby mógł obsługiwać rosnącą ilość danych i surowców, oraz stałe ulepszanie dokładności modeli detekcji poprzez regularne aktualizacje i optymalizację algorytmów. Integracja z różnymi systemami produkcyjnymi oraz zapewnienie kompatybilności również stanowiły wyzwanie.
W przyszłości producent żywności planuje rozszerzyć zakres detekcji, wprowadzając detekcję innych typów wad, takich jak deformacje strukturalne czy zmiany koloru. Zwiększenie automatyzacji poprzez wprowadzenie bardziej zaawansowanych mechanizmów automatycznego podejmowania decyzji na linii produkcyjnej oraz wykorzystanie zaawansowanej analityki do przewidywania problemów jakościowych i optymalizacji procesów produkcyjnych są kolejnymi krokami w rozwoju systemu.
Podsumowanie
Wdrożenie zaawansowanego systemu do detekcji obrazu przyniosło znaczące korzyści, takie jak zmniejszenie ilości odpadów produkcyjnych, zwiększenie efektywności kontroli jakości surowców oraz poprawa jakości produktów. Choć projekt napotkał na pewne wyzwania, korzyści biznesowe wynikające z wdrożenia systemu były znaczne, a firma planuje dalszy rozwój i optymalizację systemu w przyszłości.
To hipotetyczne studium przypadku pokazuje, jak sztuczna inteligencja może zrewolucjonizować branżę żywnościową, przynosząc wymierne korzyści zarówno producentom, jak i konsumentom.
Jesteś zainteresowany podobnym rozwiązaniem? Skontaktuj się z nami.
