{"id":1876,"date":"2024-07-31T13:47:54","date_gmt":"2024-07-31T11:47:54","guid":{"rendered":"https:\/\/cogita.ai\/?p=1876"},"modified":"2026-02-25T17:26:27","modified_gmt":"2026-02-25T16:26:27","slug":"ai-based-image-detection-system-in-the-food-industry","status":"publish","type":"post","link":"https:\/\/cogita.ai\/pl\/ai-based-image-detection-system-in-the-food-industry\/","title":{"rendered":"Oparty na sztucznej inteligencji system wykrywania obraz\u00f3w w przemy\u015ble spo\u017cywczym"},"content":{"rendered":"

Tradycyjne metody kontroli jako\u015bci s\u0105 cz\u0119sto czasoch\u0142onne i podatne na b\u0142\u0119dy ludzkie, co prowadzi do nieefektywno\u015bci i zwi\u0119kszonych koszt\u00f3w. W tym artykule przedstawiamy hipotetyczne studium przypadku ilustruj\u0105ce, w jaki spos\u00f3b zaawansowany system wykrywania obrazu mo\u017ce zrewolucjonizowa\u0107 kontrol\u0119 jako\u015bci w przemy\u015ble spo\u017cywczym, na przyk\u0142adzie du\u017cej firmy zajmuj\u0105cej si\u0119 przetw\u00f3rstwem owoc\u00f3w i warzyw.<\/p>\n\n\n\n

Opis problemu i cel projektu<\/h3>\n\n\n\n

Firma specjalizuje si\u0119 w produkcji d\u017cem\u00f3w, sok\u00f3w, warzyw w puszkach i mro\u017conek. Codziennie przetwarza tysi\u0105ce ton surowc\u00f3w na swoich rozleg\u0142ych liniach produkcyjnych. G\u0142\u00f3wnym wyzwaniem dla firmy jest utrzymanie wysokiej jako\u015bci produkt\u00f3w, minimalizacja odpad\u00f3w i szybka identyfikacja wad produkcyjnych, takich jak zanieczyszczenia, uszkodzenia mechaniczne owoc\u00f3w i warzyw oraz niezgodno\u015b\u0107 z normami jako\u015bci. Tradycyjne metody kontroli jako\u015bci okaza\u0142y si\u0119 niewystarczaj\u0105ce, co sk\u0142oni\u0142o firm\u0119 do wdro\u017cenia zautomatyzowanego systemu wykrywania obraz\u00f3w opartego na sztucznej inteligencji.<\/p>\n\n\n\n

Celem projektu by\u0142o opracowanie i wdro\u017cenie zaawansowanego systemu sztucznej inteligencji, kt\u00f3ry automatycznie kontrolowa\u0142by produkty spo\u017cywcze na linii produkcyjnej, identyfikuj\u0105c wady i uszkodzenia. System mia\u0142 na celu zwi\u0119kszenie wydajno\u015bci kontroli jako\u015bci poprzez automatyzacj\u0119 procesu, zmniejszenie strat produkcyjnych dzi\u0119ki szybkiemu wykrywaniu wad oraz popraw\u0119 og\u00f3lnej jako\u015bci produkt\u00f3w dostarczanych na rynek, prowadz\u0105c do wi\u0119kszej satysfakcji klient\u00f3w.<\/p>\n\n\n\n

Przygotowanie danych<\/h3>\n\n\n\n

Trzy miesi\u0105ce przed rozpocz\u0119ciem projektu firma zainstalowa\u0142a kamery na kluczowych etapach linii produkcyjnej. Kamery zosta\u0142y zainstalowane przy wlocie surowc\u00f3w, na liniach sortowniczych i przy maszynach pakuj\u0105cych. Te strategiczne lokalizacje pozwoli\u0142y na monitorowanie jako\u015bci surowc\u00f3w i produkt\u00f3w na r\u00f3\u017cnych etapach produkcji. Kamery rejestrowa\u0142y obrazy surowc\u00f3w, takich jak jab\u0142ka, pomidory, papryka, marchew i ziemniaki, kt\u00f3re by\u0142y nast\u0119pnie analizowane pod k\u0105tem wad i uszkodze\u0144.<\/p>\n\n\n\n

W ci\u0105gu trzech miesi\u0119cy firma zebra\u0142a oko\u0142o 500 000 rekord\u00f3w obraz\u00f3w, przy czym codziennie przybywa\u0142o oko\u0142o 5 000 nowych obraz\u00f3w. Dane te by\u0142y przechowywane na lokalnych serwerach i w chmurze, zapewniaj\u0105c \u0142atwy dost\u0119p do du\u017cych zbior\u00f3w danych. Ka\u017cdy rekord zawiera\u0142 znacznik czasu, lokalizacj\u0119 na linii produkcyjnej, typ produktu i opis wady, je\u015bli zosta\u0142a wykryta. Podczas gromadzenia danych niekt\u00f3re metody i lokalizacje kamer zosta\u0142y zmodyfikowane w celu poprawy jako\u015bci zebranych danych. Brakuj\u0105ce dane zosta\u0142y uzupe\u0142nione przez dodatkowe sesje zdj\u0119ciowe i ulepszenia konfiguracji kamer.<\/p>\n\n\n\n

Wyb\u00f3r modelu i szkolenie<\/h3>\n\n\n\n

Do implementacji systemu wykorzystano zaawansowane technologie i narz\u0119dzia sztucznej inteligencji, takie jak Pytorch i OpenCV. Konwolucyjne sieci neuronowe (CNN) zosta\u0142y wybrane ze wzgl\u0119du na ich skuteczno\u015b\u0107 w zadaniach analizy obrazu, dzi\u0119ki ich zdolno\u015bci do automatycznego wykrywania cech i wzorc\u00f3w. Wykorzystano r\u00f3wnie\u017c uczenie transferowe, wykorzystuj\u0105c wst\u0119pnie wytrenowany model YOLO, kt\u00f3ry zosta\u0142 dostosowany do specyficznych danych przemys\u0142u spo\u017cywczego.<\/p>\n\n\n\n

Dane obrazu zosta\u0142y wst\u0119pnie przetworzone przy u\u017cyciu OpenCV, w tym korekcji kolor\u00f3w, normalizacji o\u015bwietlenia i usuwania szum\u00f3w. Rozszerzenie danych, takie jak obr\u00f3t, skalowanie oraz zmiany jasno\u015bci i kontrastu, zosta\u0142o zastosowane w celu zwi\u0119kszenia zbioru danych szkoleniowych i poprawy uog\u00f3lnienia modelu. Modele CNN zosta\u0142y wytrenowane na du\u017cych zbiorach danych obraz\u00f3w, obejmuj\u0105cych r\u00f3\u017cne klasy surowc\u00f3w i r\u00f3\u017cne rodzaje defekt\u00f3w. Proces uczenia zosta\u0142 przyspieszony przy u\u017cyciu procesor\u00f3w graficznych z technologi\u0105 NVIDIA CUDA, umo\u017cliwiaj\u0105c wydajne przetwarzanie du\u017cych zbior\u00f3w danych.<\/p>\n\n\n\n

Wdro\u017cenie i integracja<\/h3>\n\n\n\n

Model wykrywania obraz\u00f3w zosta\u0142 wdro\u017cony na serwerach AWS z obs\u0142ug\u0105 GPU, aby zapewni\u0107 szybkie przetwarzanie danych obrazu. Do skalowania i zapewnienia wydajno\u015bci systemu wykorzystano serwery AWS EC2 z instancjami p3.2xlarge. Interfejs API RESTful zosta\u0142 utworzony przy u\u017cyciu Flask, umo\u017cliwiaj\u0105c komunikacj\u0119 mi\u0119dzy systemem wykrywania obraz\u00f3w a lini\u0105 produkcyjn\u0105. API obs\u0142ugiwa\u0142o \u017c\u0105dania HTTP POST do wysy\u0142ania obraz\u00f3w i odbierania wynik\u00f3w analizy.<\/p>\n\n\n\n

Interfejs API zosta\u0142 zintegrowany z istniej\u0105cym systemem produkcyjnym firmy, umo\u017cliwiaj\u0105c automatyczne przesy\u0142anie obrazu z kamer do systemu wykrywania obrazu. System produkcyjny wysy\u0142a\u0142 obrazy do API w czasie rzeczywistym, a wyniki analizy by\u0142y zwracane do systemu produkcyjnego w celu podj\u0119cia odpowiednich dzia\u0142a\u0144, takich jak usuni\u0119cie wadliwych produkt\u00f3w z linii.<\/p>\n\n\n\n

Narz\u0119dzia do monitorowania i zarz\u0105dzania, takie jak Amazon CloudWatch, zosta\u0142y wdro\u017cone w celu zapewnienia ci\u0105g\u0142ej dost\u0119pno\u015bci i wydajno\u015bci systemu.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Osi\u0105gni\u0119te wyniki<\/h3>\n\n\n\n

System osi\u0105gn\u0105\u0142 dok\u0142adno\u015b\u0107 80% w wykrywaniu wad surowc\u00f3w, co przynios\u0142o producentowi znacz\u0105ce korzy\u015bci biznesowe. Wdro\u017cenie zmniejszy\u0142o ilo\u015b\u0107 odpad\u00f3w produkcyjnych o 20%, co odpowiada 10 tonom mniej odpad\u00f3w miesi\u0119cznie.<\/p>\n\n\n\n

Wydajno\u015b\u0107 kontroli jako\u015bci surowc\u00f3w wzros\u0142a o 50%, prowadz\u0105c do szybszych i dok\u0142adniejszych inspekcji. Zak\u0142adaj\u0105c, \u017ce koszt pracy zwi\u0105zanej z kontrol\u0105 jako\u015bci surowc\u00f3w wynosi 50 000 PLN miesi\u0119cznie, oszcz\u0119dno\u015bci wynikaj\u0105ce ze zwi\u0119kszonej wydajno\u015bci wynios\u0142y 25 000 PLN miesi\u0119cznie.<\/p>\n\n\n\n

Koszty i zasoby<\/h3>\n\n\n\n

W projekt zaanga\u017cowanych by\u0142o trzech analityk\u00f3w danych i kierownik projektu pracuj\u0105cy w niepe\u0142nym wymiarze godzin. Projekt trwa\u0142 4 miesi\u0105ce i obejmowa\u0142 przygotowanie danych, szkolenie w zakresie modeli i wdro\u017cenie systemu.<\/p>\n\n\n\n

Serwery AWS zosta\u0142y wykorzystane do szkolenia modeli i wdro\u017cenia systemu wykrywania obraz\u00f3w. Trening modelu na instancjach EC2 p3.2xlarge kosztowa\u0142 10 600 PLN za 900 godzin pracy. Wdro\u017cenie i operacje na instancjach EC2 t3.large kosztowa\u0142y 900 PLN za 4 miesi\u0105ce pracy. Przechowywanie danych na Amazon S3 kosztowa\u0142o 700 PLN za 2 TB danych w ci\u0105gu 4 miesi\u0119cy, a wykorzystanie Amazon RDS do przechowywania bazy danych kosztowa\u0142o 1 100 PLN.<\/p>\n\n\n\n

Ca\u0142kowity koszt projektu wyni\u00f3s\u0142 513 300 PLN.<\/p>\n\n\n\n

Monitorowanie i optymalizacja<\/h3>\n\n\n\n

System by\u0142 monitorowany pod k\u0105tem dost\u0119pno\u015bci i wydajno\u015bci za pomoc\u0105 Amazon CloudWatch, a modele wykrywania obraz\u00f3w by\u0142y regularnie aktualizowane co miesi\u0105c, aby uwzgl\u0119dni\u0107 zmiany w surowcach i nowe typy wad. System alert\u00f3w informowa\u0142 zesp\u00f3\u0142 o wszelkich nieprawid\u0142owo\u015bciach, takich jak spadki wydajno\u015bci lub problemy z dost\u0119pno\u015bci\u0105 danych.<\/p>\n\n\n\n

Interakcja z zespo\u0142em technicznym<\/h3>\n\n\n\n

Wsp\u00f3\u0142praca mi\u0119dzy zespo\u0142ami mia\u0142a kluczowe znaczenie dla powodzenia projektu. Regularnie odbywa\u0142y si\u0119 spotkania pomi\u0119dzy zespo\u0142ami data science, IT, produkcji i zarz\u0105dzania jako\u015bci\u0105 w celu om\u00f3wienia post\u0119p\u00f3w projektu, wymiany pomys\u0142\u00f3w i identyfikacji potencjalnych problem\u00f3w. Wszystkie etapy projektu zosta\u0142y dok\u0142adnie udokumentowane, w tym specyfikacje techniczne, raporty z analizy danych, wyniki test\u00f3w A\/B i zalecenia dotycz\u0105ce dalszych dzia\u0142a\u0144. Przeprowadzono szkolenie dla zespo\u0142u produkcyjnego w zakresie korzystania z systemu wykrywania obraz\u00f3w i interpretacji wynik\u00f3w w celu maksymalnego wykorzystania potencja\u0142u narz\u0119dzia.<\/p>\n\n\n\n

Wyzwania i przysz\u0142e kierunki<\/h3>\n\n\n\n

Projekt stan\u0105\u0142 przed kilkoma wyzwaniami, takimi jak zapewnienie skalowalno\u015bci systemu w celu obs\u0142ugi rosn\u0105cych ilo\u015bci danych i surowc\u00f3w oraz ci\u0105g\u0142e poprawianie dok\u0142adno\u015bci modelu wykrywania poprzez regularne aktualizacje i optymalizacj\u0119 algorytm\u00f3w. Integracja z r\u00f3\u017cnymi systemami produkcyjnymi i zapewnienie kompatybilno\u015bci r\u00f3wnie\u017c stanowi\u0142y wyzwanie.<\/p>\n\n\n\n

W przysz\u0142o\u015bci producent \u017cywno\u015bci planuje rozszerzy\u0107 zakres wykrywania, wprowadzaj\u0105c wykrywanie innych rodzaj\u00f3w wad, takich jak deformacje strukturalne lub zmiany koloru. Zwi\u0119kszenie automatyzacji poprzez bardziej zaawansowane mechanizmy decyzyjne na linii produkcyjnej oraz wykorzystanie zaawansowanej analityki do przewidywania problem\u00f3w jako\u015bciowych i optymalizacji proces\u00f3w produkcyjnych to kolejne kroki w rozwoju systemu.<\/p>\n\n\n\n

Podsumowanie<\/h3>\n\n\n\n

Wdro\u017cenie zaawansowanego systemu detekcji obrazu przynios\u0142o znacz\u0105ce korzy\u015bci, takie jak zmniejszenie ilo\u015bci odpad\u00f3w produkcyjnych, zwi\u0119kszenie wydajno\u015bci kontroli jako\u015bci surowc\u00f3w i poprawa jako\u015bci produkt\u00f3w. Chocia\u017c projekt napotka\u0142 pewne wyzwania, korzy\u015bci biznesowe z wdro\u017cenia systemu by\u0142y znacz\u0105ce, a firma planuje dalszy rozw\u00f3j i optymalizacj\u0119 systemu w przysz\u0142o\u015bci.<\/p>\n\n\n\n

To hipotetyczne studium przypadku pokazuje, w jaki spos\u00f3b sztuczna inteligencja mo\u017ce zrewolucjonizowa\u0107 bran\u017c\u0119 spo\u017cywcz\u0105, przynosz\u0105c wymierne korzy\u015bci zar\u00f3wno producentom, jak i konsumentom.<\/p>","protected":false},"excerpt":{"rendered":"

Dzisiejszy przemys\u0142 spo\u017cywczy stoi przed licznymi wyzwaniami zwi\u0105zanymi z utrzymaniem wysokiej jako\u015bci produkt\u00f3w i minimalizacj\u0105 odpad\u00f3w produkcyjnych. <\/p>","protected":false},"author":1,"featured_media":1869,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[1],"tags":[],"class_list":["post-1876","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-in-business"],"acf":[],"_links":{"self":[{"href":"https:\/\/cogita.ai\/pl\/wp-json\/wp\/v2\/posts\/1876","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/cogita.ai\/pl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/cogita.ai\/pl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/cogita.ai\/pl\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/cogita.ai\/pl\/wp-json\/wp\/v2\/comments?post=1876"}],"version-history":[{"count":5,"href":"https:\/\/cogita.ai\/pl\/wp-json\/wp\/v2\/posts\/1876\/revisions"}],"predecessor-version":[{"id":2252,"href":"https:\/\/cogita.ai\/pl\/wp-json\/wp\/v2\/posts\/1876\/revisions\/2252"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/cogita.ai\/pl\/wp-json\/wp\/v2\/media\/1869"}],"wp:attachment":[{"href":"https:\/\/cogita.ai\/pl\/wp-json\/wp\/v2\/media?parent=1876"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/cogita.ai\/pl\/wp-json\/wp\/v2\/categories?post=1876"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/cogita.ai\/pl\/wp-json\/wp\/v2\/tags?post=1876"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}