Możliwości systemów wizyjnych używanych w przetwórstwie mięsnym

Systemy wizyjne w przemyśle mięsnym używane są w coraz większej liczbie aplikacji. Zawdzięczają to nie tylko udoskonalaniu kamer i technologii hiperspektralnej, ale także dynamicznemu rozwojowi sztucznej inteligencji. Obie technologie składają się na wyższą jakość produkcji i końcowego, trafiającego do konsumenta produktu.

Do czego stosowana jest wizja maszynowa w przemyśle mięsnym?

Możliwości zastosowania wizji maszynowej w produkcji mięsa są bardzo szerokie i wciąż rozwijane. Można je podzielić na kilka kategorii:

1. Klasyfikacja i sortowanie (wykrywanie i odrzut uszkodzonych kawałków mięsa; klasyfikacja elementów tuszy).
2. Wykrywanie ciał obcych (resztek opakowań, kawałków kości, fragmentów metali, plastiku i szkła).
3. Wykrywanie przebarwień (zarówno w mięsie surowym, jak i w wyrobach gotowych).
4. Ocena jakości (m.in. świeżości mięsa, barwy, tekstury, połysku).
5. Pomiary (objętości, masy, kształtu, poziomu oksydacji, zawartości tłuszczu, białka).
6. Automatyzacja linii ubojowych (automatyczne cięcie i dzielenie, rozpoznawanie orientacji tusz, zliczanie żywca).
7. Kontrola opakowań (wykrywanie nieszczelności, zabrudzeń; kontrola poprawności szwu czy zgrzewów, etykiet, kodów i dat).
8. Kontrola higieny i czystości (wykrywania pozostałości mięsa i tłuszczu na taśmach, nożach, maszynach; weryfikacja skuteczności mycia).
9. Usprawnianie procesów intralogistycznych (rozpoznawanie i klasyfikacja partii produktu po zawartości).

Jednym z ciekawszych sposobów aplikacji wizji maszynowej w kontroli jakości mięsa jest badanie mięsa wołowego przeprowadzone w Australii przez Liao et al. Do wytrenowania modelu AI użyto niemal 40 tysięcy zdjęć steków. Kontrola objęła próbki z lokalnych ubojni. Okazało się, że model był w stanie nie tylko ocenić jakość produktu lepiej niż człowiek, ale także odgadnąć dietę i rasę zwierzęcia [1]. Badanie miało na celu stworzenie skutecznego narzędzia do zapobiegania fałszerstwom w branży.

Czy systemy wizyjne poprawnie klasyfikują każdy rodzaj mięsa?

Bez względu na to, czy jest to mięso ssaków, ptaków czy ryb, mięśnie czy podroby, wizja maszynowa jest w stanie dokładnie sklasyfikować wszystkie rodzaje mięs czy wykryć ich anomalie. Warto dodać, że także stopień przetworzenia (mięso surowe, mielone, mrożone, wędzone, itp.) nie odgrywa tu istotnej roli. Jest to możliwe dzięki:

• wykorzystaniu algorytmów sztucznej inteligencji wytrenowanych na dedykowanych do wdrożenia zbiorach danych;
• stworzeniu odpowiednich, stabilnych warunków na linii produkcyjnej (szczególnie oświetleniowych);
• użyciu dostosowanych do aplikacji kamer w odpowiedniej liczbie (proste zastosowania wymagają zaledwie jednej kamery; te bardziej wymagające nawet kilku)Przykładowe aplikacje Scanway dla branży mięsnej i ich efekty

Przykładowe aplikacje Scanway dla branży mięsnej i ich efekty

1. Kontrola jakości filetów drobiowych

System z użyciem kamer hiperspektralnych, modelu AI i dedykowanego oświetlenia potrafi identyfikować krwiaki i obicia, ocenić barwę mięsa, wykryć postrzępienia czy obecność kości w mięsie. Dzięki systemom detekcji wad mięsa, producent eliminuje produkty niższej jakości już na hali produkcyjnej.

2. Sprawdzanie poprawności szwu puszek

System wykrywa wady szwu, uszkodzenia rantu, obecność i orientację kluczyka. W rezultacie ograniczono straty i podniesiono jakość produktu trafiającego na rynek. Dowiedz się więcej o wdrożeniu.

3. Wykrywanie wtrąceń z tworzyw sztucznych w mięsie świeżym i mrożonym

Do tego zadania użyto liniowej kamery hiperspektralnej, dedykowanego oświetlenia oraz algorytmów AI. System wizyjny jednoznacznie wykrywał wytrącenia, takie jak folie, elementy opakowań, kawałki tworzyw. Kolor i kształt materiału nie miały znaczenia dla detekcji. Pozwoli to na bezpieczny przerób oraz uzyskanie wysokiej jakości produktu końcowego.

4. Klasyfikacja różnych rodzajów mięs drobnych

Stanowisko pomiarowe wyposażono w system wizyjny klasyfikujący dwanaście różnych rodzajów mięs, oparty o kamerę RGB, czujnik pojemnościowy i wytrenowane sieci neuronowe. Dokładność klasyfikacji wyniosła ponad 90%, przy czym dla niektórych mięs było to nawet 100%.

5. Rozróżnianie środków półtusz wieprzowych

Rozwiązanie oparto na jednej kamerze RGB oraz algorytmach przetwarzania obrazu opartym o AI. System rozróżnia półtusze wieprzowe przemieszczające się na przenośniku taśmowym na prawe i lewe. Następnie wysyła sygnał do urządzenia rozdzielającego je na odpowiednie przenośniki do dalszego przerobu.

6. Zliczanie żywca na rampie rozładunkowej

Kamera RGB wspomagana modelem Deep Learning zlicza sztuki świń przemieszczające się po rampie rozładunkowej ubojni. Dzięki użyciu tej technologii, odróżnia zwierzęta od innych obiektów. Rezultatem jest poprawne zliczenie żywca i eliminację strat ubojni (ponad 200 tys. zł rocznie) wynikających z błędów.

Automatyzacja w branży spożywczej, w tym w branży mięsnej, możliwa jest w coraz bardziej zaawansowanych procesach. Zastosowanie połączenia technologii wizyjnych i sztucznej inteligencji unowocześnia i ułatwia produkcję wyrobów mięsnych, a także zwiększa jej opłacalność.

Źródła:

[1] Liao, Q., Gardner, B., Barlow, R., McMillan, K., Moore, S., Fitzgerald, A., Arzhaeva, Y., Botwright, N., Wang, D., Nelis, J. (2025). Improving traceability and quality control in the red‑meat supply chain. Food Chemistry, 480.