友思特案例
食品行业视觉检测案例集锦（二）
前言导读
食品制造质量检测对保障消费者安全和产品质量稳定至关重要，覆盖原材料至成品全阶段，含过程中检测与成品包装检测。近年人工智能深度学习及自动化系统正日益融入食品生产。
本篇文章将介绍案例一：
友思特Neuro-T深度学习平台进行红参等级分类。将深度学习视觉检测解决方案应用于红参的 X 光图像，根据内部空洞的密度对红参进行实时分级。这确保了分级的一致性，并实现了流程自动化。
食品行业中的视觉检测
食品制造过程中的质量检测对于确保消费者安全和维持产品质量稳定至关重要。在食品生产的各个阶段，从原材料到成品，都会进行质量检测。通常，这些检测分为过程中检测（原材料和加工产品检测）以及成品包装检测。
近年来，人工智能深度学习技术和自动化系统也越来越多地融入到食品生产过程中。
案例一：红参等级分类
将深度学习视觉检测解决方案应用于红参的 X 光图像，根据内部空洞的密度对红参进行实时分级。这确保了分级的一致性，并实现了流程自动化。
现场情况—红参分级的重要性
红参极易出现品质下降的情况，从最初的种植、收获到最后的干燥和加工，整个生产过程中都会出现内部空洞（如空隙和白化现象）以及外部损伤。因此，人们开发了各种成像检测技术来确保准确分级。在红参生产过程中，像拉当变换（Radon）、核磁共振成像（MRI）、X光和太赫兹等多种先进成像技术被用于分析红参的内部状况。随后，利用捕捉到的图像来评估品质并确定相应的等级。
红参内部结构完整时品质较高，而内部空洞越多，其市场价值就越低。由于分级在定价中起着关键作用，任何分级错误都可能导致客户投诉，并严重影响产品信誉。因此，在红参生产过程中，确保准确的分级至关重要。
具体现场情况—某红参研究与制造企业（B公司）
B公司通过X光成像检查红参的内部空洞情况来进行质量检测。
首先，他们区分无缺陷和有缺陷的产品，然后仅对有缺陷的产品评估其内部密度以确定质量。
此前，检测人员需手动查看每根红参的X光图像来确定其等级。分级完成后，红参按等级放入箱子，再进入下一阶段。由于从图像分析到分类、转移的整个过程均为手动操作，需要耗费大量的时间和资源。
红参分级标准
A级：内部密度达到90%及以上。
B级：内部密度达到70%及以上。
C级：内部密度达到50%及以上。
D级：内部密度达到30%及以上。
红参等级分类存在的问题
一致性检测面临的挑战
X光成像方法是让X光穿透红参并捕捉反射信号来生成图像。然而，X光图像的色彩对比度较低，难以清晰分辨内部空洞。因此，靠肉眼准确确定红参等级颇具挑战。
此外，目视检查的结果会因检测人员的经验和状态而异。由于缺乏统一标准，等级判定往往依赖直觉，即使是相同品质的红参，分级结果也常存在差异。这导致经常出现红参分级错误后发货的情况，造成了巨大的成本损失。
缺乏自动化分级系统导致的效率低下问题
在B公司，将红参放入相应等级的箱子并转移到下一阶段的过程是手动完成的。这就需要在分级后转移红参时暂时停止生产线，从而减缓了检测流程。此外，由于每个检测人员能处理的红参数量有限，整个过程效率低下。
解决方案
部署深度学习检测模型
在此之前：过去，红参的分级不得不依据难以量化的特征，而且等级判定会因检测人员的状态和经验不同而有所差异，这给保持稳定的产品质量带来了挑战。
部署之后：如今，实施了视觉检测解决方案。深度学习模型能够识别X光图像中红参的特征，并依据统一标准来确定其等级。
（1）A级红参的分类
利用友思特Neuro-T平台的分类模型，将A级红参从其余低质量红参中分离出来。
（2）低质量红参的分类
对于在初步检测中被认定为低质量的红参，采用友思特Neuro-T平台的实例分割模型来识别其内部空洞的形状和大小。然后根据内部密度确定最终等级（B级至D级）。
自动化分类系统的开发
已经实施了自动化分类系统，用于将分级后的产品输送到指定的包装生产线。
（1）红参通过传送系统时会进行X光成像。
（2）所采集的图像由深度学习模型进行分析，自动确定产品等级。
（3）分级完成后，红参会根据其等级自动被分拣到不同的生产线，并进入最后的包装流程。
成果与效益
基于友思特Neuro-T的深度学习视觉检测系统的实施确保了分级的一致性，分级准确率达到了97%，与以往的方法相比，质量控制有了显著提升。因此，稳定的质量维护增强了消费者的信任，提升了公司的品牌形象。
此外，将以往由检测人员执行的任务（如等级判定和将红参转移到包装生产线）实现自动化，降低了人力成本。每个检测人员需要评估的红参数量大幅增加，提高了整个流程的生产效率。
友思特 方案产品套装介绍
