Назад до блогу
Технологічний огляд6 хв читання

Комп'ютерний зір у харчовій промисловості: реальні застосування

Як комп'ютерний зір вирішує реальні задачі харчових підприємств: контроль якості на конвеєрі, зважування без контакту, розпізнавання транспорту.

S

Serhiy Andrejev

Lead Machine Learning Developer

«Комп'ютерний зір» — звучить як щось із лабораторії або стартапу Кремнієвої долини. Насправді ж ця технологія вже кілька років успішно вирішує дуже конкретні задачі на харчових і агропромислових підприємствах України та ЄС. Зважування без контакту, виявлення дефектів на конвеєрі, автоматичний контроль в'їзду транспорту — все це реальна щоденна практика, а не футуристика.

У цій статті — конкретні застосування, технологія за лаштунками і відповідь на питання «а чи це підійде для мого підприємства?».


Що таке комп'ютерний зір простими словами

Комп'ютерний зір (Computer Vision, CV) — технологія, яка дозволяє комп'ютеру «бачити» і аналізувати зображення так само, як це робить людина. Камера знімає відео або окремі кадри, нейронна мережа аналізує їх і видає результат: «тут дефект», «ця птиця важить 2.1 кг», «цей номерний знак — AG4521BC».

Революція відбулась у 2012–2018 роках, коли глибоке навчання (Deep Learning) зробило розпізнавання зображень настільки точним, що системи комп'ютерного зору в багатьох задачах перевершили людину. Сьогодні основа більшості промислових CV-систем — сімейство архітектур YOLO (You Only Look Once), яке дозволяє детектувати та класифікувати об'єкти в реальному часі на звичайному промисловому обладнанні.


Застосування 1: Безконтактне зважування птиці

Проблема. Традиційне зважування птиці вимагає відловлювання, стресу для поголів'я, ручних маніпуляцій і часу персоналу. Результат — вибіркові виміри раз на тиждень або рідше. Між вимірами зоотехнік не знає реальної динаміки маси.

Рішення. Камери встановлюються безпосередньо в пташнику. Нейронна мережа аналізує зображення птиці в природньому середовищі (без жодних маніпуляцій) і оцінює масу кожної особини за формою, розміром і пропорціями.

Як це технічно влаштовано:

Система працює в два етапи. Спочатку сегментаційна модель виокремлює силует кожної птиці на кадрі — відсікає фон, підстилку, перекриття з іншими птахами. Потім регресійна модель аналізує форму і розміри силуету і обчислює масу.

Обидві моделі навчаються на зображеннях птиці конкретної породи з вашого господарства — це забезпечує точність, адаптовану до реальних умов: специфічне освітлення пташника, конкретна порода, тип підстилки.

Результати:

  • Середня маса поголів'я — оновлюється щогодини, без участі персоналу
  • Точність — ±50–80 грамів (порівняно з ±200–500 г при ручному вибірковому зважуванні)
  • Рівномірність стада — автоматичний розрахунок індексу рівномірності і гістограма розподілу мас
  • Інтеграція з ERP — дані про масу автоматично надходять у систему планування

Де це вже застосовується: на великих птахівничих комплексах в Україні, де система встановлена у кожному пташнику і дає зоотехніку щоденну картину динаміки набору маси по всьому поголів'ю.


Застосування 2: Моніторинг поведінки та стану птиці

Той самий потік відео, що використовується для зважування, дозволяє аналізувати і значно більше.

Зайнятість годівниць і напувалок. Модель класифікує стан кожної годівниці: порожня, частково заповнена, активне споживання. Якщо годівниця порожня понад N хвилин у час активності — сигнал оператору. Точність 80–92% залежно від функції.

Відкриті дзьоби. Коли птиця страждає від перегріву, вона відкриває дзьоб — характерна поведінка. CV-система виявляє таку поведінку і сигналізує раніше, ніж це відобразиться на показниках температури. Ранній сигнал мікрокліматичного стресу.

Активність і розподіл по пташнику. Система відстежує, як рівномірно птиця розподілена по площі. Скупчення в кутах — ознака протягів або нерівномірного обігріву. Пасивна птиця — можливий сигнал хвороби.

Виявлення загиблої птиці. Алгоритм виявляє нерухомі особини і сигналізує з геолокацією в пташнику — прибрати своєчасно, уникнути розповсюдження хвороб.

Вологість підстилки. Мокра підстилка — фактор ризику кокцидіозу і хвороб лапок. Система виявляє зони з темнішою (вологою) підстилкою раніше, ніж оператор це помітить.


Застосування 3: Контроль якості на виробничій лінії

Проблема. Ручний контроль якості на конвеєрі — повільний, стомлюваний і залежить від уважності конкретного контролера. При швидкості лінії 10 000+ одиниць на годину людина фізично не встигає перевіряти кожну.

Рішення. Промислові камери встановлюються над конвеєрною стрічкою. Система CV аналізує кожну одиницю продукції в реальному часі і класифікує: прийняти / відхилити / направити на доповнювальний контроль.

Типові задачі CV-контролю якості:

  • Дефекти поверхні — подряпини, забруднення, плями, нерівності кольору на упаковці або продукті
  • Розміри і форма — відхилення від допусків, деформовані одиниці продукції
  • Маркування — перевірка наявності та читабельності штрих-коду, правильності дати виробництва, відповідності етикетки
  • Комплектність упаковки — чи всі елементи присутні, чи правильно закрита упаковка

Порівняно з ручним контролем: система перевіряє 100% продукції (а не вибірку), не стомлюється, не має «поганих днів», видає однакові результати вдень і вночі. При виявленні дефекту — автоматично спрацьовує відбраковувальний механізм або зупинка лінії.


Застосування 4: Розпізнавання автомобільних номерів на КПП

Проблема. На великих агропромислових і харчових підприємствах — постійний потік вантажного та легкового транспорту. Ручне ведення журналу в'їзду: черга на КПП, залежність від уважності охорони, відсутність цифрового архіву.

Рішення. Система розпізнавання автомобільних номерів (СРАН) встановлюється на в'їзді. Камера фіксує номерний знак, система визначає, чи є він у базі дозволених, і автоматично відкриває шлагбаум — або фіксує необхідність перевірки.

Функції системи:

  • Розпізнавання номерного знаку в реальному часі (менше 1 секунди)
  • База даних дозволених і заборонених транспортних засобів (білий/чорний список)
  • Повний цифровий журнал: час в'їзду, час виїзду, фото автомобіля
  • Інтеграція з СКУД (система контролю доступу) і шлагбаумами
  • Вебінтерфейс для оператора охорони і адміністратора

Апаратні конфігурації — від компактного блоку з вбудованою камерою до повноцінних стійок із шлагбаумом. Камери витримують температури від −40 до +60°C, захист IP67, підсвічування для роботи вночі.

Реальний ефект: для великого переробного підприємства з кількома десятками в'їздів вантажного транспорту на добу — скорочення часу проїзду з 2–3 хвилин до 5–10 секунд, повне усунення черг і цифровий архів усіх переміщень.


Застосування 5: Трекінг персоналу і безпека периметру

На виробничих підприємствах комп'ютерний зір може відстежувати:

Виконання регламентів обходу. Відеоаналітика фіксує, чи пройшов персонал усі контрольні точки і чи дотримано часовий регламент. Без «паперової галочки» — факт підтвердження через систему.

Несанкціонований доступ. Визначення людини в зонах, де доступ заборонений (зони карантину, склади, технічні зони). Автоматична сигналізація охороні.

Виявлення вторгнення на периметрі. Для охорони зовнішнього периметру господарства — виявлення руху за межами дозволених зон, з відправкою сповіщень.


Технічний стек: що під капотом

Промислові системи комп'ютерного зору, розроблені АКУТЕК, будуються на відкритому технологічному стеку:

Python + OpenCV — основна мова і бібліотека комп'ютерного зору, обробка відеопотоку і попередня підготовка кадрів.

YOLO (v8/v9/v11) — архітектура нейронних мереж для детекції та сегментації в реальному часі. Дозволяє обробляти відео на звичайному промисловому ПК або сервері без дорогих GPU (для більшості задач).

Власні регресійні моделі — для специфічних задач (оцінка маси птиці, класифікація якості продукції) навчаються моделі, спеціалізовані під конкретне підприємство.

Апаратна база — IP-камери промислового класу з ІЧ-підсвічуванням, захистом IP67, роздільною здатністю від 720p до 4K залежно від задачі.

Навчання моделей відбувається на реальних даних підприємства — зображеннях птиці конкретної породи, продукції з конкретної лінії. Це принципово важливо для точності в реальних умовах.


Коли комп'ютерний зір доцільний: критерії

CV-система виправдана, коли:

  • Задача повторюється — мільйони однотипних перевірок (кожна тушка, кожна упаковка, кожен автомобіль на в'їзді)
  • Ручний контроль ненадійний — стомлюваність, суб'єктивність, людський фактор критичні
  • Потрібен архів — журнал подій із фото, прив'язаний до часу і місця
  • Швидкість вища за можливості людини — конвеєр 10 000 одиниць/год
  • Безпека або карантин — де присутність людини небажана

Терміни реалізації проєкту: від 6 до 14 тижнів для типових систем (зважування птиці або система розпізнавання номерів). Навчання моделей під конкретні умови — 3–6 тижнів.


Висновок

Комп'ютерний зір — це не «AI-хайп». Це конкретний інструмент, який вирішує конкретні задачі виробничих підприємств: зважування без стресу для птиці, контроль якості без людської стомлюваності, облік транспорту без черг на КПП.

Головна умова успіху — правильне технічне завдання і навчання моделей на реальних даних вашого підприємства. Саме тому «коробкових» рішень у CV майже не існує — кожна система кастомна. Але поріг входу вже не «дослідницький бюджет», а цілком виробничий.


Дивіться також:

комп'ютерний зір харчова промисловістьмашинний зір контроль якостіcomputer vision агровиробництвозважування птиці комп'ютерний зірвідеоаналітика виробництво

Рішення АКУТЕК за темою статті

Ми проєктуємо та впроваджуємо такі системи на промислових підприємствах України та ЄС.

Потрібна консультація?

Зв'яжіться з нами для безкоштовної консультації.