Сортировка свежих продуктов с целью их подготовки для производства консервов и упакованных товаров может занимать довольно много времени. Например, сортировка картофеля по размеру может помочь производителям принять решение о том, из каких из них следует делать картофель фри, картофельные чипсы или картофельные оладьи.
Одним из самых передовых приложений искусственного интеллекта в пищевой промышленности является TOMRA Sorting Food, в котором используются сенсорные решения для оптической сортировки с функциями машинного обучения.
Он использует камеры и датчики ближнего инфракрасного диапазона для просмотра продуктов питания так же, как это делают потребители, и сортирует их на основе этих данных, экономя время и деньги и улучшая качество продукта.
2) Улучшение цепочки поставок
ИИ помогает в управлении цепочкой поставок, поскольку правила безопасности пищевых продуктов стали более строгими, а компании должны быть более прозрачными в своей деятельности. Эта технология помогает компаниям тестировать и контролировать продукты, обеспечивающие безопасность пищевых продуктов, на каждом этапе цепочки поставок. Это помогает в создании более точных прогнозов для управления ценами и запасами, а также отслеживает продукты от фермы к потребителю, чтобы обеспечить прозрачность.
Еще один ключевой элемент цепочки поставок в пищевой промышленности - обеспечение безопасной транспортировки продуктов с фермы до полки магазина. Symphony RetailAI - одна из таких компаний, которая использует искусственный интеллект, чтобы помочь розничным торговцам точно отслеживать спрос, гарантируя, что они никогда не получат излишков продуктов, которые впоследствии могут быть потрачены впустую.
Не бойтесь пропустить последние новости машинного обучения. Подпишитесь, и мы найдем это и поделимся с вами и 14 000 другими каждую неделю.
3) Обеспечение личной гигиены
AI также помогает улучшить личную гигиену на пищевом предприятии, что так же важно, как и гигиена на кухне, и помогает обеспечить соответствие предприятия нормативным требованиям. Такие компании, как KanKan, работали над созданием интеллектуальных решений, чтобы это произошло, поскольку бизнес развернул решение на базе искусственного интеллекта для улучшения гигиены в Китае.
Система, которую также можно использовать в ресторанах, использует камеры для наблюдения за рабочими, а также программное обеспечение для распознавания лиц и объектов, чтобы определить, носят ли работники головные уборы и маски в соответствии с требованиями законов о безопасности пищевых продуктов. Если обнаруживается нарушение, программа извлекает изображения экрана для просмотра.
4) Очистка технологического оборудования
Еще одним важным элементом поддержания стандартов здоровья являются передовые процессы, помогающие очищать оборудование. Исследователи из Ноттингемского университета разрабатывают систему, которая использует ИИ для сокращения времени и ресурсов на уборку, потенциально экономя до 100 миллионов фунтов стерлингов (128,8 миллиона долларов) в год.
Он называется самооптимизирующейся очисткой на месте или SOCIP, и он использует ультразвуковое зондирование и оптическую флуоресцентную визуализацию для измерения остатков пищи, а также микробного мусора в оборудовании. Затем следует оптимизация самого процесса очистки.
Роль ИИ в пищевой промышленности становится все более важной из-за его способности помогать экономить продукты питания, которые могут испортиться, улучшать гигиену работников пищевой промышленности и быстрее очищать технологическое оборудование. Эта технология в конечном итоге может создать более здоровую и доступную пищевую промышленность как для рабочих, так и для потребителей.
Примечание редактора: Heartbeat - это онлайн-публикация и сообщество, созданное авторами и посвященное предоставлению первоклассных образовательных ресурсов для специалистов по науке о данных, машинному обучению и глубокому обучению. Мы стремимся поддерживать и вдохновлять разработчиков и инженеров из всех слоев общества.
Независимая редакция, Heartbeat спонсируется и публикуется Comet, платформой MLOps, которая позволяет специалистам по обработке данных и группам машинного обучения отслеживать, сравнивать, объяснять и оптимизировать свои эксперименты. Мы платим участникам и не продаем рекламу.
Если вы хотите внести свой вклад, отправляйтесь на наш призыв к участникам. Вы также можете подписаться на наши еженедельные информационные бюллетени (Deep Learning Weekly и Comet Newsletter), присоединиться к нам в » «Slack и подписаться на Comet в Twitter и LinkedIn для получения ресурсов, событий и гораздо больше, что поможет вам быстрее и лучше строить модели машинного обучения.
