الفحص البصري الآلي لتغليف الأغذية: اكتشاف أخطاء الملصقات وعيوب الإحكام
في عام 2023، سجّلت إدارة الغذاء والدواء الأمريكية (FDA) 232 عملية سحب للأغذية مرتبطة بمسببات حساسية غير مُعلنة. كانت معظمها أخطاء في التغليف: ملصق خاطئ على المنتج الصحيح، أو ملصق صحيح بقائمة مكونات قديمة. تكلّف عملية سحب واحدة بسبب مسببات الحساسية ما متوسطه 10 ملايين دولار عند احتساب لوجستيات السحب والمنتجات المُتلفة والغرامات التنظيمية والضرر بالعلامة التجارية. بينما يكلّف نظام رؤية بالذكاء الاصطناعي يكتشف أخطاء الملصقات قبل مغادرة المنتج للمنشأة ما بين 85,000 و150,000 دولار مع التركيب.
الحسابات واضحة ومباشرة. أما التنفيذ فليس كذلك.
التحقق من الملصقات بسرعة خط الإنتاج
تعمل خطوط تغليف الأغذية بسرعة عالية. قد يعمل خط تغليف الوجبات الخفيفة بمعدل 400 كيس في الدقيقة. ويمكن أن يتجاوز خط المشروبات 1,200 زجاجة في الدقيقة. يحتاج نظام الرؤية إلى التقاط صورة واضحة للملصق، وقراءة النص، والتحقق من الباركود، وتأكيد تطابق الرسومات مع القالب المتوقع، واتخاذ قرار القبول أو الرفض في الوقت الذي تستغرقه عبوة واحدة للمرور أمام الكاميرا. عند 400 عبوة في الدقيقة، يعني ذلك 150 ميلي ثانية لكل عبوة.
يتولى التعرف الضوئي على الحروف (OCR) التحقق من النصوص، لكن التعرف الضوئي على ملصقات الأغذية أصعب من التعرف الضوئي على المستندات العادية. تُطبع الملصقات على أسطح منحنية، ومن خلال أغلفة شفافة تُحدث انعكاسات، وعلى ركائز معدنية يتغير مظهرها مع زاوية النظر، وبأحجام خطوط صغيرة تصل إلى 6 نقاط لمعلومات الامتثال القانوني. تواجه محركات التعرف الضوئي التقليدية صعوبة في هذه الظروف. بينما تحقق نماذج التعرف الضوئي القائمة على التعلم العميق والمدرّبة على صور تغليف الأغذية أداءً أفضل بشكل ملحوظ، حيث تصل دقة التعرف على الحروف إلى أكثر من 99.5% في بيئات الإنتاج.
يتحقق النظام من أكثر من مجرد النص. فهو يتأكد من استخدام مخزون الملصقات الصحيح (لاكتشاف السيناريو الذي يُحمّل فيه المشغّل لفة ملصقات خاطئة بعد تغيير المنتج)، ويؤكد أن الملصق موضوع ضمن التفاوت المسموح به على العبوة، ويفحص جودة الطباعة (طباعة باهتة، حبر ملطّخ، أقسام مفقودة)، ويقرأ الباركود أحادي البعد أو ثنائي البعد للتأكد من تطابقه مع رمز المنتج المتوقع.
فحص سلامة الإحكام
بالنسبة للتغليف المرن (الأكياس، الحقائب، الأغلفة المتدفقة)، تُعد سلامة الإحكام متطلباً لسلامة الغذاء. يمكن أن يسمح الإحكام غير المكتمل أو الملوّث بدخول الميكروبات، مما يؤدي إلى التلف أو الأمراض المنقولة بالغذاء. طرق فحص الإحكام التقليدية (اختبار الانفجار، اختبار اختراق الصبغة) هي طرق تدميرية ولا يمكن تطبيقها إلا على عينات.
تفحص أنظمة الرؤية بالذكاء الاصطناعي جودة الإحكام على 100% من العبوات بشكل غير تدميري. تنظر الكاميرات إلى منطقة الإحكام من خلال الضوء المنقول (الفحص بالإضاءة الخلفية)، حيث تظهر عيوب الإحكام مثل التجاعيد والتلوث في منطقة الإحكام والاندماج غير المكتمل كتغيرات في نفاذية الضوء. يتعلم نموذج الذكاء الاصطناعي التمييز بين التغيرات المقبولة في الإحكام (تجاعيد طفيفة لا تؤثر على السلامة المحكمة) والعيوب الحقيقية (تلوث المنتج في منطقة الإحكام الذي يمنع الاندماج الكامل).
يضيف فحص الإحكام الحراري طبقة أخرى. من خلال تصوير الإحكام مباشرة بعد محطة الإحكام، يمكن للكاميرا الحرارية اكتشاف المناطق التي كانت فيها درجة حرارة الإحكام منخفضة جداً (إحكام بارد، على الأرجح غير مندمج) أو مرتفعة جداً (إحكام محروق، قد يكون ضعيفاً). يربط الذكاء الاصطناعي النمط الحراري بنتائج جودة الإحكام من الاختبارات التدميرية أثناء التحقق لتحديد العتبات المناسبة.
منع التلوث التبادلي بمسببات الحساسية
أحد أكثر التطبيقات قيمة هو اكتشاف سيناريوهات التلوث التبادلي بمسببات الحساسية أثناء تغيير المنتجات. عندما يتحول خط التصنيع من منتج يحتوي على الفول السوداني إلى منتج خالٍ من الفول السوداني، يمكن لنظام الرؤية التحقق من أن الملصقات الصحيحة (مع إعلانات مسببات الحساسية الصحيحة) يتم تطبيقها على المنتج الصحيح. يبدو هذا بسيطاً، لكن أخطاء تغيير المنتجات هي السبب الرئيسي لعمليات سحب مسببات الحساسية غير المُعلنة.
تتجاوز بعض الأنظمة المتقدمة التحقق من الملصقات لفحص المنتج نفسه. على سبيل المثال، في خط تعبئة المكسرات المشكّلة، يمكن لنظام الرؤية التحقق من أن خليط المكسرات الصحيح موجود في كل كيس عن طريق تصنيف المكسرات المرئية من خلال التغليف الشفاف. إذا احتوى كيس "كاجو فقط" على حبة فول سوداني مرئية، يُشير النظام إليه للرفض.
بيانات الامتثال التنظيمي
بالإضافة إلى اكتشاف العبوات المعيبة الفردية، تُولّد أنظمة الرؤية بالذكاء الاصطناعي نوع بيانات الفحص المستمرة والموثّقة التي يتوقعها المدققون التنظيميون بشكل متزايد. يتم تسجيل كل فحص عبوة بطابع زمني وصورة ونتائج الفحص والفحوصات المحددة التي أُجريت. عندما يطلب مفتش إدارة الغذاء والدواء أو مدقق عميل التجزئة الاطلاع على سجلات الجودة الخاصة بك، فإن امتلاك بيانات فحص 100% مع صور يكون أكثر إقناعاً بكثير من خطة أخذ عينات مع أوراق فحص يدوية.
تدعم بيانات الفحص أيضاً الامتثال لقانون تحديث سلامة الأغذية (FSMA) من خلال توفير أدلة موثّقة على الضوابط الوقائية قيد التنفيذ. عند اكتشاف عيب، يسجّل النظام ما حدث ومتى حدث وما هو الإجراء التصحيحي الذي تم اتخاذه (رفض العبوة، إيقاف الخط للتحقيق، إلخ). أصبحت هذه القابلية للتتبع بشكل متزايد متطلباً أساسياً لتوريد الأغذية لكبار تجار التجزئة.
تحديات التنفيذ
التحدي العملي الأكبر هو تغيير المنتجات. يحتاج مصنع أغذية يُنتج من 15 إلى 20 منتجاً مختلفاً إلى أن يقوم نظام الرؤية بتبديل معايير الفحص (قالب الملصق، الباركود، مواصفات الإحكام) بسلاسة أثناء عمليات التغيير. تتعامل معظم الأنظمة مع هذا من خلال التكامل مع وحدة التحكم المنطقية القابلة للبرمجة (PLC) الخاصة بالخط، والتي ترسل إشارة رمز المنتج التي تُفعّل وصفة الفحص المناسبة. لكن إدارة الوصفات عبر عشرات المنتجات، كل منها بمتغيرات تغليف موسمية، تتطلب اهتماماً مستمراً.
الإضاءة هي تحدٍ مستمر آخر. تعكس مواد التغليف المرنة (الأفلام المعدنية، الأفلام الشفافة، الأفلام غير اللامعة) الضوء بشكل مختلف، وقد يكون أداء إعداد الإضاءة المُحسّن لمادة واحدة ضعيفاً مع مادة أخرى. تساعد مصفوفات الإضاءة متعددة الزوايا والإضاءة المستقطبة، لكن بعض التطبيقات لا تزال تحتاج إلى ملفات إضاءة خاصة بكل مادة يتم تبديلها أثناء تغيير المنتجات.
تتعامل التقنية بشكل ممتاز مع عمليات التغليف عالية الحجم والمتكررة. أما حيث تواجه صعوبة فهو مع التغليف اليدوي أو الحرفي، حيث يتفاوت المظهر المقبول بشكل كبير من وحدة إلى أخرى. قد يواجه نظام مُدرّب على منتجات مُعبأة آلياً صعوبة مع الأغلفة المطوية يدوياً أو الملصقات الحرفية ذات التنوع المتعمد. في هذه التطبيقات، يمكن أن يصبح معدل الإنذارات الكاذبة غير قابل للإدارة دون ضبط مكثف.