Inspeksi Visual Otomatis untuk Kemasan Makanan: Mendeteksi Kesalahan Label dan Kegagalan Segel
Pada tahun 2023, FDA mencatat 232 penarikan produk makanan terkait alergen yang tidak dideklarasikan. Sebagian besar merupakan kesalahan kemasan: label yang salah pada produk yang benar, atau label yang benar dengan daftar bahan yang sudah kedaluwarsa. Satu kali penarikan produk karena alergen rata-rata menelan biaya $10 juta jika mencakup logistik penarikan, produk yang dimusnahkan, denda regulasi, dan kerusakan merek. Sistem visi AI yang mendeteksi kesalahan label sebelum produk meninggalkan fasilitas membutuhkan biaya sekitar $85.000 hingga $150.000 untuk instalasi.
Perhitungannya sederhana. Implementasinya tidak.
Verifikasi Label pada Kecepatan Lini Produksi
Lini pengemasan makanan beroperasi dengan cepat. Lini makanan ringan bisa berjalan 400 kantong per menit. Lini minuman bisa melebihi 1.200 botol per menit. Sistem visi perlu menangkap gambar label yang jelas, membaca teks, memverifikasi barcode, mengonfirmasi grafis sesuai dengan template yang diharapkan, dan membuat keputusan lolos/gagal dalam waktu yang dibutuhkan satu kemasan untuk melewati kamera. Pada 400 kemasan per menit, itu berarti 150 milidetik per kemasan.
Optical character recognition (OCR) menangani verifikasi teks, tetapi OCR label makanan lebih sulit daripada OCR dokumen biasa. Label dicetak pada permukaan melengkung, melalui overwrap transparan yang menciptakan pantulan, pada substrat metalik yang berubah tampilan sesuai sudut pandang, dan dengan ukuran teks sekecil 6 poin untuk informasi kepatuhan hukum. Mesin OCR konvensional kesulitan dengan kondisi ini. Model OCR deep learning yang dilatih pada gambar kemasan makanan berkinerja jauh lebih baik, mencapai akurasi karakter di atas 99,5% di lingkungan produksi.
Sistem ini memeriksa lebih dari sekadar teks. Sistem memverifikasi bahwa stok label yang benar sedang digunakan (mendeteksi skenario di mana operator memasang gulungan label yang salah setelah pergantian produk), mengonfirmasi bahwa label diposisikan dalam toleransi pada kemasan, memeriksa kualitas cetak (cetakan pudar, tinta tercoreng, bagian yang hilang), dan membaca barcode 1D atau 2D untuk mengonfirmasi kesesuaiannya dengan kode produk yang diharapkan.
Inspeksi Integritas Segel
Untuk kemasan fleksibel (pouch, kantong, flow wrap), integritas segel merupakan persyaratan keamanan pangan. Segel yang tidak sempurna atau terkontaminasi dapat memungkinkan masuknya mikroba, yang menyebabkan pembusukan atau penyakit bawaan makanan. Metode inspeksi segel tradisional (uji ledak, uji penetrasi pewarna) bersifat destruktif dan hanya dapat diterapkan pada sampel.
Sistem visi AI menginspeksi kualitas segel pada 100% kemasan secara non-destruktif. Kamera mengamati area segel melalui cahaya tembus (inspeksi backlit), di mana cacat segel seperti kerutan, kontaminasi di zona segel, dan fusi yang tidak sempurna tampak sebagai variasi transmisi cahaya. Model AI belajar membedakan antara variasi segel yang dapat diterima (kerutan minor yang tidak memengaruhi integritas hermetis) dan cacat sesungguhnya (kontaminasi produk di zona segel yang mencegah fusi penuh).
Inspeksi segel termal menambahkan lapisan pemeriksaan lainnya. Dengan mengambil gambar segel segera setelah stasiun penyegelan, kamera termal dapat mendeteksi area di mana suhu segel terlalu rendah (segel dingin, kemungkinan tidak terfusi) atau terlalu tinggi (segel terbakar, berpotensi melemah). AI mengorelasikan pola termal dengan hasil kualitas segel dari pengujian destruktif selama validasi untuk menetapkan ambang batas yang sesuai.
Pencegahan Kontak Silang Alergen
Salah satu aplikasi paling berharga adalah mendeteksi skenario kontak silang alergen selama pergantian produk. Ketika lini manufaktur beralih dari produk yang mengandung kacang tanah ke produk bebas kacang tanah, sistem visi dapat memverifikasi bahwa label yang benar (dengan deklarasi alergen yang benar) diterapkan pada produk yang benar. Ini terdengar sederhana, tetapi kesalahan pergantian produk adalah penyebab utama penarikan produk karena alergen yang tidak dideklarasikan.
Beberapa sistem canggih melampaui verifikasi label untuk menginspeksi produk itu sendiri. Misalnya, pada lini pengemasan kacang campuran, sistem visi dapat memverifikasi bahwa campuran kacang yang benar ada di setiap kantong dengan mengklasifikasikan kacang yang terlihat melalui kemasan transparan. Jika kantong "kacang mete saja" mengandung kacang tanah yang terlihat, sistem menandainya untuk penolakan.
Data Kepatuhan Regulasi
Selain mendeteksi kemasan cacat individual, sistem visi AI menghasilkan jenis data inspeksi yang berkelanjutan dan terdokumentasi yang semakin diharapkan oleh auditor regulasi. Setiap inspeksi kemasan dicatat dengan timestamp, gambar, hasil inspeksi, dan pemeriksaan spesifik yang dilakukan. Ketika inspektur FDA atau auditor pelanggan ritel meminta untuk melihat catatan kualitas Anda, memiliki data inspeksi 100% dengan gambar jauh lebih meyakinkan daripada rencana sampling dengan lembar pemeriksaan manual.
Data inspeksi juga mendukung kepatuhan FSMA (Food Safety Modernization Act) dengan menyediakan bukti terdokumentasi tentang kontrol preventif yang berjalan. Ketika cacat terdeteksi, sistem mencatat apa yang terjadi, kapan terjadi, dan tindakan korektif apa yang diambil (kemasan ditolak, lini dihentikan untuk investigasi, dll.). Ketertelusuran ini semakin menjadi persyaratan dasar untuk memasok peritel makanan besar.
Tantangan Implementasi
Tantangan praktis terbesar adalah pergantian produk. Pabrik makanan yang menjalankan 15 hingga 20 produk berbeda membutuhkan sistem visi yang dapat mengganti parameter inspeksi (template label, barcode, spesifikasi segel) secara mulus selama pergantian. Sebagian besar sistem menangani ini melalui integrasi dengan PLC lini, yang mengirimkan sinyal kode produk yang memicu resep inspeksi yang sesuai. Tetapi manajemen resep untuk puluhan produk, masing-masing dengan varian kemasan musiman, memerlukan perhatian berkelanjutan.
Pencahayaan adalah tantangan lain yang terus-menerus. Material kemasan fleksibel (film metalik, film transparan, film matte) masing-masing memantulkan cahaya secara berbeda, dan pengaturan pencahayaan yang dioptimalkan untuk satu material mungkin berkinerja buruk pada material lainnya. Susunan pencahayaan multi-sudut dan iluminasi terpolarisasi membantu, tetapi beberapa implementasi masih memerlukan profil pencahayaan khusus material yang berganti selama pergantian produk.
Teknologi ini menangani operasi pengemasan bervolume tinggi dan repetitif dengan sangat baik. Di mana teknologi ini kesulitan adalah pada pengemasan handcraft atau artisanal, di mana tampilan yang dapat diterima bervariasi secara signifikan dari satu unit ke unit lainnya. Sistem yang dilatih pada produk yang dikemas mesin mungkin mengalami kesulitan dengan bungkus yang dilipat tangan atau label artisan dengan variasi yang disengaja. Untuk aplikasi ini, tingkat false positive bisa menjadi tidak terkendali tanpa penyesuaian yang ekstensif.