X5 Tech、Nord Clan和布勒展示神经网络如何在生产线上剔除缺陷包装和胴体：准确率最高99%，投资回收期约20个月。
食品生产企业正从抽检转向全线视觉检测：传送带上的摄像头分析每一件产品，神经网络向剔除装置发送信号。据2026年10月22日发布的行业综述，此类系统已走出试点阶段，在成品餐厨房、禽肉加工厂和粮食加工企业的真实生产线上运行。
成品餐厨房：包装缺陷识别率超过95%。俄罗斯零售集团X5旗下X5 Tech的计算机视觉能力中心于2026年5月宣布，在合作伙伴的成品餐厨房试点部署该系统。摄像头评估封口质量——这是无氧包装产品的关键参数——并检查EAN-13条形码和DataMatrix码的数据正确性与位置。公司称系统可发现95%以上的缺陷，商店退货预计减少80%至90%。
“包装缺陷首先是质量和食品安全问题，而不只是外观问题。人工智能排除了人为因素，在不干扰生产流程的情况下使检测更有效，”X5食品安全总监叶莲娜·克鲁普斯卡娅表示。
禽肉厂：日检7000只胴体。俄罗斯开发商Nord Clan在“昌津斯卡娅”禽肉厂（“好事业”农业集团，俄罗斯禽肉产量前十）部署了ML Sense系统。两台摄像头从不同角度拍摄胴体，算法识别割伤、淤血等损伤。系统每天检测约7000只胴体，缺陷识别准确率达99%，分析结果传输至自动剔除装置；此前该工序由人工完成。
- 昌津斯卡娅传送带日处理约7000只胴体；
- ML Sense宣称缺陷识别准确率99%；
- 采集5000张图像用于模型训练；
- X5 Tech系统可发现95%以上的包装缺陷；
- 商店退货预计减少80%至90%。
昌津斯卡娅项目无需停线或更换现有设备，结构件采用不锈钢制造。该系统已列入俄罗斯国产软件名录。
粮食光学分选。瑞士布勒（Bühler）于2025年推出SORTEX AI700光学分选机：深度学习算法可将小麦、大麦和黑麦籽粒与用于无麸质产品的燕麦分离。2026年9月，公司称该设备已在燕麦加工企业使用。其经济意义不仅在于发现杂质，还在于不把优质原料与杂质一起丢进废料。
海外方面，意大利Specialvideo基于Ultralytics YOLO神经网络模型开发的方案可统计披萨上的配料并发现分布偏差：识别准确率最高99%，单张披萨分析时间不足250毫秒，而生产节拍为600毫秒。墨西哥La Próxima Estación安装了两台KEYENCE IV4智能视觉传感器，检测异物和颜色异常产品，并自行与剔除机构联动。美国Oxipital AI称其OX1系统在冷冻披萨工厂试点，预计每条生产线每年节省超过10万美元（供应商预测）。
项目经济性。按情景测算：生产线日产5万包，早期发现异常并调整工艺可将不可回收损失占比从1%降至0.4%。按每件40卢布的可避免损失、每年250个工作日计算，年效益为300万卢布。若设备、软件与集成投入400万卢布，年维护60万卢布，简单投资回收期约为20个月。这是情景估算，并非市场平均水平。
规模化的障碍。主要障碍不是摄像头，而是数据质量与生产集成：神经网络需针对具体生产线的缺陷进行训练，在照明、产品结构和包装变化时重新验证，并评估漏检与误剔。摄像头不能替代实验室检测：微生物污染和许多内部缺陷无法用普通摄像头可靠识别。
“主要效果出现在视频检测与工艺控制相连接的地方：系统不仅剔除缺陷品，还能显示在哪次设备调整之后缺陷增多，”俄罗斯政府财政大学副教授伊尔努尔·哈萨诺夫表示。
副教授阿列克谢·切尔尼亚科夫认为，此类系统改变了检测组织方式：专业人员从持续盯守传送带转为复核争议案例、分析偏差并制定质量标准。食品安全责任仍由企业承担。
结论：优势不属于摄像头更多的工厂，而属于能把视觉检测结果转化为损失下降、质量稳定和成本可控的企业。
来源: 《Vedomosti》报
