Gıdada yabancı madde tespiti: doğal ürünü kurala dökemezsiniz

Gıdada her ürün birbirinden farklıdır. Kusuru bulmak için "kusur neye benzer" diye değil, "sağlam neye benzer" diye sormak gerekir.

Bir avuç kaju alın ve masaya dökün. Hiçbiri diğerinin aynısı değildir. Biri daha kıvrık, biri daha kısa, biri bir ucu hafif kırık; renkleri açık fildişinden koyu krem tonuna kadar değişir. Hepsi sağlamdır. Aralarından birinde ise küçük, koyu bir nokta vardır. Müşterinin paketi açtığında göreceği ve şikâyet edeceği tam olarak odur.

Gıdada görsel denetimin ve gıdada yabancı madde tespitinin temel sorusu budur: her biri farklı olan ürünler arasında, farklı olması gerekmeyeni nasıl bulursunuz? Bu yazıda kural tabanlı görüntü işlemenin neden zorlandığını, sağlamı öğrenen yapay zekânın soruyu nasıl tersine çevirdiğini ve görsel denetimin nerede durması gerektiğini anlatıyoruz.

Kuralın sınırı

Kural tabanlı görüntü işleme, her parçanın aynı olduğu üretimde iyi çalışır ama gıdada zorlanır. Çünkü gıdada "doğru" tek bir değer değil, geniş bir aralıktır. Eşiği sıkı tutarsanız sağlam ürünü atarsınız, gevşek tutarsanız kusuru kaçırırsınız.

Endüstriyel görüntü işlemede uzun süre kullanılan yöntem, kusuru kuralla tarif etmektir. Belirli bir renk eşiğinin altındaki piksel sayısı, nesnenin beklenen boyutu, kenarın şekli gibi ölçütler tanımlanır; bu ölçütlerin dışına çıkan ürün ayrılır.

Bir vida, bir kapak, bir conta için "doğru" bellidir. Ama gıdada kural koymaya kalktığınızda iki seçenekle karşılaşırsınız:

• Eşiği sıkı tutarsanız, doğal olarak biraz koyu ya da biraz farklı biçimli sağlam ürünler de reddedilir. Bu, fire demektir.
• Eşiği gevşek tutarsanız, gerçek kusurlar aralığın içinde kalır ve geçer. Bu da şikâyet demektir.

Üstelik her yeni ürün, her yeni hasat, hatta her yeni tedarikçi partisi bu dengeyi yeniden kurmayı gerektirebilir. Kuralı yazan mühendis için bu bitmeyen bir ayar işine dönüşür.

Gıdada yabancı madde tespiti nasıl yapılır?

Yapay zekâ ile gıdada yabancı madde tespiti, sisteme kusurları tarif ederek değil, sağlam ürünü göstererek yapılır. Sistem sağlamın ne kadar çeşitli olabileceğini öğrenir, banttan geçen her ürünü bu referansla karşılaştırır ve normalin dışına çıkan bölgeyi ısı haritası ile güven skoruyla işaretler. Daha önce hiç görülmemiş bir cisim de sağlamdan saptığı için öne çıkar.

Bu yaklaşıma anomali tespiti denir ve gıda için iki önemli sonucu vardır. Birincisi, kusur listesi gerekmez. Bir üretim hattında ortaya çıkabilecek her kusuru ya da her yabancı maddeyi önceden bilmek imkânsızdır. İkincisi, doğal çeşitlilik sorun olmaktan çıkar, çünkü sistem bu çeşitliliği zaten "sağlam" olarak öğrenmiştir.

ISEE Vision'ın gıda ve ambalaj kalite kontrol için geliştirdiği yapay zekâ destekli görsel denetim sistemi hatta bağımsız bir istasyon olarak eklenir. Işık yalıtımlı kapalı bir kutu ve kontrollü aydınlatma kullanır, 250 m/dk'ya kadar hızlarda çalışır ve numune değil, her ürünü kontrol eder. Görüntüler cihaz üzerinde işlenir; buluta bağımlı değildir ve veri tesiste kalır.

Hangi sapmanın uyarı üreteceğini işletme belirler. Hassasiyet ve kabul sınırı ürün bazında ayarlanan bir eşiktir, böylece karar operatörün o anki yorumuna değil tanımlı bir eşiğe bağlanır. Bu mantığı farklı sektörlerden örneklerle anlattığımız anomali tespiti ve endüstriyel uygulamaları yazımıza da göz atabilirsiniz.

İki örnek, iki farklı soru

Gıdada görsel denetim iki ayrı soruya cevap verir: ürünün kendisi sağlam mı ve ürünün içinde olmaması gereken bir şey var mı? Aynı referans mantığı ikisine de uygulanır. Fark, sistemin "sağlam" olarak neyi öğrendiğindedir.

Kajuda koyu nokta: "Bu ürün sağlam mı?"

Numune çalışmalarımızdan bir kaju kaydında, her tane farklı biçimde ve farklı açıyla bantta duruyordu. Sistem bu çeşitliliğe rağmen, koyu noktası olan tanenin üzerindeki sapmayı ısı haritasında işaretledi. Burada sorulan soru ürünün kendisiyle ilgiliydi: bu tane, öğrenilen sağlam kaju aralığının içinde mi?

Damacanada yabancı madde: "Burada olmaması gereken bir şey var mı?"

Damacana örneği farklı bir soruyu temsil ediyor. Burada ürün, yani su, görsel olarak hep aynıdır; aranan şey ürünün içine karışmış bir cisimdir. Bir damacana kaydında dipte birden fazla yabancı cisim vardı ve sistem bunların her birini ayrı ayrı işaretledi. Yabancı maddenin ne olduğunu önceden tanımlamak gerekmedi; sağlam damacanada orada hiçbir şey olmadığını öğrenmesi yeterliydi.

ISEE Vision Anomali Tespiti damacananın iç hacmini tarar ve bulduğu partikülleri boyut ve özelliklerine göre birbirinden ayırt eder. Böylece farklı türdeki partiküller tek bir "kusur" etiketi altında toplanmaz, ayrı ayrı değerlendirilebilir.

Bu iki örnek, aynı yaklaşımın gıdada iki farklı ihtiyaca cevap verebildiğini gösteriyor: doğal ürünün kendisindeki kusur ve ürüne karışan yabancı madde.

Yabancı madde tespitinde görsel denetim neyi görür, neyi görmez?

Kamera ile yabancı madde tespiti, görüntüde görünen şeyi bulur: ürünün yüzeyindeki leke ve kusuru, şeffaf bir kabın içindeki cismi, ambalajın dışındaki hatayı. Opak bir ürünün ya da kapalı bir paketin içine gömülü metal veya cam parçasını göremez. Orada metal dedektörü ya da X-ray gibi yöntemler görevini sürdürür.

Bunu açıkça söylemek önemli, çünkü "yapay zekâ her şeyi görür" beklentisiyle kurulan bir sistem, en kritik noktada güveni kaybeder. Görsel denetim, HACCP planınızdaki mevcut kontrollerin yerine geçmez; gözle görülebilen kusurlar ve şeffaf ortamdaki cisimler için onları tamamlar.

Ambalaj tarafı, yani etiket, kapak, barkod ve dolum seviyesi, ayrı bir yazının konusu. Ayrıntıları dolum hattında görsel denetim yazımızda bulabilirsiniz.

Kurulumda dikkat edilecekler

Yazılım ne kadar esnek olursa olsun, gıdada iyi sonucun yarısı kamera ve ışıkta saklıdır. Ürünlerin bantta üst üste binmeden, tek katman hâlinde akması gerekir. Aydınlatma, parlak yüzeylerde yansıma yapmayacak, şeffaf ambalajda ise yabancı cismi öne çıkaracak şekilde kurgulanmalıdır.

Bu yüzden denetim kutusu her hat için ayrıca tasarlanır: kamera sayısı, lens, ışık açısı ve çalışma mesafesi hattın kendisine göre seçilir. Kameranın nereye konacağı, ürünün hangi yüzünün görüleceği ve ayırma mekanizmasının kaç metre ileride olduğu, hattı yerinde görerek birlikte karar verilmesi gereken sorulardır.

Elle ayıklamada göz neden yetmiyor?

Elle ayıklamada deneyimli bir gözün çok şey yakaladığı doğrudur, ama en iyi koşullarda bile kusurların bir kısmı geçer. Hızlı akan, küçük ve birbirine benzeyen ürünlerde bu sınır daha da zorlanır. Sorun ayıklayıcının becerisi değil, işin doğasıdır.

Pek çok gıda tesisinde ayıklama hâlâ elle yapılır: bant akar, çalışanlar kusurlu ürünü ayırır. Görsel muayenenin sınırını iyi gösteren çalışmalardan biri gıdadan değil, savunma sanayisinden geliyor: Sandia Ulusal Laboratuvarları'nda 82 deneyimli muayeneci, nükleer silahlar için üretilmiş 140 hassas parçayı sekiz kusur tipi açısından inceledi (See, Human Factors, 2015). Muayeneciler kusurlu parçaların %85'ini doğru biçimde reddetti. Yazara göre bu oran, sektör için bildirilen %80 civarındaki ortalamanın çok üzerinde değil; yani tipik bir görsel muayenede kabaca her beş kusurdan biri geçebiliyor. Bu çalışmada yüksek yakalama oranı, sağlam parçaların %35'inin de reddedilmesi pahasına geldi; yazar bu kadar yüksek bir ıskarta oranının görsel muayenede tipik olmadığını not ediyor. Gıdadaki karşılığı açıktır: kaçan kusur şikâyete, eşiği sıkılaştırınca atılan sağlam ürün ise fireye dönüşür.

Gıdada kaçan kusurun bedeli de diğer sektörlerden farklıdır. Kusurlu bir metal parça müşteride iade edilir; kusurlu ya da yabancı madde içeren bir gıda ürünü ise marka itibarı, geri çağırma ve tüketici güveni meselesine dönüşebilir.

Kararı kim verir?

Sistem bir ürünü işaretlediğinde bunu ısı haritası, güven skoru ve kusurun görüntüsüyle gösterir. Ne olacağını işletme ayarlar: yalnızca uyarı, uyarı ile birlikte hat durdurma ya da tam otomatik ayırma. Siren, ışık kulesi, ekran bildirimi, e-posta ve PLC ya da röle çıkışı üzerinden ayırma mekanizmasına sinyal kullanılabilir.

Ama işaretlenen ürünün ıskartaya mı ayrılacağı, yeniden işleneceği mi yoksa kabul mü edileceği kalite ekibinin kararıdır. Gıdada bu ayrım önemlidir: bir yabancı madde tespiti ile küçük bir renk sapması aynı şekilde ele alınmaz ve bu ayrımı işletmenin kendi kalite politikası belirler.

Kayıt: denetimde ne gösterirsiniz?

Gıda üreticileri HACCP, BRCGS ya da IFS gibi sistemler kapsamında düzenli denetimlerden geçer. Bu denetimlerde sıkça sorulan şey, kontrolün yapıldığına dair kanıttır.

Her tespit zaman damgasıyla, orijinal görüntü, ısı haritası ve güven skoruyla saklanır. Kayıtlar web tabanlı yönetim panelinde parti, vardiya, ürün ve kusur tipine göre filtrelenebilir; günlük, haftalık ve aylık raporlar hazırlanır. Bu kayıtlar denetimlerde kontrol faaliyetinizi belgelemeye yardımcı olur. Sistemin kendisi bir sertifika ya da uyum garantisi sağlamaz; ama "bu partide ne gördünüz?" sorusuna görüntülü bir cevap vermeyi kolaylaştırır.

Sık sorulan sorular

Yapay zekâ metal dedektörünün ya da X-ray'in yerini alır mı?

Hayır. Kamera yalnızca görüntüde görünen şeyi bulur. Opak ürünün ya da kapalı paketin içindeki metal veya cam için metal dedektörü ya da X-ray kullanılmaya devam eder; görsel denetim yüzey kusurlarını ve şeffaf ortamdaki cisimleri ekler.

Sezon ya da ürün değiştiğinde sistemi baştan mı eğitmek gerekir?

Hayır. Yeni ürün sağlam numuneleriyle birkaç dakika içinde tanıtılır ve ürün koduyla bir profil olarak kaydedilir. Kayıtlı ürün yeniden geldiğinde panelden tek dokunuşla çağrılır; mekanik ayar ya da yeniden kurulum gerekmez.

Sistem hattı durdurur mu?

Müşteri isterse durdurur. Röle ya da PLC üzerinden hat durdurma mümkündür, ama yalnızca uyarı ya da otomatik ayırma da seçilebilir. Ayrılan ürüne ne olacağına kalite ekibi karar verir.

Kayıtlar HACCP ya da BRCGS denetimini garanti eder mi?

Etmez. Görüntülü kayıtlar ve raporlar kontrol faaliyetinin belgelenmesine yardımcı olur, ama uyum işletmenin kalite sisteminin bütünüyle değerlendirilir.

Özetle: sağlamın neye benzediğini gösterin

Doğal ürünü kurala dökmek zordur; ama sağlam ürünün neye benzediğini göstermek kolaydır. Gıdada yabancı madde tespiti ve kusur kontrolünde sağlamı öğrenen yaklaşım bu yüzden işe yarar.

• Kural tabanlı sistemlerde gıdanın doğal çeşitliliği ya fireye ya da kaçan kusura dönüşür; sağlamı öğrenen sistem bu çeşitliliği normal kabul eder.
• Aynı mantık hem ürünün kendisindeki kusuru hem de şeffaf kaptaki yabancı cismi bulur.
• Görsel denetim, opak ürün içindeki metal ve cam için metal dedektörünün veya X-ray'in yerini almaz; onları tamamlar.
• Sistem her ürüne bakar ve kaydeder; ıskarta, yeniden işleme ya da kabul kararı kalite ekibinde kalır.

ISEE Vision'ın tüm anomali tespiti çözümlerini ayrıca inceleyebilirsiniz. Bandınızdan bir kasa sağlam ürün ve elinizdeki birkaç kusurlu örnekle başlayabiliriz. Bizimle iletişime geçin, numunenizi getirin; ücretsiz denemede sistemin sizin ürününüzde neyi işaretlediğini birlikte görelim.

İletişim: info@isee-vision.com · +90 216 455 95 44