AI-automatisering til fødevareindustrien — sådan fungerer det
Af Tommy Jonsson, Adm. direktør, Byte Motion · Opdateret 2026-09-03
AI-automatisering til fødevareindustrien kobler industrikameraer til AI-modeller, der er trænet på producentens egne billeder, så inspektion, størrelsesmåling og pallekontrol fortsætter med at virke gennem den modenheds-, form- og sæsonvariation, der slår regelbaserede systemer ud. Installationer i drift omfatter palleinspektion af laks, pallekontrol hos en mejeriproducent og størrelsesmåling af gulerødder.
Hvad AI-automatisering betyder i fødevareforarbejdning
AI-automatisering til fødevareforarbejdning bruger kameraer koblet til AI-modeller, der er trænet på producentens egne produkter, til at inspicere, måle, tælle og dirigere emner ved fuld linjehastighed. I stedet for faste regler lærer modellerne, hvordan et godkendt produkt ser ud, ud fra rigtige eksempler, så de fortsætter med at virke, når modenhed, form og størrelse varierer naturligt hen over en høst, et parti eller et skift.
I praksis dækker den tilgang tre områder, som denne guide gennemgår: at fange defekter og forurening på linjen, at måle og tælle varierende råvarer forud for pakkebeslutninger og at verificere paller, før de forlader anlægget. Hvert område har en installation i drift bag sig — fra en norsk lakseeksportør til en mejeriproducent til en gulerodspakker.
Hvorfor fødevarer slår traditionel regelbaseret vision ud
Traditionelle visionsystemer træffer beslutninger ud fra regler, en ingeniør har skrevet i hånden: en lysstyrketærskel, en kanttælling, et størrelsesvindue som et godkendt produkt skal falde inden for. Det virker pålideligt på ensartede, fremstillede dele inspiceret under kontrolleret belysning. Det virker langt mindre pålideligt på fødevarer, for fødevarer er ikke fremstillet efter en fast geometri — de vokser, modnes og varierer med sæsonen.
Ingen to gulerødder har præcis samme facon. En laksekasse ligger aldrig helt ens på en palle to gange. Overhænget på en mejeripalle afhænger af, hvordan netop den last blev stablet og pakket ind den morgen. En tærskel, der er kalibreret til sommerens råvare, fejlklassificerer ofte det samme produkt om vinteren, når farve og størrelse ændrer sig med årstiden — og hver fejlklassifikation betyder endnu en runde manuel genkalibrering, indtil systemet til sidst kobles fra, og linjen stille glider tilbage til manuel inspektion.
AI-vision trænes på netop den variation i stedet for at blive slået ud af den. En model, der har set tilstrækkeligt mange mærkede eksempler på godkendte og defekte produkter, lærer grænsen mellem naturlig variation og en reel fejl direkte fra billederne, uden at nogen behøver skrive en regel for "denne gulerod er misformet" eller "denne kasse hænger over kanten". Den samme tilgang — træning på variation frem for faste tærskler — er grunden til, at Byte Motion også kører AI-inspektion uden for fødevareområdet, på uregelmæssige nikkelstykker og på trælinjer med klemningsrisiko, fordi det underliggende problem er identisk: produkter, der varierer på måder, faste regler ikke kan forudse.
AI-baseret inspektion og sortering til fødevarekvalitet
Et AI-kvalitetskontrolsystem, der er trænet på billeder fra en fødevarelinje, kan fange overfladeskader, forurening, fremmedlegemer, forkerte etiketter, dimensionsfejl samt farve- og modenhedsafvigelser — stort set alt, en trænet kontrollant ville kunne se, men kontrolleret på hvert eneste emne i stedet for et stikprøve. Kameraerne matches til opgaven: 2D-kameraer til farve og form, 3D-kameraer når geometri og volumen betyder noget, linjekameraer til hurtigtbevægeligt materiale på et transportbånd.
En detektion har kun værdi, hvis der sker noget bagefter. Afhængigt af processen kan en afgørelse udløse, at en robot fjerner emnet, at der sendes et signal til PLC'en om at dirigere det om, eller at der udløses en alarm med inspektionsbilledet vedhæftet, så en medarbejder kan handle på det. Fordi hvert produkt passerer et kamera, kan hvert resultat også logges, så et kvalitetsteam får en løbende afvisningsrate pr. linje og skift i stedet for en stikprøvekontrol en gang i timen.
Automatiseret palle- og logistikinspektion til fødevarer og kølekæden
Palleinspektion er dér, hvor fødevareautomatisering for alvor betaler sig i logistikken frem for i selve produktionen. Fugtig karton, frost, reflekterende strækfilm og naturlig kassevariation er præcis de forhold, der slår regelbaseret vision ud — og en overset fejl her er dyr, fordi en afvist leverance betyder fragtomkostninger, kreditnotaer og en anstrengt relation til den, der venter i den anden ende af kølekæden.
Hos MOWI, en af verdens største producenter af opdrættet laks, inspicerer to RealSense 3D-kameraer 100 % af de udgående paller for overhæng, ødelagte kasser og kasseantal. AGV'er henter hver palle til inspektionsområdet og signalerer, når den er klar; paller, der godkendes, fortsætter til en mærkningsrobot, som printer og placerer den korrekte etiket hentet fra MOWI's ERP-system, mens paller, der fejler et kriterium, automatisk dirigeres til manuel gennemgang. Hver inspiceret palle fotograferes og arkiveres, hvilket giver MOWI et fuldt revisionsspor, det kan trække frem, når en kunde et sted i et distributionsnetværk på over 25 lande gør indsigelse mod en leverance.
En mejeriproducent kører en tilsvarende løsning med fire RealSense D455 3D-kameraer placeret rundt om inspektionsområdet, som opbygger en digital tvilling af hver indkommende palle for at kontrollere lasten mod indstillede grænseværdier for overhæng, dimensioner og pallebasens placering. Systemet er koblet til anlæggets industrielle netværk via en LabJack T4-enhed, modtager et klarsignal og sender sin godkend- eller afvis-afgørelse direkte til PLC'en. Ligesom hos MOWI fotograferes hver palle ind i et mediebibliotek, og antallet af klager over transportskader faldt, da pakkefejl blev fanget ved kilden i stedet for opdaget efter lastning.
Størrelsesmåling, optælling og pakning af råvarer
At måle, tælle og pakke fødevarer i hånden er repetitivt arbejde, og repetitivt arbejde er netop dér, menneskelige fejl sniger sig ind — ujævne vægte, fejltællinger og emballage, der ikke stemmer med etiketten. En landbrugsproducent stod over for præcis det problem med gulerødder: personalet håndterede, målte, talte og pakkede hvert parti i hånden ud fra vægt- og mængdekrav.
Den installerede løsning træner en AI-model med et 2D Nano C2020-kamera til at registrere hver enkelt gulerod og estimere dens størrelse og vægt, mens båndsporing med encoder følger hver gulerod hen over transportbåndet. Personalet skal nu blot lægge gulerødderne i de dedikerede lommer — systemet måler og tæller dem automatisk, og i det øjeblik en pakke rammer sin målvægt, signalerer det til pakkemaskinen om at starte. Manuel måling og optælling blev overflødig, pakkevægtene blev jævnere — hvilket reducerede både overfyldning og undervægtige afvisninger — og kapaciteten steg, uden at selve pakkelinjen skulle bygges om.
Hvilke opgaver kan AI-automatisering håndtere på en fødevarelinje?
AI-automatisering på en fødevarelinje dækker typisk fire opgaver: at inspicere produkter for defekter og forurening, at måle og tælle varierende råvarer for at drive pakkebeslutninger, at verificere paller og emballage før afsendelse, og at sende grænsetilfælde videre til en person i stedet for at gætte. Hver opgave kører efter samme metode — kameraer og AI-modeller trænet på producentens egne billeder.
Hvilken kombination der er relevant, afhænger af, hvor flaskehalsen reelt sidder. En forarbejdningsvirksomhed, der leverer til mange lande, som MOWI, får størst værdi af palleverificering og sporbarhed. En pakker, der håndterer naturlige råvarer, som gulerodsvirksomheden ovenfor, får størst værdi af automatiseret størrelsesmåling og optælling. De fleste fødevarevirksomheder har til sidst brug for begge dele: ren vare ind og en verificeret palle ud.
Kan AI-automatisering integreres med eksisterende fødevarelinjer og udstyr?
Som regel, ja. AI-automatisering tilføjes typisk omkring eksisterende transportbånd, robotter, PLC'er og ERP-systemer i stedet for at kræve en fuld udskiftning af linjen, fordi den underliggende platform er kamera- og robotagnostisk og kommunikerer med det eksisterende anlægsudstyr via gængse industrielle protokoller frem for en proprietær grænseflade.
MOWI's palletsystem er for eksempel koblet til AGV'er, en mærkningsrobot og det eksisterende ERP-system som endnu et trin i det udgående flow, de allerede havde, og mejerisystemet er koblet til anlæggets PLC gennem en standard industriel grænseflade. Den integrationsfokuserede tilgang har betydning, fordi de fleste fødevareproducenter allerede har investeret i transportbånd, robotter og styresystemer med flere års levetid tilbage. Det praktiske spørgsmål er sjældent, om udstyret skal udskiftes — det er, om AI kan tilføjes oven på det, og for installationerne ovenfor har svaret været ja.
Kom i gang: bevis det på jeres eget produkt
Den eneste måde at vide, om AI-automatisering reelt vil virke pålideligt på jeres specifikke produkt, er at teste det på jeres egne billeder — ikke en demovideo af en andens produkt. Byte Motion kører dette som et forstudie: en afgrænset gennemførlighedsfase, hvor billeder indsamles fra jeres linje, modeller trænes, og detektions- eller målenøjagtigheden bevises mod jeres kriterier, før noget produktionsansvar indgås.
Overvejer I AI-automatisering til en fødevareforarbejdnings- eller logistiklinje, så kontakt Byte Motion for at drøfte jeres produkt og proces — vi svarer inden for én arbejdsdag.