AI automatizacija za prehrambenu industriju — kako funkcionira
Autor Tommy Jonsson, CEO, Byte Motion · Ažurirano 2026-09-03
AI automatizacija za prehrambenu industriju povezuje industrijske kamere s AI modelima treniranim na vlastitim slikama proizvođača, tako da inspekcija, mjerenje veličine i provjera paleta nastavljaju raditi kroz zrelost, oblik i sezonsku varijaciju koja slama sustave temeljene na pravilima. Implementirani primjeri obuhvaćaju inspekciju paleta lososa, provjeru paleta u mljekarstvu te mjerenje veličine i pakiranje mrkvi.
Što AI automatizacija znači za prehrambenu preradu
AI automatizacija za prehrambenu preradu koristi kamere povezane s AI modelima treniranim na proizvodima samog proizvođača, kako bi se proizvodi pregledavali, mjerili, brojali i usmjeravali pri punoj brzini linije. Umjesto fiksnih pravila, modeli iz stvarnih primjera uče kako izgleda ispravan proizvod, pa nastavljaju raditi dok se zrelost, oblik i veličina prirodno mijenjaju kroz berbu, seriju ili smjenu.
U praksi taj pristup obuhvaća tri područja koja slijede u nastavku: otkrivanje grešaka i kontaminacije na liniji, mjerenje i brojanje promjenjivih sirovina za odluke o pakiranju te provjeru paleta prije nego što napuste pogon. Iza svakog stoji stvarna implementacija — kod norveškog izvoznika lososa, proizvođača mliječnih proizvoda i pakirnice mrkvi.
Zašto prehrambeni proizvodi slamaju tradicionalnu viziju temeljenu na pravilima
Tradicionalna vizija odlučuje prema pravilima koja ručno piše inženjer: prag svjetline, broj rubova, prozor veličine u koji ispravan proizvod mora upasti. To pouzdano funkcionira na jednoličnim, industrijski izrađenim dijelovima pregledanim pod kontroliranom rasvjetom. Na hrani funkcionira znatno lošije, jer hrana se ne proizvodi prema fiksnoj geometriji — ona raste, zrije i mijenja se sa sezonom.
Nema dvije mrkve istog oblika. Kutija lososa nikad ne leži na paleti dvaput na isti način. Prevjes na mljekarskoj paleti ovisi o tome kako je baš taj teret te jutro slagan i omatan. Prag podešen za ljetnu sirovinu često pogrešno klasificira isti proizvod zimi, kada se boja i veličina mijenjaju sa sezonom, a svaka pogrešna klasifikacija znači još jedan krug ručnog podešavanja — sve dok se sustav ne zaobiđe, a linija tiho ne vrati na ručnu inspekciju.
AI vision se na toj varijaciji upravo trenira, umjesto da je ona pobijedi. Model kojem se pokaže dovoljno označenih primjera ispravnih i neispravnih proizvoda uči granicu između prirodne varijacije i stvarne greške izravno iz slika, bez da itko piše pravilo za "ova mrkva je deformirana" ili "ova kutija prelazi rub". Isti pristup — treniranje na varijaciji umjesto na fiksnim pragovima — razlog je zašto Byte Motion AI inspekciju provodi i izvan prehrambene prerade, na nepravilnim komadima nikla i na transporterima za drvnu građu sklonim zastojima zbog zaglavljenih dasaka, jer je temeljni problem isti: proizvodi koji variraju na način koji fiksna pravila ne mogu predvidjeti.
AI inspekcija i klasifikacija za kontrolu kvalitete hrane
AI sustav za kontrolu kvalitete treniran na slikama s prehrambene linije može uočiti površinska oštećenja, kontaminaciju, strane predmete, pogrešne etikete, dimenzijske greške te odstupanja boje ili zrelosti — u širem smislu, sve što bi uočio istrenirani kontrolor, samo provjereno na svakom pojedinom proizvodu umjesto na uzorku. Kamere se biraju prema zadatku: 2D kamere za boju i oblik, 3D kamere kad su bitni geometrija i volumen, linijske kamere za brzo pokretan materijal na transporteru.
Detekcija ima vrijednost samo ako nešto uslijedi. Ovisno o procesu, odluka može pokrenuti robota da ukloni proizvod, signal PLC-u da ga preusmjeri, ili alarm s priloženom slikom inspekcije kako bi radnik mogao reagirati. Budući da svaki proizvod prolazi ispred kamere, svaki rezultat može se i bilježiti, dajući timu za kvalitetu stopu škarta uživo po liniji i smjeni, umjesto ručne provjere jednom na sat.
Automatizirana inspekcija paleta i logistike za hranu i hladni lanac
Inspekcija paleta upravo je ono područje gdje se prehrambena automatizacija najviše isplati u logistici, a ne u proizvodnji. Mokra kartonska ambalaža, mraz, reflektirajuća stezna folija i prirodna varijacija veličine kutija upravo su uvjeti koji slamaju viziju temeljenu na pravilima — a propuštena greška ovdje je skupa, jer odbijena isporuka znači troškove prijevoza, kreditne note i napetu vezu s onim tko čeka na drugom kraju hladnog lanca.
Kod MOWI-ja, jednog od najvećih svjetskih proizvođača uzgojenog lososa, dvije RealSense 3D kamere pregledavaju 100 % izlaznih paleta na prevjes, oštećene kutije i broj kutija. AGV vozila dovode svaku paletu u zonu inspekcije i javljaju kad je spremna; palete koje prođu nastavljaju do robota za etiketiranje, koji ispisuje i postavlja ispravnu etiketu preuzetu iz MOWI-jevog ERP sustava, dok se palete koje ne zadovolje neki kriterij automatski usmjeravaju na ručnu provjeru. Svaka pregledana paleta fotografira se i arhivira, dajući MOWI-ju potpun revizijski trag kojim se koristi kad kupac bilo gdje u distribucijskoj mreži koja obuhvaća više od 25 zemalja ospori isporuku.
Proizvođač mliječnih proizvoda provodi usporediv sustav s četiri RealSense D455 3D kamere postavljene oko zone inspekcije, koje grade digitalni blizanac svake pristigle palete kako bi se teret provjerio prema podešenim pragovima za prevjes, dimenzije i položaj baze. Sustav se putem LabJack T4 uređaja povezuje s industrijskom mrežom pogona, prima signal da je paleta spremna i šalje verdikt izravno PLC-u. Kao i kod MOWI-ja, svaka se paleta fotografira u mediateku, a reklamacije zbog oštećenja u transportu smanjile su se nakon što su se greške u pakiranju počele hvatati na izvoru, a ne nakon utovara.
Mjerenje veličine, brojanje i automatizacija pakiranja sirovina
Ručno mjerenje, brojanje i pakiranje hrane ponavljajući je posao, a ponavljajući posao upravo je mjesto gdje se uvlači ljudska pogreška — nedosljedne težine, pogrešno brojanje i pakiranje koje ne odgovara etiketi. Poljoprivredni proizvođač suočio se točno s tim problemom kod mrkvi: osoblje je ručno rukovalo, mjerilo, brojalo i pakiralo svaku seriju prema zahtjevima težine i količine.
Implementirano rješenje trenira AI model na 2D Nano C2020 kameri za detekciju svake mrkve i procjenu njezine veličine i težine, dok praćenje transportera uz enkoder prati svaku mrkvu duž trake. Osoblje sada mrkve samo stavlja u predviđene džepove; sustav ih automatski mjeri i broji, a čim paket dosegne ciljnu težinu, signalizira stroju za pakiranje da počne. Ručno mjerenje i brojanje eliminirani su, težine pakiranja postale su ujednačenije — smanjujući i prekomjerno pakiranje i odbačene lakše pakete — a kapacitet je porastao, sve bez izmjena same linije za pakiranje.
Koje zadatke AI automatizacija može preuzeti u prehrambenoj proizvodnji?
AI automatizacija na prehrambenoj liniji obično pokriva četiri zadatka: pregled proizvoda na greške i kontaminaciju, mjerenje i brojanje promjenjivih sirovina radi odluka o pakiranju, provjeru paleta i ambalaže prije otpreme te usmjeravanje graničnih slučajeva prema čovjeku umjesto nagađanja. Svi se temelje na istoj metodi — kamerama i AI modelima treniranim na vlastitim slikama proizvođača.
Koja je kombinacija relevantna ovisi o tome gdje se uska grla zapravo nalaze. Prerađivač koji isporučuje u mnogo zemalja, poput MOWI-ja, najviše koristi ima od provjere paleta i sljedivosti. Pakirnica koja rukuje prirodnim sirovinama, poput gore opisane proizvodnje mrkvi, najviše koristi ima od automatiziranog mjerenja veličine i brojanja. Većini prehrambenih pogona na kraju je potrebno oboje: čist proizvod na ulazu i provjerena paleta na izlazu.
Integrira li se AI automatizacija s postojećim prehrambenim linijama i opremom?
Uglavnom da. AI automatizacija obično se dodaje oko postojećih transportera, robota, PLC-ova i ERP sustava, umjesto da zahtijeva potpunu zamjenu linije, jer je temeljna platforma neovisna o kamerama i robotima te komunicira s postojećom opremom pogona putem standardnih industrijskih protokola, a ne vlasničkog sučelja.
MOWI-jev sustav za palete, primjerice, povezuje se s AGV vozilima, robotom za etiketiranje i postojećim ERP sustavom kao još jedan korak unutar izlaznog toka koji je pogon već imao, a mljekarski sustav povezuje se s PLC-om pogona putem standardnog industrijskog sučelja. Taj pristup usmjeren na integraciju bitan je jer je većina prehrambenih proizvođača već uložila u transportere, robote i upravljačke sustave s još nekoliko godina korisnog vijeka. Praktično pitanje rijetko je treba li tu opremu zamijeniti — nego može li se AI dodati iznad nje. Za implementacije opisane iznad, odgovor je bio potvrdan.
Prvi korak: dokažite to na vlastitom proizvodu
Jedini način da se sazna hoće li AI automatizacija pouzdano raditi na vašem konkretnom proizvodu jest testirati je na vlastitim slikama, a ne na demo videu tuđeg proizvoda. Byte Motion to provodi kao predstudiju: fazu izvedivosti fiksnog opsega u kojoj se prikupljaju slike s vaše linije, treniraju modeli, a točnost detekcije ili mjerenja dokazuje se prema vašim kriterijima prije bilo kakve odluke o proizvodnji.
Ako procjenjujete AI automatizaciju za prehrambenu liniju ili logistički tok, kontaktirajte Byte Motion i razgovarajmo o vašem proizvodu i procesu — odgovaramo unutar jednog radnog dana.