AI-automatisering for matindustrien — slik fungerer det
Av Tommy Jonsson, Daglig leder, Byte Motion · Oppdatert 2026-09-03
AI-automatisering for matindustrien kobler industrikameraer til AI-modeller trent på produsentens egne produktbilder, slik at inspeksjon, størrelsesmåling og pallkontroll fortsetter å fungere gjennom den modenheten, formen og sesongvariasjonen som slår ut regelbaserte systemer. Driftsatte eksempler omfatter palleinspeksjon av laks, pallkontroll hos en meieriprodusent og størrelsesmåling av gulrøtter.
Hva AI-automatisering for matindustrien betyr i praksis
AI-automatisering for matindustrien handler om å koble kameraer til AI-modeller trent på produsentens egne produkter, slik at mat kan inspiseres, måles, telles og sorteres i full linjehastighet. Der faste regler bare kjenner sine egne grenser, lærer modellene hvordan et godkjent produkt ser ut fra virkelige eksempler, og fortsetter derfor å fungere selv når modenhet, form og størrelse varierer naturlig.
I praksis fordeler dette seg på tre områder som denne guiden går gjennom: å fange opp defekter og forurensning på linjen, å måle og telle varierende råvarer før pakking, og å verifisere paller før varene forlater anlegget. Bak hvert område ligger en driftsatt løsning — hos en norsk lakseeksportør, en meieriprodusent og en gulrotpakker.
Hvorfor tradisjonell regelbasert visjon ikke strekker til for mat
Regelbasert visjon tar avgjørelser ut fra terskler en ingeniør har skrevet for hånd: en lysstyrkeverdi, en kantdeteksjon, et størrelsesintervall et godkjent produkt må havne innenfor. Det fungerer utmerket på ensartede, industrielt fremstilte komponenter under kontrollert belysning. Det fungerer langt dårligere på mat, fordi mat ikke lages etter en fast geometri — den vokser, modnes og skifter med sesongen.
Ingen to gulrøtter har nøyaktig samme form. En lakseeske ligger aldri identisk plassert på en pall to ganger. Overhenget på en meieripall avhenger av hvordan nettopp den lasten tilfeldigvis ble stablet og strekkfilmet den morgenen. En terskel kalibrert for sommerens råvare feilklassifiserer ofte det samme produktet om vinteren, når farge og størrelse endrer seg med sesongen — og hver feilklassifisering betyr enda en runde manuell omkalibrering, helt til systemet til slutt kobles ut og linjen stille går tilbake til manuell kontroll.
AI-visjon trenes på nettopp den variasjonen i stedet for å bli slått ut av den. En modell som får se nok eksempler på godkjente og defekte produkter, lærer grensen mellom naturlig variasjon og en reell avvisning direkte fra bildene, uten at noen trenger å formulere en regel for «denne gulroten er feilformet» eller «denne esken henger over kanten». Det samme prinsippet — trening på variasjon i stedet for faste terskler — er grunnen til at Byte Motion også kjører AI-inspeksjon utenfor matindustrien, på uregelmessige nikkelbiter og på trelastlinjer med fare for kø, fordi det underliggende problemet er identisk: produkter som varierer på måter faste regler ikke kan forutse.
AI-basert kvalitetskontroll og sortering av mat
Et AI-system for kvalitetskontroll trent på bilder fra en matlinje kan fange opp overflateskader, forurensning, fremmedlegemer, feil merking, dimensjonsfeil samt farge- og modenhetsavvik — stort sett alt en erfaren kontrollør ville sett, men kontrollert på hvert eneste produkt i stedet for et utvalg. Kameraene velges etter oppgaven: 2D-kameraer for farge og form, 3D-kameraer når geometri og volum spiller inn, linjekameraer for hurtigbevegelig materiale på et transportbånd.
En oppdaget defekt er bare verdifull hvis noe skjer etterpå. Avhengig av prosessen kan et utfall utløse en robot som fjerner produktet, et signal til PLC-en om å avvise det, eller en alarm med inspeksjonsbildet vedlagt slik at en operatør kan handle. Fordi hvert produkt passerer et kamera, kan hvert resultat også logges, noe som gir kvalitetsteamet en løpende kassasjonsgrad per linje og skift i stedet for en stikkprøve én gang i timen.
Automatisert pall- og logistikkinspeksjon for mat og kjølekjede
Palleinspeksjon er der matautomatisering virkelig lønner seg i logistikken snarere enn i produksjonen. Fuktig kartong, frost, reflekterende strekkfilm og naturlig variasjon i eskestørrelse er akkurat de forholdene som slår ut regelbasert visjon — og en oversett feil her er kostbar, fordi en avvist leveranse betyr fraktkostnader, kreditnotaer og et anstrengt forhold til den som venter i den andre enden av kjølekjeden.
Hos MOWI, en av verdens største produsenter av oppdrettslaks, inspiserer to RealSense 3D-kameraer 100 % av de utgående pallene for overheng, ødelagte esker og antall esker. AGV-er kjører hver pall til inspeksjonsområdet og signaliserer når den er klar; paller som godkjennes går videre til en merkingsrobot som skriver ut og plasserer riktig etikett hentet fra MOWIs ERP-system, mens paller som ikke oppfyller et kriterium, automatisk rutes til manuell kontroll. Hver inspiserte pall fotograferes og arkiveres, noe som gir MOWI full sporbarhet når en kunde et sted i et distribusjonsnett som dekker mer enn 25 land, bestrider en leveranse.
En meieriprodusent kjører en tilsvarende løsning med fire RealSense D455 3D-kameraer plassert rundt inspeksjonssonen, som bygger en virtuell tvilling av hver innkommende pall for å kontrollere lasten mot fastsatte grenseverdier for overheng, dimensjoner og plassering av pallbase. Systemet kobles til anleggets industrielle nettverk via en LabJack T4-enhet, mottar et klarsignal og sender sitt godkjent- eller avvist-utfall direkte til PLC-en. Som hos MOWI fotograferes hver pall inn i et bildebibliotek, og antallet reklamasjoner for transportskader falt når pakkefeil ble fanget ved kilden i stedet for oppdaget etter lasting.
Størrelsesmåling, telling og pakking av råvarer
Å måle, telle og pakke mat for hånd er repetitivt arbeid, og repetitivt arbeid er nettopp der menneskelige feil sniker seg inn — ujevne vekter, feiltellinger og emballasje som ikke stemmer med etiketten. En landbruksprodusent sto overfor nøyaktig dette problemet med gulrøtter: personalet håndterte, målte, telte og pakket hver omgang for hånd etter vekt- og antallskrav.
Løsningen trener en AI-modell med et 2D Nano C2020-kamera til å detektere hver gulrot og anslå størrelse og vekt, mens båndsporing med encoder følger hver gulrot langs transportbåndet. Personalet trenger nå bare legge gulrøttene i dedikerte lommer — systemet måler og teller dem automatisk, og så snart en pakke når målvekten, signaliserer det til pakkemaskinen om å starte. Manuell måling og telling ble eliminert, pakkevektene ble jevnere — noe som reduserte både overfylling og undervektige avvisninger — og kapasiteten økte, uten at selve pakkelinjen måtte bygges om.
Hvilke oppgaver kan AI automatisere i en matproduksjon?
AI i en matproduksjon dekker som regel fire oppgaver: å inspisere produkter for defekter og forurensning, å måle og telle varierende råvarer før pakkebeslutninger, å verifisere paller og emballasje før utsendelse, og å sende grensetilfeller videre til en operatør i stedet for å gjette automatisk. Alle fire bygger på samme grunnmetode — kameraer og AI-modeller trent på produsentens egne bilder.
Hvilken kombinasjon som er relevant, avhenger av hvor flaskehalsen faktisk sitter. En foredler som leverer til mange land, som MOWI, får størst nytte av pallverifisering og sporbarhet. En pakker som håndterer naturlige råvarer, som gulrotvirksomheten over, får størst nytte av automatisert størrelsesmåling og telling. De fleste matvirksomheter trenger etter hvert begge deler: rent produkt inn og en verifisert pall ut.
Kan AI-automatisering integreres med eksisterende utstyr?
Som regel, ja. AI-automatisering legges vanligvis til rundt eksisterende transportbånd, roboter, PLC-er og ERP-systemer i stedet for å kreve at hele linjen byttes ut, fordi plattformen bak disse løsningene er kamera- og robotagnostisk og kommuniserer med eksisterende utstyr via industrielle standardprotokoller i stedet for et proprietært grensesnitt.
MOWIs pallsystem kobler seg for eksempel til AGV-er, en merkingsrobot og det eksisterende ERP-systemet som enda et steg i utflyten de allerede hadde, og meierisystemet kobler seg til anleggets PLC via et vanlig industrielt grensesnitt. Denne integrasjonsfokuserte tilnærmingen har betydning fordi de fleste matprodusenter allerede har investert i transportbånd, roboter og styresystemer med flere års gjenværende levetid. Det praktiske spørsmålet er sjelden om utstyret skal byttes ut — men om AI kan legges til oppå det. For eksemplene over har svaret vært ja.
Neste steg: en forstudie på eget produkt
Den eneste måten å vite om AI-automatisering faktisk fungerer pålitelig på nettopp deres produkt, er å teste det på egne bilder, ikke en demofilm av noen andres produkt. Byte Motion kjører dette som en forstudie: en avgrenset gjennomførbarhetsfase der bilder samles inn fra egen linje, modeller trenes, og deteksjons- eller målenøyaktighet bevises mot kriteriene deres før noen produksjonsforpliktelse inngås.
Evaluerer dere AI-automatisering for en matlinje eller logistikkflyten deres, kontakt Byte Motion for å diskutere produktet og prosessen deres — vi svarer innen én virkedag.