越來越多停車場在出入時已改成車牌辨識，駕駛探出車窗，吃力投、拿磁扣的畫面漸漸走入歷史，節省了車道的通暢；而這樣「用科技取代雙眼」的模式，是否能同樣幫助到，需高度眼力進行QC作業的食品製造業呢？

隨著人工智能（AI）技術在食品行業中的應用不斷有所突破，也為生產、品管到供應鏈管理等領域皆帶來巨大的改變。在這樣的背景下，將AI辨識技術結合自動光學檢測（AOI）應用於食品投料攪拌情境中，就相當於用更精細的科技眼睛，幫忙人員進行食品製造的生產與檢驗，有望實現更高效、準確和可持續的生產過程。除此之外，產線中的半成品及最終的成品，也可以應用AI+AOI瑕疵檢測，透過尺寸、外型、成色，剔除不良品，提高出貨品質。

以下就帶您一同深入了解AI+AOI在食品製造的應用：

投料攪拌即時監測，生產過程確實掌控

AI辨識技術可以通過攝像頭或視覺感測器，實時監測食品投料和攪拌過程。

1. 透過影像處理和深度學習模型，系統能夠辨識不同食材的形狀、顏色和數量，確保投料的準確性

2. 搭配IoT設備收集製程中攪拌的速度、均勻性和時間等數據，經由AI分析及演算得到最佳攪拌效果

製程成品異常檢測，確保優良出貨品質

食品製程中，系統便開始檢測異常狀況，而AI+AOI在每個環節中檢測的重點項目不同，例如：投料不均或出現異物、半成品品質瑕疵，甚至是規格不符、成品外觀瑕疵及包裝不良等。舉例來說，若在雞塊製成過程中，就能透過系統將不符合形狀、大小規格的雞塊挑出排除，便能避免在最後一關才檢測出品質缺陷，浪費生產成本。

數據收集訓練優化，持續提升辨識效果

AI透過大量數據取得後的訓練，將影像辨識模型辨識度提升。透過機器學習演算法，系統能夠識別潛在的優化機會，例如優化投料比例、攪拌時間和速度，以提高生產效率和品質。透過類神經網路，訓練系統能辨識到複雜或不規則的瑕疵檢測，降低傳統自動光學檢測AOI易誤判的類別，有效提升瑕疵辨識率。

減少人為干預誤判，有效降低人力成本

傳統的檢測透過人工目測的方式，除了耗費大量人力成本外，也會因為視覺疲勞造成誤判影響品質。AI+AOI讓大部分已知的瑕疵問題先行揀出，減少人為誤判的可能，最後再由經驗專家複檢做品質的把關。這有助於降低人力成本，同時減少發生人為錯誤的可能性，確保生產品質的一致和可追溯性。

AI+AOI實現應用情境的挑戰

然而，這種應用情境也可能面臨一些挑戰，其一便是影像數據的標註和模型訓練。

1. 建立準確的辨識模型需大量標註的影像數據，並進行模型的不斷迭代和優化

2. 確保攝像頭設置的適當位置和光線條件亦為關鍵，方能保持影像質量

總結

總體而言，將AI辨識技術結合AOI自動光學檢測，應用於食品投料攪拌與成品瑕疵檢測的情境中，有望提高食品生產的效率和品質，同時降低成本和人為錯誤的風險。通過克服潛在的挑戰，這個應用情境將為食品行業帶來更多的創新和進步。

看到這裡，是不是很好奇AI+AOI實際是怎麼辦到的呢？

現在，我們想向您介紹一個眼見為憑的機會，立即預約參觀：

預約參觀5GAIoT體驗基地流通專場