食品制造質量檢測對保障消費者安全和產品質量穩定至關重要，覆蓋原材料至成品全階段，含過程中檢測與成品包裝檢測。近年人工智能深度學習及自動化系統正日益融入食品生產。

本篇文章將介紹案例三：

友思特Neuro-T深度學習平臺進行面餅質量檢測。在方便面制造過程中實施深度學習視覺檢測解決方案，用于在油炸工序后、包裝前檢測不規則形狀的面餅缺陷。這克服了以往抽樣方法的局限性，最大程度減少了缺陷漏檢情況。

食品行業中的視覺檢測

食品制造過程中的質量檢測對于確保消費者安全和維持產品質量穩定至關重要。在食品生產的各個階段，從原材料到成品，都會進行質量檢測。通常，這些檢測分為過程中檢測（原材料和加工產品檢測）以及成品包裝檢測。

近年來，人工智能深度學習技術和自動化系統也越來越多地融入到食品生產過程中。

案例三：面餅質量檢測

在方便面制造過程中實施深度學習視覺檢測解決方案，用于在油炸工序后、包裝前檢測不規則形狀的面餅缺陷。這克服了以往抽樣方法的局限性，最大程度減少了缺陷漏檢情況。

現場情況—檢測方便面面餅缺陷的重要性

方便面生產中的質量控制不僅僅是一項流程要求，更是維護品牌信譽和消費者滿意度的關鍵因素。面條的口感和均勻度對產品競爭力起著決定性作用，即使制造過程中出現最細微的不一致，也可能影響最終產品的整體質量。

具體現場情況—某方便面生產商（C公司）

作為一家擁有六條生產線的大型方便面生產商，企業C通過在共享生產線間輪流生產不同類型的方便面來滿足多樣化的產品需求。

方便面生產流程如下：面團制備→面條擠壓→成型→油炸→干燥與包裝。視覺檢測主要在油炸階段之后進行，此時保持面餅質地和形狀的均勻性至關重要。如果油炸溫度或時間控制不當，可能會出現各種缺陷。

最常見的缺陷包括：

（1）夾生：由于油炸時間不足，面條未完全熟透，口感呈面團狀。

（2）焦糊：由于過度油炸或受到污染，面餅出現燒焦部分。

面餅質量檢測存在的問題

企業C處于高速生產環境中，每分鐘可生產300份方便面。在這樣的生產環境下，傳統的抽樣檢查不足以確保對所有產品進行實時質量控制。

目前，質檢員按固定間隔手動抽取樣品并進行目視檢查以查找缺陷。但在如此高的生產速度下，有缺陷的產品很容易逃過檢查進入市場。最重要的是，當特定工序中持續出現缺陷時，無法立即檢測到這些缺陷會增加大規模發出次品的風險。

因此，企業C面臨以下主要挑戰：

（1）檢測結果不一致：檢測結果會因質檢員的專業水平和身體狀況而異。

（2）高速生產導致檢測疏漏：由于僅靠人工檢測無法保證在高速生產環境中準確檢測出缺陷，次品有可能被發貨。

（3）抽樣檢測的局限性：由于抽樣檢測無法覆蓋所有產品，有時次品在發貨后才被發現。

解決方案

為克服抽樣檢測的局限性，實現實時、全面的檢測，企業C在油炸后、包裝前的階段，基于友思特Neuro-T深度學習平臺，部署了深度學習視覺檢測系統。

傳統機器視覺技術適用于分析標準化的圖案，但在處理像面條這種經常變形的不規則形狀產品時效果不佳。相比之下，基于深度學習的視覺檢測能夠從各種缺陷模式中學習，自動識別不規則之處，即使是形狀不均勻的拉面也能準確檢測出缺陷。

深度學習檢測解決方案的部署

（1）分類模型的實施

● 企業C為每種方便面餅開發了獨特的檢測模型，并將其集成到生產設備中。

● 嵌入式檢測模型會根據特定生產線正在加工的方便面類型自動啟動。

● 這實現了實時缺陷檢測，并便于立即采取后續措施。

（2）高速檢測優化

● 為確保以每分鐘300件產品的速度進行實時檢測，在模型訓練過程中應用了速度優化設置，以實現高速缺陷檢測。

成果與效益

在傳統的目視檢測中，由于生產速度快和形狀差異，缺陷檢測的準確率僅為80%。然而，實施深度學習視覺檢測后，準確率顯著提高到了驚人的96%。

值得注意的是，該系統甚至能出色地識別出諸如焦糊和夾生面等細微缺陷。因此，它有效解決了人工檢測中經常出現的漏檢問題。

此外，自動化使檢測速度比傳統方法提高了三倍多。通過無需質檢員手動抽取和檢查樣本，生產過程得以持續進行。這實現了實時缺陷檢測并能立即采取糾正措施，最終防止了生產中出現大規模缺陷。

Viewsitec

Neuro-T：零代碼自動深度學習訓練平臺

友思特 Neuro-T 是一個用于深度學習視覺檢測項目的一體化平臺，可用于 項目規劃→圖像預處理→圖像標注→模型訓練→模型評估 一系列任務。Neuro-T提供了便捷的工具和友好的圖形化界面，只需四個步驟即可創建一個深度學習模型