Естественный интеллект учит искусственный
Фотосепаратор — это аппарат для сортировки сыпучего сырья (зерна, круп, семян, орехов и т.п.), который с помощью камер и оптических датчиков мгновенно анализирует цвет, форму или размер каждой частицы и сжатым воздухом выдувает дефектные и посторонние объекты из общего потока продукта.
При очистке зерновых культур фотосепараторы, анализирующие только цветовой спектр, могут оказываться не совсем эффективны. Если сорное растение совпадает с полезным продуктом по оттенку, оборудование может идентифицировать его как годное сырье.
Именно с такой сложностью можно столкнуться на практике при обработке гречихи: дикая редька и ряд других засорителей имеют ту же цветовую гамму, что и крупа, но отличаются геометрией и текстурой поверхности. Уловить эти различия способен алгоритм, обученный на комбинации визуальных параметров — цвета, формы и внешней структуры объекта.
Студенты третьего курса направления «Продукты питания из растительного сырья» Иван Руднев и Ян Врон создали рабочий сценарий для промышленной сортировочной линии, использующей технологию AI Deep Learning на базе искусственного интеллекта.
В отличие от стандартных цветовых детекторов, программа анализирует сразу несколько признаков и принимает решение о принадлежности объекта к категории годного продукта или отходов на основе комплексной модели. Настройки задавались в специализированном программном обеспечении, а результат проверялся на тестовой партии реального сырья.
По словам куратора от компании «Руспром Meyer», где студенты проходили практику, инженера Михаила Яценко, у каждого предприятия свои требования к качеству готовой продукции, поэтому программа сортировки создается под конкретное сырье и задачи заказчика.
«Сначала специалист определяет, что считать годным продуктом, какие дефекты и примеси необходимо удалить и по каким признакам оборудование сможет их распознать, — объяснил специалист. — Эти критерии задаются в специальной программе. Затем специалист проводит тестовую сортировку и оценивает результат. При необходимости настройки корректируются. Мы постарались показать студентам весь этот процесс, а не только работу оборудования».
Чему еще учатся студенты на практике
Практика, в рамках которой родилась разработка, продолжалась три недели. Ее программа была построена так, чтобы будущие технологи последовательно осваивали методы контроля качества на современном оборудовании, релевантные разным промышленным задачам. Там, где хватало цветовой сортировки, студенты работали с обычными RGB-камерами — например, отделяли желтые семена горчицы от зеленых. Там, где требовалась высокая детализация, применяли UHD-камеры, дающие четырехкратное увеличение разрешения: на таком оборудовании очищали лен от дефектных семян и посторонних включений.
Следующей ступенью стали камеры ближнего инфракрасного диапазона InGaAs. Они позволяют заглянуть внутрь сырья и выявить особенности состава, неразличимые в видимом спектре. С их помощью практиканты обнаруживали необрушенный овес в овсяной крупе.
Для самых сложных случаев задействуют рентген-детектор, реагирующий на плотность материала: он использовался для выявления минеральных примесей в кофе. Отдельным блоком студенты познакомились с сортировкой полимеров и учились отделять ПЭТ от других видов пластика.
Сами авторы программы оценивают полученный опыт как погружение в реальную производственную логику.
«Было полезно не только проводить тестовые сортировки, но и самостоятельно создавать программы с применением AI Deep Learning. Теперь мы лучше понимаем, какие технологии уже используются на предприятиях и какие задачи предстоит решать специалистам пищевой и перерабатывающей промышленности», — отметили Иван Руднев и Ян Врон.
Расчет на молодые кадры
Созданный студентами сценарий сортировки — часть системной работы по подготовке кадров, способных работать с современными решениями для пищевой индустрии. Доцент кафедры «Технология хранения и переработки зерна» АлтГТУ Сергей Брасалин подчеркнул, что прямое взаимодействие с действующими производствами дополняет теоретический курс пониманием реального рынка оборудования.
«Будущим специалистам важно понимать, какое оборудование представлено на рынке, как оно работает и какую роль играет в обеспечении качества и безопасности продукции. Такая практика позволяет увидеть современные решения в работе и качественнее подготовиться к профессиональной деятельности», — прокомментировал Сергей Брасалин.
Технологию AI Deep Learning для сортировки сырья компания «Руспром Meyer»представила в России в 2023 году, и за три года интерес к ней заметно вырос в сегментах, где оптические методы исчерпали себя.
Практика, в ходе которой Иван Руднев и Ян Врон создали AI-сценарий для сортировки гречихи, прошла по проекту «Академия роста. Молодые кадры». Эта программа целевой подготовки студентов запущена компанией «Руспром Meyer» в 2024 году и уже реализуется совместно с АлтГТУ. Предприятие собирается расширять ее: в дальнейшем планируют подключать профильные университеты из других регионов, чтобы дать будущим технологам возможность осваивать современные системы сортировки на действующем оборудовании.
