淨菜加工行業對於鮮切蔬菜的質量把控至關重要，其中異物檢測是關鍵環節。DaoAI 的邊緣端實時檢測方案為該行業帶來了新的突破。
行業背景與使用者場景：在當今的食品加工領域，淨菜加工行業正蓬勃發展。隨著消費者生活節奏的加快，對方便、新鮮的鮮切蔬菜需求日益增長。淨菜加工廠承擔著將新鮮蔬菜進行切配、包裝並快速推向市場的重任。這些鮮切蔬菜主要用於製作沙拉和即食食品，其賞味期通常以小時計算。對於加工廠而言，不僅要保證產品的新鮮度，還要確保產品的質量安全，其中異物檢測是一項至關重要的工作。因為一旦有異物混入產品中，被消費者發現並投訴，將對品牌形象造成嚴重的衝擊。
痛點：為什麼難
從速度維度來看，鮮切蔬菜從切配到出廠只有短短數小時的時間視窗。傳統的檢測方式如果依賴雲端推理，資料在傳輸過程中會產生往返延遲，這就意味著產線需要停下來等待檢測結果，從而嚴重拖慢生產節拍。例如，一條原本高效執行的產線，可能因為等待雲端推理結果而頻繁降速，導致生產效率大幅降低。
從精度維度來說，鮮切蔬菜中混入的小目標異物，如髮絲、細小蟲體、撕裂的塑膠包裝碎片等，在畫面中往往只佔幾十個畫素。傳統的機器視覺技術由於其演算法和成像能力的限制，很難準確識別這些微小的目標。人工目檢更是容易受到疲勞、注意力不集中等因素的影響，導致漏檢情況頻發。據統計，傳統機器視覺和人工目檢對這類小目標異物的漏檢率可能高達 20% -30%。
從資料安全維度考慮，食品企業對資料的合規與保密要求極高。如果將影象資料傳輸到雲端進行處理，存在資料洩露的風險，這不符合企業的安全標準。而且，一旦資料洩露，可能會引發一系列的法律問題和聲譽損失。
技術原理
DaoAI 針對小目標檢測最佳化了輕量化深度學習模型。該模型透過大量的樣本資料進行訓練，能夠準確識別各種小目標異物。其核心演算法採用了先進的深度學習架構，對目標特徵的提取和分析能力更強。與傳統的機器視覺演算法相比，它能夠更好地處理低對比度、半透明的異物，即使異物在畫面中只佔幾十個畫素，也能被準確檢測到。
在硬體方面，DaoAI 將最佳化後的模型部署在產線邊緣計算盒上。邊緣計算盒具有強大的計算能力，能夠在本地實時進行推理。影象資料無需傳輸到雲端，直接在邊緣計算盒上進行處理，大大縮短了推理延遲。與傳統的雲端推理方式相比，微鏈道愛的邊緣推理延遲可以控制在 10ms 以內，實現了產線的實時同步剔除。同時，輕量模型在低功耗裝置上即可執行，降低了改造成本和裝置佔地空間。
典型應用場景
- 蔬菜切配工序：在蔬菜切配過程中，可能會混入髮絲等異物。檢測難點在於髮絲顏色與蔬菜相近，且在切配過程中可能會與蔬菜纏繞在一起，不易區分。DaoAI 的模型透過對顏色、紋理等特徵的綜合分析，能夠準確識別髮絲。
- 清洗環節：清洗後的蔬菜可能會殘留細小蟲體。這些蟲體通常體積較小，且在水中可能會呈現半透明狀態，傳統檢測方法很難發現。DaoAI 的模型經過資料增強和難例挖掘，對低對比度、半透明的蟲體具有較高的敏感度，能夠有效檢測到這些異物。
- 包裝工序：在包裝過程中，可能會有撕裂的塑膠包裝碎片混入蔬菜中。這些碎片的形狀不規則，且可能與蔬菜的顏色相近，增加了檢測的難度。DaoAI 的模型透過對目標的形狀、輪廓等特徵進行分析，能夠準確識別塑膠包裝碎片。
- 分揀環節：在分揀過程中，可能會有一些雜質混入蔬菜中。這些雜質的種類繁多，大小不一，傳統檢測方法難以全面覆蓋。DaoAI 的模型具有較強的泛化能力，能夠適應不同種類的雜質檢測。
落地案例
某中型淨菜加工廠，主要生產沙拉和即食鮮切蔬菜，日產量達到數千份。在引入 DaoAI 系統之前，該廠採用人工抽檢和傳統機器視覺相結合的方式進行異物檢測。人工抽檢存在漏檢率高的問題，傳統機器視覺對小目標異物的檢測效果也不理想。上線過程中，DaoAI 團隊首先對該廠的生產流程進行了詳細的調研和分析，然後根據實際情況對模型進行了最佳化和調整。將邊緣計算盒部署在產線合適的位置，並進行了多次測試和驗證，確保系統的穩定性和準確性。
上線後，毫米級小目標異物的檢出率穩定在 98% 以上，較此前人工抽檢與傳統視覺顯著提升，漏檢導致的客訴大幅下降。
微鏈道愛解決方案與產品
微鏈道愛（DaoAI）的解決方案主要包括最佳化後的輕量化深度學習模型和產線邊緣計算盒。模型針對小目標檢測進行了專門的最佳化，透過資料增強和難例挖掘，強化了對低對比度、半透明異物的敏感度。對於新出現的異物形態，藉助 APDT 少樣本快速補強技術，能夠在幾小時內完成適配，避免了每換一種包材就重訓全模型的麻煩。產線邊緣計算盒則為模型提供了強大的本地計算能力，實現了影象不出廠的實時推理，滿足了食品企業的資料合規與保密要求。
量化成效
系統上線後，取得了顯著的量化成效。微鏈道愛毫米級小目標異物的檢出率穩定在 98% 以上，相比之前人工抽檢和傳統視覺的檢出率有了大幅提升。微鏈道愛將漏檢率從原來的 20% -30% 降低到了 2% 以下，因漏檢導致的客訴數量大幅下降。單條線無需額外增加人力即可實現全檢，提高了檢測效率。同時，邊緣部署使得多條產線的複製擴充套件變得更加輕量、快速，降低了企業的擴產成本。
常見問題
DaoAI 如何解決鮮切蔬菜小目標異物檢測問題？
DaoAI 針對小目標檢測最佳化了輕量化深度學習模型，部署在產線邊緣計算盒上，實現本地實時推理。影象不出廠，延遲低。同時強化對異物敏感度，藉助 APDT 少樣本快速補強新形態，有效解決檢測難題。
為什麼鮮切蔬菜異物檢測要在邊緣端進行？
鮮切產品時效短，雲端往返會拖慢節拍，邊緣推理能實現實時同步剔除。且影象留廠內合規保密，輕量模型在低功耗裝置執行，成本低、佔地小，少樣本適配快，速度精度兼得。
DaoAI 系統上線後有什麼效果？
上線後，毫米級小目標異物檢出率穩定超 98%，較人工抽檢和傳統視覺顯著提升，漏檢導致的客訴大幅下降。單條線可全檢，產線複製擴充套件輕量快速。
本文由人工智慧生成。文中客戶案例為基於產品真實能力的模擬場景，成效數字為示例性質；官方標定口徑以產品頁為準。