Automatyczne rozpoznawanie mięsa z AI: jak to działa i co daje zakładowi mięsnemu

Najczęściej powtarzana decyzja w zakładzie mięsnym wciąż zapada na oko

Gdzieś między stołem wykrawania a halą pakowania każda skrzynka dostaje kod produktu. W większości zakładów ten kod pochodzi od człowieka: zagląda do skrzynki, decyduje, co widzi, i wpisuje. Szynka czy łopatka. Ta specyfikacja okrawania czy tamta. Ze skórą czy bez. W dwóch stopniach, w tempie linii, w siódmej godzinie zmiany, kilka tysięcy razy dziennie.

Kiedy kod jest zły, nic się nie zatrzymuje. Skrzynka jedzie dalej na złą paletę, do złego zamówienia albo do złego klienta, a błąd wychodzi później: w stanie magazynu, który się nie zgadza, w dostawie, która wraca, we wskaźniku uzysku, któremu nikt nie ufa. A ponieważ żadna skrzynka nigdy nie dostaje drugiego spojrzenia, nikt w zakładzie nie powie ci, jak często to się zdarza. Na tym jednym naciśnięciu klawisza stoi trasowanie, paletyzacja, magazyn, kompletacja zamówień i identyfikowalność.

Automatyczne rozpoznawanie mięsa to kamera, która przejmuje tę decyzję. Ten artykuł wyjaśnia, jak to działa, na tyle szczegółowo, żeby dało się to ocenić, i ile jest warte: w skrzynkach, które trafiają tam, gdzie powinny, w ludziach, którzy nie muszą już wpisywać kodów, w poziomie błędów, który wreszcie da się zmierzyć, i w danych, na które czeka reszta cyfryzacji twojego zakładu.

Czym jest automatyczne rozpoznawanie mięsa, a czym nie jest

Rozpoznawanie mięsa kamerą nie jest w ubojni niczym nowym. Unijne przepisy od lat dopuszczają automatyczne metody klasyfikacji tusz wieprzowych, wołowych i baranich: urządzenie patrzy na tuszę i szacuje zawartość mięsa chudego albo klasę uformowania, z dopuszczeniem w danym państwie członkowskim po formalnym teście. Działa to dlatego, że tusza to jeden obiekt w jednej pozycji.

Potem tusza zostaje rozebrana na czterdzieści, sześćdziesiąt, sto produktów, a rozpoznawanie wraca do ludzkich oczu. To jest luka, którą zamyka automatyczne rozpoznawanie mięsa: kamera nad linią, model wytrenowany na twoich własnych elementach i odpowiedź na każdą skrzynkę albo każdy produkt. „Jaki to produkt?" Klasyfikacja, w naszym języku.

Warto być precyzyjnym co do tego, czym to pytanie nie jest. Nie jest pytaniem „czy to jest dobre?": to inspekcja, inny model na tej samej kamerze. Nie jest pytaniem „ile w tym mięsa chudego?": to klasyfikacja jakościowa, a na rozbiorze wymaga innych czujników niż kamera kolorowa. Ważenie natomiast należy do całości: pod osłoną waga zapisuje masę netto skrzynki, własna waga stanowiska albo ta, którą już masz, i ta liczba trafia do rekordu razem z produktem. Przy okazji sprawdza kamerę: skrzynka, której masa nie pasuje do rozpoznanego produktu, zostaje oznaczona. Jedno pytanie z wiarygodną odpowiedzią, z masą jako drugą opinią, jest warte więcej niż cztery z odpowiedzią „mniej więcej".

Jak to działa: pięć części, które decydują, czy zadziała

Punkt rozpoznawania to kamera, światło, waga, komputer i model. O tym, czy zadziała na prawdziwej linii, decydują te części.

1. Kontrolowane zdjęcie. Różnica między szynką a łopatką, albo między dwiema specyfikacjami okrawania, siedzi w kolorze i odcieniu tłuszczu oraz w teksturze powierzchni. Światło hali, odblaski na mokrym mięsie i inne lampy nocnej zmiany niszczą dokładnie ten sygnał. Dlatego kamera siedzi pod zamkniętą osłoną z własnymi listwami LED, oświetlona tak, żeby mokre mięso i folia nie dawały odblasków, a światło hali zostaje na zewnątrz: nocna zmiana dostaje takie samo zdjęcie jak dzienna.
2. Model wytrenowany na twoich produktach, nie na cudzych zdjęciach. Twoje produkty to twoje elementy, w twoich skrzynkach, według twoich specyfikacji okrawania, z parami, które różnią się tylko tym, o co poprosił klient. Różnica między dwoma podobnymi elementami siedzi w teksturze i strukturze tłuszczu, a zwykłe rozpoznawanie obrazu właśnie to wyrzuca. Model, który pracuje na twojej linii, jest wytrenowany na twoich skrzynkach i na niczym innym.
3. Etykiety, które twoi operatorzy już produkują. Trenowanie modelu wymaga oznaczonych zdjęć, a zwykły sposób, żeby je zdobyć, to projekt etykietowania, na który nikt nie ma czasu. Na rozbiorze go nie potrzebujesz. Każdy kod, który operator wpisuje dziś, jest etykietą zdjęcia, które kamera właśnie zrobiła. Tysiące oznaczonych zdjęć dziennie, bez dodatkowej pracy, od ludzi, którzy znają produkty najlepiej.
4. Pewność, a przy wątpliwości człowiek. Każda odpowiedź ma skalibrowaną pewność. Powyżej progu, który ustawiasz dla każdego produktu osobno, stanowisko wpisuje kod. Poniżej zapala się sygnalizator i decyduje operator, przy linii albo na bocznym torze, żeby przepływ się nie zatrzymywał. Ta odpowiedź staje się danymi treningowymi. Ty wybierasz kompromis: więcej skrzynek do człowieka i błędy zbliżają się do zera, mniej i oszczędzasz więcej pracy.
5. Decyzja w stanowisku, rekord w twoich systemach. Model pracuje na komputerze w samym stanowisku, więc odpowiedź zajmuje ułamek sekundy, a linia jedzie dalej, kiedy sieć nie działa. Kod kreskowy, produkt, masa, zdjęcie i znacznik czasu lądują w MeshOS, naszej warstwie danych, w otwartych formatach: API, kolejka komunikatów albo ta sama ścieżka wejścia, której dziś używa terminal. Stamtąd rekord trafia do twojego ERP, MES albo sterowania linią, i nic nie jest zamknięte w bazie jednego dostawcy. Stanowisko czyta z twojego PLC. Pisze do niego tylko wtedy, gdy tego chcesz i gdy linia tego potrzebuje; w przeciwnym razie w PLC nic się nie zmienia i nic nie wymaga ponownej walidacji.

Tak zbudowaliśmy MeatVision i tak ocenialibyśmy każdy inny system rozpoznawania: pokaż mi zdjęcie, pokaż, czyje etykiety go wytrenowały, i pokaż, co się dzieje, kiedy nie jest pewny.

Co to daje: pięć wyników, które możesz policzyć

Właściwa skrzynka na właściwej palecie

Zły kod jest tani w chwili, gdy powstaje, i drogi wszędzie potem. Skrzynka trafia na złą paletę, więc ktoś szuka, cofa i przeksięgowuje, albo wyjeżdża. Wtedy znajduje ją klient: reklamacja, nota korygująca, transport zwrotny produktu, który może już nie nadawać się do sprzedaży, i klient, który zaczyna sprawdzać wszystko, co wysyłasz. Stanowisko rozpoznawania oznacza wątpliwą skrzynkę, zanim zostanie skierowana dalej, a nie po owinięciu palety. Liczba, którą warto obserwować, jest twoja: reklamacje miesięcznie za zły produkt i godziny, które biuro spędza na ich załatwianiu.

Przepływ w punkcie rejestracji

Tam, gdzie skrzynki zatrzymują się, żeby człowiek zajrzał i wpisał, punkt rejestracji wyznacza tempo linii. Ze światłem stroboskopowym i krótkim czasem naświetlania zdjęcie jadącej skrzynki jest ostre, więc postój może zniknąć. Tam, gdzie skrzynki dziś się zatrzymują, stanowisko pracuje bez zmian, a postój usuwasz, kiedy będziesz gotowy. Wynik jest w obu przypadkach ten sam: o jedno miejsce mniej, w którym linia czeka na naciśnięcie klawisza.

Poziom błędów, którego nigdy nie miałeś

Nikt nie zna poziomu błędów ręcznej rejestracji, bo żadna skrzynka nie dostaje drugiej opinii. Zapytaj trzy osoby w zakładzie, a dostaniesz trzy szacunki. Stanowisko daje ci liczbę dla twojej własnej linii: w pierwszych tygodniach model pracuje w cieniu, odpowiada na każdą skrzynkę, a nikt tej odpowiedzi nie widzi, i dostajesz jego poziom błędów obok obecnego poziomu twoich operatorów, na produkt. Produkt przechodzi na tryb automatyczny dopiero wtedy, gdy zasłuży na to względem tego punktu wyjścia.

Wpisywanie znika, ludzie zostają

Zaglądanie do każdej skrzynki i wpisywanie kodu to powtarzalna praca, a ludzi, którzy ją wykonują, jest coraz trudniej znaleźć. Barometr zawodów prognozuje na 2026 rok deficyt pracowników przetwórstwa mięsnego w 69 powiatach, a właściciele zakładów mówią wprost, że brakuje chętnych do przyuczenia. Według analityka Banku Pekao to rosnące koszty pracy najbardziej ciążyły branży mięsnej, obniżyć je może automatyzacja, a po trzech kwartałach 2024 roku około jedna czwarta firm była na stracie, więc każda inwestycja musi się bronić liczbami. Henrik Andersen, który kieruje inżynierią w Danish Crown, powiedział w 2023 roku to, co wie większość zakładów: wykrawanie jest dla robotów „niezwykle trudne, bo nie widać", co się robi, więc automatyzacja idzie tam w logistykę, transport wewnętrzny i rozbiór. Nóż zostaje w ludzkiej ręce. Wpisywanie nie musi. Operator przy punkcie rozpoznawania zajmuje się wyjątkami, a przez resztę zmiany jest wolny.

Zdjęcie każdej skrzynki

Każda skrzynka opuszcza dział ze zdjęciem, produktem, masą i czasem, powiązanymi z jej kodem kreskowym i partią. Kiedy klient mówi, że dostawa była zła albo niepełna, skanujesz kod kreskowy i pokazujesz mu skrzynkę. Dowód zamiast dyskusji. Ten sam rekord to powiązanie z partią, którego unijne prawo żywnościowe wymaga dla żywności pochodzenia zwierzęcego: krok wstecz, krok naprzód, z oznaczeniem partii, teraz bez wpisywanego ręcznie kodu w łańcuchu.

Jeden rekord na skrzynkę to początek danych z rozbioru

Tu zaczyna się część, która przetrwa dłużej niż oszczędność pracy. Większość cyfryzacji w zakładzie mięsnym polega na odczytywaniu danych, które już są: masy z wag, temperatury chłodni, postoje z PLC. Globalne badanie 1500 producentów wykazało, że tylko 43% zbieranych danych jest skutecznie wykorzystywane; reszta już leży i czeka. Rozbiór jest inny. Między wagą tusz a wagami pakowania nie ma danych, bo nikt nie liczy, co robi nóż. Stanowisko rozpoznawania tworzy pierwszy wiarygodny rekord w tej luce: która skrzynka, jaki produkt, ile, z której partii, kiedy.

Wszystko inne na dziale to ten sam rekord, czytany z innej strony:

• Uzysk na żywo to kilogramy produktu na element wobec masy wejściowej partii, liczone, gdy skrzynki przejeżdżają, a nie w jutrzejszym raporcie. Czego to wymaga, spisaliśmy w tekście o cyfryzacji działu rozbioru.
• Postęp partii to te same skrzynki liczone wobec zamówienia: planowanie widzi, kiedy zamówienie X jest kompletne, a linia przestaje robić to, czego nikt nie zamówił.
• Weryfikacja zamówienia sprawdza produkt i ilość wobec aktywnego zamówienia, zanim paleta zostanie owinięta.
• Stan magazynu staje się liczbą na żywo na produkt, zamiast liczenia w piątek.

A sam zbiór danych ma wartość. Tysiące oznaczonych zdjęć twoich produktów dziennie, na twoich własnych dyskach, to dokładnie to, czego potrzebuje każda późniejsza automatyzacja: sorter, robot paletyzujący, system magazynowy. Danish Crown stawia swoje roboty najpierw w logistyce i transporcie wewnętrznym, a każdy z tych kroków musi wiedzieć, co jest w skrzynce. Na MeshOS rekordy skrzynek leżą obok mas, postojów i temperatur na partię, więc następny krok zaczyna się stamtąd, a nie od zera. Dlatego nasza strona o przemyśle mięsnym wskazuje rozbiór jako miejsce, od którego warto zacząć.

Uczciwie o automatycznym rozpoznawaniu mięsa: gdzie zawodzi

• Dwóch produktów, których wprawne oko nie odróżnia, kamera też nie odróżni. Ten sam element w dwóch klasach wagowych albo ten sam element dla dwóch klientów. Dla nich stanowisko potrzebuje innego sygnału: masy z wagi albo aktywnego zamówienia. Tam, gdzie żaden z nich ich nie rozdziela, skrzynka idzie do człowieka, i mówimy o tym przed pilotażem.
• Nowy produkt trafia do operatora, dopóki model nie zobaczy go wystarczająco wiele razy. Popularne elementy są gotowe w kilka tygodni; produkt, który pojawia się raz w miesiącu, potrzebuje tyle czasu, ile zajmie mu pojawianie się.
• Produkty dryfują. Nowy dostawca, nowa specyfikacja okrawania, inny kolor skrzynki: model zauważa to jako spadającą pewność i ten produkt wraca do kontroli przez człowieka, a reszta pracuje dalej. Cotygodniowy przegląd pewnych decyzji wyłapuje to, czego pewność nie wyłapie.
• Pierwszy model pomyli kilka par i powie ci dokładnie, które. Większość rozwiązuje się większą liczbą przykładów tych par. Niektórych nie, i uczciwa odpowiedź brzmi, że te zostają przy ludziach.
• Kamera widzi tylko wierzch skrzynki. Wyłapuje niebieską folię i kawałki rękawic na powierzchni, ale nie zastępuje twojego wykrywacza metali ani klasyfikacji jakościowej.
• Kamera w plastikowym pudełku wytrzyma tydzień w strefie mycia. Stanowisko to szczelna stal nierdzewna ze skośnymi powierzchniami, komputer siedzi w środku, a montaż idzie w okno mycia. To inżynieria, nie opcja.

Najczęściej zadawane pytania

Czy musimy najpierw oznaczyć tysiące zdjęć, żeby to zadziałało?

Nie. Twoi operatorzy oznaczają każdą skrzynkę już dziś, wpisując jej kod, a ten kod staje się etykietą zdjęcia. Jedyne dodatkowe oznaczanie to kilka godzin w tygodniu, w których twoi wykrawacze przeglądają skrzynki, co do których model miał wątpliwości.

Czego to potrzebuje od naszego ERP albo MES?

Tylko tego, z czego dziś korzystają terminale. Rekord przychodzi przez interfejs, który już istnieje: API, kolejkę komunikatów albo tę samą ścieżkę wejścia co terminal, który zastępuje. Stanowisko czyta ze sterowania linią i pisze do niego tylko wtedy, gdy tego chcesz.

Czy unijny AI Act robi z tego system wysokiego ryzyka?

Nie. Lista wysokiego ryzyka w AI Act obejmuje obszary takie jak biometria, infrastruktura krytyczna, decyzje dotyczące pracowników i egzekwowanie prawa, a kamera, która nazywa element w skrzynce, nie jest na żadnej z nich. Nie jest też komponentem bezpieczeństwa linii. Patrzy do skrzynek, nie na ludzi, i to samo trzyma ją z dala od rozmowy ze związkami.

Czy ta sama kamera może sprawdzać jakość albo znajdować ciała obce?

Częściowo. Widzi to, co leży na wierzchu: niebieską folię, kawałki rękawic, przepełnioną albo brudną skrzynkę, brak etykiety. Klasyfikacja zawartości mięsa chudego albo znajdowanie odłamków kości wewnątrz mięsa to inny czujnik i inny model. Wolimy powiedzieć to teraz niż po pilotażu.

Ile czasu minie, zanim zacznie pracować sam?

To zależy od tego, jak szybko twoje najrzadsze produkty przejadą przed kamerą. Popularne elementy zasługują na tryb automatyczny w kilka tygodni; rzadkie później. Każdy etap kończy się na liczbach, które uzgadniasz z góry, a nie na dacie, i przez pierwsze dwa etapy dla twoich operatorów nie zmienia się nic.

Zacznij od tej jednej decyzji, która najczęściej idzie źle

Nie musisz automatyzować rozbioru, żeby to dostać. Musisz wybrać jeden punkt rejestracji, zawiesić nad nim kamerę i pozwolić, żeby wpisy twoich własnych operatorów ją uczyły. W kilka tygodni znasz dwie liczby, których nigdy nie miałeś: jak często wpisywany kod jest dziś zły i jak często myli się kamera. Od tej chwili każda skrzynka opuszcza dział z rekordem, na którym reszta zakładu może budować.

Jeśli chcesz zobaczyć, które z twoich elementów kamera potrafi odróżnić, prześlij nam kilkaset zdjęć albo pozwól nam zawiesić kamerę nad jedną linią na tydzień: tak zaczyna się demo MeatVision. Nasza strona o klasyfikacji wizyjnej AI opisuje tę samą metodę dla produktów, które nie są mięsem.