Искусственный интеллект активно внедряют на пищевых производствах для контроля качества и безопасности продукции. Технологии глубокого обучения уже сейчас способны выявлять дефекты, оценивать степень зрелости и свежести сырья, а также отслеживать риски на всех этапах – от сортировки до упаковки. Такой вывод следует из масштабного обзора, опубликованного в журнале Current Research in Food Science, где обобщены результаты исследований за последнее десятилетие.
Авторы обзора отмечают, что пищевая промышленность системно переходит от ручного контроля, основанного на опыте сотрудников, к полностью автоматизированным системам, которые опираются на анализ данных. Традиционные методы инспекции слишком медленны, неточны и субъективны, чтобы соответствовать современным требованиям. Нейросети, в частности свёрточные (CNN), решают эту проблему: они самостоятельно анализируют изображения или спектральные данные продуктов, выявляя закономерности, незаметные для человека или ранних систем машинного зрения.
Эффективность технологии подтверждается множеством примеров. Алгоритмы с точностью 100% отличают здоровые лимоны от дефектных, с 99% – сортируют фундук по пяти видам изъянов, включая трещины и сколы. Применение гиперспектральных камер в связке с нейросетями позволяет обнаруживать внутренние дефекты, например, ушибы в апельсинах под кожурой, с точностью выше 90%. Системы также успешно определяют зрелость фруктов, свежесть мяса за 5–7 секунд с точностью 98% и прогнозируют срок хранения яиц, значительно сокращая погрешность по сравнению с прежними моделями.
Внутри цехов искусственный интеллект позволяет в реальном времени управлять технологическими процессами. Нейросети следят за сушкой овощей, контролируют параметры ферментации при производстве пива и комбучи, предсказывая содержание спирта или кислотность. Автоматизированы и проверки упаковки: алгоритмы находят дефекты в герметичных швах с точностью 99,25% и в термоформованных контейнерах – с 99,93%.
Особенно важны достижения в сфере безопасности. Нейросети находят остатки пестицидов на овощах и фруктах (точность до 98,5%), выявляют канцерогенный акриламид в картофельных чипсах за 3,3 секунды и смертельно опасный афлатоксин в арахисе. Системы также способны со 100%-й точностью распознавать фальсификацию продуктов – например, примесь дешёвых растительных масел или конского жира. Технологии дошли до того, что по сигналам электроэнцефалограммы (ЭЭГ) человека могут с точностью 92,5% предсказать его восприятие аромата еды.
Несмотря на успехи, широкому внедрению мешают несколько факторов. Нейросети требуют огромных объёмов качественных данных для обучения, сбор которых дорог. Точность моделей падает при смене сырья, оборудования или условий на другом производстве. Кроме того, непрозрачность работы («чёрный ящик») нейросетей затрудняет их сертификацию для критически важных задач, а высокая стоимость вычислительных мощностей остаётся барьером для малого и среднего бизнеса.
По мнению исследователей, будущее технологии – не в создании всё более сложных сетей, а в их «умной» интеграции. Перспективными направлениями называют гибридные модели, учитывающие физико-химические законы, а также «объяснимый» ИИ, работу которого смогут проверять регуляторы. Внедрение таких систем позволит оптимизировать логистику, сократить пищевые отходы и повысить общую безопасность продовольствия, но для этого нужно преодолеть разрыв между лабораторными прототипами и промышленной реальностью.