Услуги и решения

ML Sense для пищевого производства: автоматический контроль цветности сахара

Отрасль проекта

Производство

Технологии

Машинное зрение

О проекте

Система машинного зрения автоматически определяет цвет продукции в реальном времени и распознаёт отклонения от заданного уровня цвета в условных единицах ICUMSA. Это позволяет точно контролировать процесс отделения патоки от сахара, минимизируя потери и обеспечивая максимальный выход чистого продукта.

О клиенте


Крупный производитель сахара, входящий в агропромышленный холдинг. Предприятие использует собственное сырьё и перерабатывает 10–12 тыс. тонн свёклы в сутки. Годовой объём выпуска — свыше 100 000 тонн сахара и значительные объёмы побочной продукции.


Проблематика


Цвет — один из ключевых параметров при производстве сахара, его значение измеряется по международной шкале ICUMSA. Для разных типов продукции установлены свои допустимые диапазоны цветности. Превышение этих границ снижает качество готового продукта.


В технологическом процессе цвет формируется после того, как сахар отделяется от патоки в центрифуге и затем смешивается с соком или подготовленным конденсатом. Чем выше значение ICUMSA — тем темнее сахар и больше остаточной патоки.



Центрифуга для отделения патоки



Вид внутри центрифуги: сахарное сырье поднимается по стенкам и смешивается с соком (или подготовленным конденсатом)

Ранее проверка цветности осуществлялась вручную: оператор брал пробу, относил её в лабораторию, где проводился анализ. Пока шёл замер, линия продолжала работать — и в случае несоответствия параметрам вся прошедшая партия признавалась бракованной. Это приводило к переработке, списаниям и снижению общей эффективности производства.


Цели проекта


  • Исключить потери из-за несвоевременного контроля цветности
  • Обеспечить онлайн-мониторинг ICUMSA
  • Интегрировать решение в действующее производство
  • Упростить работу оператора, обеспечив визуальный контроль и сигнализацию при отклонениях

Решение


ML Sense — ИИ-платформа на базе компьютерного зрения, входящая в реестр российского ПО.


Команда Nord Clan провела выездную диагностику и предложила изменить изначальный подход: вместо размещения камеры у входа в центрифугу (где наблюдаются пар и взвеси), установить её после выхода продукта. Там сахар уже смешан с соком, а поток стабилен и прозрачен.



Вход в центрифугу



Видимость сильно затруднена: высокая концентрация пара и наличие плотных взвесей существенно снижают точность измерений

Сбор обучающих данных


Для настройки системы ML Sense под конкретный технологический процесс требуется обучить нейросетевую модель на реальных данных с производства. На этапе подготовки совместно с лабораторией предприятия был организован сбор эталонных проб:


  • Пробы продукта отбираются после выхода из центрифуги, уже в состоянии, максимально близком к тому, как его видит камера в прозрачном резервуаре.
  • Каждую пробу помещают в стандартизированную ёмкость, обеспечивая одинаковый уровень наполнения.
  • Все изображения фиксируются в одинаковых условиях освещения и на однотипном фоне, чтобы свести к минимуму шумы и обеспечить сопоставимость изображений.
  • После фотосъёмки каждая проба передается в лабораторию, где ей присваивается точное значение цветности по шкале ICUMSA, измеренное по принятой методике.

Таким образом формируется верифицированный датасет, содержащий пары: «фото продукта» — «измеренное значение ICUMSA». Далее инженеры обучают модель машинного зрения, которая впоследствии распознаёт цвет сахара на видеопотоке и сопоставляет его с заданными допусками.


После завершения этапа внедрения и запуска система ML Sense будет выполнять автоматический контроль цветности сахара в режиме реального времени:


  • Камера в герметичном кожухе установлена возле прозрачного резервуара на выходе из центрифуги — там, где продукт уже смешан с соком (или подготовленным конденсатом).
  • Поток продукта стабилизируется: пена и механические включения оседают в отстойнике, что обеспечивает чистое изображение.
  • Камера фиксирует изображение потока под постоянным углом и при контролируемом освещении, исключая влияние внешних факторов.
  • Изображения передаются на вычислительный блок, где обученная нейросеть анализирует цветность продукта и определяет его значение по шкале ICUMSA.
  • Текущее значение ICUMSA отображается в интерфейсе оператора — в виде цифрового индикатора или графика.

При выходе значения за допустимые границы система активирует визуальное и звуковое оповещение, позволяя оператору немедленно отреагировать (например, изменить параметры центрифугирования или перенаправить поток).


Такая схема обеспечивает непрерывный, объективный и оперативный контроль качества, исключая задержки и потери, характерные для ручного анализа.

Расскажите нам о своей задаче
Мы немедленно возьмём её в работу
Алексей Кузнецов
hello@nordclan.com