X5 Tech, Nord Clan и Bühler показали, как нейросети отбраковывают упаковку и тушки в потоке: точность до 99%, окупаемость около 20 месяцев.
Пищевые производства переходят от выборочных проверок к сплошной визуальной инспекции: камеры на конвейере анализируют каждую единицу продукции, а нейросеть отправляет сигнал на устройство отбраковки. По данным отраслевого обзора, опубликованного 22 октября 2026 года, такие системы уже вышли из пилотов и работают на реальных линиях — от фабрик-кухонь до птицефабрик и переработки зерна.
Фабрики-кухни: более 95% дефектов упаковки. Центр компетенций по компьютерному зрению X5 Tech в мае 2026 года сообщил о пилотном внедрении системы на фабрике-кухне партнёра. Камеры оценивают качество запаечного шва — ключевого параметра для продукции в бескислородной среде — и проверяют маркировку: штрихкод EAN-13 и код DataMatrix, корректность данных и их расположение. По данным компании, решение обнаруживает более 95% дефектов, а сокращение возвратов из магазинов оценивается в 80–90%.
«Дефекты упаковки — это вопрос в первую очередь качества и пищевой безопасности, а не только товарного вида. ИИ-технология исключает человеческий фактор и делает контроль ещё более эффективным, не мешая производственным процессам», — отметила директор по пищевой безопасности X5 Елена Крупская.
Птицефабрика: 7 тысяч тушек в сутки. Российский разработчик Nord Clan внедрил комплекс ML Sense на птицефабрике «Чамзинская» (агрогруппа «Хорошее дело», топ-10 производителей мяса птицы в стране). Две камеры снимают тушки с разных сторон, а алгоритм определяет порезы, гематомы и другие повреждения. Система контролирует около 7 тыс. тушек в сутки с точностью выявления дефектов 99%, результаты анализа поступают на устройство автоматической отбраковки. Раньше эту операцию выполняли сотрудники.
- около 7 тыс. тушек в сутки — нагрузка конвейера «Чамзинской»;
- 99% — заявленная точность выявления дефектов ML Sense;
- 5 тыс. фотографий собрано для обучения модели;
- более 95% дефектов упаковки выявляет система X5 Tech;
- 80–90% — оценка сокращения возвратов из магазинов.
Внедрение на «Чамзинской» обошлось без остановки конвейера и замены существующего оборудования, а конструкции выполнили из нержавеющей стали. Система включена в реестр отечественного ПО.
Оптическая сортировка зерна. Швейцарская Bühler в 2025 году представила оптический сортировщик SORTEX AI700: алгоритмы глубокого обучения отделяют зёрна пшеницы, ячменя и ржи от овса, предназначенного для безглютеновой продукции. В сентябре 2026 года компания сообщила об использовании установки на предприятиях по переработке овса. Экономический смысл — не только найти примеси, но и не отправить качественное сырьё в отходы вместе с ними.
За рубежом итальянская Specialvideo построила решение на нейросетевых моделях Ultralytics YOLO, которое подсчитывает ингредиенты на пицце и выявляет отклонения в их распределении: точность распознавания до 99%, анализ одной пиццы занимает менее 250 мс при производственном цикле 600 мс. Мексиканская La Próxima Estación установила два интеллектуальных видеодатчика KEYENCE IV4, которые находят посторонние включения и продукцию неподходящего цвета, и сама связала их с механизмом удаления. Американская Oxipital AI сообщает о пилоте системы OX1 на производстве замороженной пиццы: расчётная экономия превышает $100 тыс. в год на линию (прогноз поставщика).
Экономика проекта. В условном расчёте линия выпускает 50 тыс. упаковок в сутки, а раннее выявление отклонений и настройка процесса снижают долю продукции с безвозвратными потерями с 1% до 0,4%. При предотвратимых потерях 40 руб. на единицу и 250 рабочих днях годовой эффект составит 3 млн руб. Если оборудование, ПО и интеграция обходятся в 4 млн руб., а сопровождение — в 600 тыс. руб. ежегодно, простой срок окупаемости будет около 20 месяцев. Это сценарная оценка, а не среднерыночный показатель.
Что мешает масштабированию. Главный барьер — не сама камера, а качество данных и интеграция с производством: нейросеть нужно обучать на дефектах конкретной линии, проверять при изменении освещения, ассортимента и упаковки, оценивать пропуски и ложную отбраковку. Камеры не заменяют лабораторные исследования: микробиологическое загрязнение и многие внутренние дефекты обычной камерой надёжно не выявить.
«Главный эффект достигается там, где видеоконтроль связан с управлением процессом: система не только убирает брак, но и показывает, после какой перенастройки оборудования его стало больше», — отметил доцент Финансового университета при Правительстве РФ Ильнур Хасанов.
По мнению доцента Алексея Чернякова, внедрение таких систем меняет организацию контроля: специалисты переходят от постоянного наблюдения за конвейером к проверке спорных случаев, анализу отклонений и настройке стандартов качества. Ответственность за пищевую безопасность при этом остаётся за предприятием.
Итог: конкурентное преимущество получает не тот завод, где установлено больше камер, а тот, кто превращает результаты визуальной инспекции в снижение потерь, устойчивое качество и управляемую себестоимость.
Источник: Ведомости
