На пищевых предприятиях качество проверяют при высокой скорости конвейера. Дефект запайки, повреждение продукта или ошибочная маркировка могут обернуться возвратом партии, затратами и рисками для потребителя. Выборочные проверки не всегда позволяют обнаружить такие нарушения вовремя. Поэтому производители переходят к автоматическому визуальному контролю, который способен анализировать каждую единицу продукции в потоке.
Компьютерное зрение уже не ограничивается сравнением изображения с заранее заданным образцом. Камеры фиксируют продукцию с разных ракурсов, а нейросети распознают трещины, изменения цвета, неправильное расположение ингредиентов и повреждения упаковки. Сигнал поступает на устройство отбраковки. При этом системы не заменяют лабораторные исследования: микробиологическое загрязнение и многие внутренние дефекты невозможно надежно выявить обычной камерой. Для таких задач необходимы дополнительные методы контроля.
В мае 2026 года компания сообщила о пилотном внедрении разработанной X5 Tech системы на фабрике-кухне партнера. Камеры оценивают качество запаечного шва упаковки готовой еды и проверяют маркировку. По данным компании X5, решение обнаруживает более 95% дефектов; компания оценивает возможное сокращение возвратов из магазинов в 80–90%. Эти показатели относятся к заявленному эффекту технологии на начальном этапе ее применения, а не к результатам всех производственных площадок сети.
Другая задача — сортировка сырья и полуфабрикатов. На птицефабрике «Чамзинская» из агрогруппы «Хорошее дело» российская Nord Clan внедрила комплекс ML Sense. Две камеры снимают куриные тушки с разных сторон, а алгоритм определяет порезы, гематомы и другие повреждения. Как сообщает разработчик, система контролирует около 7 тыс. тушек в сутки с точностью выявления дефектов 99%. Ранее эту операцию выполняли сотрудники. Теперь результаты анализа поступают на устройство автоматической отбраковки.
За рубежом технологии применяются и для контроля рецептуры. Итальянская Specialvideo разработала решение на базе нейросетевых моделей Ultralytics YOLO, которое подсчитывает ингредиенты на пицце и обнаруживает отклонения в их распределении. По данным разработчиков, точность распознавания достигает 99%, а анализ одной пиццы занимает менее 250 миллисекунд при производственном цикле 600 миллисекунд. Это позволяет проверять состав продукта без снижения скорости линии.
В переработке зерна швейцарская Bühler в 2025 году представила оптический сортировщик SORTEX AI700. Алгоритмы глубокого обучения помогают отделять зерна 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 такой сортировки — не только обнаружить примеси, но и не отправить в отходы качественное сырье вместе с ними.
Еще один пример — мексиканская La Próxima Estación, перерабатывающая и упаковывающая овощи и фрукты. Компания установила два интеллектуальных видеодатчика KEYENCE IV4, которые обнаруживают посторонние включения и продукцию с неподходящим цветом. Предприятие самостоятельно связало оборудование с механизмом удаления дефектных единиц. Такой подход помогает поддерживать требования экспортных клиентов без полного переоснащения линии. Американская компания Oxipital AI, в свою очередь, сообщает о пилоте системы OX1 на производстве замороженной пиццы: расчетная экономия за счет автоматизации визуальной инспекции превышает $100 тыс. в год на линию. Название заказчика не раскрывается, а сумма экономии является прогнозом поставщика.
По мнению Ильнура Ильдаровича Хасанова, кандидата технических наук, доцента кафедры информационных технологий Факультета информационных технологий и анализа больших данных Финансового университета при Правительстве Российской Федерации, 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. Иначе предприятие автоматизирует обнаружение проблемы, не устраняя ее причины.
Экономику проекта определяют производственный поток и стоимость ошибки. В условном расчете 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 в 40 руб. на единицу и 250 рабочих днях годовой эффект составит 3 млн руб. Если оборудование, программное обеспечение 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. Реальные результаты зависят от частоты дефектов, ценности продукции и числа ложных срабатываний.
По мнению Алексея Николаевича Чернякова, кандидата философских наук, доцента кафедры информационных технологий Факультета информационных технологий и анализа больших данных Финансового университета при Правительстве Российской Федерации, внедрение таких систем меняет и организацию контроля: специалисты переходят от постоянного наблюдения за конвейером к проверке спорных случаев, анализу отклонений и настройке стандартов качества. При этом решения алгоритма должны оставаться проверяемыми, а ответственность за пищевую безопасность — закрепленной за предприятием.
Главный барьер для масштабирования — не сама камера, а качество данных и интеграция с производством. Нейросеть нужно обучать на дефектах конкретной линии, проверять при изменении освещения, ассортимента и упаковки и оценивать пропуски и ложную отбраковку. Поэтому конкурентное преимущество получает не тот завод, где установлено больше камер, а тот, кто способен превратить результаты визуальной инспекции в снижение потерь, устойчивое качество и управляемую себестоимость.