Об авторе: Станислав Маслов, управляющий партнер и CTO компании ZeBrains, специализирующейся на внедрении ИИ-решений в промышленности.
Обычная камера над конвейером способна заметить хрящ в фарше размером меньше горошины. Еще одна — оценить, насколько качественно очищены кости от мяса. Третья — определить гематомы на свиных тушах, за которые не стоит переплачивать поставщику. Все это делают системы на базе компьютерного зрения, которые за последние несколько лет превратились из дорогого эксперимента в рабочий инструмент мясо- и молокопереработчиков.
Искусственный интеллект (ИИ), робототехника и компьютерное зрение в течение ближайших десяти лет выведут производство продуктов питания на принципиально новый уровень — значительно превосходящий сегодняшние представления о возможностях отрасли.
Почему производители обратились к ИИ
Причин несколько.
- Высокая конкуренция: производители ищут способы снизить себестоимость без потери качества.
- Дефицит рабочих рук: найти человека, готового восемь часов в день сортировать мясо на конвейере, становится все сложнее.
- Требования к безопасности пищевых продуктов растут, а человек устает и может пропустить брак.
- Уровень развития технологий машинного обучения достиг той стадии, когда их внедрение стало не просто возможным, но и экономически выгодным.
Ранее автоматизация производственных линий требовала внедрения дорогостоящих программно-аппаратных комплексов, интегрированных непосредственно в конвейер. Сегодня для запуска подобных решений достаточно стандартных камер и сервера для обработки данных, что существенно снижает порог входа и позволяет тестировать технологии на отдельных участках без масштабной модернизации всей линии.
Шесть задач для искусственного интеллекта
Применение ИИ в мясной и молочной промышленности можно разделить на шесть направлений.
- Контроль качества — самое популярное направление. Системы компьютерного зрения определяют дефекты продукции и сырья, проверяют упаковку, следят за соблюдением технологических регламентов. Например, оценивают, насколько чисто очищены кости от мяса или правильно ли нарезаны стейки.
- Автоматизация операций включает сортировку, фасовку и маркировку продукции. Здесь компьютерное зрение работает в паре с робототехникой.
- Безопасность: контроль за использованием средств индивидуальной защиты, соблюдением техники безопасности, анализ поведения людей и состояния животных. Камеры отслеживают аномалии и потенциально опасные ситуации.
- Обучение: ИИ помогает адаптировать новых сотрудников и дает подсказки прямо на линии.
- Прогнозирование: предиктивные модели рассчитывают спрос на продукцию, планируют производственные мощности и определяют оптимальное время для обслуживания оборудования.
- Бэк-офис: автоматизация учета запасов и процессов закупок.
Кейс: фарш без примесей
Компания: Nortura (Норвегия).
Технология: мультиспектральный анализ + компьютерное зрение.
Задача: выявлять примеси в фарше — хрящи, кости, пластик, сгустки крови.
Оборудование: две камеры (VNIR, Visible and Near-Infrared, «видимый и ближний инфракрасный диапазон», и NIR — Near-Infrared Spectroscopy, «ближний инфракрасный диапазон») и сервер.
Результат: точность распознавания — 99%, ложные срабатывания — менее 1%.
Эффект: брак снизился на 95%, экономия сырья — 10–15%, производительность выросла на 20%.
Гиперспектральные камеры позволяют «видеть» не только форму объектов, но и их химический состав. Система анализирует, как материал отражает свет в разных диапазонах спектра, и на основе этого отличает кость от мяса, а пластик от жира, определяет не только наличие примесей, но и параметры качества самого фарша. Технологии позволяют бесконтактно, в режиме реального времени и без остановки конвейера оценивать содержание белков и жиров, а также однородность консистенции продукта.
Когда робот решает, чем кормить корову
Одно из самых неожиданных применений ИИ — оптимизация рецептур. Технолог на молочном заводе может менять настройки оборудования чуть ли не каждую неделю в зависимости от качества поступившего сырья. Сколько добавить закваски, при какой температуре выдерживать, как долго — все это раньше решалось на основе опыта.
Теперь эту задачу берут на себя системы машинного обучения. Они анализируют исторические данные: какие были настройки, каким получился выход готовой продукции, сколько было отходов — и предлагают оптимальную рецептуру для текущей партии сырья.
Кейс: ИИ-технолог для производства сыра
Компания: Ever.Ag (США/Австралия).
Технология: большие языковые модели (LLM) + машинное обучение.
Задача: адаптировать рецептуру сыра под характеристики текущего сырья.
Как работает: платформа отслеживает pH, температуру, используемые культуры и время выдержки, анализирует данные в реальном времени и выдает рекомендации.
Эффект: выход продукции вырос на 10–15%, отходы сократились на 20%.
Такой подход позволяет снизить зависимость производства от опыта конкретного технолога и опираться на закономерности, выявленные ИИ в исторических данных. На практике производители нередко закладывают в регламенты дополнительный запас прочности. Например, замену лезвий для переработки могут рекомендовать раз в полгода, хотя фактически они способны прослужить до восьми месяцев. Однако превышение этого срока повышает риск поломки, остановки линии и списания партии продукции, поэтому оптимальные интервалы обслуживания целесообразно рассчитывать на основе данных, а не усредненных нормативов.
Молоко, которое не успеет испортиться
Скоропортящиеся продукты — головная боль любого производителя. Произвел слишком много кефира — придется списывать. Мало — упустил прибыль. Раньше планирование строилось на интуиции менеджеров и анализе продаж за прошлые периоды.
Предиктивные модели учитывают гораздо больше факторов: сезонность, погоду, региональные особенности, каналы продаж, предстоящие праздники. Все это позволяет предсказывать спрос точнее, чем самый опытный специалист.
Кейс: прогноз спроса на йогурт и кефир
Технология: предиктивная модель на базе машинного обучения.
Оборудование: датчики на линии + сервер.
Результат: точность прогнозов выросла с 80–85% до 83–88%.
Эффект: списания сократились на 33%, загрузка мощностей выросла на 10–15%.
Три процентных пункта прироста точности могут показаться мелочью, но на больших объемах это миллионы рублей экономии.
Каждая косточка на счету
После первичной разделки туши кости отправляют на дополнительную обработку — механическую зачистку остатков мяса. Если на костях остается слишком много мяса, это прямые убытки. Раньше качество зачистки проверяли визуально, выборочно. Теперь это делают камеры — каждую кость в режиме реального времени.
Кейс: контроль качества зачистки костей
Компания: Tönnies (Германия).
Технология: компьютерное зрение.
Оборудование: две камеры над конвейером.
Скорость: 100 костей в минуту.
Эффект: выход мяса вырос на 5%.
Аналогичная логика работает и с дефектами на тушах. Гематомы, побитости, повреждения кожи — все это снижает стоимость сырья. Система компьютерного зрения выявляет дефекты на входном контроле, что позволяет точнее рассчитываться с поставщиками.
Кейс: детекция дефектов свиных туш
Технология: компьютерное зрение.
Задача: выявлять гематомы и побитости для корректировки цены закупки.
Результат: обнаружение более 90% скрытого брака.
Эффект: переплаты поставщикам снизились на 4–6%, окупаемость — четыре—шесть месяцев.
Что происходит в России
В России технологии компьютерного зрения для пищевой промышленности пока не так распространены, как на Западе, но первые проекты уже запущены. Крупные мясопереработчики устанавливают камеры над линиями обвалки и разделки, чтобы в реальном времени оценивать качество зачистки, контролировать остатки мяса на костях и фиксировать дефекты сырья на входном контроле. Это позволяет сократить потери сырья, снизить влияние человеческого фактора и прозрачнее выстраивать расчеты с поставщиками.
В птицеводстве и яичном производстве набирают популярность решения на базе видеоаналитики и просвечивания. Камеры и алгоритмы анализируют структуру яйца, однородность скорлупы и состояние эмбриона, автоматически отбраковывая проблемные экземпляры еще до закладки в инкубаторы. По сути, это переводит субъективную оценку на объективные метрики и снижает вероятность того, что брак проявится уже на поздних стадиях цикла.
Отдельное направление — контроль качества упаковки и маркировки на молочных и мясных заводах. Системы компьютерного зрения проверяют герметичность, читаемость штрих-кодов и сроков годности, корректность состава и веса на этикетке. Такое «второе зрение» помогает производителям выдерживать требования сетей и регуляторов, уменьшать количество возвратов и стабилизировать качество продукции на полке без радикальной перестройки существующих линий.
Ключевое преимущество современных решений — доступность. Не нужно менять всю производственную линию — достаточно установить камеры на существующее оборудование. Это снижает инвестиции и позволяет тестировать гипотезы на небольших участках производства.
Как внедрить: от анализа до промышленной эксплуатации
Подход должен строиться не просто на анализе метрик, а на четком определении производственной цели. Сначала фиксируется конкретная задача: нужно ли ускорить линию, снизить процент брака, сократить расход сырья или стабилизировать качество. И только после этого под конкретную цель строится технологический процесс — с понятной логикой, измеримыми показателями и прогнозируемым результатом. Иными словами, технология здесь не отправная точка, а инструмент для достижения заранее определенного производственного эффекта.
Процесс внедрения занимает от одного до трех месяцев на стадии пилота. Сначала оцениваются процессы, подбирается оборудование, запускается прототип. Затем собираются данные, обучается модель и тестируется решение на реальном производстве. Если все работает, переходят к масштабированию и интеграции с корпоративными системами — ERP, MES и другими.
Обучение моделей стало значительно проще: для достижения высокой точности теперь требуется меньший объем данных. Для проверки концепции нередко достаточно материала, собранного с одной камеры за несколько недель работы.
Что дальше
Глобальный рынок решений на базе ИИ для пищевой и безалкогольной промышленности демонстрирует опережающий рост. По оценке Mordor Intelligence, его объем увеличится с $18,34 млрд в 2026 году до $88,37 млрд в 2031 году, что соответствует среднегодовому росту примерно на 37%. Рост стимулируют ужесточающиеся требования к безопасности и качеству продукции, дефицит рабочей силы и спрос на повышение операционной эффективности.
В России внедрение автоматизации идет медленнее, но отдельные компании уже применяют ИИ и компьютерное зрение для ускорения линий и контроля качества. Однако сценарий «безлюдных предприятий» в ближайшие годы маловероятен. Производственные процессы остаются сложными, а участие человека все еще критично для контроля, обслуживания и управления исключительными ситуациями.
Базовый принцип эффективной автоматизации остается в 2026 году неизменным: отправной точкой служит конкретная задача с измеримым результатом, а технология выступает лишь инструментом для ее достижения. Такой подход гарантирует ощутимый экономический эффект и минимизирует риски при внедрении инноваций.
➤ Подписывайтесь на телеграм-канал «РБК Трендов» — будьте в курсе последних тенденций в науке, бизнесе, обществе и технологиях.