食品制造质量检测对保障消费者安全和产品质量稳定至关重要，覆盖原材料至成品全阶段，含过程中检测与成品包装检测。近年人工智能深度学习及自动化系统正日益融入食品生产。该公司在豆腐保质期印刷缺陷检测中引入了友思特Neuro-T深度学习技术，此前该检测主要依赖基于视觉传感器的方法。这一举措清晰地检测出了打印错误，并减少了因错误的缺陷判断而丢弃正常产品的问题。

一、食品行业中的视觉检测

食品制造过程中的质量检测对于确保消费者安全和维持产品质量稳定至关重要。在食品生产的各个阶段，从原材料到成品，都会进行质量检测。通常，这些检测分为过程中检测（原材料和加工产品检测）以及成品包装检测。近年来，人工智能深度学习技术和自动化系统也越来越多地融入到食品生产过程中。

二、豆腐保质期字符分析检测

在豆腐保质期印刷缺陷检测中引入了深度学习技术，此前该检测主要依赖基于视觉传感器的方法。这一举措清晰地检测出了打印错误，并减少了因错误的缺陷判断而丢弃正常产品的问题。

1.现场情况—食品包装密封检测的重要性

由于食品直接供普通消费者食用，通常要遵循严格的监管框架，以保障产品质量和消费者安全。任何与保质期相关的问题不仅会让企业面临法律后果，还会严重损害其品牌声誉。因此，食品制造业进行严格的质量控制至关重要。

近年来，因保质期遗漏、印刷错误和异物污染等问题引发的消费者投诉有所增加。因此，在整个食品行业，保质期检测和异物检测的重要性愈发凸显。对于豆腐、牛奶和鸡蛋等保质期较短的易腐食品，消费者对保质期的准确性尤为关注。

电池电芯内的正负极由隔膜隔开。如果金属污染物进入，会在电极之间形成直接的电气短路，使大电流瞬间通过，这可能会导致发热、爆炸或起火等风险。即使是非金属细小污染物也会增加电池内阻，降低电池容量。这会导致电池出现充电/放电速度变慢、电池寿命缩短等性能问题，最终降低电池的整体质量。因此，在组装过程完成后、激活过程开始前，对电芯内部进行污染物检测至关重要。

2.具体现场情况—某豆腐生产制造商（E 公司）

E公司是一家豆腐生产商,其生产流程如下：

豆腐成型 → 卤水注入 → 包装 → 密封 → 保质期打印 → 检测 → 发货

此前，该公司使用视觉传感器来确认是否有保质期印刷，但该系统几乎无法验证印刷的保质期是否准确。因此，公司采用了点阵印刷系统来标注保质期，并使用基于规则的检测方法，通过识别点数来识别数字。例如，设定“9 个点”代表“2”，“8 个点”代表“7”来进行字符识别。尽管采取了这些措施，但该系统仍有其局限性，在保证生产效率和质量稳定性方面面临挑战。

三、豆腐保质期字符分析检测存在的问题

1.印刷缺陷引发的问题

点阵印刷系统通过一系列小点来打印数字，这意味着该系统对生产环境中的微小变化极为敏感。诸如点模糊、褪色或错位等问题，都会导致数字无法被准确识别。

2.现有检测系统的痛点

由于当前系统依靠数点来识别数字，任何点缺失或模糊都会导致分类错误。例如，如果数字“2”少了一个点，可能会被误读为“7”，从而被错误地丢弃。因此，即使是完全可以安全食用的产品，也因轻微的打印错误而被拒收，导致废品率上升、生产成本增加和运营效率降低。

四、解决方案

为解决依赖视觉传感器的检测方法的不足，E 公司采用了高分辨率相机，并基于友思特 Neuro-T 自动深度学习平台，引入了深度学习视觉检测解决方案。

1.高分辨率相机的部署

安装了高分辨率相机，以捕捉印刷保质期的最细微细节。这一改进使得能够精确检测出以前难以识别的缺陷，比如因模糊、褪色和错位导致的错误。

2.多种深度学习模型的应用

基于友思特 Neuro-T 的流程图功能，无代码链接分类模型和 OCR 模型两个深度学习模型。

分类模型首先判断是否打印了保质期，以此筛选出初始的缺陷产品。然后，对被归类为“合格”的产品进行光学字符识别（OCR）检测，从而降低了不必要的检测成本。

改进后的系统不再依赖传统的数点检测方法，而是采用 OCR 模型来直接分析字符形状。由于这种方法即使在有点缺失的情况下也能准确读取数字，因此分类错误率大幅降低。

五、成果与效益

新系统部署后，检测准确率提高了 17%，与保质期印刷错误相关的消费者投诉数量也有所下降。换句话说，该系统不仅确保了食品生产的质量标准始终如一，还提升了公司的品牌形象。在之前的数点系统下，频繁的误判导致大量产品被不必要地废弃。随着基于友思特 Neuro-T 平台的深度学习视觉检测系统的部署，即使部分点印刷有误，也能将其准确识别为数字形状。这使得错误分类率显著降低，整体生产效率进一步提高。