与大多数工业行业一样，食品生产正日益实现自动化和数字化----工业4.0。工业图像处理在这里起着重要的支持作用，这使对象能够在从生产到质量监控再到物流的整个工作流程中准确，自动地识别。食品行业的公司受益于集成流程，获得更高的生产率并节省成本。

   如今，工业图像处理（机器视觉）用于各种场景中，其中必须使用光学功能部件来识别或检查对象。作为“生产之眼”，该技术无缝监控生产过程中发生的所有事情，从而有助于实现全自动流程链。使用诸如相机，扫描仪或3D传感器之类的图像采集设备，可以从不同角度记录大量数字图像数据，并使用集成的机器视觉软件进行保存和处理。这使产品能够在整个货物流中自动识别并精确定位。

   在食品生产中的具体案例有：在包装之前，借助于3D图像处理功能，将烘烤食品（例如鸡蛋卷或椒盐卷饼棒）接触传送带进行分离和精确计数。 该技术还可用于精确地抓取法式长棍面团，并在最高位置自动将其切割，以防止它们在错误的位置破裂。在另一个应用场景中，机器视觉优化了肉块的自动分配：使用多个3D记录设备从各个侧面（即360度半径范围内）记录这些肉块，并将以此方式生成的点云合并为一个统一的三维对象。 这样，炸肉排和牛排可以精确，有效地被切割并且损失最小，从而节省了大量的肉量并因此节省了成本。

以可靠的方式评估各种质量特征

   工业图像处理不仅适用于识别食物对象并对其进行安全处理，也能够以最大可能的精度发现并定位产品缺陷。与目标状态的偏差可能以多种形式出现，尤其是在食品工业中。机器视觉软件能够以可靠的方式评估大量不同的质量特征并识别错误。结果，这导致了非常可靠的缺陷检测率，并使机器视觉对于自动检查过程非常有价值，这是质量保证的一部分。

   烘焙行业的另一个示例：汉堡包的褐变程度可以使用2D颜色分析精确确定。根据表面上的颜色值，软件可以可靠地识别出是否烤得太脆。 然后可以将它们包装好并投放市场之前自动进行分类。这项技术的高速度给人留下深刻的印象：在几毫秒内识别出对象或错误。这样，即使大量检测和检查过程也可以自动化和加速。

通过训练提高识别率

   集成在高质量图像处理软件中的基于人工智能（AI）的现代程序支持产品或缺陷的检测。人工智能解决方案包括深度学习技术。这意味着通过全面培训可以再次显着提高检测率。全面评估和分析大量数字图像数据，以了解要识别的产品的典型特性。该软件可以精确地对对象进行分类，即将它们分配给某个类别，例如“苹果”或“梨”。 各种各样的产品偏差也可以分配给特定的缺陷类别。作为培训的一部分，独立学习不仅可以通过人工智能提高识别效果，而且可以减少检查工作。

基于AI的深度学习方法实现了更高的识别率

通过异常值检测减少训练成本

   训练通常需要所谓的“不良图像”，这意味着相应的缺陷必须直接在图像中可见。 由于食品生产中存在无数种不同的表现形式和可能的错误形式，因此必须记录大量的训练图像。 每种缺陷类型至少需要150张不良图像，这对于公司来说通常几乎是不可行或高成本的。 对于这个问题，MVTec在其HALCON图像处理软件中提供了一个有用的功能：称为“异常值检测”的技术，不再需要任何不良图像进行训练。 在无错误的情况下，最多20张图像到最多100张图像即可。这使食品制造商能够显着减少训练过程所需的精力。

可以通过训练对苹果进行精确识别

   饼干生产中的一个例子表明了这一点：该技术可用于自动检查饼干上的巧克力涂层。 图像处理算法从表面的亮度结构中识别出是否正确应用了釉料。基于异常值检测，训练时只需要显示饼干完美釉面的图像即可。

   食品行业的公司从整个价值链的工业图像处理中受益，可以实现自动化和优化生产流程以及下游质量保证。如果机器视觉系统配备了人工智能，则可以实现更高的检测率。