边缘AI视觉在食品制造质检中的实战
咱们搞弱电系统集成的，这些年接触了不少机器视觉项目，但食品行业的AI质检，说实话和咱们熟悉的工业场景有很大不同。今天聊聊一个Nestlé工厂的案例。
食品质检的特殊性
食品生产线的质检有几个特点让传统视觉方案很头疼：
速度要求极高。 一条饮料灌装线，每分钟900瓶甚至更快。传统相机+算法根本来不及处理。以前用的方案是"抽检"——每100瓶抽1瓶看，其他放过去。
缺陷种类多且随机。 异物、瓶盖歪斜、液位不够、标签贴歪、颜色异常……没有固定的"缺陷模板"可套。
卫生要求严格。 设备要能耐受经常性的CIP清洗（原位清洗），没法装复杂的光学系统。
方案选型
他们选的是NVIDIA Jetson AGX Orin作为边缘计算平台。选这个的原因：算力够（275TOPS）、功耗低（15-60W可调）、工业级温度范围。
摄像头用的是全局快门的彩色工业相机，配合偏振光源。偏振光的好处是能消除包装材料的反光干扰，这个细节在做视觉检测的时候非常重要。
模型部署要点
模型架构用的是量化后的EfficientDet-Lite。为什么要量化？因为食品生产线的节拍是固定的，模型推理时间必须小于50ms才能不影响产线速度。FP32模型推理要120ms，量化到INT8后降到35ms，精度只降了不到1%。
部署方案是纯本地推理，不上云。原因很简单：食品工厂网络环境复杂（金属结构多、Wi-Fi信号差），而且质检数据涉及配方信息，客户不允许出工厂。模型更新靠运维人员用U盘拷进去。
检测效果
- 检测速度： 900件/分钟，零漏检
- 异物检出率： 99.2%（包括金属、塑料、纸屑）
- 液位检测准确率： 99.8%
- 色差/印刷缺陷检出率： 97.5%
- 误报率： 控制在0.5%以下
学到的经验
边缘AI不是把云模型搬下来就行。 云端跑得好好的模型，量化后精度可能掉得一塌糊涂。需要在边缘设备上重新做模型调优和测试。
光照是跑不掉的坑。 产线上的光照条件变化比想象中大得多——灯管老化、顶棚透光、甚至换了不同批次的包装材料反光特性都不一样。我们后来加了一个自动曝光校正模块，硬件上没花多少钱，效果提升很明显。
食品行业的系统集成门槛其实不低。 设备要过食品安全认证、要能做CIP清洗、要满足HACCP要求。单纯懂AI不懂行业规范，项目做不下来。这和弱电行业做医院项目需要懂医疗规范是一个道理。