Blog

Machine learning e processi di produzione dell'industria alimentare

image

Negli ultimi anni il mondo delle attività produttive ha assistito alla diffusione e all’affermazione della cosiddetta industria 4.0, ossia quell’insieme di tecnologie moderne che, integrandosi con quelle tradizionali, puntano a rendere più efficaci i processi di produzione industriale.

Scarica la nostra guida alla scelta di nastri trasportatori per l'industria  alimentare!


Cloud, realtà aumentata, blockchain, big data analytics, intelligenza artificiale...sono tutti strumenti di nuova generazione attraverso cui le aziende mirano ad accrescere l’automazione, aumentare la produttività e migliorare le condizioni di lavoro. In alcuni settori, ad esempio quello dell’automotive o della logistica, queste tecnologie sono già relativamente comuni, in altri stanno cominciando ad affacciarsi solo di recente.

 

Anche l’industria alimentare sta iniziando a scoprire le straordinarie opportunità offerte da questa rivoluzione digitale e molte realtà del settore stanno integrando le nuove tecnologie ai loro processi di produzione. Tra queste tecnologie c’è anche il machine learning: una delle più affascinanti, ma anche delle più complesse da applicare, specialmente in processi dalle variabili infinite come quelli di produzione e confezionamento del cibo. Proviamo allora a capire un po’ meglio di cosa si tratta e, soprattutto, in quali contesti può diventare un alleato della produzione di alimenti.

 

Che cos'è il machine learning

Quando parliamo di machine learning, o - in italiano - apprendimento automatico, parliamo di un ramo dell’informatica strettamente legato agli studi sull’intelligenza artificiale. Si tratta, in particolare, di una serie di meccanismi che consentono a una macchina di migliorare le proprie prestazioni nel tempo in autonomia. Una macchina programmata per l’apprendimento automatico non solo è in grado di svolgere determinati compiti, ma è anche capace di aumentare la propria efficacia sulla base dei dati raccolti di volta in volta. Algoritmi specifici permettono infatti alla macchina di prendere una decisione al posto di un’altra, basandosi di fatto su quella che noi umani chiameremmo esperienza.

 

Senza approfondire troppo i dettagli di funzionamento e senza addentrarsi negli straordinari studi teorici che stanno alle spalle di questa tecnologia, va detto che il machine learning presenta una serie molto vasta di applicazioni. Tutti i principali sistemi di riconoscimento vocale, compresi quelli installati sui nostri smartphone, utilizzano ad esempio metodi di apprendimento automatico. I veicoli senza guidatore utilizzano gli algoritmi del machine learning per imparare a muoversi senza assistenza tra ostacoli o strade trafficate. Persino la NASA utilizza il machine learning per classificare in automatico i corpi celesti osservati dai loro potentissimi strumenti.

 

Tornando però sulla Terra, l’apprendimento automatico trova numerose applicazioni all’interno delle linee di produzione industriali. Esso permette alle macchine di evolversi in maniera più rapida, correggendo di volta in volta le imperfezioni, accrescendo la produttività degli impianti e garantendo una maggiore qualità del prodotto finito.

 

Nonostante questo, una tecnologia simile fatica ad affermarsi in maniera organica in un settore come quello degli alimenti, caratterizzato da enormi volumi produttivi (anche 500-600 pezzi al minuto in un impianto di confezionamento), da uno scarso valore del singolo elemento e soprattutto da moltissime variabili che possono fare la differenza tra un prodotto perfetto e uno da buttare. Esistono tuttavia alcuni ambiti applicativi su cui si sta lavorando e che potrebbero rappresentare il futuro dell’industria alimentare.

 

Il controllo qualità

 

Nel campo del controllo qualità esistono dei sistemi di visione intelligente ormai da parecchi anni il cui compito è osservare i prodotti che scorrono lungo la linea attraverso speciali telecamere, confrontare le immagini con i modelli standard presenti nei loro database e identificare gli elementi difettosi, che possono essere così scartati prima di proseguire il loro percorso all’interno dell’impianto. Sono tecnologie molto comuni nel settore automotive, in quello dell’elettronica e delle materie plastiche, ma sono diffuse anche in quello alimentare. Non operano naturalmente sulla base di parametri come sapore, odore o consistenza, ma riescono ugualmente a selezionare i prodotti da scartare basandosi sulla loro forma, dimensione o colore (ad esempio un biscotto rotto, una merendina troppo piccola, una patatina bruciata ecc…).

 

A differenza di un componente meccanico, tuttavia, un alimento ha dei punti di riferimento molto meno rigidi per quanto concerne la qualità: una brioche, solo per fare un esempio, può essere buona anche se pesa qualche grammo in meno o in più dello standard, se è leggermente più scura o se presenta una forma irregolare. In questo caso il machine learning può giocare un ruolo essenziale nell’evitare sprechi inutili e ottimizzare l’intero processo produttivo. Le macchine addette all’analisi visiva riescono infatti a imparare come modificare i propri standard sulla base dei dati accumulati con l’esperienza, si migliorano in totale autonomia e garantiscono così una selezione sempre più accurata. Sommando questa visione “evoluta” con i controlli effettuati da altri sistemi (metal detector, raggi x, analisi contaminanti), si ha come risultato un controllo qualità altamente efficiente.

controllo_qualità

 

Il confezionamento

All’interno di una linea di produzione possiamo trovare macchinari specifici che si occupano di spostare gli elementi da un punto all’altro dell’impianto in base alle esigenze. Pensiamo ad esempio ai robot che sollevano i prodotti confezionati individualmente e li depositano nei contenitori per il confezionamento secondario: il loro compito è quello di portare il prodotto dal punto A al punto B, sulla base delle indicazioni di movimento che vengono impartite dall’operatore umano. Si tratta di procedimenti che avvengono sempre nello stesso modo, con una sequenza di azioni fisse e programmate dall’esterno, che non sempre rappresentano la soluzione più efficace in termini di produttività.

 

Tramite il machine learning, invece, si impartisce alla macchina solo il punto di presa e il punto di rilascio, lasciando a lei il compito di trovare, di volta in volta e sulla base dei dati raccolti in precedenza, la strada più rapida e la sequenza di movimenti più indicata alla situazione. Questo risulta particolarmente utile quando ci sono più robot che lavorano in contemporanea, operando su nastri di grosse dimensioni che trasportano anche 1500 pezzi singoli al minuto: sfruttando le potenzialità dell’apprendimento automatico essi sono in grado di lavorare in piena sinergia, facendo in modo che ognuno svolga il suo compito nel minor tempo possibile, che nessuno venga sovrastressato da movimenti eccessivamente complessi e che l’intero processo di confezionamento risulti infine ottimizzato.

 

Sebbene dunque l’industria alimentare non sia ancora il campo di maggior attuazione delle tecnologie 4.0, è evidente come un corretto sfruttamento di alcune di esse possa portare grandi benefici all’interno delle linee produttive, generando risvolti positivi in molte aziende del settore. L’intelligenza artificiale e la tendenza all’automazione rappresentano il presente, ma soprattutto il futuro delle attività produttive, anche di quelle che si occupano di cibo.


Scarica la guida per scegliere il corretto nastro trasportatore!