Xnext hyödyntää mukautuvaa röntgenteknologiaa elintarvikkeiden vierasesineiden automaattiseen tunnistamiseen. XSpectra-järjestelmä käsittelee suuria datamääriä reaaliaikaisesti ja mahdollistaa pienikokoisten epäpuhtauksien havaitsemisen tuotantolinjalla.

1. Yrityksen kuvaus

• Xnext on tietointensiivinen kasvuyritys, joka suunnittelee ja valmistaa erittäin kehittyneitä, reaaliaikaisia elintarviketarkastusjärjestelmiä linjassa tapahtuvaan turvallisuus- ja laadunvalvontaan.
• Sen lippulaivajärjestelmä XSpectra® on asennettu johtaviin elintarvikeyrityksiin Italiassa, Ranskassa ja Slovakiassa, ja se kattaa maitotuote-, täytepasta-, liha-, keksi- ja salaattialat.
• Tapaustutkimusaineistossa ei mainita yrityksen tarkkaa kokonaishenkilöstömäärää.

2. Mikä ongelma tekoälyn oli tarkoitus ratkaista?

• Elintarvikkeiden jalostusyritykset kohtaavat merkittäviä taloudellisia, maineeseen liittyviä ja terveydellisiä riskejä vierasesineistä (kuten muovista, luista, hyönteisistä, kumista ja puusta), jotka päätyvät irtotavarana käsiteltäviin raaka-aineisiin tai pakattuihin valmiisiin tuotteisiin.
• Perinteiset röntgentarkastusjärjestelmät perustuvat yhteen tai kahteen energiatasoon, mikä rajoittaa täysin niiden kykyä tunnistaa matalatiheyksisiä orgaanisia tai muovisia epäpuhtauksia.
• Xnext tarvitsi tavan kerätä, hallita ja käsitellä valtavia määriä monienergistä anturidataa reaaliajassa suoraan tuotantolinjalla hidastamatta nopeatempoisia teollisia valmistusvirtoja.

3. Miten ongelma ratkaistiin ja millä työkaluilla?

• Xnext kehitti XSpectran, vallankumouksellisen tarkastusjärjestelmän, joka yhdistää fotoniikan, ydinelektroniikan ja tekoälyn.
• Fotoniikan osalta laite hyödyntää räätälöityä puolijohdemateriaalianturia, joka analysoi jopa 1 024 eri röntgensäteilyn energiatasoa tuottaakseen syvällistä kemiallis-fysikaalista tietoa tuotteen koostumuksesta.
• Tämän massiivisen datavirran hallintaan Xnext otti käyttöön AMD Zynq™ -adaptiiviset SoC-piirit.
• Tämä arkkitehtuuri yhdistää Arm®-pohjaisen prosessorin ohjelmoitavuuden ja FPGA-piirin laitteistokiihdytysominaisuudet yhteen laitteeseen.
• Laitteen sisäinen järjestelmä ajaa räätälöityjä, itseoppivia konvoluutioneuroverkkoja (CNN), jotka on koulutettu laajoilla aineistoilla vaatimusten mukaisista ja vaatimustenvastaisista elintarvikevirheistä.

4. Mitä tuloksia saavutettiin?

• AMD: n adaptiivisten SoC-piirien integrointi mahdollisti XSpectra-järjestelmälle reaaliaikaisen datan keräämisen, hallinnan ja käsittelyn keskimäärin 8 GBps:n nopeudella.
• Tämä laskentateho mahdollistaa sen, että järjestelmä tarkastaa tuotteet ja tunnistaa alle millimetrin kokoiset epäpuhtaudet – myös matalatiheyksiset materiaalit, jotka ovat kilpailijoille täysin näkymättömiä – millisekunneissa suoraan tuotantolinjalla.
• Ratkaisu takaa “nollavirhetuotannon” työnkulun, mikä vähentää merkittävästi tuotteiden takaisinvetoja, estää arvoketjun nettohävikkiä ja maksimoi elintarviketurvallisuuden tason.
• Lisäksi Zynq SoC: n ohjelmoitavuus antaa Xnextille mahdollisuuden päivittää ohjelmistomalleja helposti asennuksen jälkeen täysin uusien tuote- ja epäpuhtausyhdistelmien tarkastamiseksi.

5. Mitä ongelmia ilmeni?

• Tapaustutkimus tuo esiin, että perinteinen röntgenlaitteisto on teknisesti rajoittunut yhden tai kahden energiatason kyvykkyyteen, minkä vuoksi on mahdotonta kerätä riittävästi dataa matalatiheyksisten vierasesineiden havaitsemiseen.
• Tämän esteen ylittäminen vaati yli 10 vuotta intensiivistä tutkimus- ja kehitystyötä (T&K) sellaisen laitteiston ja ohjelmiston kehittämiseksi, joka kykenee käsittelemään valtavia moniulotteisia datamääriä aiheuttamatta tuotantolinjan pullonkauloja tai suurta määrää häiritseviä virhehälytyksiä.

6. Aika- ja rahainvestoinnit

• Tapaustutkimusaineisto ei paljasta konkreettisia sopimusten taloudellisia lukuja eikä projektin kokonaishinnoittelua.
• Ajallisesti taustalla olevan laitteisto- ja ohjelmistoinfrastruktuurin täysimittainen toteuttaminen vaati yli 10 vuotta tutkimusta ja kehitystä, mutta AMD:n valmiin adaptiivisen laskentaekosysteemin hyödyntäminen lyhensi merkittävästi siirtymäaikaa prototyyppisuunnittelusta lopulliseen kaupallistettuun tuotteeseen.

7. Millaista osaamista tarvittiin ja mitä yhteistyökumppaneita käytettiin?

• Projekti vaati erikoisosaamista fotoniikasta, ydinelektroniikan suunnittelusta, moniulotteisen datan ohjatusta koneoppimisesta, konvoluutioneuroverkoista, hyperspektrikuvantamisesta ja syväoppimisen datatieteestä.
• Pääteknologiakumppani oli AMD, joka hyödynsi Zynq-adaptiivisia SoC-piirejään laitteistokiihdytyksen saavuttamiseksi.

8. Liiketoimintafunktion luokitus

• Projekti liittyy perustavanlaatuisesti laadunvarmistustarkastuksiin, elintarvikkeiden jalostustoimintaan ja teolliseen konenäköön.
• Se tukee suoraan riskien hallintaa ja toimitusketjun kestävyyttä turvaamalla kuluttajien terveyttä ja poistamalla valmistuksen materiaalihävikkiä.

9. Lähde

Xnext Helps Protect Food Supply with AMD Technology