Lyhyt kuvaus: 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

Case-kuvaus on tekoälyn koostama lähteestä:
Xnext Helps Protect Food Supply with AMD Technology