AI rješenja za prehrambenu industriju
Automatizujemo HACCP nadzor kroz CV detekciju stranih tijela i compliance praćenje, plus cold chain optimization sa shelf-life predikcijom koja smanjuje gubitke kod retailera.
Operativni izazovi u industriji
- ● Stranja tijela (metal, staklo, tvrda plastika, kosti) sa veličinom ispod 2mm promiču klasičnoj X-ray inspekciji
- ● HACCP CCP nadzor (hairnets, gloves, zone segregation) zavisi od ručnih obilazaka 2-3x po smjeni
- ● Cold chain breach od 30 minuta na +8°C invalidira mliječne lance vrijedne 80.000-120.000 EUR
- ● FIFO discipline u skladištu krši se ručno, generišući 4-7% expiry write-off
- ● BRCGS / IFS / ISO 22000 audit trail mora biti immutable i 24-mjesečno retention
Demo case studies
HACCP zone monitoring sa hybrid X-ray + CV detekcijom stranih tijela
Proizvođač gotovih jela i mesnih prerađevina (310 zaposlenih, BiH, izvoz u EU i regiju). Kapacitet 14.000 t/god, klijenti su veći retail lanci sa BRCGS AA standardom. Postojeći problem: dva foreign object incidenta u 2024. doveli su do potpunog povlačenja serija (recall trošak 340.000 EUR i privremena suspenzija plasmana kod glavnog kupca). HACCP plan zahtijeva CCP nadzor (zone segregation, hairnet/glove compliance) ali se to provjerava ručno 2-3 puta po smjeni što ne pokriva sve incidente.
Klasični Mettler-Toledo X37 X-ray detektor hvata metalna i mineralna tijela preko 2.5mm, ali propušta tvrdu plastiku i sitne fragmente kostiju u mljevenom mesu (low contrast prema mesu na X-rayu). Visual sistemi sami ne vide unutrašnje kontaminante. HACCP zone monitoring (zabranjen prelaz iz raw u cooked zonu, obavezna oprema) zavisi od ljudskog observera - praktično 18-22% smjenskog vremena nepokriveno. Audit trail za BRCGS auditora mora biti immutable i pokriti najmanje 24 mjeseca - obični NVR sistemi imaju retention 30-90 dana i lako se modifikuju.
Postavili smo hybrid inspekcionu liniju: postojeći Mettler-Toledo X37 paralelno sa novim multi-spectral CV stage-om (Specim FX10 hyperspectral kamera 400-1000nm + Basler RGB) sa hardware-sinchronizovanom akvizicijom. Custom ensemble model: X-ray detekcija (klasičan threshold + CNN za low-contrast objekte) i hyperspectral klasifikacija (PCA + 1D CNN za spektralni potpis plastike, kostiju, kose). Kombinacija odluka kroz late fusion sa weighted voting - rejekcija ako bilo koji modul vrati confidence iznad 0.92. Zone monitoring sa 18 NVIDIA Jetson Orin NX uređajima koji procesuiraju feed sa zonalnih kamera. Custom YOLO model trenian na 67.000 internih primjera detektuje hairnet, glove i mask compliance plus zone crossing violations (raw-to-cooked tranzicija). Svaki incident generiše event sa snapshot-om i kratkim video clipom (5s pre/post). Hyperledger Fabric blockchain za audit trail: svaki CCP event (foreign object rejekcija, compliance violation, korektivna akcija operatera) zapisan je kao immutable transakcija. Video evidence šifriran i pohranjen u MinIO sa 36-mjesečnim retention-om i SHA-256 hash-om u blockchain-u. BRCGS auditor dobija read-only portal sa filterima po datumu/CCP-u.
Python (PyTorch, OpenCV, NVIDIA DeepStream), Specim FX10 hyperspectral, Mettler-Toledo X37, Basler RGB, NVIDIA Jetson Orin NX, Hyperledger Fabric, MinIO za video evidence, Apache Kafka, OPC UA integracija sa Multivac pakerom
Demo primjer baziran na stvarnoj inženjerskoj praksi. Identitet klijenta povjerljiv prema NDA.
Cold chain optimization sa shelf-life predikcijom i FIFO automation
Distributer mliječnih proizvoda i svježeg mesa (180 zaposlenih, regija JI Evrope) sa flotom od 42 hladnjača-vozila i 6 distributivnih centara. Godišnji promet 78 milion EUR, 4-7% gubitka zbog expiry write-off-a i 1.8% zbog cold chain breach-a (proizvod stigao iznad ugovorene temperature i odbačen kod retailera). Postojeći proces: temperatura se loguje svakih 15 minuta na DataCold loggerima, čita se ručno na isporuci - kasno za bilo kakvu intervenciju.
Cold chain breach od 30 minuta iznad +8°C kod mliječnih proizvoda nije samo regulatorni problem (EU 853/2004) već faktički invalidira pošiljku jer retail QA odbija prijem. Standardni shelf-life modeli (Arrhenius equation za microbial growth) ne uzimaju u obzir kumulativni efekat više malih breach-eva niti varijabilnost između serija. FIFO discipline u distributivnom centru se krši - radnici često uzimaju iz prednjeg reda jer je brže, što generiše expiry write-off na zadnjem redu. ERP (Microsoft Dynamics 365 SCM) ima FIFO logiku ali ne forsira fizičku discipline u skladištu.
Postavili smo LoRaWAN sensor mrežu sa 380 Adeunis Comfort CO2/Temp i Elsys ERS uređaja po hladnjačama, kamionima i skladišnim lokacijama. Real-time stream kroz The Things Network u Apache Kafka, sa ksqlDB-om za breach detection (sliding window agregacija). BLE 5.x tagovi (Disruptive Technologies) na pojedinačnim paletama daju mikro-lokaciju u skladištu. Custom shelf-life model: Bayesian state-space pristup koji modeluje kumulativnu temperaturnu izloženost po pošiljci, sa par-specifičnim parametrima per SKU (mlijeko ima drugačiju kinetiku od mljevenog mesa). Model je treniran na 14.000 historijskih pošiljki sa stvarnim shelf-life testovima (mikrobiološki testovi u laboratoriji). Output je remaining shelf life sa intervalom povjerenja, ažurirano svaki put kad stigne novo temperaturno mjerenje. FIFO automation: BLE indoor positioning u kombinaciji sa pick-by-light sistemom forsira radnika da uzme tačnu paletu - ako uzme drugu, sistem alarmira i traži nadređenog. Routing optimization: OR-Tools CP-SAT solver svakodnevno optimizuje vehicle routing uzimajući u obzir remaining shelf life po pošiljci (kraći shelf life = prioritet u danas) i historijska kašnjenja po ruti. Integracija sa Microsoft Dynamics 365 SCM preko REST API-ja - putni nalozi i picking lists generišu se automatski.
LoRaWAN (Adeunis, Elsys), BLE 5.x (Disruptive Technologies), Python (PyTorch Bayesian, OR-Tools CP-SAT), Apache Kafka + ksqlDB, TimescaleDB, Microsoft Dynamics 365 SCM integracija, pick-by-light hardware, The Things Network
Demo primjer baziran na stvarnoj inženjerskoj praksi. Identitet klijenta povjerljiv prema NDA.
Tehnologije koje koristimo
Kako radimo
Discovery
2-3 sedmice: audit HACCP plana i CCP-eva, mapiranje cold chain rizika, pregled X-ray i CV postojećih sistema, baseline KPI-evi (recall risk, write-off %).
Pilot
8-12 sedmica: pilot na jednoj liniji ili distributivnom centru, kalibracija foreign object modela, instalacija LoRaWAN mreže, validacija sa lab testovima.
Implementacija
14-22 sedmice: roll-out na cijeli pogon i flotu, integracija sa SAP/Dynamics, training operatera i vozača, BRCGS audit trail dokumentacija.
Operacija
24/7 monitoring, mjesečni HACCP review sa QA timom, kvartalno re-treniranje shelf-life modela, godišnja BRCGS/IFS audit podrška.
Razgovarajmo o pilotu za vašu firmu
Discovery sesija je 60 minuta - razumijemo vaš problem i predlažemo konkretan pilot pristup.
Kontaktirajte nas