日本食品与餐饮2017 – 进行中Kewpie
婴儿食品用马铃薯丁的AI检测
Kewpie用合格马铃薯照片训练异常检测模型，对原料预先分拣，员工仍逐批复查
问题
日本食品企业Kewpie的全部原料靠人工检查，每天约4至5吨，速度慢，需要熟练员工，还拖慢了生产。传统机器视觉需要为每种原料单独设定规则，仅一家工厂就要处理400多种原料。
方法
Kewpie与数据分析公司BrainPad合作，用生产线上马铃薯丁的18,000多张照片训练了一个TensorFlow模型。团队只用合格马铃薯训练，使模型能标出任何异常。截至2017年4月，原型已在鸟栖工厂运行；它先初步剔除不合格品，随后由受过培训的员工检查结果。
主要数据
18,000+用于训练模型的生产线上马铃薯丁照片数
4-5 t项目开始前每天人工检查的原料量
400+鸟栖工厂处理的原料种类数
启示
异常检测使Kewpie不必收集大量稀缺的缺陷样本。AI检查之后，员工仍逐批检查。
分类
来源
来源摘要
[1]Google (The Keyword blog)2017年7月25日
Kewpie的一位生产经理称，员工每天人工检查4至5吨原料，一家工厂就要处理400多种原料。Kewpie与BrainPad开发了TensorFlow异常检测模型，用18,000多张合格马铃薯丁的照片训练。这位经理称，截至4月，鸟栖工厂已有运行中的原型，准确率“近乎完美”，之后由人工复查，并计划扩展到鸡蛋和谷物。
[2]Engadget2017年7月25日
Engadget报道，Kewpie和BrainPad用18,000张照片训练了一个TensorFlow系统，用来标出婴儿食品用的有缺陷马铃薯丁。Kewpie称准确率“近乎完美”，但未给出具体百分比，且仍由人工检验员复核输出结果。Engadget指出，采用这项技术的其他企业可能会裁员。
详细内容请参阅原始来源。
收录日期 2026年10月25日 · 更新日期 2026年10月25日
