日本食品與餐飲2017 – 進行中Kewpie
嬰兒食品用切丁馬鈴薯的 AI 檢測
Kewpie 以良品馬鈴薯照片訓練異常偵測模型，預先篩選食材，仍由員工逐批檢查
問題
日本食品製造商 Kewpie 的所有原料都以人工檢查，每天約4至5公噸，作業緩慢、需要熟練人員，也拖累生產。傳統機器視覺須為每種食材分別設定規則，光一座工廠就要處理逾400種。
做法
Kewpie 與分析公司 BrainPad 合作，建置了以產線上逾18,000張切丁馬鈴薯照片訓練的 TensorFlow 模型。團隊只以良品馬鈴薯訓練，使其能標示任何異常。截至2017年4月，鳥栖工廠已有原型運作，先粗略剔除瑕疵品，再由受過訓練的員工檢查結果。
主要數據
18,000+用於訓練模型的產線切丁馬鈴薯照片數
4-5 t專案之前每天以人工檢查的原料量
400+鳥栖工廠處理的食材種類數
啟示
異常偵測讓 Kewpie 免於蒐集大量稀少的瑕疵樣本。AI 檢查後，員工仍逐批檢查。
分類
來源
來源摘要
[1]Google (The Keyword blog)2017年7月25日
Kewpie 的一位生產經理表示，員工每天以人工檢查4至5公噸食材，單一工廠就要處理逾400種食材。Kewpie 與 BrainPad 建置了以逾18,000張良品切丁馬鈴薯照片訓練的 TensorFlow 異常偵測模型。該經理表示，截至4月，鳥栖工廠已有原型，準確度「近乎完美」，之後再由人工檢查，並計畫擴及蛋與穀物。
[2]Engadget2017年7月25日
Engadget 報導，Kewpie 與 BrainPad 以18,000張照片訓練 TensorFlow 系統，用來標示嬰兒食品用切丁馬鈴薯中的瑕疵品。Kewpie 形容準確度「近乎完美」，但未給出百分比，且仍由人工檢查員核對輸出結果。Engadget 指出，採用此技術的其他公司可能因此裁員。
詳細內容請參閱原始資料。
收錄日期 2026年10月25日 · 更新日期 2026年10月25日
