在食品生产领域，没有两只鸡翅是完全相同的，当然，也不存在玉米热狗的计算机辅助设计（CAD）文件。

　　Oxipital AI公司产品营销经理Anthony Romero表示，这种自然差异性长期以来一直是传统视觉检测系统面临的难题，但恰恰是这一点，让人工智能（AI）驱动的视觉技术在食品应用场景中展现出独特优势。

　　“我们在检测自然差异性方面极具优势，” Romero解释道，“食品本身就具有这种特性，因为每一份产品都会存在细微差别。”

　　这套新型视觉系统的技术基础源自Oxipital AI 公司的前身——Soft Robotics，一家专注于机器人抓取技术的企业。在食品抓取领域的经验，为该公司转向机器视觉研发奠定了基础。例如，在抓取不同大小的番茄时，抓取器需要获取尺寸数据以施加合适的压力 —— 既要确保抓牢，又不会压坏番茄。

　　“当我们开始深入研究这个领域时，发现有大量可用信息，比如尺寸数据、颜色信息以及各种缺陷特征，” Romero说道。最初作为机器人抓取系统附加功能的技术，如今已发展成为一个独立的视觉检测平台。

　　Oxipital AI 的技术流程始于对真实食品的3D扫描，以创建虚拟资产。以玉米热狗检测应用为例，该公司可能会扫描30个不同的玉米热狗，既包括合格产品，也涵盖各类有缺陷的产品。这些扫描数据将成为生成合成数据的基础。

　　“我们可以生成数百万个不同的样本，呈现出所有可能的合格与不合格变体，” Romero表示。该系统还会考虑客户特定的变量，例如传送带颜色、光照条件以及产品随机摆放的场景。

　　整个模拟过程可自主运行：工程师可在周五下午设定参数，经过约20小时的计算后，周一早上回来就能得到一个训练好的模型，只需稍作微调即可投入使用。这种合成数据方法，省去了传统视觉系统所需的数千张真实图像采集工作，也无需进行手动图像标注。

　　目前，Oxipital AI 已构建约60种不同食品类型的物体模型，涵盖奇异果、玉米热狗、鸡翅到猪里脊等品类。该系统能够检测具体特征（如脂肪分布情况），还可评估披萨上意大利辣香肠的摆放位置是否合规。该系统整合了硬件与软件组件：VX2 2D相机、用于3D测量的激光雷达（LiDAR），以及负责物体模型创建、配方构建和数据分析的V-CortX 视觉平台。

　　Romero认为，3D与2D成像相结合，并搭配合成数据生成技术，是 Oxipital AI 区别于传统2D视觉系统的核心优势。“我们不需要专人手动修改所有这些标签，” 他指出，“只需调整参数，重新运行一次合成数据生成流程即可。”

　　AI视觉模型管理器（AI Vision Model Manager）：无需采集图像或手动标注，即可下载、申请和部署高性能视觉模型。

　　配方构建器（Recipe Builder）：通过拖放操作更新工作流程，用户可获得实时视觉反馈。

　　分析仪表盘（Analytics Dashboard）：可查看产量数据、缺陷趋势、尺寸分析及质量洞察。

　　尽管 Oxipital AI 的技术负责生成AI模型，但客户仍可自主定义缺陷类型并设定公差范围。“我们希望确保客户拥有控制权，能够根据需求调整应用场景，” Romero表示。缺陷分类采用传统的基于规则的逻辑，而非AI技术，因此操作员无需重新训练模型，即可调整质量标准。

　　这种灵活性对服务多个零售品牌的食品制造商而言极具价值。Romero以一家为 Stop & Shop、沃尔玛和Target供货的冷冻披萨制造商为例进行说明：“不同零售品牌有不同的质量要求，操作员可以分别创建‘沃尔玛配方’和‘Target配方’。这样一来，操作员无需逐一手动输入参数，只需为当前生产批次选择对应的配方即可。”

　　该系统的分析仪表盘可提供清晰的投资回报率（ROI）数据。“我们能精确统计出检测到的缺陷数量，” Romero解释道。例如，某次检测中发现 816 根玉米热狗存在签子断裂问题，按每根 0.30 美元计算，就可以直接量化出潜在节省的金额。

　　除了简单的数量统计，该系统还能揭示潜在规律：例如，晚班生产速度可能慢于早班，或者产量下降可能与缺陷率上升相关，而非生产效率降低。这些精细化数据可为不同岗位的人员提供支持 —— 从监控整体产量的高管，到排查具体质量问题的持续改进团队，都能从中获取所需信息。

　　“不同人员关注的重点不同，” Romero表示，“高管可能只关注产量和合格率，而持续改进团队则可能会开展专项改进活动，深入排查导致问题的具体缺陷类型。”