Комьюнити и центр компетенций по цифровизации пищевой отрасли
Обучение, консалтинг, аналитика
  • Главная
  • Статьи
  • Как превратить рыбоперерабатывающее производство в сверхэффективное предприятие

Как превратить рыбоперерабатывающее производство в сверхэффективное предприятие

Партнер digital4food, компания CVC, поделился интересным кейсом о повышении производительности персонала на 40% с помощью нейросетевой видеоаналитики.

Приобретение дорогостоящего оборудования и инвестиции в современное программное обеспечение зачастую не приводят к росту производительности труда, т.к. ключевым препятствием на пути прогресса остаются люди. Можно заменить станок, но подход персонала к работе не изменится по щелчку пальцев. К сожалению, индустрия переработки рыбы не является исключением, однако на выручку приходит искусственный интеллект и нейросетевые технологии.

В рамках данного кейса вы узнаете о результатах, достигнутых в ходе внедрения нейросетевой видеоаналитики CVC на одном из рыбоперерабатывающих производств. Особенность данного кейса в том, что это было первое внедрение на предприятии из данного сегмента рынка. 

Суть проблемы или как все начиналось

Заказчик по данному кейсу — рыбоперерабатывающее производство полного цикла: от поступившей рыбы до готовых консервов, коктейлей из морепродуктов и рыбных снеков. 

Проблематика клиента заключалась в поиске возможных вариантов для автоматизации учета. Как следствие, уменьшение издержек на содержание среднего менеджмента (контрольно-ревизионной группы, счетоводов, старших смен и КРГ). То есть речь шла о сокращении персонала, который не задействован в производстве, но при этом осуществляет функции “сквозного” и выборочного контроля. И это всё как раз то, с чем эффективно справляются наши нейросетевые роботы. 

Особенности интеграции (внедрения) проекта

Интеграция — процесс между подписанием договора и передачей клиенту готового решения. 

При этом обучение нейросетевых роботов, настройка личного кабинета для заказчика (в котором можно из любой точки мира контролировать работу своего предприятия) занимает в 3-4 раза меньшее время, чем то, что касается вопросов согласования: спецификаций, оборудования, мест его установки, точности метрик контроля и договора. И длительность этого периода обусловлена принятыми на предприятии заказчика процедурами согласования.

Сам же процесс внедрения занял меньше двух месяцев и состоял из нескольких этапов.

Этап обследования. На данном этапе мы определяем возможность использования текущей системы видеонаблюдения (СВН) компании для внедрения нейросетевой видеоаналитики. Задача наших инженеров сделать простой вывод — можем ли мы задействовать существующую СВН, нужно ли ее менять или частично обновлять (например, регистратор подходит, а камеру нужно заменить). На руки клиент получает спецификацию со списком необходимого оборудования, если все-таки требуется его модернизация. Но в большинстве случаев мы используем ту систему, которая уже имеется на предприятии. По данному кейсу никакой модернизации не потребовалось, использовали существующее оборудования клиента.

Этап обучения роботов. Этап подготовки обучения робота, который взаимодействует с видеосистемой объекта, определяя происходящее на видео. После чего робот начинает “понимать”, что на видео так, а что не так, на основании чего генерируются соответствующие отчеты. Результат — заказчик в удобном виде получает информацию обо всех нарушениях с видео подтверждением каждого события. 

Этап интеграции с внутренними учетными системами заказчика (например, складская система). Интеграция необходима только с теми кейсами, где требуется синхронизация с данными системы учета. Например, в учетной системе заказчика фиксируется, сколько на конвейер поступило тонн еще не разделанной рыбы и сколько вышло с конвейера уже в виде филе, что требуется пересчитать.

Важно пояснить, что в учетную систему клиента мы никогда не вмешиваемся. А организуем защищенное соединение, которое через буфер позволяет обмениваться заранее согласованной информацией. Такой подход является лучшей практикой не только с точки зрения надежности и скорости реализации, но и с точки зрения информационной безопасности для компании клиента. 

Создание таких буферов требует подключения квалифицированных специалистов со стороны заказчика. Со своей стороны мы, естественно, помогаем, так как заинтересованы в реализации проекта.

Какие задачи были решены?

Все задачи так или иначе связаны с бизнес-процессами компании. И чем точнее эти бизнес-процессы определены, тем проще системе выявлять отклонения. На рыбоперерабатывающем предприятии наша нейросетевая видеоаналитика смогла закрыть следующие задачи:

1. Контроль узлов мойки: подсчет вымытой тары. Подобные пищевые производства, которые получают исходное сырье в виде мясной или рыбной продукции, сталкиваются с обязательным процессом — мытье тары. Тара может быть разная (огромные бочки, ведра, небольшие ящики) и в зависимости от вида тары у сдельных работников начисляется соответствующая заработная плата.

До внедрения системы, данные о фактическом количестве вымытой тары получали от исполнителей, что приводило к намеренным и не намеренным искажениям. После внедрения нейросетевой видеоаналитики заказчик стал получать данные по выработке сотрудников с точностью более 98%. Все данные подтверждались нарезкой соответствующего видеоряда, которым при случае можно воспользоваться.

По результатам эксплуатации системы CVC было выявлено завышение фонда заработной платы более чем на 40%. Экономический эффект для предприятия составил более 400 000 рублей в месяц.

2. Подсчет количества продукции, прошедшей по конвейеру (считается любой тип продукции: филе/рыба на пиках; нарезанных филе, порции рыбы на подложке). Реализация данного типа контроля позволила заказчику получать точные данные о количестве произведенной за смену продукции. 

Более углубленный контроль произведенной продукции каждым сотрудником в смене дал возможность предприятию в том числе:

  • планировать сырье и загрузку конвейера;
  • справедливо начислять зарплату;
  • повышать производительность персонала за счет обучения, замены, мотивации. Более того, сотрудники, понимая, что их заработная плата зависит исключительно от их действий, и что теперь на предприятии внедрена автоматизированная система контроля, стали повышать свою выработку.

3. Контроль соблюдения дисциплины. Система производит фиксацию времени прихода и ухода персонала, время нахождения на рабочем месте, что также повышает дисциплину и влияет на производительность.

По итогом внедрения заказчик сократил три штатных единицы с общим объемом фонда оплаты труда 330 000 р/мес. (счетоводы) и одну штатную единицу с объемом ФОТ в размере 90 000 р/мес.  (контролер качества).

Одна из сложностей внедрения нейросетевой видеоаналитики в рыбоперерабатывающей отрасли

Что касается специфики отрасли, отметим наличие так называемых разборных линий. Со сборкой-разборкой линий мы столкнулись впервые именно на рыбном производстве. 

Суть в том, что производство оснащено большим количеством легких конвейерных линий, которые примерно раз в месяц полностью разбираются на помывку, после чего собираются обратно. Соответственно, первая сборка после мойки и… все оборудование собралось не там, где оно было первоначально (на метр вправо-влево или изменилась конфигурация). Несмотря на то, что мы этот момент обсуждали на старте интеграции, но на практике ситуация все-таки возникла. Линию пересобрали, после чего нанесли на полу ключевые отметки, которые определяли, как линии должны собираться после каждой мойки. 

Есть и другие нюансы, такие как цеха с повышенной влажностью, с большим количеством пара и конденсата, что влияет на размещение камер видеонаблюдения. Каждое производство имеет свои нюансы, но все они решаются.

Оставить комментарий

Производишь готовую еду?
Пройди опрос и получи исследование отрасли.
Опрос

Стать партнёром

Для ИТ компаний

Хотите стать партнером проекта Digital4food?

Оставляйте заявку
Для пищевых предприятий

Хотите получать полезную информацию?

Присоединяйтесь
Для пищевых предприятий

Хотите делиться экспертизой?

Оставляйте заявку