Урок 7: CV-сортировка и digital twin пищевой линии — TOMRA, PepsiCo+Siemens+NVIDIA, Черкизово

Чему вы научитесь

• Различать три класса AI в пищевом производстве: сортировка продукта, контроль упаковки и digital twin линии
• Понимать, что именно продают TOMRA, PepsiCo+Siemens+NVIDIA и российские кейсы вроде Черкизово
• Видеть, где в пищепроме CV даёт прямой effect на yield и throughput, а где нужен более длинный platform play
• Понимать, как связывать sorter, ERP/MES/SCADA и data layer вроде «Честного знака»
• Собирать реалистичную on-prem архитектуру для российской пищевой линии

Пищепром редко выигрывает от одного «большого AI-проекта». Здесь обычно работают три разных сценария. Первый — machine vision и optical sorting: убрать брак, инородные элементы, лишние кластеры, неправильный цвет, плохую упаковку. Второй — digital twin линии: улучшить throughput, снизить capex ошибок, ускорить ввод и переналадку. Третий — data layer и traceability: связать производство, упаковку, маркировку и спрос.

Три рабочих сценария в пищепроме

Что именно продаёт TOMRA

Что показывают сильные публичные кейсы

Как устроен optical sorting

TOMRA хорошо показывает production-подход к AI в пищевой сортировке. Речь не про универсальную модель на всё подряд, а про семейство специализированных машин, где глубокое обучение и классический ML встроены в бизнес-процесс сортировки (TOMRA AI guide).

Для CDTO здесь важен не бренд, а pattern.

• Конвейер и стабильная геометрия.
• Оптика: RGB, иногда hyperspectral или дополнительные каналы.
• Модель классифицирует продукт или дефект.
• Исполнительный механизм отбраковывает или перенаправляет единицу продукции.

Это даёт короткий путь от prediction к action — как и в агро с targeted spraying.

flowchart LR
    A[Конвейер и продукт] --> B[RGB или hyperspectral camera]
    B --> C[ML/CV классификатор]
    C --> D[Пневматика или механический отвод]
    D --> E[Сортировка, упаковка, паллетизация]
    E --> F[MES, ERP, traceability]
    F --> G[Digital twin и optimisation layer]

Где начинается digital twin пищевой линии

Пищевой digital twin полезен не только на уровне красивой 3D-сцены. PepsiCo на CES 2026 показала collaboration с Siemens и NVIDIA, где twin связывается с throughput и capex, а forecasting живёт рядом как отдельный planning-слой (PepsiCo press release).

Практический смысл здесь такой.

• Линия перестаёт быть «чёрным ящиком» из оборудования.
• Planning, simulation, demand signal и реальная телеметрия соединяются в один цикл.
• Twin помогает не только во время запуска, но и в переналадке, сезонных SKU и узких местах.

Это очень важно для FMCG и пищепрома, где короткие product cycles и высокий pressure на throughput.

Российский путь: Черкизово, ЭФКО и data layer

По России публичных метрик в пищевом производстве мало, но сам рисунок уже виден.

• Черкизово — CV/machine vision для контроля качества упаковки развивалось с 2019–2020 годов, а зрелый производственный ИТ-контур на уровне ERP/MES/SCADA у группы подтверждён (Сфера, Abireg).
• GoodWAN-мониторинг на птицефабрике Черкизово показывает, что даже не самый «глянцевый» IoT-контур может давать полезный экономический эффект через сохранность и коммунальные расходы (Abireg).
• ЭФКО.Digital — признак того, что крупный пищевой холдинг формирует собственный ИТ- и аналитический слой (ЭФКО.Digital).
• «Честный знак» важен как data layer: маркировка создаёт единый идентификатор партии и цепочки, который можно использовать для traceability и analytics.

Как собирать realistic stack на российской линии

Технически этот контур близок к p.9/03 и p.9/05. Но в пищевом производстве важнее ещё один слой — строгая связка с качеством, traceability и нормативкой.

Как запускать проект

1. Разведите sorting и packaging inspection. Это разные задачи и разные источники эффекта. Не смешивайте их в одном пилоте.

2. Сразу определите, что будет действием. Отвод продукта, останов линии, сигнал оператору, пересортировка, ручная проверка.

3. Свяжите событие с партией. Без traceability CV-система слабо помогает quality-службе и почти не помогает разбору инцидентов.

4. Считайте throughput и false rejects. В пищепроме легко испортить экономику слишком агрессивной отбраковкой.

5. Оставьте twin на второй этап. Сначала докажите value на конкретной линии, потом поднимайте simulation и optimisation layer.

Что читать дальше

• Нужен open-source CV pipeline — идите в p.9/03.
• Нужен data layer и IIoT — полезен p.9/05.
• Нужен соседний урок по GenAI в R&D — смотрите p.8/06.
• Нужен аналогичный CV-ОТК deep-dive из другой отрасли — сравните с p.5/03.