食品分选的 AI 全检革命：从"看颜色"到"懂品质
重庆潼南"AI工友"0.02秒辨瑕疵、陶朗LUCAi、中瑞微视WESORT——食品分选正从"看颜色"迈向"懂品质"，本文用能力单元论拆解这场全检革命。
1. 案例速写
一颗柠檬从传送带滑过，0.02 秒内，针尖大的黑点、头发丝般的划伤、哪怕只是颜色稍不均匀，都被一块高速相机"看"得清清楚楚；紧挨着的动态秤，把重量精确到 ±1 克——这是人工分选根本做不到的事。
这套被称作"AI工友"的视觉检测系统，落在重庆潼南区的雪王农业加工中心。技术负责人熊鹏团队最初喂给模型的，是超过 30 万张标注图片：光"麻点"一种缺陷，就挑了 200 多个大小不等、有麻点或没麻点的柠檬，从不同角度、不同光照条件下拍照建模；划伤更麻烦，因为有的深有的浅、有的是新伤有的是旧伤，每一样都要拍几十张。最初模型"笨"得让人崩溃——把正常的果蒂当成黑斑，把反光当成划伤，误判率比人工还高。技术员只能一帧一帧地标注，错了重来，再错再重来。几个月后，这个"笨学生"终于学成了"选果状元"（信源：重庆日报·重庆日报网）。
产线规模同样惊人：一条智能分选线每分钟分选 660 个果子，6 条通道就是 3960 个；柠檬满负荷一天处理 1200 吨，柑橘也能处理 450 吨；从上线、清洗、消毒、拍照、称重到分级出果，全程一分钟。车间共有 41 个出果口，不同等级、不同重量的果子从不同的出口"跳"出来（信源：Benliuxinwen 分享）。
产业侧，全球食品分选巨头陶朗（TOMRA）在 2025 年进博会发布新一代 LUCAi™ 人工智能引擎，并展示搭载该引擎的 KATO260 光学分选机——基于 25 万多张图像构建数据集，能识别传统机械视觉难以检测的复杂问题，已广泛应用于莓果、樱桃、柑橘、苹果及冷冻蔬菜等品类（信源：FoodChina 进博会报道）。国内中瑞微视（WESORT）则把 AI 精选机推向榛子、黄皮果、薯条、肉松、坚果及果蔬加工，主打"从看颜色迈向懂品质"（信源：中瑞微视）。
2. 转型动因
食品分选的痛点，从来不是"看不看得清"，而是"看不看得全、看得稳、分得值"。
人工目检有三个死结：一是极限精度，针尖大的黑点、不到一毫米的磕碰，人眼在长时间重复下必然漏判；二是反光与干扰，果蒂、水渍、装箱阴影都会被误读成缺陷；三是标准漂移，换一个出口订单，工人就得重新培训一遍标准，至少折腾半天。而出口订单往往卡得很死——比如出口东南亚的夏橙，要求单果 135–290 克、花皮沙皮黑点一律淘汰，任何主观偏差都会变成退货。
对工厂而言，分选不是成本中心，而是定价权。好坏混卖，一斤柠檬也就一两块钱；A 级果出口东南亚，价格翻两三倍；出口俄罗斯的大果，能卖到普通果的四五倍。能否精准分级，直接决定一吨果子是"原料"还是"商品"。
3. 技术嵌入
核心技术是"深度学习视觉 + 动态称重"的双通道。视觉侧用 CNN/深度学习模型做瑕疵识别，关键不在算法本身，而在数据淬炼：30 万张标注图片把"麻点、划伤、色差、果蒂误判"等边界情况一点点喂出来。称重侧用动态秤把分级精度压到 ±1 克，与视觉判决联动出等级。
最值得说的工程细节是"一键换产"。熊鹏的中控屏幕上存着几十套分选参数——蜜雪冰城 A 级果、出口俄罗斯的 200 克以上大果、出口东南亚的 120 克中果、供超市的精品果……过去换一张订单要重新培训工人半天，现在鼠标一点，AI 自己就知道今天要选多大尺寸、什么颜色、允许什么样的瑕疵。今年 4 月一批出口东南亚的夏橙订单，熊鹏调出预设参数，分选线不到 5 分钟切换完毕。
4. ★ 能力单元分析
用能力单元论看，这场改造的本质是拆解与重组：
- 被拆解的旧单元："人工目检"——一个工人守在产线旁，靠肉眼+经验判断瑕疵与等级。这个单元成本高（需培训、易疲劳、标准漂移）、产出不稳定、且无法 7×24 满负荷。
- 重组出的新单元："AI 视觉分选 + 人工复检/参数管理"。AI 承接了高频、高精度的"看"与"称"，人退到异常处理、参数配置与品质兜底。中瑞微视把这套能力封装成"AI 精选机"，本质是把"分选"做成了一个可复制的能力单元产品。
- 调度逻辑的变化：从"人盯线、换单重训"变为"模型实时判决 + 参数包一键换产"。调度的最小单位，从"一个工人的注意力"变成了"一套可调用的参数包"。这正是能力单元论强调的——当能力被标准化、可被参数调度，产线的柔性（换产速度）和刚性（检测精度）同时上升。
5. 组织变阵
岗位结构随之松动。最显性的变化是"目检工"岗位的收缩——不再需要一排人盯着传送带。但人没有完全消失，而是位移：
- 中控台巡检员（如熊鹏）：一人管几十套参数包，负责换产配置、异常干预、品质复核。这是新长出来的岗位，要求的是"懂业务 + 懂系统"。
- 产线看护工：从"用眼睛判断"变成"看仪表、处理卡料、补料"，体力与重复性脑力双双下降。
- 品质/工艺岗：因为分级数据被全量记录，反而能反推种植与采收标准，形成"分选—种植"的数据闭环。
6. ROI 兑现与踩坑
兑现是实打实的：借助智能分选，潼南柠檬实现精准分级出口——2025 年出口量突破 3 万吨，六成以上销往 RCEP 成员国；A 级果出口东南亚价格翻两三倍，出口俄罗斯大果达普通果四五倍。对工厂，分选从"花钱的环节"变成了"赚钱的杠杆"。
踩坑也必须诚实交代：
- 冷启动极痛：模型初期误判率比人工还高，必须靠海量标注图片"喂养"，这不是开箱即用的魔法。
- 边界场景难缠：反光、果蒂、新旧伤混叠，至今仍是视觉模型的硬骨头，需要持续补充极端缺陷样本（技术团队甚至人为制造针尖黑点、毫米级磕碰当"考题"）。
- 不是所有品类都合适：形状规则、表面特征清晰的品类（柠檬、坚果、薯条）效果好；而形态自由、缺陷模糊的品类（如肉松里的肉皮、鸡骨、焦黑颗粒）仍是行业公认难点。
- 技术不能替代品控体系：AI 分选解决"检得准"，但"为什么这批原料缺陷多"仍需回到种植、采收与供应链。
7. 可迁移方法论
用四则法抽象，食品分选的 AI 改造是一条清晰的公式：
- 加（做加法）：视觉 + 称重双通道并行，信息维度加厚，判决更稳。
- 减（做减法）：减掉"人工目检"这个高成本、低稳定的环节，把人从重复判断里拿掉。
- 乘（做乘法）：参数包跨订单复用，一次建模，N 次换产，边际成本趋零。
- 除（做除法）：除掉"换产停机"——过去半天，现在 5 分钟，把停机损耗摊薄到可忽略。