Smart Inspection untuk Penggilingan Beras: Butir Patah, Menir, Kapur, dan Benda Asing

Kenapa Penggilingan Beras Butuh Smart Inspection

Mutu beras ditentukan oleh komposisi butirnya: berapa persen butir kepala, butir patah, menir, butir kapur, butir kuning/rusak, dan benda asing seperti gabah atau batu kecil. Komposisi inilah yang menentukan kelas mutu, harga jual, dan apakah satu lot diterima pembeli. Di banyak penggilingan, analisisnya masih manual: petugas mengambil sampel, menyebar butir di meja, lalu memilah dengan pinset dan menimbang tiap kelompok. Satu sampel bisa memakan 15-30 menit, dan hasilnya berbeda antar petugas.

Mesin produksi seperti color sorter sudah memilah butir per butir dengan kecepatan ton per jam — kamera AI tidak menggantikannya. Peluang smart inspection ada di titik lain: analisis sampel yang cepat dan konsisten, pemantauan hasil setelah rice grader, serta pengecekan karung di lini pengemasan.

Titik Inspeksi dan Kecocokannya dengan Kamera AI

Analisis Tray Sampel: Menghitung Butir per Kelas

Pola paling praktis adalah stasiun tray: sampel beras disebar tipis di nampan transparan di atas panel backlight, lalu kamera memotret dari atas. Backlight membuat siluet butir tegas sehingga panjang butir — pembeda butir kepala, patah, dan menir — mudah diukur. Butir kapur tampak lebih buram terhadap cahaya tembus, sedangkan butir kuning dan merah lebih jelas dengan lampu atas yang warnanya stabil; prinsipnya ada di panduan pencahayaan camera vision.

Model deteksi objek menandai setiap butir beserta kelasnya, lalu jumlah per kelas keluar sebagai angka — pola yang sama dengan camera vision untuk penghitungan objek. Kunci keberhasilannya: butir tidak boleh bertumpuk. Butir yang menempel atau menumpuk akan terhitung salah, jadi sediakan alat perata sederhana atau gunakan jumlah sampel yang cukup sedikit untuk satu tray. Untuk ukuran butir yang konsisten, kalibrasi jarak kamera seperti di pengukuran dimensi dengan camera vision.

Dari Hitungan Butir ke Persen Berat

Satu hal yang sering terlewat: standar mutu beras menghitung komposisi berdasarkan berat, sementara kamera menghitung jumlah butir. Butir patah dan menir lebih ringan dari butir kepala, sehingga persen jumlah butir tidak sama dengan persen berat. Solusinya, jalankan kamera berdampingan dengan analisis manual selama beberapa minggu, lalu bangun faktor konversi untuk varietas yang Anda giling. Setelah selisihnya stabil, kamera bisa dipakai untuk penyaringan cepat setiap lot, sementara analisis timbang manual tetap dilakukan secara berkala sebagai acuan — sejalan dengan sampling AQL vs inspeksi 100%.

Varietas juga berpengaruh: beras panjang, medium, pulen, atau beras merah punya bentuk dan warna berbeda. Latih model dengan sampel dari varietas Anda sendiri sesuai panduan dataset & anotasi, dan pisahkan model per varietas bila perlu, seperti di smart inspection di pabrik multi-SKU.

Karung, Label, dan Kode Produksi

Di lini pengemasan, kamera memeriksa jahitan atau seal karung 5 kg hingga 50 kg, label kelas mutu yang sesuai dengan lot yang sedang dikemas, dan kode produksi yang dibaca dengan OCR — lihat OCR & ANPR dengan AI camera. Kesalahan label kelas, misalnya beras medium dikemas dengan label premium, berisiko langsung ke komplain dan klaim pembeli. Untuk kemasan retail plastik, pemeriksaan seal sama seperti di camera vision untuk kemasan fleksibel.

Batasan yang Perlu Dipahami

Kadar air — parameter paling kritis untuk daya simpan — tetap diukur dengan moisture meter. Derajat sosoh yang presisi tetap mengacu pada whiteness meter atau metode laboratorium; kamera hanya memberi indikasi. Kontaminasi seperti residu pestisida, kutu di dalam butir, dan kualitas tanak tidak terlihat dari luar. Kamera AI juga bukan pengganti color sorter untuk memilah butir di aliran produksi; perannya mengukur dan memantau. Area penggilingan sangat berdebu dedak, jadi lindungi kamera dan bersihkan kaca tray secara rutin sesuai smart inspection di lingkungan ekstrem.

Mulai dari Stasiun Tray Sampel

Mulailah dari satu stasiun tray di lab penerimaan atau QC beras jadi, karena tidak perlu mengubah mesin produksi. Bandingkan hasil kamera dengan analisis manual, catat selisihnya, dan ukur konsistensinya dengan metrik akurasi QC inspection. Pengalaman sortir komoditas lain seperti kopi dan kakao ada di smart inspection untuk sortir hasil pertanian.

Nirmana VisionAI berjalan on-premise di PC pabrik, mendukung deteksi objek dengan hitungan per kelas, klasifikasi, deteksi anomali, dan OCR, dengan training langsung dari GUI tanpa coding. Lihat paket & edisi Nirmana VisionAI untuk memulai pilot analisis mutu beras di penggilingan Anda.