Den digitale fabrik - AP2 Detektion og håndtering af bylder

Det vigtigste nye output er, at:

•Der er foretaget analyse af stop på flere slagtelinjer ud fra data fra slagterier samt vores eget indsamlede data. Analysen viser, som forventet på nuværende tidspunkt, at stoptid per uge er væsentligt lavere end antaget i den oprindelige business case. Det betyder, at vi ikke umiddelbart kan formindske stoptiden i større omfang, hvorfor der ikke er den store økonomiske gevinst ved projektet.

•Projektet står pt. uden værtsslagteri. 

Den næste store aktivitet i projektet er, at:

•Projektet, inden årets udgang, afsluttes og afrapporteres på en sådan måde, at det kan tages op igen, hvis problemstillingen skulle blive relevant på et senere tidspunkt.

•I fremtiden kan det måske give mening at forbinde ‘detektion af bylder’ med andre vision-overvågningsteknologier, hvor det ville kunne medtages som en ekstra tilføjelse.

Det vigtigste nye output er, at:

•Algoritmen til detektion af bylder ser ud til at virke rigtig godt, og algoritmen kan følge med til produktionshastigheder 

•Andelen af falsk-positive rate for store bylder (>2000px) er på ca. 1/270.000, hvilket svarer til ca. 1 falsk positiv hver 25. dag

•Værtsslagteriet lukker og opsætning af alarmeringssystem er derfor sat på pause, indtil den fremtidige plan er aftalt med styre- og følgegruppe  

Den næste store aktivitet i projektet er, at

•Opdatere cost-benefit analyse

•Finde nyt værtsslagteri, som kan have interesse i at få udstyret op

Det vigtigste nye output er, at:

•Der er udarbejdet funktionsmodeltestrapport.

•For at øge nøjagtigheden af modellen til detektion af bylder, fortsættes indsamlingen og annoteringen af data.

•Andelen af falsk-positive rate for store bylder (>5000px) er på ca. 1/130000, hvilket svarer til ca. 1 falsk positiv hver 12. dag.

•Der er opstartet dialog med værtsslagteriet omkring alarmerings-system og håndtering ved fund af bylder. Vi arbejder ud fra en tese om, at der ikke skal laves en fysisk skærm i produktionen, men en oversigt i fx MesterPC eller en lokal hjemmeside.

•Der er gennemført en online test af byldemodellen for at undersøge kapaciteten af software og hardware. På nuværende tidspunkt kan den næsten følge med produktionen.

Den næste store aktivitet i projektet er, at:

•Genbesøge cost-benefit analysen/business-casen. Nye tal /produktionsdata tyder på, at værdiskabelsen er mindre end først antaget.

•Opsætning af byldesystemet til en online test, hvilket indebærer:

1.Afklaring af hardware til algoritmerne.

2.Modellen sættes i produktion online.

3.System for alarmering/stop ved fund af byld skal laves.

4.Integration med relevante slagterisystemer.

Det vigtigste nye output er:

•Pixel-baseret annotering af bylderne i datasættet er begyndt, og op imod 200 billeder med bylder er annoteret.

•De første modeller til prædiktion af pixel-baserede annoteringer er trænet.

•Fuld automatisering af data-pipeline for nye billeder med bylder, der skal gøres klar til annotering.

•Færdiggørelse af state-of-the-art rapport og metodetestrapport.

•Faseskift til F-modelfasen.

Den næste store aktivitet i projektet er:

•Funktionsmodeltestrapport.

•Fortsættende indsamling og annotering af data.

•Videre udvikling af byldemodellerne for at gøre dem mere produktionsrettet, hvilket indebærer fokus på reduktion af falske positive.

•Opstart af dialog med værtsslagteri omkring alarmerings-system og håndtering ved fund af bylder.

Det vigtigste nye output er:

• Installationen af kamera på værtslagteri er gennemført.

• De første bylder i produktsnitfladen ved tredeling er fundet, hvilket muliggør den videre modeludvikling.

• De første modeller til at detektere overskårne bylder er trænet. Frekvensen af bylder er dog meget lav, så datasættet er meget begrænset.

• En foreløbig konklusion er, at vi skal bruge mere data til modeludviklingen. Annoteringen af bylderne vil ske på pixel-basis som grundlag for en model til at finde flere billeder med bylder, som efterfølgende kan bruges til en robust Deep Learning-model.

• Kravspecifikationen er udarbejdet og sendt til internt review.

• State-of-the-art rapport er ved at blive udarbejdet.

Den næste store aktivitet i projektet er:

• Pixel-baseret annotering af bylderne i datasættet.

• Træning af ny model til de nye typer af annoteringer. • Fuld automatisering af data-pipeline for nye billeder med bylder, der skal gøres klar til annotering.

• Færdiggørelse af State-of-the-art rapport.

• Indstilling til faseskift.

Det vigtigste nye output er, at der er:

•Fundet en placering til opsætning af vision-system på værtslagteriet, se billede.

•Trukket el og lavet beslag til ophængning af kamera.

•Installeret og sat server op, så indsamling af data er muligt.

•Påbegyndt modeludvikling på metodeniveau.

De næste store aktiviteter i projektet er at:

•Installation af kamera hos værtslagteri forventes begyndt i uge 27.

•De første bylder i datasættet annoteres.

•De første modeller til at detektere overskårne bylder trænes.

•Leverancerne fra analyse-, idé- og metodefase skrives færdige.

Det vigtigste nye output er, at vi har haft møde med værtsslagteriet omkring detektion af overskårne bylder i forbindelse med tredelingen, og at vi har indsamlet et billede-datasæt bestående af bylder fundet langs skærelinjen, for at danne et overblik over variationen i bylderne. Der er udarbejdet et udkast til en cost/benefit-analyse for den pågældende case.

Den næste store aktivitet i projektet er at installere kameraer ved tredelingen til indsamling af data. Der skal findes en effektiv måde at få genereret et referencedatasæt, så kan gå videre med at træne de første simple modeller til detektion af bylderne. Der udarbejdes  en kravspecifikation, der skal indfri værdiskabelsen i cost/benefit-analysen.