Nye målemetoder til kødindustrien

De vigtigste nye output:

•Der er udarbejdet en rapport, som opsamler viden om, og erfaringer med, effektiv annotering af data til udvikling af løsninger baseret på Deep Learning. Rapporten skal offentliggøres på projektets hjemmeside.

•Der er bygget en forsøgsopstilling og gennemført forsøg med detektion af kollagenholdigt væv (ben og brusk) vha. UV fluorescens (excitation ved 365 nm (UVA) og detektion i det grønne område. Resultater og konklusioner vedrørende teknologiens potentiale og egnethed til brug i måleudstyr til detektion af fremmedlegemer af ben og brusk er under udarbejdelse.

•I forhold til bestemmelse af subkutan fedttykkelse på brystflæsk vha. (få) røntgenprojektioner og Deep Learning (et auto-encoder netværk) er der arbejdet med forskellige udgaver af omkostningsfunktionen, der bruges til at træne netværket og vurdere, hvor godt de prædikterede fedtfrakker (eller områder der skal trimmes) passer med virkeligheden. Netværket er i stand til at prædiktere fedtfrakker (områder der skal trimmes), hvilket er opløftende, men den opnåede prædiktionen vurderes ikke at være tilstrækkelig nøjagtig. Mere arbejde er nødvendigt, før der endeligt kan konkluderes på metodens anvendelighed, og det bør overvejes, om der forsat skal arbejdes med dette område til næste år.

Den næste store aktivitet i projektet er at afslutte og offentliggøre rapporteringen af de tre delaktiviteter, herunder udarbejde en artikel om UV-detektion til et fagtidsskrift.

Det vigtigste nye output er, at det er besluttet, at projektet skal følge forslaget om at undersøge brug af UV-fluorescens til detektion af fremmedlegemer af ben og brusk samt undersøge brugen af få røntgenmålinger til at bestemme fedttykkelser på bl.a. brystflæsk.

Mht. UV-fluorescens er der lavet en litteraturundersøgelse. Der er fundet artikler inden for den medicinske litteratur, hvor det demonstreres, at kollagen fra både ben og brusk fluorescerer i UV-VIS-området ved UV-belysning.

Mht. bestemmelse af vævstykkelser ved få røntgenmålinger er det besluttet at bruge en Deep Learning tilgang, hvor et netværk trænes fra grunden med røntgenbilleder til at bestemme fedtfrakker på brystflæsk. Der bruges CT-billeder til både at syntetisere røntgenbilleder og til at finde de faktiske fedtfrakker som reference til netværket.

Da netværket skal trænes fra grunden, er der brug for røntgenbilleder og fedtfrakker af mange forskellige brystflæsk. For at opnå dette, er der arbejdet med at syntetisere flere CT-billeder af brystflæsk ved virtuelt at tilføje og fjerne væv fra de ca. 150 brystflæsk, vi aktuelt har CT-billeder af. På denne måde opnås der mange tusinde forskellige brystflæsk til træning. Det trænede netværk virker lovende i forhold til kvalitative vurderinger af dets evne til at finde fedtfrakken, men det er for tidligt at konkludere på metoden endnu.

Den næste store aktivitet i projektet er mht. UV-fluorescensdetektion af ben og brusk, at etablere en måleopstilling, hvor idéen kan afprøves. Mht. røntgen-bestemmelse af fedtfrakker skal der arbejdes videre med netværksarkitekturen og med træning af netværket, så der kan laves en kvantitativ vurdering af nøjagtigheden af målingen af fedtfrakken.

Det vigtigste nye output er, at der med succes er identificeret og testet metoder til at effektivisere den dyre proces med annotering af referencebilleder til træning af dybe neurale netværk, som i stigende omfang bruges til kvalitetsvurderinger, procesovervågning og styring af robotter på slagterierne:

•Brug af få manuelt annoterede billeder til at lave en første rå netværkstræning efterfulgt af iterative forbedringer gennem gen-træning med kvalificeret netværksoutput. En lignende undersøgt tilgang er at bruge klassiske metoder som random forest til at generere det første træningssæt.

•Brug af domain adaptation, hvor eksisterende annoterede billeder med et passende indhold bruges i en anden kontekst, hvor der ikke findes annoteringer, fx at billeder af grise fra ImageNet bruges til at træne et netværk til at genkende grise på et dansk slagteri. Ved at etablere et feature-rum, hvor de to domæner overlapper, øges netværkets træfsikkerhed i konteksten uden annoteringer.

Der er identificeret to andre teknologier, som det foreslås at undersøge i projektet:

•Brug af UV-spektroskopi til detektion af fremmedleger af brusk og ben.

•Brug af (få) røntgenmålinger til at bestemme fedttykkelser på fx kam og brystflæsk til at forbedre/automatisere trimmeprocesser.

Den næste store aktivitet i projektet er at undersøge muligheden for at bruge unsupervised metoder og/eller mange tilfældige transformationer af få annoterede billeder til at generere store træningssæt til dybe neurale netværk samt at beslutte hvilke andre to andre teknologier, der skal undersøges.

Det vigtigste nye output er udvælgelse af projektets første case. Her er valgt anvendelse af sparse røntgen-data til forudsigelse af styringsparametre til automatiseringsprocesser. Idéen bag denne case er at forudsige relevante parametre fra et lille antal røntgen-projektioner, som ikke muliggør en fuld CT rekonstruktion, men som reducerer prisen for måleløsningen betydeligt.

Som det første step er der udarbejdet en oversigt over automatiseringsprocesser, som vil kunne drage fordel af en sådan måleløsning.

Den næste store aktivitet i projektet er at udarbejde state-of-the-art rapport for sparse CT-casen og efterfølgende test af den mest lovende metode via simuleret sparse røntgen-data fra DMRI’s bibliotek af CT-scannede grisekroppe.

Desuden skal der udvælges en praktisk testproblematik til projektets anden case, som omhandler bedre udnyttelse af ikke annoteret data.

Det vigtigste nye output er implementeringen af yderligere en unsupervised fremmedlegeme-detektionsmetode, der anvender simulerede fremmedlegemer baseret på eksterne data. Desuden er der blevet gennemført målinger af et bredt udsnit af fremmedlegemer på en kødbaggrund. Efterfølgende er de udvalgte detektionsmetoder blevet testet på disse data med henblik på at undersøge metodernes styrker og svagheder.

Forsøgsrækken med kontrolleret opvarmning og efterfølgende beregning af kernetemperatur er fortsat. Resultaterne fra disse forsøg er blevet sammenlignet med finite element simuleringer af varmefordelingen i et idealiseret system for at afdække metodens anvendelighed.

Endelig bliver resultaterne fra projektet dokumenteret i tre delrapporter, og de vigtigste resultater sammenfattes i et nyhedsbrev.

Den næste store aktivitet i projektet er at afrapportere og afslutte projektet.

Det vigtigste nye output er, at der er blevet udviklet en metode til at simulere kunstige fremmelegemer på en baggrund af kødprodukter. Dette er gjort ved at tage udgangspunkt i et allerede eksisterende billedmateriale, der dækker over en bred gruppe af forskellige typer af udskæringer. Med en statistiks proces kan der generes ensfarvede fremmedlegemer af varierende størrelse og gennemsigtighed.

Desuden er der arbejdet på at afprøve en ny klasse af unsupervised fremmelegeme-detektionsmetoder, der til forskel fra den tidligere afprøvede metode, forsøger at se direkte forskel på pixels, der kommer fra produkt og fremmedlegemer.

Den næste store aktivitet i projektet er at afprøve både den tidligere generative og de nye forskelsbaserede unsupervised fremmedlegeme-metoder på det kunstigt generede fremmedlegemedata, der anvender rigtige kødprodukter som baggrund.

Dertil skal forsøgsrækken med kontrolleret opvarmning og efterfølgende beregning af kernetemperatur på leverpostej fortsættes.

Det vigtigste nye output er, at den første metode til unsupervised fremmedlegemedetektion (dvs. uden at man fortæller det neurale netværk, hvordan fremmedlegemer ser ud) er blevet implementeret og afprøvet på et standart datasæt fra litteraturen. Det er lykkedes at eftervise resultaterne, som fremgår fra den tilgængelige litteratur. Det er dog svært at fortolke resultaterne før metoden anvendes på et dataset bestående af fremmedlegemer med mere relevans for kødindustrien.

Desuden er state-of-the-art-analysen for metoder til beregning af produkters kernetemperatur ud termografisk overvågning af deres afkølingsforløb påbegyndt. Baseret på denne analyse er der planlagt et første pilot forsøg med kontrolleret opvarmning og efterfølgende beregning af kernetemperatur på leverpostej.

Den næste store aktivitet i projektet er en test af den første metode til unsupervised fremmelegeme detektion på fremmedlegemer, der svarer til en mere realistisk situation i kødindustrien. Dette gøres ved at udvikle en metode til at simulere kunstige fremmelegemer på en baggrund af kødprodukter, som der allerede forligger et betydelig billedmateriale af.

Dertil skal det første pilotforsøg med kontrolleret opvarmning og efterfølgende beregning af kernetemperatur på leverpostej gennemføres.

State-of-the-art-analyse for kunstig intelligens metoder til unsupervised fremmedlegeme detektion er påbegyndt med et review af den relevante litteratur. Desuden er der startet en gennemgang af eksisterende datamateriale men henblik på udvælgelse af de billeder, som egner sig bedst til den første test af fremmedlegemealgoritmerne. Næste skridt vil være at vælge den meste lovende metode baseret på state-of-the-art-analysen og at implementere og teste den på det udvalgte datasæt.