Visionudstyr til detektion af slagtekropsforureninger

Det vigtigste nye output er, at

•Der er monteret yderligere 6 kameraer i tårnene på slagtegangen med det formål at kunne kontrollere en større overflade af slagtekroppene for forureninger. Der pågår en tilpasning og optræning af detektionsalgoritmen for de 6 nye kameraer for at nedbringe antallet af falsk positive fund på kroppenes yderside til et acceptabelt niveau. Det har været nødvendigt at annotere en større mængde billeder med forureningsfund for at optræne nye modeller, hvilket er tidskrævende.

•Der er god dialog med værtsslagteriet samt brancheorganisationer, som stadig er meget interesserede i projektet.

•Projektet har interesse fra flere slagterier i og uden for landet.

Den næste store aktivitet i projektet er, at

•De ny modeller forventes idriftsat primo 4. kvartal, hvorefter de vil blive valideret i praksis med slagteriet, herunder vurdering af om den nye brugerflade til operatører er overskuelig. 

Det vigtigste nye output er, at der nu er monteret yderligere 6 kameraer i tårnene på slagtegangen med det formål at kunne kontrollere en større overflade af slagtekroppen for forureninger. Dermed er der nu 3 kameraer i 4 tårne – 12 i alt, som tager billeder af halvkroppene, når de passerer forbi.

De nye kameraer er indstillet og idriftsat med billedoptagning. De første tests med programmer viser, at selve segmenteringsdelen fungerer godt på de ny kameraer, men det har vist sig nødvendigt at planlægge en tilpasning og optræning af detektionsalgoritmen for de 6 nye kameraer for at nedbringe antallet af falsk positive fund på kroppenes yderside til et acceptabelt niveau.

For at operatørerne hurtigere kan orientere sig om placering og håndtering af forurenings-fund er der arbejdet på at gøre brugerfladen mere overskuelig. 

Der er god dialog med værtsslagteriet samt brancheorganisationer, som stadig er meget interesseret i projektet.

Abstract ’Cameras and AI to enhance the meat inspection process’ er indsendt til ICoMST 2024 (international kødforskerkongres).

Den næste store aktivitet i projektet er genoptræning af de 6 nye kameraer. Det omfatter hjemtagning af billeddata og udpegning (annotering) af forureninger, med efterfølgende genoptræning og validering af algoritmer.

Når formlerne fungere tilfredsstillende, skal de – i samarbejde med værtsslagteriet - valideres på slagtelinjen.

Det vigtigste nye output er, at der arbejdes på at bestykke alle 4 BCC-3 tårne på værtsslagteriet, således at der opnås helkropsdækning af den halve slagtekrop på ydersiden.

AI-algoritmen vil kunne detektere gødning på slagtekroppens yderside. Der er lavet justeringer af AI algoritmen, således at slagtekroppens inder- og yderside samt baggrund kan separeres på billedet. Dette har medført mange flere falske positive, men det er kendte problemstillinger, som vil blive løst.

Der har været god dialog med værtsslagteriet samt brancheorganisationer, som stadig er meget interesseret i projektet.

Vi har også arbejdet med præsentation af data mhp. at give et statistisk overblik over funddata, og der er udarbejdet udkast i pdf-format, som vil kunne fungere som en ugentlig rapportering til værtsslagteriet.

Den næste store aktivitet i projektet er, at der skal installeres 6 nye kameraer i endnu to tårne, hvilket kræver yderlige infrastruktur på slagteriet. Der samarbejdes med udstyrsleverandøren af BCC-3 om installation af de nye kameraer i Q2.

I forhold til AI-algoritmen, arbejdes der videre med at minimere antallet af falske positive. Det er især falske positive på kanten af slagtekroppen samt fra en bestemt vinkel, dvs. et bestemt kamera, hvor tiltagene vil give en markant forbedring.

Det vigtigste nye output er, at der har været dialog med værtsslagteriet omkring brugerflade og anvendelse af data i den daglige produktion. Målet er at skabe en simpel oversigt, der nemt kan omsættes til daglige beslutninger og viden om forekomst og frekvens af gødningsforurening.

Der er foretaget validering med nyeste modeller, som viser tilfredsstillende resultater på ydersiden.

Der er stadig udfordringer med at detektere gødning, som sidder i områder med rødt kød på slagtekroppen.

Den næste store aktivitet i projektet er, at der skal udvikles en ny klassificer, som kan hjælpe med at præ-screene billeder for at opnå et tilstrækkelig stort datasæt med gødningsforurening på det røde kød.

Der skal også arbejdes med visualisering af data, som kunne være i form af en ugentlig rapport. Endvidere skal der installeres yderlige seks kameraer, således at der opnås fuld billeddækning af slagtekroppens overflade.

Det vigtigste nye output er, at der på værtsslagteriet lanceres en opdatering af brugerinterfacet, og at der er udviklet en AI-model, således at det er muligt at detektere gødningsforurening på ydersiden af slagtekroppen vha. de to nuværende kameratårne (100% dækning er estimeret mulig ved fire kameratårne). Software-programmerne er opdaterede, og der er foretaget performance-forbedringer mhp. at håndtere seks billeder i billedanalysen.

Den næste store aktivitet i projektet er at opbygge en markant bedre AI-model til detektion af gødning på ydersiden for hele slagtekroppen. Der er arbejdet med re-annotering af gødningsforureningen for at forbedre modellen. Ligeledes er der etableret et ”Golden standard” valideringssæt, så en mere objektiv validering af præcisionen kan udføres.

Det vigtigste nye output er, at systemet anvendes i den daglige drift. Jf. dialog med værtsslagteriet er der enighed om, at fokuspunkterne er:

1)Forbedring af algoritme: Der er stadig mange falske positive. Værtsslagteriet er behjælpelig med at identificere billeder, hvor algoritmen har fejlet. Der er etableret en procedure for at gemme disse billeder til brug for videreudviklingen.

2)Detektion på midterstykkets yderside (afmærket med blåt) set fra den vinkel, der ser indersiden (bughule-vinklen). Der er arbejdet med udvikling af en ny algoritme til at skelne inderside fra yderside, da nuværende algoritme kun virker på ydersiden og ikke på indersiden.

Desuden er der kigget på billeder af indersiden til træning af en algoritme. Der findes dog kun få gødningsfund, hvilket vanskeliggør algoritmeudviklingen.

Den næste store aktivitet i projektet er at idriftsætte detektion på midterstykkets yderside, set fra bughule-vinklen. Der skal laves et nyt brugerinterface til håndtering af flere billeder samt visning på en brugervenlig måde.

Der skal ligeledes arbejdes mere med validering og kvantificering af algoritmens præcision. 

Det vigtigste nye output er, at detektionsalgoritmen til ydersiden er taget i brug på værtsslagteriet, dvs. at man på en skærm kan se, hvor der er detekteret gødning. Værtsslagteriet har gjort de første erfaringer med systemet, og der er en løbende dialog mht. performance.

Vi arbejder med validering af detektionsalgoritmen samt mulighederne for at forbedre den. En udfordring er at detektere gødning steder på slagtekroppen, hvor vi ikke har tilstrækkelig med reference-data til at kunne træne en stabil AI-model.

Den næste store aktivitet i projektet er at indsamle mere reference-data til forbedring af algoritmen til ydersiden. Vi er også startet på at annotere fund af gødning på indersiden for at få referencemateriale til at udvikle en detektionsalgoritme, der dækker indersideområderne, dvs. gennemskåret rygsøjle, ribbenskavitet mv. Dette giver udfordringer, da det er svært at finde eksempler på gødning på indersiden.