Augmented Cellular Meat Production (ACMP) - AP 1 og AP 2

Niels Worsøe Hansen

Jeg er din kontaktperson

Skriv til mig

Indtast venligst et validt navn
Eller dit telefonnummer
Sender besked
Tak for din besked
Vi beklager

På grund af en teknisk fejl kan din henvendelse desværre ikke modtages i øjeblikket. Du er velkommen til at skrive en mail til Send e-mail eller ringe til +45 72 20 26 91.

acmp 1

Augmented Cellular Meat Production (ACMP) - AP 1 og AP 2

AP 1 - Quality inspection and contaminant detection of bellies​
AP 2 - Belly trimming with handling assistance​​
     

Formål

Projektet har til formål at understøtte aktiviteterne i Innovationsfondsprojektet ACMP, som skal bidrage med løsninger inden for nye måder, hvorpå man kan anvende robotter i tæt samarbejde med mennesker, herunder anvendelse af virtual reality til simulering og programmering og lærende styresystemer, som kan optimere kvalitet.

Projektstatus 3. kvartal 2020

Det vigtigste nye output er, at metode, proces og forsøg for udvikling af selvlærende algoritme for proceskontrol er fastlagt. Målet er at udvikle et system eller en algoritme, der kan overvåge, at en robot eller et udstyr udfører en given proces korrekt og i den rigtige kvalitet.

Systemet udvikles i første udgave på en proces, som er nem og entydig at vurdere om er udført korrekt. Processen er afklipning af fortå, som enten kan være udført korrekt, eller hvor fortåen er klippet for kort eller for langt. Fortåafklipningen er en del af processerne i WP3.

I praksis tages der billeder af skankeknoglen, efter at fortåen er klippet af, og ud fra disse billeder kan det afgøres, hvor klippet er sket.

Algoritmen trænes til at genkende de forskellige udfald af afklipningen, så hvis der f.eks. er en tendens til, at fortåen klippes for kort kan klippestedet automatisk korrigeres.

 

Den selvlærende algoritme havde oprindeligt været planlagt til at skulle udvikles ud fra billeder af brystflæsk, men erkendelsen i projektet er, at det er for vanskeligt at definere en korrekt kvalitet på et stykke brystflæsk, da det vurderes på mange parametre. Bedømmelsen af brystflæsk ville således tage for mange ressourcer i forhold til det primære, som er at udvikle en algoritme, der er generisk og dermed mulig at videreudvikle til at overvåge eller styre andre processer.

Den næste store aktivitet i arbejdspakken er i første omgang at optage de data, der skal ligge til grund for udviklingen af den selvlærende algoritme samt manuelt vurdere kvaliteten af tåafklipningen og træne algoritmen på billederne med den tilhørende vurdering.

Anden store aktivitet er at gennemføre en demonstration i robotcellen på bearbejdning af brystflæsk samt demonstrere samarbejde mellem en robot og en operatør.

 

Projektstatus 2. kvartal 2020

Det vigtigste nye output er, at der er udført test i en robotopstilling, hvor samarbejde mellem en robot og mennesker er undersøgt. Testen efterligner en robot og et menneskes samarbejde om at bearbejde et stykke kød på forskellige måder. F.eks. om robot og menneske skiftes til at arbejde på kødstykket, eller de gør det samtidigt, samt om arbejdsområderne overlapper eller ikke.
Eksperimentet viste, at forsøgspersonerne reagerede meget ens på uventede bevægelser af robotten. Den viden kan bruges, hvis man på et slagteri vil lave et udstyr eller en proces, hvor en robot og en operatør arbejder sammen. Det kan være en situation, hvor robotten overtager det tunge løftearbejde fra operatøren, så operatøren kun skal tage sig af f.eks. skæreprocesserne.
Den måde at samarbejde mellem robot og menneske støttes op af et andet eksperiment, hvor en robot tilpassede sig forskellige menneskers fysik, så f.eks. et kødstykke, der skal bearbejdes af en operatør, præsenteres i den rigtige højde og position. Operatøren og operatørens bevægelser optages med et kamera, og algoritmer beregner positionen af led, ben- og armlængder, hvorfra robotten får information om, hvordan kødstykket skal præsenteres.
Herved er det muligt både at give operatøren den bedste arbejdsstilling men også at variere arbejdsstillingen, så den ensidigt gentagede arbejdsmængde reduceres.

Den næste store aktivitet i projektet er, at arbejde videre med selvlærende algoritmer, som kan bruges til f.eks. kvalitetskontrol og procesfeedback, så en robot selv korrigerer og optimerer en proces ud fra data optaget efter hver bearbejdningsproces. Algoritmerne trænes ud fra en stor mængde billeddata af godkendte brystflæsk og hensigten er, at algoritmerne kan trænes til andre processer.

 

Projektstatus 1. kvartal 2020

Opsamling af data for opstilling af korrekt produktkvalitet for brystflæsk af typen 1882 er i fuld gang. Der er optaget de første ca. 4000 billeder i et produktionsmiljø, og indsatsen med at designe et næsten autonomt optagesystem er en succes.

Operatørerne på slagteriet kan selv håndtere optagesystemet uden, at det hindrer den normale produktionsrutine og kapacitet. De erhvervede data vil blive brugt til at træne et neuralt netværk, og den resulterende algoritme vil blive valideret på flere billeder af 1882 brystflæsk.

Arbejdet med trimning og tilskæring af brystflæsk er gået videre til næste fase. Et mindre parti brystflæsk er CT scannet for at få de præcise detaljer om fedtlagets tykkelse. Den rumlige fordeling af fedttykkelsen under huden konverteres til en farveskala, der præsenteres på brystflæskets overflade vha. en projektor. Operatøren tilskærer og trimmer brystflæsket ud fra den information, som projektoren viser på brystflæskets overflade.

Trimmekniven giver feedback mht. tykkelsen af fedtet, der skæres af, således at informationen på brystflæsket opdateres løbende, hvilket hjælper operatøren til at opnå et ensartet fedtlag på hele brystflæsket.