Nye målemetoder til kødindustrien

Glenn Gunner Brink Nielsen

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 36 76.

dynahjs

Nye målemetoder til kødindustrien

Formål 2021

Dette projekt vil afdække potentialet for mindst tre nye teknologier til at forbedre kvalitet, opdage fremmedlegemer og minimere miljøbelastningen for fremtidens kødindustri.

Målet er at foretage en gennemgang af relevant litteratur og at udvælge de mest lovende metoder til et eller flere forsøg, som dokumenteres i testrapporter. Resultaterne kan danne grundlag for efterfølgende udviklingsprojekter.


Projektstatus 1. kvartal 2021

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.

 

Formål 2020

Projektets formål er at effektivisere processer, forbedre kvalitetssikring og fødevaresikkerhed og reducere tab i form af spild og tilbagekald i kødindustrien. Målet er at identificere og kvalificere nye teknologier, der kan måle sammensætning, kernetemperatur og forekomst af fremmedlegemer og forureninger i råvarer og produkter, som aktuelt ikke kan måles.

Projektstatus 4. kvartal 2020

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.

Projektstatus 3. kvartal 2020

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.

Projektstatus 2. kvartal 2020

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.

Projektstatus 1. kvartal 2020

I forbindelse med bestemmelse af plastikfremmedlegemer i frosne blokke er der optaget en billedserie med en blanding af frosset produkt og blåt plastik med en DynaCQ. Næste skridt vil være en analyse af, hvordan eksisterende fremmedlegeme algoritmer kan håndtere denne situation.

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.