Bonafarm csoport – Sertés húsrészek felismerése kamerával

A NAK TechLab keretei között ez a téma volt az első kihívás amivel találkoztunk, melyre kimagasló megoldást tudtunk nyújtani. Mivel több vállalat szemléltethette megoldását a kiírónak, így mi több iterációban bizonyítottuk kompetenciánkat a program során. Hozzáállásunknak és kompetenciánknak köszönhetően egyedüliként adhattunk elő ebben a témában az AGTECH SUMMIT 2022 konferencián. Arról, hogy miként keveredtük a NAK inkubációs programjába és hogy milyen nagyvállalatok agráriumba tartozó kihívásaira adtunk megoldást előző cikkünkben írtunk részletesen.

Első ad hoc teszt, avagy a mesterséges intelligencia találkozás a sertéspörkölttel

Első lépésként adatgyűjtés gyanánt pörkölt főzésre adtuk a fejünket. A sertéscombot és a lapockát a kockázás fázisa alatt több alkalommal befotóztuk, az így elkészült képeket használtuk tanító adatnak. Az így generált adatbázison tanított neurális hálót, mely combot és lapockát tud elválogatni hatékonyan a szeletelés mértékétől függetlenül, már magunkkal vittük egy demo formájában az üzem bejárásra.

Célunk az volt hogy bemutassuk, a feldolgozottság mértéke nem befolyásolja az azonosítás pontosságát. Ezért választottuk ezt a két nehezen megkülönböztethető hús fajtát, illetve az előzetes egyeztetéseken elhangzott legnagyobb probléma miatt daraboltuk a húst, ami a „nyesedék felismerés”.

A helyszíni bejárásra úgy érkeztünk, hogy a betanított hálónk 100% pontosságot ért el. Nyilván kis mintán tanítva, és ugyanabból a húsból származó, ámde elforgatott, vagy tovább darabolt képeken visszamérve. Amikor említettük, hogy demonstráló kódot hoztunk lapocka és comb elválogatására, amit szívesen megmutatunk, nem a várt reakcióval szembesültünk. Pár pillanat múlva azon kaptuk magunkat, hogy több kilogrammos húsokat fényképezünk az üzem területén, hogy az azokon elkészült fotókon mutassuk meg az eljárásunkat. Szeretjük a kihívásokat, és a kísérleteket tehát ebbe rögtön partnerek voltunk. Persze némi félsz is úrrá lett rajtunk, mivel nagyon eltérő környezetben tanítottuk a mesterséges intelligenciát, így annak eredményességéről nem lehettünk biztosak egy teljesen másik képadatbázison.

A képen baloldalon egy lapockáról míg jobboldalon egy combról készszült kép látható. A kép jól szemlélteti a feladatban rejlő kihívásokat, hiszen néha még az ember számára is problémát jelent ezen húsok azonosítása.

Utólag visszatekintve helyes döntést hoztunk, hogy nem bújtunk ki az extra megmérettetés alól. A helyszínen elért gyors validációs eredményünk talán 65% volt, amiről határozottan állíthatjuk, hogy a bináris osztályozás esetén hozott véletlenszerű döntésnél jobb. Ezen felül a jelenlévők fogékonyak voltak arra, hogy az eltérő környezet nagymértékben kihat az eredményre. Ha más nem, akkor arra elég gondolni, hogy 1-1,5 kilogrammos hús darabokon tanult neurális hálózat hirtelen egybelévő comb és lapockával találkozott.

Esettanulmány – Meat Cut Image Dataset (BEEF)

Az első sikeres, ámde kérdőjeles teszt után azon kezdtünk el gondolkodni, hogy mivel tudnánk növelni partnerünk bizalmát. A helyszín bejárás után részletesebben megismertük a problémát, olyan kritikus pontokat azonosítottunk, melyre biztos nem adott választ a pörkölt demonstráció. Ilyen laikusként nem várt probléma, hogy nem csak a fő hús részeket kell elválogatni a kiírás keretei között, hanem azon húsrészek különböző „megmunkálási” eredményeit is. Tehát nem csak a karajt kell a tarjától megkülönböztetni, hanem például a bőrös karajt és a bőrtelent külön kategóriaként kell kezelni. A comb esetén külön kategóriába kerül az a comb amin zsírréteget hagyott a hentes attól, ahol teljes mértékben zsírtalanította a comb darabot. A legnehezebb kategóriák talán a hús nyesedék különböző zsír tartalommal illetve ezek bőrös változatai. Vagy a levágott bőr darabok különböző kategóriába kerülnek annak függvényében milyen fő húsrészről származnak.

Ilyen szerteágazó adatbázis előállítását már nem éreztük kivitelezhetőnek házon belül „garázs” körülmények között főleg nagy számú mintával egy-egy kategóriáról. Így elkezdtünk olyan publikus adatbázist keresni, melyet felhasználhatunk arra, hogy bizonyítsuk kompetenciánkat. A legnagyobb feladat az volt, hogy olyan licenccel rendelkező adatbázist találjunk, mely nem zárja ki, hogy üzleti célra is felhasználjuk, tehát azon eredményeket bemutathassuk megrendelőnknek.. Végül hosszas kutatás után sikerült ilyet találni. Ezen az adatbázison tanított hálónk magasabb pontosságot ért el, mint amit az eredeti publikáció mellékelt ráadásul úgy, hogy semmilyen kiegészítő információt nem használtunk. Az eredeti cikk írói háttérmodellezést és a digitális mérlegből származó súly mérést is használtak. Marhahúsipari húsrész felismerés eredményinkből írtunk egy esettanulmányt melyet elküldtünk az MCS Vágóhíd Zrt. illetékeseinek.

Végső megmérettetés

Az MCS vágóhíd rendelkezésünkre bocsátott egy képadatbázist, mely a saját gyűjtésük így a legreprezentatívabb tesztnek tekintjük. Ezen az adatbázison 95%-ot meghaladó pontosságot értünk el, ami kapcsán azt a visszajelzést kaptuk, hogy ez kiemelkedő az eddigi eljárások közül. Húsipari gyártósori termékazonosítás témakörébe összegyűjtött tapasztalatunkat és az elkészült megoldásunkat egy esettanulmányban írtuk le részletesebben.

Jelenleg a folyamat ott tart, hogy ajánlatot tettünk a MCS vágóhídnak a teljes rendszer telepítésre. Kiválasztottuk azokat az eszközöket, amik megfelelnek azon higiéniai követelményeknek, amivel élelmiszeripari környezetbe telepíthetőek. A telepítéshez köthető egyeztetések jelenleg is tartanak, így annak ellenére, hogy a szerződéskötés nem zárult le a NAK TachLab keretein belül, a Nemzeti Agrárgazdasági Kamara felkérésére, a AGTECH SUMMIT 2022 keretein belül prezentáltuk eredményeinket. Ez számunkra azt mutatja, hogy sikerült kimagasló megoldást adni a kihívásra.