Projekt rozpoczął się od analizy obszernej bazy danych obrazów, procesu, który zajął niemal 6 miesięcy na odpowiednie sklasyfikowanie. Uzyskany materiał szkoleniowy posłużył jako podstawa do opracowania wielu modeli klasyfikacyjnych z wykorzystaniem uczenia maszynowego (Machine Learning), w szczególności technik głębokiego uczenia (Deep Learning).

Dwie nakładające się sieci neuronowe

Równocześnie zastosowaliśmy dwie sieci neuronowe, ponieważ głębokie uczenie ma swoje ograniczenia. Modele FIRECRUX dla AI zostały przeszkolone na podstawie dwóch zbiorów danych: jednego zawierającego obrazy produktów nieskazitelnych, nieskażonych, a drugiego zawierającego obrazy produktów zmieszanych z zanieczyszczeniami. Ta strategia podwójnych zbiorów danych pozwala nam rozwiązać trzy kluczowe scenariusze:

1. Weryfikacja czystej linii produkcyjnej – w tym przypadku model klasyfikacyjny przeszkolony na obrazach czystego produktu wykazuje najwyższy wynik.
2. Wykrywanie zanieczyszczeń w skanowanym obszarze – punktacja jest odwrócona, aby zidentyfikować obecność zanieczyszczeń.
3. Zapewnienie bezpieczeństwa producenta w nietypowych sytuacjach, włączając zanieczyszczenia spoza testowanego spektrum lub celowy sabotaż – w takich przypadkach modele generują podobne wyniki, sygnalizując podejrzaną sytuację. Ze względów bezpieczeństwa sytuacje te są oznaczane i odrzucane do inwestycji przez nasz personel.

Wymagania sprzętowe

Opracowany system jest oparty na silniku FIRECRUX i może działać na procesorach GPU, CPU lub VPU. W obecnej wersji w Milarex, działa na procesorze GPU wykorzystującym zestaw deweloperski nVidia Jetson TX2 Developer Kit (945-82771-0005-000). Wersja CPU jest osadzona na procesorach Intel i7 i i9, natomiast wersja VPU wykorzystuje Intel Movidius.

Ponadto, oprogramowanie zostało bezproblemowo zintegrowane z lampami rentgenowskimi, w tym generatorami rentgenowskimi SAXG monobloc od Spellman oraz detektorem liniowym od Detection Technology.

Redukcja FP i testowanie skuteczności

Poprzednie rozwiązanie używane przez Milarex, opracowane przez kanadyjską firmę, prowadziło do znacznych przestojów z powodu występowania fałszywych pozytywów (FP), wynoszących średnio blisko 2 godziny dziennie. We wstępnej fazie rozwoju naszego rozwiązania, około 2017 roku, położyliśmy duży nacisk na rozwiązanie problemu FP. Dzięki rygorystycznym testom, zarówno na testerach kontroli jakości, jak i w rzeczywistych scenariuszach zanieczyszczeń (takich jak wykrywanie złamanych noży z maszyn do porcjowania, identyfikowalnych plastrów medycznych czy fragmentów szkła), z powodzeniem zmniejszyliśmy wskaźnik FP z około 20% do mniej niż 1%.

Następnie rozwiązaliśmy ten problem i zintegrowaliśmy opcję oznaczania FP (Fałszywe Pozytywy), NP (Brak Obecności) i TP (Prawdziwe Pozytywy) w systemie zarządzania skanerem rentgenowskim.

Monitorujemy wydajność systemu, opierając się na danych generowanych przez maszynę, w szczególności na liczbie skanów, detekcji i zapisanych zdjęć potwierdzających.

Wykrywanie zanieczyszczeń w czasie rzeczywistym

Ukończony system umożliwia również skanowanie w locie. Nasze oprogramowanie zostało zaprojektowane do obsługi dwóch typów maszyn: skanowania cyklicznego i ciągłego.

Metoda skanowania cyklicznego okazała się wystarczająca dla maszyn obsługujących 9/12/16 kawałków łososia, ponieważ wydajność pracowników manualnych na linii produkcyjnej była wąskim gardłem w tych scenariuszach.

W 2021 roku opracowano rozwiązanie do skanowania ciągłego. Zamiast 9/12/16 tacek trafiających do kosza po wykryciu zanieczyszczenia w maszynie cyklicznej, ryby są teraz płynnie przekierowywane do maszyny skanującej w czasie rzeczywistym, bez konieczności wykonywania operacji 'stop-start’.

Wdrożenie produkcyjne i licencjonowanie

Rozwiązanie dla pierwszej maszyny zostało wdrożone w 2019 roku, a kolejnych 13 maszyn było stopniowo dodawanych w latach 2019-2022. Następnie prace rozwojowe trwały do listopada 2022 roku i została utworzona lokalna chmura danych.

Ostateczna wersja systemu osiągnęła dwa znaczące kamienie milowe:

• Wzrost efektywności wykrywania zanieczyszczeń o 61%,
• Wzrost prędkości linii produkcyjnej o 66%.

W listopadzie 2022 roku podpisano umowy licencyjne i serwisowe, a obecnie Greenlogic zajmuje się wyłącznie optymalizacją modeli klasyfikacyjnych w celu utrzymania wysokiego poziomu dokładności wykrywania zanieczyszczeń.