Projekt rozpoczął się od analizy obszernej bazy danych obrazów, procesu, który zajął prawie 6 miesięcy, aby odpowiednio je sklasyfikować. Pozyskany materiał szkoleniowy posłużył jako podstawa do opracowania wielu modeli klasyfikacyjnych z wykorzystaniem uczenia maszynowego, w szczególności technik głębokiego uczenia.

Dwie Nakładające Się Sieci Neuronowe

Jednocześnie zastosowaliśmy dwie sieci neuronowe, ponieważ głębokie uczenie ma swoje ograniczenia. Modele FIRECRUX dla AI zostały przeszkolone przy użyciu dwóch zbiorów danych: jednego zawierającego obrazy nieskazitelnych, nieskażonych produktów, 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 czystych produktów wykazuje najwyższy wynik.
2. Wykrywanie zanieczyszczeń w skanowanym obszarze – punktacja jest odwrócona, aby zidentyfikować obecność zanieczyszczeń.
3. Zapewnienie bezpieczeństwa producenta w nietypowych sytuacjach, obejmujących 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 oparty jest 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 na procesor CPU jest osadzona na procesorach Intel i7 i i9, natomiast wersja VPU wykorzystuje Intel Movidius.

Co więcej, oprogramowanie zostało bezproblemowo zintegrowane z lampami rentgenowskimi, w tym z generatorami rentgenowskimi monoblokowymi SAXG firmy Spellman oraz detektorem liniowym firmy Detection Technology.

Redukcja FP i Testy Skuteczności

Poprzednie rozwiązanie stosowane przez Milarex, opracowane przez kanadyjską firmę, prowadziło do znacznych przestojów z powodu występowania fałszywych alarmów (FP), średnio prawie 2 godziny dziennie. We wstępnej fazie rozwoju naszego rozwiązania, około 2017 roku, położyliśmy duży nacisk na rozwiązanie problemu FP. Poprzez rygorystyczne testy, zarówno na testerach kontroli jakości, jak i w scenariuszach rzeczywistych zanieczyszczeń (takich jak wykrywanie złamanych noży z maszyn do porcjowania, identyfikowalnych plastrów medycznych czy fragmentów szkła), skutecznie zredukowaliśmy 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 skanerami rentgenowskimi.

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

Wykrywanie Zanieczyszczeń w Czasie Rzeczywistym

Ukończony system umożliwia również skanowanie na bieżąco. Nasze oprogramowanie zostało zaprojektowane do obsługi dwóch typów maszyn: skanujących cyklicznie i skanujących ciągle.

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

W 2021 roku opracowano rozwiązanie do skanowania ciągłego. Zamiast tego, aby 9/12/16 tac trafiało do kosza po wykryciu zanieczyszczenia w maszynie cyklicznej, ryby są teraz płynnie przekierowywane do maszyny skanującej w czasie rzeczywistym, bez konieczności wykonywania czynności „stop-start”.

Wdrożenie Produkcyjne i Licencjonowanie

Rozwiązanie dla pierwszej maszyny zostało wdrożone w 2019 roku, a kolejne 13 maszyn było stopniowo dodawanych w latach 2019-2022. Następnie prace rozwojowe kontynuowano do listopada 2022 roku i utworzono lokalną chmurę 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.