Kan kyllingefileten kvalitetstjekkes med kunstig intelligens?

TriVisions kamerasystemer kvalitetskontrollerer produkter i fødevareindustrien, hvor fejl er ressourcetunge. Det er dyrt, når en utæt emballage med kylling skal kasseres, og omvendt er det også dyrt, hvis et produkt, der er godt nok, kasseres ved en fejl. Det værste er dog, hvis en utæt emballage når ud til forbrugeren. 

Ovenikøbet er det også krævende at kontrollere varerne. Derfor deltager TriVision sammen med fødevareemballagefabrikanten PlusPack i et AI Denmark-forløb, hvor de sammen med Alexandra Instituttet skal undersøge, om kvalitetskontrollen kan effektiviseres ved hjælp af kunstig intelligens.

TriVision fremstiller kamerasystemer til kvalitetskontrol i fødevareindustrien, der monteres direkte på produktionslinjerne. Her tager de fotos ovenfra, nedefra og fra siden af emnerne og gennemlyser dem for fx at detektere et hul eller en fejl i kanten af en aluminiumsbakke. Kamerasystemet indeholder et dashboard, der bl.a. viser produktionshistorikken: En grøn farve indikerer, at emnet har bestået kvalitetstjekket, og et rødt, at der er sket en produktionsfejl.

Både god og dårlig kvalitet fås i mange varianter
Det kræver stor præcision, fortæller Ole Neckelmann, CCO i TriVision. ”Vi tager fotos af alle emnerne i en produktionslinje og finder selv hysterisk små fejl. Hvis du har et lillebitte hul i en bakke, kan det godt være, at det holder tæt, men produktet indeni bliver stadigvæk dårligt, og det går jo ikke, når det er fødevarer.” Fejlbehæftede emner sorteres derfor fra vha. et såkaldt ekspertsystem.

Vanskeligheden består i, at der er rigtig mange variationer over både god og dårlig kvalitet, fortæller han. Det er kritisk, hvis dårlige emner overses, men det er naturligvis også et problem, hvis emner, der er gode nok, kasseres. Det stiller høje krav til kvalitetskontrollen, der altså hverken må være for sløset eller for striks.

Kan kontrollen udføres af kunstig intelligens?
Men måske er denne udfordring en oplagt opgave for kunstig intelligens? En produktionslinje i emballageindustrien producerer ofte det samme over lang tid, fortæller Ole Neckelmann. ”Det vil være ideelt for maskinlæring, fordi der vil være adgang til en masse næsten ens billeder, som teknologien kan læres op på.”

”Vi tager billeder af hver eneste bakke,” eksemplificerer han, ”så vi kan sagtens levere et meget stort antal billeder til Alexandra Instituttet, så de kan lære den kunstige intelligens op. Og så kan vi begynde at teste.”

Første forsøg med maskinlæring virker lovende
TriVision har allerede givet Alexandra Instituttet en række billedeksempler fra produktionslinjerne, og de første forsøg med maskinlæring er gået efter planen. ”Det ser ganske fornuftigt ud,” udtaler han tilfreds. 

Næste skridt er at teste, om de første lovende resultater kan verificeres i lidt større skala, fortæller han. Det skal ske ved at sætte systemet op, så alle billederne fra en af PlusPacks produktionslinjer både kan processeres på traditionel vis med TriVisions nuværende ekspertsystem, samtidig med at billederne afleveres til en kunstigt intelligent løsning, der også skal afgøre, om emnet er godt eller dårligt. ”Så skal vi undersøge, om der er korrelation mellem de to resultater,” beretter han. 

Både godt for bæredygtigheden og bundlinjen
AI Denmark-forløbet sker i tæt samarbejde med PlusPack, som er en kunde, TriVision har arbejdet sammen med i mange år. I dag har TriVision omkring 20 visionsystemer installeret ved PlusPack. 

TriVisions systemer anvendes generelt i flere led i fødevarekæden. Mange systemer bruges af emballageproducenter som PlusPack, og lidt længere nede i fødevareværdikæden kontrollerer TriVisions systemer de færdige og fyldte emballager. For Ole Neckelmann er det aktuelle projekt særligt interessant.

”Det er ret spændende, det hér, for det er jo aluminium, og det er jo ikke bare dyrt; det er også én af de ressourcer, vi virkelig har mangel på i verden,” udtaler han. ”Så i det omfang vi kan undgå at lave dårlige emner, er det virkelig værd at gå efter.”

Stort potentiale i prædiktiv produktionsoptimering
Han er også inspireret af de mere langsigtede potentialer i at arbejde med kunstig intelligens. Hvis teknologien fx kunne se ændringer i kvaliteten på en bestemt produktionslinje, kunne systemet udløse en alarm, før fejlene indtræder. ”For visse fejltyper vil systemet måske kunne forudse, at produktionslinjen inden for 5-10 minutter begynder at producere skrammel,” forklarer han. 

På en given produktionslinje ved PlusPack kører der typisk max. tre forskellige typer emner, så det er et meget begrænset antal opdateringer, der skal laves. Det gør processerne særligt velegnede til optimering med maskinlæring, mener han.

Hjælp til operatørerne
En af vanskelighederne ved kvalitetskontrollen i produktionslinjen er, at operatørerne som regel har rigeligt at lave, og at der er mange potentielle fejlkilder, fortæller Ole Neckelmann. Det er det problem, TriVisions kamerasystemer afhjælper i dag. 

”Vi har lavet et produktionsoptimeringssystem, som hjælper operatørerne med at holde produktionssystemet oppe hele tiden, så du producerer flere gode emner per time, end hvis du ikke havde vores system,” understreger han. ”Og på toppen af det får du også kvalitetskontrol, så du ikke kommer til at levere noget til kunderne af en kvalitet, de ikke vil have.” 

Nu bliver det spændende at se, om den kunstigt intelligente kvalitetskontrol både kan levere den samme effektivitet i at finde de dårlige emner og samtidigt være i stand til at forudse visse fejl, inden de optræder.

Vil I også afprøve AI med os?
I et AI Denmark-virksomhedsforløb kan små og mellemstore virksomheder få rådgivning til en værdi af op til 150.000 kr og på den måde afprøve, om AI, dataanalyse og datadrevet beslutningsstøtte er noget for dem. Lyder det spændende? Så tag fat i vores Manager – Business Innovation Rasmus Bækby.