Hvem vil ha råtne epler i kurven?

Transkript

1 Hvem vil ha råtne epler i kurven? Bruk av visionteknologi i matanvendelser Jens T. Thielemann, SINTEF IKT jtt@sintef.no

2 Agenda Kort om SINTEF IKT/Optiske målesystemer Visionteknologi Hvor har teknologien sin utbredelse i dag? Hva kan vi måle online? Prosjekteksempler Kvalitetskontroll og sortering Telling og kvalitet Bearbeiding for økt kvalitet Oppsummering

3 Optiske målesystemer Forskningsfelt: Spektroskopi Kamera 3D målesystemer Røntgen Bilde og dataanalyse Denne kombinasjonen utfyller hverandre Vi har lang erfaring i å utvikle industrielle robuste systemer Vi utvikler nye målesystemer når det ikke finnes tilfredsstillende løsninger Markeder: Resirkulering, Prosessindustri, Næringsmidler, Havbruk,

4 Visionteknologi hvor brukes det i dag? Største utbredelse: Produksjon og kontroll av masseproduserte, rigide objekter Griping og håndtering Montering og sammenføyning Gjenkjenning og kvalitetskontroll Årsak: Helt lik del hver gang lettere å automatisere Posisjonsbestemmelse for griping Gjenkjenning av flaskeform for pant

5 Avbildningsteknologier hva kan vi måle online? Vanlig kamera Farge omtrent som øyet ser det Form (2D) Feil og mangler i overflaten 3D målinger 3D form Spalter Estimere vekt på levende fisk Is Fett Vann Avbildende spektroskopi Vann, fett, protein Kjernetemperatur, isfraksjon Nøyaktige fargemål mer presist enn øyet Røntgen Rask og høyoppløselig Bein, fett, bindevev, svømmeblære Deformasjoner Kvalitetssortering, dokumentasjon, Mulig å analysere biologiske objekter i vesentlig mer detalj enn før Mer regnekraft, og nye analysemetoder

6 Kontroll av fettinnhold i kjøttdeig QMonitor Online skanner for måling av komponenter i mat Økonomisk viktig å ha rett fettinnhold Online måling fettinnhold i kjøttdeig Brukes til prosesstyring og overvåkning

7 Automatisk kvalitetskontroll av klippfisk Riktig kvalitet til riktig marked Følgende feil kan gjenkjennes: Formfeil Muskelspalting Gjenstående ryggbein Blodflekker Leverflekker Harskning Vanninnhold Spektroskopisk avbildningssystem Skjelner mellom gulning og harskning Samarbeid med NOFIMA

8 Kamerabasert telling av laks Presist estimat av antall og vektfordeling ved transport av slakteferdig laks gir bedre logistikk Nøyaktighet: ±2,5% ved 120 tonn/time eller smolt/time Basisteknologi: God kameraavbildning Formgjenkjenning

9 Biomasse målinger i merd Vektfordeling i merd gir informasjon om tilvekst og kvalitet Plukke ut enkeltfisk for å beregne vektfordeling Formgjenkjenning med sterk forhåndskunnskap Utfordringer: Varierende belysning Grums og partikler Vanskelig kontrastforhold Mye overlapp diffuse overganger Fiskene svømmer ikke rett fram

10 Fjerning av tykkfiskbein i laks prerigor Finner posisjon av bein slik at disse kan fjernes maskinelt Utviklet kamerabasert løsning for automatisk styring av kniven Samarbeid med SINTEF F&H mot Trio (nå Baader)

11 Utskjæring av tykkfiskbein i torsk Behov for økt automatisering i foredlingsindustrien for hvitfisk I dag skjæres bein ut manuelt, tidkrevende Utviklet system for automatisk deteksjon og fjerning av bein basert på røntgen og vannjet. Bedre yield enn tidligere systemer. Samarbeid med Marel

12 Oppsummering Nytten ved vision teknologi Mulighet for 100% inspeksjon Objektive kriterier for utvalg Økt produktivitet Viktig å velge riktig avbildningsteknologi Vision er en forutsetning for fleksibel automatisering i industrien Havbruk- og matindustrien ligger fortsatt etter resten av industrien Større muligheter i dag: Nye sensorer, nye metoder og mer regnekraft Teknologien er nå mer enn moden for vesentlig større utbredelse innen mat-, fisk- og havbruksindustrien