Введение
Мясоперерабатывающая промышленность в настоящий момент является одной из самых динамично развивающихся отраслей. За 2023 год количественные показатели продаж мяса увеличились на 3,8%, а колбас – на 4,4 %. По прогнозам, в текущем году потребление мяса в нашей стране может вырасти до 83 кг в год на человека и стать рекордным за последние годы [1]. Производство мяса также демонстрирует значительный рост. Так, за последние 10 лет, согласно данным Росстата, объем выработки замороженной говядины и телятины увеличился в 2,82 раза, а замороженной свинины – в 5,29 раза [2]. Одним из главных направлений развития мясоперерабатывающих производств, необходимого для устойчивого роста отрасли, является роботизация технологических процессов, которая, в свою очередь, требует внедрения новых интеллектуальных систем, позволяющих выполнять сложные задачи. На начальном этапе производства колбасных изделий, при обвалке мяса, применение ручного труда связано со сложностью автоматизации данного процесса, обусловленной главным образом нестабильностью свойств сырья, поступающего на переработку. При этом стоит отметить, что операторы работают в достаточно тяжелых условиях, при низких температурах воздуха в цехе, в опасной близости от острых лезвий рабочих инструментов, с высоким темпом выполняя монотонные действия, вызывающие моральную и физическую усталость. Кроме того, присутствие рабочего персонала в цехе повышает вероятность микробиологического загрязнения мяса, что требует значительных бюджетных средств для поддержания высокого уровня гигиены.
Методология
Поэтому важной задачей является разработка роботизированной системы, способной выполнять действия оператора при резке мяса, правильно воспринимая и интерпретируя данные, поступающие с камеры и датчиков, и в случае необходимости, в реальном времени применять корректирующие алгоритмы, обеспечивая при этом заданное качество продукции. Система с помощью визуальных данных, получаемых с камеры, производит 3D-реконструкцию объекта методом триангуляции, рассчитывая и идентифицируя положение ребер и спинного отдела позвоночника, определяет наилучшее места захвата туши, намечает заднюю и переднюю части, после чего строит траекторию разделки. Фактическая траектория и параметры, которые следует соблюдать при резке (скорость движения лезвия вперед, боковая опора лезвия на кость, угол наклона лезвия), корректируются в реальном времени относительно теоретической траектории в соответствии с непрерывно измеряемыми значениями характеристик (толщина бока, количество жира, изменения текстуры и т.д.). Такая система способна адаптироваться к изменениям параметров исходного сырья, используя комбинацию трехмерных изображений туш в реальном времени и информации, полученной от человека-эксперта при обучении нейронной сети прогнозированию траектории резки, которой должно следовать роботизированное оборудование. Для быстрого сбора и обработки множества данных, полученных с датчиков, применяются различные алгоритмы, позволяющие создавать сводки и планировать действия (например, удаление сырья, не соответствующего требуемым показателям качества, возврат продукта на предыдущую стадию и т.д.).
Результаты
Технология компьютерного зрения, имеющая широкое применение в промышленности, основана на анализе и интерпретации полученных с камер и датчиков данных, обработанных специальными алгоритмами [3]. Люди легко различают объекты, формируя картину трехмерного пространства, а системе компьютерного зрения для этого необходима база данных и специальные механизмы классификации. Поскольку данные изображений являются неструктурированными и сложными для упорядочения, выполнение таких задач требует значительных вычислительных мощностей. Непрерывное развитие и усложнение приложений компьютерного зрения, приводят к возрастанию объемов баз данных, увеличению времени поиска и обработки информации, что требует их оптимизации [4]. Традиционно системы управления базами данных использовались в машинном обучении как простые хранилища данных. В большинстве случаев, эти базы данных не могут автоматически адаптироваться и выполнять оптимизацию системы на основе реального распределения данных и различной рабочей нагрузки, создаваемой пользователями. Главным преимуществом машинного обучения является возможность обучения на основе имеющихся данных, которой нет у большинства традиционных баз данных.
Результаты
Современные приложения компьютерного зрения используют для анализа изображений не статистические методы, как ранее, а все возможности глубокого обучения, реализуемые нейронной сетью. Работая с большими базами данных, интеллектуальные алгоритмы нейронных сетей обладают высокой производительностью, быстро извлекают информацию и хорошо адаптируются к изменяющимся условиям. При использовании глубокого обучения программа компьютерного зрения может сохранять информацию о каждом проанализированном изображении, со временем повышая точность работы.
Обсуждение
Направления совершенствования методов глубокого обучения в компьютерном зрении связаны с решением таких проблем, как недостаточное и неточное аннотирование данных, анализ изображений с различным распределением данных и обучение моделей искусственного интеллекта на основе децентрализованных баз данных.
Обсуждение
Технология компьютерного зрения постоянно развивается, и будущие исследования должны быть направлены на повышение производительности и расширение возможностей автоматизации систем, основанных на глубоком обучении.
Выводы
Постоянное совершенствование технологий сканирования, моделей и алгоритмов обработки данных будет способствовать разработке более эффективных, точных и устойчивых поточных технологических линий, что, безусловно, окажет существенное влияние на развитие мясоперерабатывающей промышленности