Hvem vil ha råtne epler i kurven?

Bruk av visionteknologi i matanvendelser

Jens T. Thielemann, SINTEF IKT jtt@sintef.no

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

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, …

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

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

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

Is Fett Vann

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

Kontroll av fettinnhold i kjøttdeig

10 20 30 40 50 60

0 20 40 60 80

10 20 30 40 50 60

0 20 40 60 80

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

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 100000 smolt/time

Basisteknologi:

God kameraavbildning Formgjenkjenning

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

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)

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 vann-jet. Bedre yield enn tidligere systemer.

Samarbeid med Marel

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