Rapid and non-destructive identification of micro-contaminants on eggshell surfaces based on machine vision and deep learning

Jeden Tag bewegen sich Millionen von Eiern auf Förderbändern in Verpackungsanlagen und reisen vom Bauernhof bis auf den Tisch. Meistens verläuft diese Reise reibungslos, doch die Oberfläche eines Eies ist eine zerbrechliche Landschaft, in der die Sicherheit durch winzige, fast unsichtbare Bedrohungen gefährdet werden kann. Während des Legeprozesses können Eier kleine Spuren von Kot, Blut oder Schmutz aufnehmen. Diese Verunreinigungen sind nicht nur unansehnlich; sie tragen oft gefährliche Bakterien wie Salmonellen in sich, die Menschen krank machen können, wenn das Ei nicht korrekt behandelt wird. Jahrzehntelang war der einzige Weg, diese winzigen Makel zu finden, darin, dass ein menschlicher Arbeiter jedes einzelne Ei begutachtete – eine langsame und ermüdende Aufgabe, die auf dem Sehvermögen und der Konzentrationsfähigkeit des Arbeiters beruht. Menschen werden müde, ihre Aufmerksamkeit lässt nach, und unweigerlich übersehen sie Defekte oder verwechseln einen natürlichen Fleck auf der Schale mit einem Makel. Um dies zu lösen, haben Ingenieure sich der maschinellen Bildverarbeitung zugewandt – einer Technologie, die Kameras und Computer nutzt, um die Welt zu „sehen“ und zu analysieren, in der Hoffnung, den Inspektionsprozess mit der Geschwindigkeit einer Maschine und der Genauigkeit eines geschulten Auges zu automatisieren.

Die Herausforderung besteht jedoch darin, dass eine Eierschale keine leere Leinwand ist. Sie besitzt ihre eigene natürliche Textur, ein gesprenkeltes Muster aus Punkten und Farbvariationen, das den eigentlichen Verunreinigungen, die das System finden soll, sehr ähnlich sehen kann. Wenn eine Kamera ein Bild eines sich bewegenden Eies aufnimmt, ist der Hintergrund oft durch die Textur des Förderbands und ungleichmäßige Beleuchtung überladen, was ein visuelles Rauschen erzeugt, das Standard-Computerprogramme verwirrt. Diese Programme haben oft Schwierigkeiten, zwischen einem harmlosen natürlichen Punkt und einem gefährlichen Fleck zu unterscheiden, was dazu führt, dass Eier unnötigerweise weggeworfen werden oder, schlimmer noch, gefährliche Eier durch das Raster fallen. Forscher der Zhejiang A&F University in China setzten sich zum Ziel, ein System zu entwickeln, das diese Verwirrung durchschneidet und eine Methode schafft, die schnell, sanft und präzise genug ist, um die kleinsten Makel auf einem bewegten Ei zu entdecken.

Das Team begann damit, dem Computer beizubringen, ein Ei anders zu betrachten. Bevor der Computer überhaupt versuchen konnte, einen Fleck zu identifizieren, mussten die Forscher das Bild bereinigen, das er sah. Sie entwickelten einen Prozess, der das Ei von seiner Umgebung isoliert und so das Förderband und die Schatten effektiv aus der Sicht des Computers löscht. Durch die Umwandlung des Hintergrunds in ein einheitliches, helles Weiß zwingt das System den Computer dazu, sich ausschließlich auf die Oberfläche des Eies selbst zu konzentrieren. Dieser Schritt ist entscheidend, da er die Ablenkungen entfernt, die den Computer normalerweise verwirren würden. Sob es das Bild bereinigt hat, kann der Computer den Kontrast zwischen der Eierschale und etwaigen dunklen Flecken viel deutlicher erkennen, wodurch die winzigen Flecken vor dem glatten, weißen Hintergrund hervorstechen.

Nachdem die Bilder vorbereitet waren, wandten sich die Forscher dem Gehirn des Betriebs zu: einem hochentwickelten Computerprogramm, das darauf ausgelegt ist, Objekte zu erkennen. Sie begannen mit einem leistungsstarken, modernen Detektionssystem namens YOLOv8s, das für seine Geschwindigkeit und seine Fähigkeit bekannt ist, Dinge in Bildern zu finden. Die Standardversion dieses Programms war jedoch nicht gut genug für die spezifische Aufgabe, mikroskopisch kleine Flecken auf Eiern zu finden. Es neigte dazu, die sehr kleinen Punkte zu übersehen oder die natürliche Textur der Schale mit einem Defekt zu verwechseln. Um dies zu beheben, fügten die Forscher drei spezifische Upgrades zur Architektur des Programms hinzu. Erstens fügten sie ein Modul hinzu, das dem Computer hilft, das große Ganze zu verstehen, indem es ihm ermöglicht, wie verschiedene Teile des Bildes global miteinander in Beziehung stehen. Zweitens führten sie einen Mechanismus ein, der wie ein Scheinwerfer wirkt und den Computer anweist, den wichtigsten Merkmalen besondere Aufmerksamkeit zu schenken, während er irrelevantes Hintergrundrauschen ignoriert. Schließlich fügten sie eine spezialisierte Schicht hinzu, die speziell darauf ausgelegt ist, winzige Objekte zu erfassen, um sicherzustellen, dass selbst der kleinste Schmutzpartikel nicht übersehen wird.

Das Ergebnis dieser kombinierten Verbesserungen ist ein neues System, das sie AEP2-YOLOv8s nennen. Bei Tests an einer großen Sammlung echter Eibilder schnitt dieses verbesserte System signifikant besser ab als die Originalversion. Es identifizierte Verunreinigungen mit einem hohen Grad an Genauigkeit und verbesserte seine Fähigkeit, die richtigen Ziele zu finden, um fast sieben Prozentpunkte im Vergleich zum unveränderten Modell. Das System erwies sich als besonders gut darin, zwischen den natürlichen Mustern des Eies und tatsächlichem Schmutz zu unterscheiden, wodurch die Anzahl der Fehlalarme reduziert wurde. Es gelang ihm auch, die Flecken mit größerer Präzision zu lokalisieren, indem es engere Grenzen um die Defekte zog. Die Forscher fanden heraus, dass zwar andere Arten von Aufmerksamkeitsmechanismen existierten, die spezifische Kombination, die sie wählten, jedoch am besten für dieses spezielle Problem funktionierte, da sie das Bedürfnis nach Geschwindigkeit mit dem Bedürfnis nach extremer Genauigkeit in Einklang brachte.

Diese Arbeit zeigt, dass es möglich ist, die Inspektion von Eiern zu automatisieren, ohne sie zu beschädigen oder die Produktionslinien zu verlangsamen. Durch die Bereinigung der visuellen Eingabe und die Verfeinerung der Fähigkeit des Computers, sich auf die richtigen Details zu konzentrieren, schufen die Forscher ein Werkzeug, das die unordentliche Realität einer Bauernhofumgebung bewältigen kann. Das System ist nicht perfekt; es steht immer noch vor Herausforderungen, wenn die Flecken extrem schwach sind oder die Lichtverhältnisse schwierig sind, aber es stellt einen bedeutenden Fortschritt dar. Die Studie legt nahe, dass wir durch die Kombination von Bildbereinigung mit intelligenten, gezielten Upgrades der Detektionssoftware Maschinen bauen können, die für das Aufspüren der kleinsten Bedrohungen für die Lebensmittelsicherheit weita viel zuverlässiger sind als das menschliche Auge. Dieser Ansatz bietet einen praktischen Weg, um sicherzustellen, dass die Eier, die unsere Tische erreichen, sauber und sicher sind, während gleichzeitig die für die moderne Landwirtschaft erforderlichen hohen Geschwindigkeiten der Produktionslinien beibehalten werden.