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

Chaque jour, des millions d'œufs circulent sur des tapis roulants dans les centres de conditionnement, voyageant de la ferme à la table. Pour la plupart, ce voyage est fluide, mais la surface d'un œuf est un paysage fragile où la sécurité peut être compromise par de minuscules menaces presque invisibles. Pendant le processus de ponte, les œufs peuvent ramasser de petites taches de fèces, de sang ou de boue. Ces contaminants ne sont pas seulement inesthétiques ; ils transportent souvent des bactéries dangereuses comme la Salmonella qui peuvent rendre les gens malades si l'œuf n'est pas manipulé correctement. Pendant des décennies, la seule façon de trouver ces minuscules imperfections était de demander à un travailleur humain d'examiner chaque œuf, un travail lent et fatigant qui repose sur la vue et la capacité d'attention du travailleur. Les humains se fatiguent, leur concentration dérive, et ils ratent inévitablement certains défauts ou confondent une tache naturelle sur la coquille avec une souillure. Pour résoudre cela, les ingénieurs se sont tournés vers la vision par ordinateur, une technologie qui utilise des caméras et des ordinateurs pour « voir » et analyser le monde, espérant automatiser le processus d'inspection avec la vitesse d'une machine et la précision d'un œil entraîné.

Le défi, cependant, est qu'une coquille d'œuf n'est pas une toile vierge. Elle possède sa propre texture naturelle, un motif moucheté de taches et de variations de couleurs qui peuvent ressembler beaucoup aux contaminants réels que le système tente de trouver. Lorsqu'une caméra capture l'image d'un œuf en mouvement, l'arrière-plan est souvent encombré par la texture du tapis roulant et un éclairage inégal, créant un bruit visuel qui confond les programmes informatiques standards. Ces programmes ont souvent du mal à faire la distinction entre une tache naturelle inoffensive et une souillure dangereuse, ce qui entraîne le rejet inutile d'œufs ou, pire encore, laisse passer des œufs dangereux. Des chercheurs de l'Université Zhejiang A&F en Chine ont entrepris de construire un système capable de percer cette confusion, en créant une méthode suffisamment rapide, douce et précise pour repérer les plus petites imperfections sur un œuf en mouvement.

L'équipe a commencé par apprendre à l'ordinateur à regarder l'œuf différemment. Avant même que l'ordinateur ne puisse essayer d'identifier une tache, les chercheurs ont dû nettoyer l'image qu'il voyait. Ils ont développé un processus qui isole l'œuf de son environnement, effaçant efficacement le tapis roulant et les ombres de la vue de l'ordinateur. En transformant l'arrière-plan en un blanc uniforme et brillant, le système force l'ordinateur à se concentrer entièrement sur la surface de l'œuf lui-même. Cette étape est cruciale car elle élimine les distractions qui causent habituellement la confusion de l'ordinateur. Une fois l'image nettoyée, l'ordinateur peut voir beaucoup plus clairement le contraste entre la coquille de l'œuf et les taches sombres sur celle-ci, faisant ressortir les minuscules souillures sur le fond blanc et lisse.

Une fois les images préparées, les chercheurs se sont tournés vers le cerveau de l'opération : un programme informatique sophistiqué conçu pour reconnaître des objets. Ils ont commencé avec un système de détection puissant et moderne connu sous le nom de YOLOv8s, célèbre pour sa rapidité et sa capacité à trouver des choses dans les images. Cependant, la version standard de ce programme n'était pas tout à fait assez performante pour la tâche spécifique consistant à trouver des taches microscopiques sur les œufs. Elle avait tendance à manquer les très petits points ou à confondre la texture naturelle de la coquille avec un défaut. Pour correr cela, les chercheurs ont ajouté trois mises à niveau spécifiques à l'architecture du programme. Premièrement, ils ont ajouté un module qui aide l'ordinateur à comprendre la vue d'ensemble, lui permettant de voir comment les différentes parties de l'image sont liées les unes aux autres de manière globale. Deuxièmement, ils ont introduit un mécanisme qui agit comme un projecteur, disant à l'ordinateur de prêter une attention particulière aux caractéristiques les plus importantes tout en ignorant le bruit de fond non pertinent. Enfin, ils ont ajouté une couche spécialisée conçue spécifiquement pour capturer les objets minuscules, garantissant que même la plus petite poussière ne soit pas négligée.

Le résultat de ces améliorations combinées est un nouveau système qu'ils appellent AEP2-YOLOv8s. Testé sur une large collection d'images réelles d'œufs, ce système amélioré a obtenu des performances nettement supérieures à la version originale. Il a identifié les contaminants avec un haut degré de précision, améliorant sa capacité à trouver les cibles correctes de près de sept points de pourcentage par rapport au modèle non modifié. Le système s'est montré particulièrement efficace pour distinguer les motifs naturels de l'œuf des saletés réelles, réduisant ainsi le nombre de fausses alertes. Il a également réussi à localiser les taches avec une plus grande précision, en traçant des contours plus serrés autour des défauts. Les chercheurs ont constaté que, bien que d'autres types de mécanismes d'attention existent, la combinaison spécifique qu'ils ont choisie fonctionnait le mieux pour ce problème particulier, équilibrant le besoin de vitesse et le besoin d'une précision extrême.

Ce travail démontre qu'il est possible d'automatiser l'inspection des œufs sans les endommager ni ralentir les lignes de production. En nettoyant l'entrée visuelle et en affinant la capacité de l'ordinateur à se concentrer sur les bons détails, les chercheurs ont créé un outil capable de gérer la réalité désordonnée d'un environnement agricole. Le système n'est pas parfait ; il fait toujours face à des défis lorsque les taches sont extrêmement ténues ou lorsque les conditions d'éclairage sont difficiles, mais il représente une avancée majeure. L'étude suggère qu'en combinant le nettoyage d'image avec des mises à niveau logicielles intelligentes et ciblées, nous pouvons construire des machines bien plus fiables que l'œil humain pour détecter les plus petites menaces à la sécurité alimentaire. Cette approche offre une voie pratique pour garantir que les œufs qui arrivent à nos tables sont propres et sûrs, tout en maintenant les lignes de production aux vitesses élevées requises par l'agriculture moderne.