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

Elke dag bewegen miljoenen eieren over transportbanden in verpakkingsfaciliteiten, waarbij ze van de boerderij naar de tafel reizen. Voor het grootste deel is deze reis een soepel verloop, maar het oppervlak van een ei is een kwetsbaar landschap waar de veiligheid in gevaar kan worden gebracht door minuscule, bijna onzichtbare bedreigingen. Tijdens het legproces kunnen eieren kleine spetters uitwerpselen, bloed of modder opvangen. Deze contaminanten zijn niet alleen ontsierend; ze dragen vaak gevaarlijke bacteriën zoals Salmonella met zich mee die mensen ziek kunnen maken als het ei niet correct wordt behandeld. Decennialang was de enige manier om deze kleine imperfecties te vinden, een menselijke werker die elk enkel ei moest inspecteren, een traag en vermoeiend werk dat afhankelijk is van het gezichtsvermogen en de concentratieboog van de werker. Mensen worden moe, hun focus verslapt, en ze missen onvermijdelijk defecten of zien een natuurlijke vlek op de schaal aan voor een vlek. Om dit op te lossen, hebben ingenieurs zich gericht op machine vision, een technologie die camera's en computers gebruikt om de wereld te "zien" en te analyseren, in de hoop het inspectieproces te automatiseren met de snelheid van een machine en de nauwkeurigheid van een getraind oog.

De uitdaging is echter dat een eierschaal geen blanco canvas is. Het heeft een eigen natuurlijke textuur, een gespikeld patroon van vlekken en kleurvariaties die erg kunnen lijken op de werkelijke contaminanten die het systeem probeert te vinden. Wanneer een camera een afbeelding van een bewegend ei vastlegt, is de achtergrond vaak rommelig door de textuur van de transportband en ongelijkmatige verlichting, wat visuele ruis creëert die standaard computerprogramma's in verwarring brengt. Deze programma's hebben vaak moeite om het verschil te zien tussen een onschadelijke natuurlijke stip en een gevaarlijke vlek, wat leidt tot het onnodig weggooien van eieren of, erger nog, het door de mazen glippen van gevaarlijke eieren. Onderzoekers aan de Zhejiang A&F University in China zetten zich in om een systeem te bouwen dat deze verwarring kan doorbreken, door een methode te creëren die snel, zacht en nauwkeurig genoeg is om de kleinste imperfecties op een bewegend ei te ontdekken.

Het team begon met het leren hoe de computer anders naar een ei kon kijken. Voordat de computer zelfs maar een vlek kon proberen te identificeren, moesten de onderzoekers de afbeelding die de computer zag, opschonen. Ze ontwikkelden een proces dat het ei isoleert van zijn omgeving, waardoor de transportband en de schaduwen effectief uit het zicht van de computer worden gewist. Door de achtergrond in een uniform, helder wit te veranderen, dwingt het systeem de computer om zich volledig te concentreren op het oppervlak van het ei zelf. Deze stap is cruciaal omdat het de afleidingen verwijdert die de computer normaal gesproken in verwarring brengen. Zodra de afbeelding is opgeschoond, kan de computer het contrast tussen de eierschaal en eventuele donkere vlekken op het ei veel duidelijker zien, waardoor de kleine vlekken duidelijk afsteken tegen de gladde, witte achtergrond.

Met de afbeeldingen voorbereid, richtten de onderzoekers zich op het brein van de operatie: een geavanceerd computerprogramma ontworpen om objecten te herkennen. Ze begonnen met een krachtig, modern detectiesysteem genaamd YOLOv8s, dat beroemd is om zijn snelheid en het vermogen om dingen in afbeeldingen te vinden. De standaardversie van dit programma was echter niet goed genoeg voor de specifieke taak van het vinden van microscopische vlekken op eieren. Het had de neiging om de zeer kleine vlekjes te missen of de natuurlijke textuur van de schaal aan te zien voor een defect. Om dit op te lossen, voegden de onderzoekers drie specifieke upgrades toe aan de architectuur van het programma. Ten eerste voegden ze een module toe die de computer helpt het grote plaatje te begrijpen, waardoor het kan zien hoe verschillende delen van de afbeelding globaal met elkaar samenhangen. Ten tweede introduceerden ze een mechanisme dat werkt als een spotlight, dat de computer vertelt om extra aandacht te besteden aan de belangrijkste kenmerken terwijl de irrelevante achtergrondruis wordt genegeerd. Ten slotte voegden ze een gespecialiseerde laag toe die specifiek is ontworpen om kleine objecten te vangen, om ervoor te zorgen dat zelfs het kleinste stofje niet over het hoofd wordt gezien.

Het resultaat van deze gecombineerde verbeteringen is een nieuw systeem dat ze AEP2-YOLOv8s noemen. Bij tests op een grote collectie echte eifichenbeelden presteerde dit verbeterde systeem aanzienlijk beter dan de originele versie. Het identificeerde contaminanten met een hoge mate van nauwkeurigheid en verbeterde het vermogen om de juiste doelwitten te vinden met bijna zeven procentpunten ten opzichte van het ongewijzigde model. Het systeem bleek bijzonder goed in het onderscheiden van de natuurlijke patronen van het ei en werkelijke vuil, waardoor het aantal valse alarmen werd verminderd. Het slaagde er ook in om de vlekken met grotere precisie te lokaliseren door strakkere grenzen rond de defecten te trekken. De onderzoekers ontdekten dat hoewel er andere soorten aandachtmechanismen bestonden, de specifieke combinatie die zij kozen het beste werkte voor dit specifieke probleem, waarbij een balans werd gevonden tussen de behoefte aan snelheid en de behoefte aan extreme nauwkeurigheid.

Dit werk demonstreert dat het mogelijk is om de inspectie van eieren te automatiseren zonder ze te beschadigen of de productielijnen te vertragen. Door de visuele input op te schonen en het vermogen van de computer te verfijnen om zich op de juiste details te concentreren, hebben de onderzoekers een hulpmiddel gecreëerd dat de rommelige realiteit van een boerderijomgeving aankan. Het systeem is niet perfect; het staat nog steeds voor uitdagingen wanneer de vlekken extreem vaag zijn of wanneer de lichtomstandigheden moeilijk zijn, maar het vertegenwoordigt een grote stap voorwaarts. De studie suggereert dat we, door beeldreiniging te combineren met slimme, gerichte upgrades van detectiesoftware, machines kunnen bouwen die veel betrouwbaarder zijn dan menselijke ogen voor het opsporen van de kleinste bedreigingen voor de voedselveiligheid. Deze aanpak biedt een praktisch pad naar het waarborgen dat de eieren die onze tafels bereiken schoon en veilig zijn, terwijl de productie op de hoge snelheden die vereist zijn voor de moderne landbouw in gang blijft.