Automatic Quality Measurements of Fish Fillets using Convolutional Neural Networks

Abstract

Síðastliðin 30 ár hafa orðið straumhvörf á tækni í fiskiðnaði. Marel hefur gegnt lykilhlutverki í þessari byltingu og er nú leiðandi á framleiðslu hátækni fiskvinnslutækja á alþjóðavísu. Eftirspurn eftir ferskum fiskafurðum hefur aldrei verið meiri og þar spilar tæknin stórt hlutverk. Fiskvinnsla er að miklu leiti orðin sjálfvirk en enn í dag er fiskur gæðametinn handvirkt sem hægir á ferlinu og gerir það óskilvirkt. Til að sjálfvirknivæða gæðamatið þjálfaði ég Convolutional tauganet (CNNs) til að ákvarða gæði fiskflaks útfrá röntgenmynd. Convolutional tauganet hafa sannað sig í nákvæmni og skilvirkni við myndgreiningu og hafa þau verið mjög áberandi á því sviði síðastliðin ár. Ég þróaði tvær aðferðir, fyrst að flokka flökin í tvo flokka eftir gæðum og svo að búta hvert flak niður og greina hvern píxel á myndinni til að sjá hvar í flakinu eru léleg gæði. Niðurstöðurnar lofa mjög góðu fyrir sjálfvirkniværðingu á gæðamati, flokkun skilaði 96,6% af flökum í réttan flokk og flokkun niður á hvern píxel fann 85% af hverri píxlagrúppu sem leitað var eftir.

In the past 30 years, the fish processing industry has been revolutionized with technical advances. Marel has been a key player in this revolution and is now an industry leader of the processing equipments used in fish processing. The demand for fresh, consistent and high quality fish has never been higher and that is where the technology plays a key role. When processing a fish fillet, a big part of the process has already been automated but measuring the quality of the fillet is still done manually by visual inspection which slows down the process and makes it inconsistent. As a trial to automate this process Convolutional Neural Networks (CNNs) were trained to predict the quality of a fish fillet from X-ray images. CNNs have proved to be accurate and efficient in image recognition and have dominated the field in last years. I developed two methods, to classify the images to high-quality or low-quality classes and to use segmentation methods to pixel-wise predict for the quality of each pixel. The results are promising, classification accuracy proved to be 96.6% and for the segmentation my network found 85% of ground truth groups of connected pixels.