A convolutional neural network architecture benchmarking for semantic segmentation of fish fillet images

Abstract

Fjöldi þátta hefur ýtt undir aukna eftirspurn um sjálfvirkni í matvinnsluiðnaði, þar á meðal starfsmannakostnaður, öryggi við vinnu og betri nýting afurða. Núverandi tækni sem áætlar skurðarferil og fjarlægingu beina úr fiskflökum er sérsniðin að hverri fisktegund og krefst það mikillar vinnu að aðlaga hana að nýjum tegundum. Nýting vélnáms til slíkra verkefna hefur nýverið lofað góðu, en með slíkri lausn væri hægt að auka aðlögunarhæfni til muna, með minni mannauð. Mörg líkön sem byggja á vélnámi, t.a.m. földunar-tauganet til myndgreiningar, eru hönnuð til að hámarka ná- kvæmni, en kalla jafnframt eftir miklu reikningsafli. Þetta gerir það að verkum að þau henta misvel til notkunar í framleiðslutæki þar sem reikningsafl er takmarkaðþ Við rannsökum sannreynd líkön á sviði myndgreiningar, og berum saman frammistöðu þriggja þeirra á nákvæmni og mælingum tengdum áhrifum á hugbúnað. Við notumst við 396 litamyndir af þorskflökum, þar sem hver mynd hefur samsvarandi merkingar á sex mismunandi hlutum flaksins sem við viljum aðgreina, pixla-fyrir-pixla. U-net og FC-DenseNet56 módelin skiluðu bestum árangri í nákvæmni aðgreiningarinnar, með u.þ.b. 59% samsvörun merktu myndanna. E-net sýndi fram á fjórfalt hraðari ályktun- artíma, ásamt því að þurfa minni tíma til þjálfunar og gátum við keyrt módelið með mun minni myndvinnslu-hugbúnaði, en á kostnað u.þ.b. 4% nákvæmni, í samanburði við U-net og FC-DenseNet56.

There are many factors that have led to increased demand for automation in the food processing industry, such as labor cost, work safety and improved yield of the product. Many of the current algorithms for cut patterns and pin bone removal in fish require multiple engineering hours as they have to be custom fitted to each different species. Utilizing machine learning methods for the task offers an agile solution to adapting to different fish species, and is already showing promising results. However many such models, namely convolutional neural networks, are often focused on achieving new heights in accuracy and may be too intensive on computational resources to be able to operate in systems within the industry. We research recent state-of-art models for se- mantic segmentation, and benchmark three candidate models for the task on detection performance and several metrics regarding computation. We use 396 red-green-blue (RGB) cod fillet images with corresponding target masks representing six different classes, for evaluating pixel-wise model predictions and computational performance. U-net and FC-DenseNet56 performed best on detection performance scoring a mIoU of ∼ 59%, while with E-net we report a fourfold reduction on inference, compared to the other two, reduced training time and the capabilities to run on a much smaller GPU, at the cost of ∼ 4% mIoU.