Robotica en AI geven vleesverwerkende industrie een boost

Succesvolle implementatie leidt tot verhoogde efficiëntie en betere producten

Vleesverwerking is van een lokaal georiënteerd ambacht uitgegroeid tot een internationaal opererende industrie die wordt gekenmerkt door strenge regelgeving. De combinatie van robotica en visie, en de daarop volgende beeldverwerking via AI hebben de vleesverwerkende industrie nadrukkelijk een boost gegeven. Het feit dat dergelijke systemen betrekkelijk eenvoudig zijn in te passen in productielijnen en in staat zijn uiteenlopende taken te verrichten, maakt ze bijzonder geschikt voor dynamische werkomgevingen met doorlopend veranderende werkprocessen.

Veranderingen

De vleesverwerking is met name de laatste drie decennia sterk aan verandering onderhevig. Ooit begonnen als een ambachtelijke, regionale activiteit gekenmerkt door rechtstreekse consumentenverkoop is de vleesindustrie uitgegroeid tot een wereldwijd opererende markt met producten die dankzij de verbeteringen op het gebied van koelen, vriezen en conserveren over de hele wereld (kunnen) worden getransporteerd. Al die veranderingen hebben ertoe geleid dat het accent gaandeweg is verschoven richting vleesproductie op industriële schaal.

Consequenties

Productie op industriële schaal brengt tal van veranderingen met zich mee. Deze wijze van produceren heeft grote gevolgen voor zowel de werkwijze, het product als voor de betrokkenen en gaat gepaard met verregaande specialisatie: bedrijven beperken zich tot het versnijden van hammen, en van hammen alleen.

Knowhow

Vleesverwerking is arbeidsintensief en vergt vakmanschap en ervaring. De keerzijde is dat mensen niet langer bereid zijn zware fysieke arbeid te verrichten en dat de knowhow verdwijnt door vergrijzing en door een sterk teruglopende interesse in technische opleidingen. Tel daarbij op dat bedrijven (steeds) minder investeren in opleiding en training, en het doemscenario tekent zich af: stagnatie van kennis en innovatie.

De huidige generatie autonome systemen is flexibel waardoor deze betrekkelijk eenvoudig zijn in te passen in bestaande productielijnen

Efficiëntieslag

Onder invloed van de diverse ontwikkelingen zijn producenten voor het slachten, uitsnijden, verpakken en etiketteren veelal overgestapt op robots/cobots. Dit vergroot niet alleen de efficiëntie, het is tevens een waarborg voor een consistentie van kwaliteit. De toegevoegde waarde van AI is de (veel) grotere mate van variabiliteit, op voorwaarde uiteraard dat het proces/de capaciteit van de robot dat toelaat.

Voedselveiligheid

Vroeger was de voedselproducent aangewezen op conservering door middel van zouten, roken en drogen, wat niet altijd even bevorderlijk was voor de voedselveiligheid. Dankzij technieken als sterilisatie, pasteurisatie, vacuüm verpakken, invriezen en dankzij een brede range van milde conserveringstechnieken als e-beam-technologie, gammadoorstraling en ultrahoge isostatische druk (UHD) is men inmiddels in staat de houdbaarheid van vlees drastisch te verlengen.

Veiligheid werknemers

Het aantal bedrijfsongevallen is relatief hoog. Dit komt onder meer door het gebruik van scherpe gereedschappen (snijwonden, botbreuken, amputaties), de deels open verwerkingslijnen en verpakkingsmachines (beknelling, verwondingen door bewegende machineonderdelen) en de vochtige werkomgeving (uitglijden, struikelen, vallen). De zware fysieke arbeid en het repetitieve karakter maken bovendien dat skeletaandoeningen, RSI (Repetitive Strain Injury) en fysieke en mentale vermoeidheid veelvuldig voorkomen.

Belangrijke begrippen
• Algoritmen, een samenhangende, eindige reeks instructies of regels in programmeertaal die een taak vervullen of een probleem oplossen.
• Gelabelde dataset, een verzameling data waarin elk datapunt een bijbehorend label heeft, de 'juiste' of verwachte output representerend die een machine learning-model moet leren voorspellen.
• Machine learning-model, een wiskundige representatie of algoritme dat via voorbeelden is getraind om patronen te herkennen en voorspellingen te doen op basis van data.
• Ongelabelde dataset, een dataset die enkel bestaat uit ruwe gegevens – bijvoorbeeld tekst of sensorwaarden – zonder verdere context (wat ze representeren of tot welke categorieën ze behoren).
• Neurale netwerken, AI-modellen met onderling verbonden knooppunten (nodes), vergelijkbaar met het menselijk brein. Deze nodes zijn in staat patronen en verbanden te herkennen, deze te clusteren en te classificeren.

Toepassing robots/cobots

Robots/cobots (hierna: autonome systemen) zijn in staat repetitieve en fysiek belastende taken van de mens over te nemen, en dankzij AI en machine learning – waarover later meer – kan het eerder besproken verlies aan kennis en kunde steeds beter worden gecompenseerd. De huidige generatie is bovendien zo ontworpen dat deze voldoet aan en werken volgens strikte hygiënenormen.

Botverwijdering

Het verwijderen van botten uit karkassen met behulp van speciale robotarmen voorzien van messen of zagen. Dit vereist precisie om te voorkomen dat er te veel vlees verloren gaat of dat er botresten achterblijven.

Portioneren en snijden

Vanwege de variabele vorm en grootte van de stukken vlees kunnen snijoperaties complex zijn. Door het vlees te scannen en analyseren, en door het gebruik van realtimedata, kunnen de bewegingen en sneden continu worden aangepast.

Verpakken

• het automatisch laden en verpakken gebeurt doorgaans met speciaal daarvoor ontwikkelde grijpers die de delicate vleesproducten verder niet beschadigen;
• tray-opmaak en vulling, waarbij de producten in de trays na weging worden gerangschikt volgens specifieke vooraf geprogrammeerde patronen;
• het plaatsen van labels en het scannen van barcodes; vision-systemen controleren op gebreken en op de leesbaarheid van het etiket.

Palletiseren

Het stapelen van dozen of kratten met verpakte producten op pallets volgens een vooraf geprogrammeerd patroon. Geavanceerde(re) systemen kunnen uiteenlopende verpakkingsformaten en -gewichten aan en kunnen snel daartussen schakelen.

Voor- en nadelen autonome systemen
Voordelen
- werken 24/7 op hygiënische wijze: kans op contaminaties en de verspreiding van ziekteverwekkers gering;
- nemen gevaarlijke en belastende taken over: minder bedrijfsongevallen en beroepsgerelateerde aandoeningen;
- processen beter beheersbaar waardoor sneller ingrijpen mogelijk wordt (minder voedselverlies);
- werken met grote precisie: een hogere consistentie van de eindproducten en een geringer verlies van materiaal;
- uiterst nauwkeurige kwaliteitscontrole dankzij AI.

Nadelen
- de aanschaf en de installatie vergen substantiële initiële investeringen;
- relatief hoge kosten voor onderhoud en het up-to-date houden van de software;
- verlies van arbeidsplaatsen;
- afhankelijkheid van geautomatiseerde systemen verhoogt de kwetsbaarheid van bedrijven;
- autonome en AI-systemen verbruiken veel energie en veroorzaken grote hoeveelheden elektronisch afval.

Toepassing AI

AI verwijst naar systemen die de menselijke besluitvorming proberen na te bootsen aan de hand van het 'denkvermogen' van een computer. Daarbij wordt gebruik gemaakt van algoritmen en grote hoeveelheden data om patronen te herkennen en zelfstandig te handelen dan wel te reageren op veranderingen.

AI verwijst naar systemen die de menselijke besluitvorming proberen na te bootsen aan de hand van het 'denkvermogen' van een computer

Rendement

AI is in staat abnormale situaties te onder- en herkennen en potentiële problemen te signaleren. Daarbij geldt het adagium 'garbage in, garbage out': software- en regelsystemen kunnen slechts zinvolle output leveren wanneer de input op basis waarvan het model wordt getraind correct is. Dat autonome systemen zich weten aan te passen aan veranderende omstandigheden heeft alles van doen met machine learning, een subveld van AI. Machine learning kent diverse vormen.

Deep learning stelt autonome systemen in staat grote hoeveelheden data te verwerken en te begrijpen, patronen te herkennen en op basis daarvan beslissingen te nemen. Een deep learning model kan op haar beurt worden getraind via:

• Reinforcement learning dat als doel heeft zonder expliciete instructies optimaal gebruik te leren maken van de interactie met de omgeving. Gunstige acties worden daarbij 'beloond' en ongunstige acties 'bestraft'.
  Toepassing: een robotarm kan leren een object op te pakken middels diverse benaderingen – trial-and-error – waarbij een succesvolle poging wordt beloond (positieve feedback), terwijl fouten of inefficiënte handelingen leiden tot negatieve feedback.
• Semi-supervised learning waarbij het leerproces een tweetrapsraket is. Eerst leert het autonome systeem van de gelabelde data – vaak beperkt aanwezig: handmatig data-labelen is tijdrovend en (dus) kostbaar – waarna de opgedane kennis wordt gebruikt om de niet-gelabelde data te interpreteren. De beoogde versnelling vindt echter alleen dan plaats wanneer er correcties zijn doorgevoerd (anders heeft het model niets bijgeleerd).
  Toepassing: training in het met grote precisie snijden van vlees op grond van criteria als vetpercentage, spierstructuur of vorm.
• Supervised learning kent als uitgangspunt een dataset waarvan de 'juiste' antwoorden (labels) bekend zijn. Het autonome systeem leert de relatie kennen tussen de input (bijvoorbeeld sensorinformatie) en de output (de gewenste actie of classificatie).
  Toepassing: training van objectherkenning door een groot aantal gelabelde afbeeldingen te analyseren en daarin patronen te leren herkennen, zodat daarop correct kan worden geanticipeerd.
• Unsupervised learning maakt gebruik van ongelabelde gegevens, met als doel binnen een dataset verborgen patronen of structuren te ontdekken zonder daarbij gebruik te maken van vooraf bekende labels.
  Toepassing: anomaliedetectie – het leren detecteren van afwijkingen die op een probleem kunnen wijzen – en het aanleren van gedrags- of bewegingspatronen om op een drukke werkvloer mensen te ontwijken.

Transfer learning waarbij een autonoom systeem kan 'terugvallen' op de in een eerder stadium opgedane kennis, zodat het proces niet steeds opnieuw hoeft te worden doorlopen/geleerd.
Toepassing: het sneller en met minder data anticiperen op nieuwe situaties, bijvoorbeeld aanpassing aan een taak met vergelijkbare bewegingen/vaardigheden of aan nieuwe, maar vergelijkbare ruimten.

Precisie

De succesvolle implementatie van autonome systemen heeft niet alleen geleid tot een verhoogde efficiëntie en productiviteit, maar dankzij de precisie waarmee wordt gewerkt ook tot betere producten. De huidige generatie is bovendien flexibel waardoor dergelijke systemen betrekkelijk eenvoudig zijn in te passen in bestaande productielijnen. Dit maakt ze bijzonder geschikt voor dynamische werkomgevingen waarin verwerkingsprocessen regelmatig veranderen.

Met medewerking van Captic en Stäubli