La robotique et l'IA au service de l'industrie de la transformation de la viande

Une mise en œuvre réussie permet d'accroître l'efficacité et d'améliorer les produits

La transformation de la viande est passée d'un artisanat à vocation locale à une industrie internationale caractérisée par des réglementations strictes. La combinaison de la robotique et de la vision, ainsi que le traitement d'images par l'IA, ont donné un coup de fouet à l'industrie de la transformation de la viande. Le fait que ces systèmes soient relativement faciles à intégrer dans les lignes de production et capables d'effectuer une grande variété de tâches les rend particulièrement adaptés aux environnements de travail dynamiques avec des processus de travail en constante évolution.

Changements

La transformation de la viande, en particulier, a connu des changements majeurs au cours des trois dernières décennies. D'abord activité artisanale et régionale caractérisée par la vente directe au consommateur, l'industrie de la viande est devenue un marché mondial avec des produits qui peuvent être transportés dans le monde entier grâce aux progrès de la réfrigération, de la congélation et de la conservation. Tous ces changements ont entraîné un glissement progressif vers la production de viande à l'échelle industrielle.

Conséquences

La production à l'échelle industrielle entraîne de nombreux changements. Ce mode de production a des conséquences importantes à la fois sur la méthode, le produit et les hommes, et s'accompagne d'une spécialisation poussée: les entreprises se limitent à trancher des jambons, et uniquement des jambons.

Le savoir-faire

La transformation de la viande est une activité à forte intensité de main-d'œuvre, qui requiert un savoir-faire et de l'expérience. L'inconvénient est que les gens ne sont plus disposés à effectuer des travaux physiques lourds et que le savoir-faire disparaît en raison du vieillissement de la population et d'une forte diminution de l'intérêt pour la formation technique. Si l'on ajoute à cela le fait que les entreprises investissent (de moins en moins) dans l'éducation et la formation, un scénario catastrophe se profile: la stagnation des connaissances et de l'innovation.

La génération actuelle de systèmes autonomes est flexible, ce qui lui permet de s'intégrer relativement facilement dans les chaînes de production existantes

Gains d'efficacité

Influencés par diverses évolutions, les producteurs ont pour la plupart opté pour des robots/cobots pour l'abattage, la découpe, l'emballage et l'étiquetage. Cela permet non seulement d'accroître l'efficacité, mais aussi de garantir une qualité constante. La valeur ajoutée de l'IA est le degré de variabilité (beaucoup) plus élevé, à condition bien sûr que le processus/la capacité du robot le permette.

Sécurité alimentaire

Les producteurs de denrées alimentaires avaient l'habitude de recourir à la conservation par salage, fumage et séchage, ce qui n'était pas toujours propice à la sécurité alimentaire. Grâce à des techniques telles que la stérilisation, la pasteurisation, l'emballage sous vide, la congélation, et grâce à un large éventail de techniques de conservation douces telles que la technologie des faisceaux d'électrons, l'irradiation gamma et la pression isostatique ultra-haute (UHD), il est désormais possible d'allonger considérablement la durée de conservation de la viande.

Sécurité des travailleurs

Le nombre d'accidents industriels est relativement élevé. Cela est dû en partie à l'utilisation d'outils tranchants (coupures, fractures, amputations), aux chaînes de transformation et aux machines d'emballage partiellement ouvertes (coincement, blessures causées par les pièces mobiles des machines) et à l'environnement de travail humide (glissades, trébuchements, chutes). En outre, le travail physique lourd et la nature répétitive du travail entraînent fréquemment des troubles squelettiques, des microtraumatismes répétés et une fatigue physique et mentale.

Concepts clés
- Algorithmes: ensemble cohérent et fini d'instructions ou de règles en langage de programmation permettant d'effectuer une tâche ou de résoudre un problème.
- Ensemble de données étiquetées, une collection de données dans laquelle chaque point de données est associé à une étiquette, représentant le résultat "correct" ou attendu qu'un modèle d'apprentissage automatique doit apprendre à prédire.
- Modèle d'apprentissage automatique: représentation mathématique ou algorithme entraîné par des exemples à reconnaître des modèles et à faire des prédictions à partir de données.
- Ensemble de données non étiquetées, un ensemble de données constitué uniquement de données brutes - par exemple, du texte ou des valeurs de capteurs - sans autre contexte (ce qu'elles représentent ou les catégories auxquelles elles appartiennent).
- Réseaux neuronaux, modèles d'IA avec desnœuds interconnectés, semblables au cerveau humain. Ces nœuds sont capables de reconnaître des modèles et des relations, de les regrouper et de les classer.

Application des robots/cobots

Les robots/cobots (ci-après: systèmes autonomes) sont capables de prendre en charge les tâches répétitives et physiquement exigeantes des humains et, grâce à l'IA et à l'apprentissage automatique - nous y reviendrons -, ils peuvent de plus en plus compenser la perte de connaissances et de compétences évoquée plus haut. En outre, la génération actuelle est conçue pour répondre à des normes d'hygiène strictes et fonctionner selon ces normes.

Enlèvement des os

Enlever les os des carcasses à l'aide de bras robotisés spéciaux équipés de couteaux ou de scies. Cette opération exige de la précision pour éviter de perdre trop de viande ou de laisser des résidus d'os.

Portionnement et tranchage

En raison de la forme et de la taille variables des morceaux de viande, les opérations de découpe peuvent être complexes. En scannant et en analysant la viande, et en utilisant des données en temps réel, les mouvements et les coupes peuvent être ajustés en permanence.

Emballage

• Le chargement et l'emballage automatiques sont généralement effectués à l'aide de pinces spécialement conçues pour ne pas endommager les produits carnés délicats;
• la préparation et le remplissage des plateaux, les produits étant disposés dans les plateaux selon des schémas préprogrammés spécifiques après avoir été pesés
• pose des étiquettes et lecture des codes-barres; des systèmes de vision vérifient les défauts et la lisibilité des étiquettes.

Palettisation

Empiler des boîtes ou des caisses de produits emballés sur des palettes selon un schéma préprogrammé. Les systèmes avancés peuvent gérer une grande variété de tailles et de poids d'emballage et passer rapidement de l'un à l'autre.

Avantages et inconvénients des systèmes autonomes
Avantages
- fonctionnent de manière hygiénique 24 heures sur 24 et 7 jours sur 7: le risque de contamination et de propagation des agents pathogènes est faible;
- prennent en charge les tâches dangereuses et stressantes: moins d'accidents du travail et de maladies professionnelles;
- processus plus contrôlables, permettant une intervention plus rapide (moins de pertes de denrées alimentaires);
- travailler avec une grande précision: plus grande uniformité des produits finis et moins de pertes de matières;
- contrôle de qualité très précis grâce à l'IA.

Inconvénients
- l'achat et l'installation nécessitent un investissement initial important
- coûts relativement élevés pour l'entretien et la mise à jour du logiciel;
- perte d'emplois;
- la dépendance à l'égard des systèmes automatisés accroît la vulnérabilité des entreprises;
- les systèmes autonomes et d'intelligence artificielle consomment beaucoup d'énergie et génèrent de grandes quantités de déchets électroniques.

Application de l'IA

L'IA désigne les systèmes qui tentent d'imiter la prise de décision humaine en utilisant la "capacité de réflexion" d'un ordinateur. Il s'agit d'utiliser des algorithmes et de grandes quantités de données pour reconnaître des modèles et agir de manière indépendante ou réagir à des changements.

L'IA désigne les systèmes qui tentent d'imiter la prise de décision humaine en utilisant la "capacité de réflexion" d'un ordinateur

Efficacité

L'IA est capable de sous-estimer et de reconnaître les situations anormales et d'identifier les problèmes potentiels. L'adage "garbage in, garbage out" s'applique ici: les logiciels et les systèmes de contrôle ne peuvent produire des résultats significatifs que si les données d'entrée sur la base desquelles le modèle a été formé sont correctes. Le fait que les systèmes autonomes sachent s'adapter à des circonstances changeantes a tout à voir avec l'apprentissage automatique, un sous-domaine de l'IA. L'apprentissage automatique se présente sous plusieurs formes.

L'apprentissage profond permet aux systèmes autonomes de traiter et de comprendre de grandes quantités de données, de reconnaître des modèles et de prendre des décisions en conséquence. Un modèle d'apprentissage profond peut être formé par le biais de l'apprentissage par renforcement:

• L 'apprentissage par renforcement qui vise à apprendre à faire un usage optimal de l'interaction avec l'environnement sans instructions explicites. Les actions favorables sont ainsi "récompensées" et les actions défavorables "punies".
  Application: un bras robotisé peut apprendre à ramasser un objet en utilisant différentes approches - essai-erreur - où une tentative réussie est récompensée (retour d'information positif), tandis que les erreurs ou les actions inefficaces entraînent un retour d'information négatif.
• Apprentissage semi-autonome: le processus d'apprentissage se déroule en deux étapes. Tout d'abord, le système autonome apprend à partir des données étiquetées - souvent limitées: l'étiquetage manuel des données prend du temps et est donc coûteux - puis les connaissances acquises sont utilisées pour interpréter les données non étiquetées. Toutefois, l'accélération prévue ne se produit que lorsque des corrections ont été apportées (sinon, le modèle n'a rien appris).
  Application: formation à la découpe de viande avec une grande précision sur la base de critères tels que le pourcentage de graisse, la structure musculaire ou la forme.
• L'apprentissage supervisé a pour point de départ un ensemble de données dont les "bonnes" réponses (étiquettes) sont connues. Le système autonome apprend la relation entre l'entrée (par exemple, les informations du capteur) et la sortie (l'action ou la classification souhaitée).
  Application: formation à la reconnaissance d'objets par l'analyse d'un grand nombre d'images étiquetées et l'apprentissage de la reconnaissance de modèles dans ces images afin de pouvoir les anticiper correctement.
• L 'apprentissage non supervisé utilise des données non étiquetées et vise à découvrir des modèles ou des structures cachés dans un ensemble de données sans utiliser d'étiquettes connues au préalable.
  Application: détection d'anomalies - apprendre à détecter les anomalies qui peuvent indiquer un problème - et apprentissage de modèles de comportement ou de mouvement pour éviter les personnes sur un lieu de travail bondé.

Apprentissage par transfert: un système autonome peut s'appuyer sur des connaissances acquises à un stade antérieur, de sorte qu'il n'est pas nécessaire d'exécuter/apprendre le processus encore et encore.
Application: anticiper de nouvelles situations plus rapidement et avec moins de données, par exemple en s'adaptant à une tâche avec des mouvements/compétences similaires ou à des espaces nouveaux mais similaires.

Précision

La mise en œuvre réussie de systèmes autonomes a permis non seulement d'accroître l'efficacité et la productivité, mais aussi d'améliorer les produits grâce à la précision avec laquelle ils travaillent. En outre, la génération actuelle est flexible, ce qui rend ces systèmes relativement faciles à intégrer dans les lignes de production existantes. Ils sont donc particulièrement adaptés aux environnements de travail dynamiques où les processus de traitement changent fréquemment.

En collaboration avec Captic et Stäubli