NL2021647B1

NL2021647B1 - Computer vision systeem voor de classificatie van bevleesdheid en vetheid van een karkas

Info

Publication number: NL2021647B1
Application number: NL2021647A
Authority: NL
Inventors: Wilhelmina Johannes Meeuwissen Paulus
Original assignee: Vitelco B V; Paridaans En Liebregts B V
Priority date: 2018-09-17
Filing date: 2018-09-17
Publication date: 2020-05-06

Abstract

De uitvinding voorziet in een computer vision systeem en een werkwijze voor de classificatie van bevleesdheid en vetheid van een karkas, waarbij het systeem is ingericht om tenminste een of meer kleurenbeelden van het karkas te registreren, de een of meer kleurenbeelden te verwerken in een classificatiemodel, waarbij het classificatiemodel gebruik maakt van in de kleurenbeelden geregistreerde lichtreflecties voor het bepalen van vetheid, en op basis van de uitvoer van het model een bevleesdheidsclassificatie en een vetheidsclassificatie te genereren. Het systeem kan ingericht zijn om, alvorens de kleurenbeelden te verwerken in het classificatiemodel, de kleurenbeelden in een positioneringsmodel te verwerken, teneinde te bepalen of de positionering van het karkas overeenstemt met de vereisten van het classificatiemodel.

Description

Computer vision systeem voor de classificatie van bevleesdheid en vetheid van een karkas

Gebied van de uitvinding

De uitvinding heeft betrekking op een computer vision systeem en een werkwijze voor de classificatie van bevleesdheid en vetheid van een karkas.

Achtergrond van de techniek

Teneinde de kwaliteit van aangevoerde kalveren in een slachterij te bepalen worden de karkassen direct na het slachten geclassificeerd. Zij worden dan ingedeeld naar categorie en de kwaliteitskenmerken bevleesdheid en vetheid. Dit gebeurt op basis van het SEUROP-systeem en bepaalt samen met het gewicht van het dier de uit te betalen waarde aan de veehouders.

In de huidige werkwijze wordt deze classificatie voor kalveren (wereldwijd) visueel uitgevoerd, waardoor dit een subjectieve en foutgevoelige methode is.

Doel van de uitvinding is om het classificatieproces te vereenvoudigen en tegelijkertijd de uniformiteit en correctheid van classificatie te verbeteren. Dit zal leiden tot voordelen zoals een hogere kwaliteitsborging, vergrote precisie kwaliteitsbeoordeling, een goede borging van tracking en tracing en arbeidskosten reductie.

Samenvatting van de uitvinding

De uitvinding voorziet in een computer vision systeem voor de classificatie van bevleesdheid en vetheid van een karkas, waarbij het systeem is ingericht om:

tenminste een of meer kleurenbeelden van het karkas te registreren;

de een of meer kleurenbeelden te verwerken in een classificatiemodel, waarbij het classificatiemodel gebruik maakt van in de kleurenbeelden geregistreerde lichtreflecties voor het bepalen van vetheid;

op basis van de uitvoer van het model een bevleesdheidsclassificatie en een vetheidsclassificatie te genereren.

In een uitvoeringsvorm omvatten de een of meer kleurenbeelden een beeld van de flank en van de achterkant van kalverkarkassen.

In een uitvoeringsvorm maakt het classificatiemodel gebruik van de omtrek van het karkas ten opzichte van een raster voor het bepalen van bevleesdheid.

P6074420NL

2018.09.17

In een uitvoeringsvorm is het systeem verder ingericht om, alvorens de kleurenbeelden te verwerken in het classificatiemodel, de kleurenbeelden in een positioneringsmodel te verwerken, teneinde te bepalen of de positionering van het karkas overeenstemt met de vereisten van het classificatiemodel.

In een uitvoeringsvorm omvat het positioneringsmodel een neural netwerk omvat, bijvoorbeeld een Convolutional Neural Network, CNN. Het classificatiemodel kan een neural netwerk of een CNN omvatten.

De uitvinding verschaft een geautomatiseerd systeem op basis van een optische analyse waarbij kwaliteitskenmerken als bevleesdheid (via het afzetten van de maten van het karkas tegen een digitaal raster) en het vetpercentage op basis van lichtreflectie nauwkeurig worden gemeten.

Er is of proefmatige wijze vastgesteld dat onder meer de haken van de slachtlijn invloed hadden op de uniformiteit van de resultaten. Het optionele positioneringsmodel brengt hierin verbetering.

De uitvinding heeft tevens betrekking op een werkwijze voor de classificatie van bevleesdheid en vetheid van een karkas met behulp van een computer vision systeem zoals in het voorgaande beschreven.

Korte aanduiding van de tekeningen

De uitvinding wordt nader toegelicht aan de hand van de bijgevoegde tekeningen, waarin:

Fig. 1 een schematische weergave is van een computer vision systeem voor de bepaling van karkaskwaliteit;

Fig. 2 een schematische weergave is van een wijze waarop een karkaskwaliteit classificatiemodel verschaft kan worden;

Fig. 3 een schematische weergave is van een computer vision systeem voor de bepaling van karkaskwaliteit dat gebruikt maakt van een positioneringsmodel; en

Fig. 4 een schematische weergave is van een wijze waarop een positioneringsmodel verschaft kan worden.

Beschrijving van uitvoeringsvormen

Beoogd wordt om het vetpercentage van een karkas te bepalen door via lichtreflectie de kleurintensiteit te meten. Om de bevleesdheid te bepalen worden de maten van het karkas afgezet tegen een raster.

P6074420NL

2018.09.17

Voor de beoordeling van de bevleesdheid wordt gelet op de vorm en het volume van het karkas. Vooral de onderdelen stomp, rug en schouder worden beoordeeld. De bevleesdheid wordt aangegeven met de letters S, E, U, R, O, P, waarbij onderstaande tabel 1 de betekenis van deze letters aangeeft:

Tabel 1: Bevleesdheid

Bevleesdheidsklass e	Omschrijving
S	Superieur	Alle profielen uiterst rond; uitzonderlijke spierontwikkeling met dubbele spieren (type dikbil).
E + E 0 E-	Uitstekend	Alle profielen rond tot zeer rond; uitzonderlijke spierontwikkeling
U + U 0 u -	Zeer goed	Profielen over het geheel rond; sterke spierontwikkeling
R + R 0 R-	Goed	Over het geheel rechte profielen; goede spierontwikkeling
+ O 1 O O O	Matig	Profielen recht tot hol; middelmatige spierontwikkeling
P + P 0 P-	Gering	Alle profielen hol tot zeer hol; beperkte spierontwikkeling

Om de vetheid van een slachtrund te kunnen vaststellen, wordt gekeken naar de hoeveelheid onderhuids vet aan de buitenkant van het karkas en het vet aan de 10 binnenzijde van de borstholte. De vetheid wordt aangegeven met de cijfers 1 tot en met 5.

P6074420NL

2018.09.17

Tabel 2: Vetheid

Vetheidsklasse	Omschrijving
1 + 1 0 1 -	Gering	Geen of zeer weinig vetbedekking
2 + 2 0 2 -	Licht	Lichte vetbedekking; spieren nog bijna overal zichtbaar
3 + 3 0 3-	Middelmatig	Behalve op stomp en schouder zijn de spieren bijna overal bedekt met vet; lichte vetafzettingen in de borstholte.
4 + 4 0 4-	Sterk vervet	Spieren bedekt met vet, echter op stomp en schouder nog gedeeltelijk zichtbaar; enige duidelijke vetafzettingen in de borstholte
5 + 5 0 5-	Zeer sterk vervet	Geslacht dier totaal met vet afgedekt; sterke vetafzettingen in de borstholte

Een computer vision systeem is ontwikkeld om op basis van bovenstaande principes de karkaskwaliteit van kalveren te bepalen, en wordt schematisch weergegeven 5 in figuur 1. In module 10 wordt een beeld van een karkas geregistreerd. Module 10 kan een camerasysteem omvatten, geschikt om kleurenbeelden te registreren, en overige hardware nodig voor een optimale belichting. In een uitvoeringsvorm omvat de module een camerasysteem dat beelden maakt van de flank en de achterkant van (kalver)karkassen.

Gezien het feit dat het vetpercentage primair wordt bepaald via lichtreflectiemetingen, kan ook gebruik worden gemaakt van verschillende kleuren lichtbronnen in sequentie, waarbij verschillende beelden worden geregistreerd met verschillende belichting. In module 11, dat een computersysteem kan omvatten, worden de verkregen een of meerdere beelden verwerkt in een classificatiemodel voor karkaskwaliteit (hierna: model C), met als uitvoer een karkasclassificatie 12 die een bevleesdheidsclassificatie en een vetheidsclassificatie omvat.

Figuur 2 toont een schematische weergave van een wijze waarom model C verschaft kan worden. In stap 20 wordt een set van camerabeelden met bijbehorende door experts gemaakte karkasclassificaties gevoed aan een Machine Learning (ML)

P6074420NL

2018.09.17 algoritme. Een dergelijk algoritme kan bestaan uit een neuraal netwerk, bijvoorbeeld een Convolutional Neural Network (CNN). In een variant wordt een bestaand CNN gebruikt waarbij de laatste laag opnieuw wordt getraind voor de classificatie toepassing. Ook andere voor computer vision toepassingen geschikte ML algoritmen kunnen gebruikt worden. Het resultaat van het ML algoritme is een getraind classificatie model, model C 22.

Het gebruik van de in figuur 2 getoonde ML training is niet de enige wijze om model C te verschaffen. Het is ook mogelijk om op heuristische wijze een model C te creëren, bijvoorbeeld door de lichtreflectiekleuren te kwantificeren en een matrix te maken van gekwantificeerde lichtreflectiekleuren versus door mensen aangegeven classificaties. Deze matrix wordt dan gebruikt om de via de beeldregistratie verkregen gekwantificeerde kleur(en) om te zetten naar een classificatie. Tenslotte zijn ook mengvormen mogelijk, deels heuristische benadering en deels gebaseerd op ML algoritmes en datasets.

Het computer vision model wordt als succesvol gezien als het in een groot deel van de gevallen (bijvoorbeeld minimaal 95%) een classificatie genereert die minder dan een drempelwaarde (bijvoorbeeld 1 hoofdstap in tabel 1 of 2) afwijkt van een door mensen gegenereerde classificatie.

Bij experimenten is gebleken dat de positionering van het karkas van invloed kan zijn op het succes classificatie. Bij een suboptimale positionering van het karkas ten opzichte van de registratie apparatuur is er een grotere kans dat een afwijkende classificatie wordt gegenereerd door model C. Positioneringsfouten kunnen ontstaan door een incorrecte afstand, invalshoek, rotatie of kanteling van karkas of camerasysteem, verkeerde ophanging van het karkas, etc.

Figuur 3 toont een schematische weergave is van een computer vision systeem voor de bepaling van karkaskwaliteit dat gebruikt maakt van een positioneringsmodel (hierna: model P) naast een model C. Eerst wordt in module 30, zoals in module 10, een of meerdere beelden geregistreerd. Deze beelden wordt vervolgens verwerkt in model P in module 31. Module 31 kan, net zoals module 11 en module 34, een computer systeem zijn dat voldoende krachtig is voor computer vision toepassingen en ingericht is om beeldinformatie te ontvangen van respectievelijk module 30. Het model P kan twee antwoorden geven, die worden geëvalueerd in beslissingsmodule 32. Antwoord 1 geeft aan dat de positionering in orde is, zodat verwerking in model C in module 34 kan volgen, met als eindresultaat een classificatie 35. Antwoord 2 geeft aan dat de positionering niet in orde is, zodat een gebruiker van het systeem het karkas kan herpositioneren (blok 33), waarna module 30 opnieuw een of meerdere beelden registreert. Deze lus gaan in principe door totdat model P in module 31 aangeeft dat de positionering nu voldoende goed is voor

P6074420NL

2018.09.17 model C. In een variant kan het model P ook een suggestie geven voor welk aspect van de positionering gecorrigeerd dient te worden (bijvoorbeeld afstand, rotatie, etc).

Figuur 4 is een schematische weergave van een wijze waarop een positioneringsmodel verschaft kan worden. Het ML algoritme 42 krijgt nu twee 5 verschillende sets beelden als trainingsset: beelden met correctie positionering 40, en beelden met incorrecte positionering 41. Deze beeldensets zullen typisch verkregen worden bij het testen met model C. Het resultaat van de training is een model P 43 dat gebruikt kan worden in het computer vision systeem van figuur 3. Wederom zijn er verschillende ML algoritmen mogelijk om model P te creëren, zoals de reeds genoemde 10 CNNs en alternatieve neurale netwerken en overige machine learning algoritmes die bekend zijn in de literatuur.

De hierboven weergegeven uitvoeringsvormen zijn slechts voorbeelden van de uitvinding en beperken deze niet. De uitvinding is slechts beperkt door de aangehechte conclusies.

Claims

Conclusies

1. Computer vision systeem voor de classificatie van bevleesdheid en vetheid van een karkas, waarbij het systeem is ingericht om:

het karkas met een lichtbron te belichten;

een of meer kleurenbeelden van het karkas te registreren;

de een of meer kleurenbeelden te verwerken in een classificatiemodel, waarbij het classificatiemodel gebruik maakt van in de kleurenbeelden geregistreerde lichtreflecties voor het bepalen van vetheid;

op basis van de uitvoer van het model een bevleesdheidsclassificatie en een vetheidsclassificatie te genereren.
2. Computer vision systeem volgens conclusie 1, waarbij het systeem is ingericht om verschillende kleuren lichtbronnen in sequentie te gebruiken, waarbij verschillende beelden worden geregistreerd met verschillende belichting.
3. Computer vision systeem volgens conclusie 1 of 2, waarbij de een of meer kleurenbeelden een beeld omvatten van de flank en van de achterkant van kalverkarkassen.
4. Computer vision systeem volgens een der voorgaande conclusies, waarbij het classificatiemodel gebruik maakt van de omtrek van het karkas ten opzichte van een raster voor het bepalen van bevleesdheid.
5. Computer vision systeem volgens een der voorgaande conclusies, waarbij het systeem verder is ingericht om, alvorens de een of meer kleurenbeelden te verwerken in het classificatiemodel, de een of meer kleurenbeelden in een positioneringsmodel te verwerken, teneinde te bepalen of de positionering van het karkas overeenstemt met de vereisten van het classificatiemodel.
6. Computer vision systeem volgens conclusie 5, waarbij het positioneringsmodel een neural netwerk omvat.
7. Computer vision systeem volgens conclusie 6, waarbij het neural network een Convolutional Neural Network, CNN, is.
8. Computer vision systeem volgens een der voorgaande conclusies, waarbij het classificatiemodel een neural netwerk omvat.
9. Computer vision systeem volgens conclusie 7, waarbij het classificatiemodel een 5 Convolutional Neural Network, CNN, is.
10. Werkwijze voor de classificatie van bevleesdheid en vetheid van een karkas met behulp van een computer vision systeem, de werkwijze omvattende:

het belichten van het karkas met een lichtbron;

10 het registreren van een of meer kleurenbeelden van het karkas;

het verwerken van de een of meer kleurenbeelden in een classificatiemodel, waarbij het classificatiemodel gebruik maakt van in de kleurenbeelden geregistreerde lichtreflecties voor het bepalen van vetheid;

het op basis van de uitvoer van het model genereren van een 15 bevleesdheidsclassificatie en een vetheidsclassificatie.
11. De werkwijze volgens conclusie 10 gecombineerd met de verdere kenmerken van een computer vision systeem zoals beschreven in één van de conclusies 2-9.