Fréttir eftir árum


Fréttir

Notar tauganet til að bæta myndgreiningu í fiskiðnaði

3.1.2020

Í umræðunni um fjórðu iðnbyltinguna spilar gervigreind oftar en ekki stórt hlutverk, en það fylgja ekki alltaf skýr dæmi um þessa mikilvægu þróun og hvernig gervigreindin getur nýst okkur til að bæta árangur í störfum okkar og auðvelda okkur lífið. Eitt dæmi um not gervigreindarinnar er þróun á nýjum hugbúnaði sem ungur hugbúnaðarverkfræðingur úr HR vann að í samstarfi við Marel.

Elías Ingi Elíasson útskrifaðist síðastliðið vor frá Háskólanum í Reykjavík úr hugbúnaðarverkfræði. Hann vann lokaverkefnið sitt í samstarfi við Marel og hefur í framhaldi af því nú verið ráðinn til starfa í einn af hugbúnaðarhópum fyrirtækisins. Við kíktum í heimsókn til Elíasar þar sem hann útskýrði starfsemina fyrir okkur.

Maður horfir út um gluggaElías Ingi horfir yfir vinnusalinn hjá Marel.

Það er áhugavert að virða fyrir sér starfsstöðvar Marel í Garðabænum. Vélar og tæki fyrir matvælaiðnað í smíðum fylla stórt verksmiðjugólfið. Iðnlært starfsfólk, verkfræðingar og annar mannauður Marel leysir þau vandamál sem upp koma, hvort sem það er á gólfinu eða við tölvuna.

Elías Ingi, ásamt sérstöku teymi, vinnur í vöruþróun fiskiðnaðar að vél sem heitir FleXicut. Teymið hefur hefðbundna vinnuaðstöðu og jafnframt aðgang að vöruþróunarsmiðju þar sem hægt er að vinna í vélunum sjálfum.

Hvað er tauganet?

Hendur sjást skrifa á blað„Lokaverkefnið mitt var nokkuð klassískt myndgreiningarverkefni með tauganetum,“ segir Elías og finnst það viðfangsefni greinilega liggja í augum uppi þó eflaust hljómi þetta flókið fyrir mörgum. „Ef ég á að útskýra slík tauganet á einfaldan hátt þá eru þetta töluleg bestunarlíkön sem læra að gera eitthvað í gegnum einskonar hrós-refsingar-ferli, eins og til dæmis bara að þekkja muninn á hundi og ketti.“

Úr grein Kristins R. Þórissonar, prófessors í tölvunarfræði við HR og stjórnanda Vitvélastofnunar Íslands, á Vísindavefnum um tauganet:

Gervitauganet hafa reynst mjög nytsamleg til að greina mynstur, til dæmis að þekkja hluti á myndum. Netin má þjálfa með dæmum um það sem þau eiga að þekkja; þannig mætti þjálfa gervitauganet í að greina hvort manneskja sé á ljósmynd eða ekki. Í þjálfuninni yrðu notaðar myndir af fólki og myndir af hlutum sem dæmi; netinu væri sagt hvaða myndir væru af fólki og það þjálfað þangað til það svaraði alltaf rétt við þessum tilteknu myndum. Þjálfunin sjálf getur tekið talsverðan tíma en þegar henni er lokið er netið fljótt að svara. Netið getur þá alhæft út frá því sem því hefur verið kennt og greint fólk á myndum sem það hefur aldrei áður séð. Stærðfræðilegur grunnur gervitauganeta er traustur og þau hafa reynst notadrjúg í að leysa mörg verkfræðileg vandamál þar sem engar aðrar lausnir hafa fundist.

Maður stendur í vélasalFyrir framan vélina FleXicut í vöruþróunarsmiðjunni.

Greinir gallana á rauntíma 

Elías nálgaðist lokaverkefnið hjá Marel út frá gæðum afurðarinnar þar sem hann skoðaði hvernig nýta má tauganet við myndgreiningu á þorskflökum. Þar sem verkefnið náði aðeins yfir eina önn var það afmarkað við að greina sex fyrirfram ákveðna flokka eða galla sem geta birst í flökunum, og samanburð á þremur tauganetum til greiningarinnar.

„Myndirnar sem ég vann með voru teknar með litmyndavél. Þar var ég að greina hefðbundna flökunargalla þar sem skurður flökunarvélarinnar er ekki ásættanlegur og svo einnig aðra galla eins og blóðbletti og orma.“ Niðurstöður myndgreiningarinnar er svo hægt að nýta á marga vegu, til dæmis sem mælikvarða á gæði vinnslunnar framar í ferlinu og til að flokka hráefni í mismunandi gæðaflokka til að hámarka virði þess.

Í sumum tilfellum er hægt að bregðast strax við göllum í flakinu og laga það sem betur má fara. Einnig er hægt að safna mikilvægum upplýsingum um gæðin sem hægt er að nýta í tölfræðilegum tilgangi. „Með verkefninu mínu vildum við líka bera saman mismunandi aðferðir til að gera myndgreininguna hraðvirkari en greiningin þarf auðvitað að geta átt sér stað á rauntíma.“

Maður vinnur við tölvuNýtist við vinnslu framandi fisktegunda

Möguleikar innan sviðs gervigreindar í fiskiðnaði eru sérstaklega áhugaverðir út af aðlögunarhæfni þessara aðferða. Fyrir vél eins og FleXicut sem m.a. fjarlægir beingarð úr fiskflaki, þá er sá skurður fyrir fisktegundir sem eru algengar hérna í Norður-Evrópu eins og ýsu og þorsk ekkert óþekkt vandamál.

Nú eru vélarnar hinsvegar seldar til allra heimshorna og við vitum ef til vill ekki hvernig beingarðurinn liggur í fisktegundum sem veiddar eru á fjarlægum slóðum. Þarna kemur gervigreindin sterk inn með sína aðlögunarhæfni þegar við þurfum að mæta nýjum kröfum á skömmum tíma.“

Tækifærin eru víða

Elías nýtur þess að geta þróað hugbúnaðinn áfram hjá Marel. „Ég kann vel að meta þessa tengingu HR við atvinnulífið. Fyrirtæki eins og Marel eru í samstarfi við háskólann og koma jafnvel með hugmyndir að góðum nemendaverkefnum og vilja oft vinna með þau áfram. Í mínu tilfelli kynnti ég mér glærurnar frá kynningarfundi um styrkt meistaraverkefni sem voru gefnar út á vefnum en þetta er gert einu sinni á ári. Ég bara hvet alla nemendur HR til að kynna sér þetta.

Ég var hérna í Marel í eina önn að vinna að lokaverkefninu mínu og fékk góða aðstöðu og hjálp frá starfsfólkinu og að sjálfsögðu leiðbeinendunum mínum hjá HR, þeim Stephan Schiffel og Yngva Björnssyni sem eru báðir kennarar við tölvunarfræðideild.“