Komputerowy system wizyjny do optycznego rozpoznawania uszkodzonego żółtka

System wykorzystuje technikę uczenia maszynowego Mask R-CNN (Mask Regional Convolutional Neural Network) do wykrywania żółtek jaj i klasyfikowania ich na dwie kategorie – żółtka właściwe (gotowe do separacji) i żółtka uszkodzone.
Uczenie maszynowe oznacza, że ​​nasi inżynierowie nie określili ręcznie reguł dotyczących kształtu żółtka — zamiast tego oznaczyliśmy obrazy wyodrębnione z filmów produkcyjnych i sprawiliśmy, że algorytm używa metody prób i błędów z algorytmem propagacji wstecznej w celu dostosowania swoich wewnętrznych parametrów.
Wybraliśmy to podejście (po dostarczeniu wstępnego rozwiązania opartego na ręcznej inżynierii cech kilka lat temu), ponieważ osiągnęło najlepszą dokładność i odporność na zmieniające się warunki.
Ten szczególny typ sieci neuronowej (Mask R-CNN) jest wysoce odporny na zmiany orientacji, skali (zoom), warunków oświetleniowych, drobnych zanieczyszczeń, a nawet na duże zakłócenia, takie jak inne tło.
Jest to również model „głęboko nadzorowany”, co oznacza, że ​​stosunkowo łatwo jest wyjaśnić, dlaczego model podjął określoną decyzję (w porównaniu do tzw. modeli end-to-end, takich jak klasyfikatory obrazu lub modele regresji) i w razie potrzeby udoskonalić go.

 

Obejrzyj film na YouTube: