Royal Greenland sikrer rejekvaliteten med "computer vison"

I denne case ser vi nærmere på, hvordan fiskeri og fødevarevirksomheden Royal Greenland i samarbejde med IT- og softwarevirksomheden Trifork har udviklet en såkaldt "computer vision" AI model. Løsningen er i stand til at analysere billeder fra produktionen for at tælle, veje og vurdere rejerne som en del af deres kvalitetskontrol.

Det er en teknologi med stort potentiale for mange produktionsvirksomheder, blandt andet inden for kvalitetskontrol og sortering. Læs med når Royal Greenland deler sine erfaringer og giver indblik i, hvad der faktisk skal til for at føre et computer vision projekt fra idé til drift.

En tung og manuel opgave

Hos Royal Greenland bliver der løbende taget prøver fra produktionen for at kontrollere, om rejerne lever op til de specifikationer, produktet skal leve op til. Her vurderer og kategoriserer laboranterne blandt andet rejernes farve ud fra et farvekort, vejer dem og tæller, hvor mange rejer der ligger i den udtagne prøve. Det er parametre, der er med til at afgøre kvaliteten af rejerne og i sidste ende har betydning for, hvilken pris produktet kan sælges til.

Udsnit af farvekort og eksempel på testbakke med rejer til optælling

I dag er det en manuel proces, og det giver flere udfordringer. Den mest åbenlyse er tidsforbruget. Hver prøve tager ifølge Søren Nielsen, Solution Architect og Project Manager, omkring 3 til 4 minutter at gennemføre. Med ca. 50.000 prøver om året bliver det til i omegnen af 3.000 årlige arbejdstimer. Det er med andre ord en stor, manuel og ensformig opgave.

Da målingen er en menneskebåret proces, giver det samtidig nogle udfordringer med ensartethed af målingerne på tværs af de mange fabrikker. Det har ført til leverancer, hvor der har været uenighed om klassificeringen, og til omkostninger forbundet med omklassificering og tilbageflow af varer. Med AI som drivkraft var forventningen derfor ikke kun at spare tid, men også at skabe en mere ensartet og strømlinet kvalitetsvurdering.

Afslutningsvis havde Royal Greenland et ønske om at tage endnu flere prøver for at styrke kvalitetssikringen i produktionen. Et ønske, der med det nuværende setup hurtigt ville møde en naturlig begrænsning i manglen på arbejdskraft. Det er ikke lige til at finde flere laboranter på Grønlands kyster, hvor arbejdskraft er en knap ressource.

Hvor starter man henne?

Søren Nielsen fortæller, at Royal Greenland ikke gik ind i projektet med ambitionen om at fuldautomatisere hele prøvetagningen fra start. Det ville ganske enkelt være for stor en mundfuld. I stedet var målet først at undersøge, om det overhovedet kunne lade sig gøre at løse opgaven med AI.

Derfor valgte virksomheden at fokusere på en MVP, der skulle løse to konkrete opgaver: at farvekategorisere og tælle rejerne. Hvis det virkede i praksis, kunne næste fase blive en bredere udrulning.

Men hvor starter man så henne? For Royal Greenland valgte man hurtigt at outsource projektet, og Søren Nielsen er helt klar i spyttet på hvorfor.

Han udtaler desuden, at hvis der fandtes en færdig løsning på en hylde, havde de hellere købt den. Men det gjorde der ikke. Derfor blev en ekstern partner nødvendig.

For at komme dertil gennemførte Royal Greenland et tenderforløb og endte med at vælge Trifork som partner. Fra starten var det vigtigt at finde en leverandør, der kunne levere en end-to-end løsning.

Projektets succes afhang nemlig af mere end selve AI modellen. Resultaterne skulle kunne integreres i virksomhedens ERP-system, så de blev brugbare i praksis, og samtidig skulle der udvikles de fysiske rammer, der skulle stå på gulvet i produktionen. Det var med andre ord ikke nok at finde en partner, der alene kunne træne en model.

Ifølge Søren Nielsen, som har erfaring fra flere store SAP-projekter, er der nogle væsentlige forskelle på typiske IT projekter og AI projekter. For ham var det f.eks. specielt at forhandle en aftale, hvor nøgleelementer af leverancen måske slet ikke var teknologisk mulige. Ingen har trænet en computer vision model til rejegenkendelse før, og rejernes organiske natur gør dem selvfølgelig mere komplekse at vurdere end andre ting. Trods de mange ubekendte fik man I Royal Greenlands tilfælde forhandlet en aftale på plads, som begge parter kunne se sig selv i.

Sådan virker løsningen

Løsningen er egentlig ret enkel. En rejeprøve hældes ud på en bakke, sættes ind i et kabinet, lågen lukkes, og medarbejderen trykker på en knap. Inde i kabinettet sørger kamera, lys og vægt for at skabe konsistente forhold, så billederne bliver helt ens og sammenlignelige.

Laborant placerer rejeprøve i foto-kabinettet

Resultatet sendes derefter videre til et brugerinterface, hvor medarbejderen kan se vurderingen. Bag kulissen ligger flere AI modeller, som først identificerer, hvad der er rejer på billedet, derefter klassificerer dem og til sidst vurderer farven.

Eksempler på hvordan computer vision modellen ser og analyserer prøvebilleder.

Hele pointen var at gøre det let at bruge i praksis. Laboratoriemedarbejderen skulle ikke have en kompliceret ny arbejdsgang, men et værktøj, der passer ind i det eksisterende flow.

Under 1.000 billeder skabte AI modellen

AI modellen er hjemmebygget og trænet på virksomhedens egne data. Det kan lyde som en stor og uoverskuelig opgave, men ifølge Søren Nielsen er reje-modellen trænet på under 1.000 referencebilleder.

Faktisk var det slet ikke et datasæt, Royal Greenland lå inde med, da projektet begyndte. Man startede derfor med at tage nogle indledende billeder i Danmark for at få de første skitser af modellen på plads. Imens blev der udviklet en prototype på det fotokabinet, som senere skulle bruges i arbejdet.

Derefter tog teamet to dage til fabrikken i Tyskland med kabinet og en erfaren laborant for at indsamle det nødvendige materiale. Her blev rejeprøver fotograferet under de samme forhold, som løsningen senere skulle fungere under i produktionen.

Billederne blev efterfølgende gennemgået og annoteret manuelt, blandt andet med markeringer af hvilke rejer der var hele, halve eller ødelagte. Samtidig blev farven vurderet manuelt, præcis som man normalt ville gøre i produktionen. Det samlede træningssæt blev derefter sendt til Trifork, som satte gang i træningen af AI modellen.

Resultater, der mærkes i praksis

Fra 4 minutter til 10 sekunder

Et af de mest håndgribelige resultater er hastigheden i prøvetagningen. Prøver, der tidligere tog 3 til 4 minutter at gennemføre manuelt, kan i det nye setup analyseres på omkring 10 sekunder. Med omkring 50.000 prøver om året peger det på en potentiel effektivisering i størrelsesordenen 2.800 arbejdstimer, hvis løsningen på sigt tages i brug på tværs af fabrikkerne.

Dertil kommer et arbejdsmiljøperspektiv. Fintælling af rejer hører næppe til blandt de mest stimulerende opgaver i laboratoriet.

95% nøjagtighed

På genkendelse og optælling af rejerne ligger modellen på 95% nøjagtighed, som også var den målsætning, projektet blev sat op efter. På farvevurderingen er resultaterne også stærke. Royal Greenland fortæller, at AI’en giver præcis samme kategorisering som laboranternes vurderinger i 80% af tilfældene, og i de resterende tilfælde ligger modellen kun ét niveau ved siden af i laboranternes vurderinger.

Udsnit fra modellernes testdata

Det er værd at hæfte sig ved, at målet aldrig var at skabe en fejlfri maskine. Mennesker kan også være uenige, tælle forkert eller vurdere forskelligt, og det oplevede Royal Greenland selv undervejs, hvor laboranter ikke nødvendigvis altid nåede frem til samme vurdering. Derfor blev succeskriteriet ikke perfektion, men en løsning, der er stabil og stærk nok til at kunne skabe værdi i driften.

Hvad er næste skridt?

Løsningen er i skrivende stund på vej til fabrikken i Ilulissat, hvor den skal køre i et højvolumenscenarie og bevise sit værd i den virkelige drift. Derefter ligger flere muligheder åbne. Den oplagte vej er at udbrede løsningen til flere rejelokationer, og få udbredt det potentiale, der er skabt, men den beslutning ligger på den anden side af testfasen.

Søren Nielsen fortæller dog samtidig, at projektet har dannet grobund for flere anvendelsesmuligheder, og et generelt skifte i at tænke teknologien ind som løsningsmodel. Der arbejdes f.eks. nu på, om samme teknologi kan anvendes til at optimere deres rejesorteringsanlæg, som sorterer rejerne efter størrelse. Med så høj volumen betyder hver procent meget, og med computer vision kan man muligvis åbne nye måder at kontroltjekke, om elementer af sorteringen kan justeres.

3 konkrete råd fra Royal Greenland

Hvis du selv står med overvejelserne om at igangsætte et lignende projekt, så vil Søren Nielsen anbefale dig følgende 3 ting.

1. Alle projektdeltagere bør kende processen dybdegående

Et af de vigtigste råd fra Royal Greenland er, at alle i projektet skal forstå arbejdet, sådan som det faktisk foregår i hverdagen. I deres figurerede pludselig et AI genereret billede af en rejeprøve, der bestod af rejer, som lå pænt fordelt på en bakke og var nemme at aflæse. Men det er langt fra virkeligheden, hvor prøven bare hældes ud og fordeles hurtigt på bakken.

Det kan virke som en lille ting, men opfattelsen af opgaven, og det produktionsmiljø løsningen skal leve i er afgørende for succesen. Hvis udviklere, projektledere og samarbejdspartnere ikke forstår den forskel, risikerer man at bygge en løsning til en idealiseret version af arbejdet i stedet for den virkelige.

Derfor er det afgørende at få folk ordentligt onboardet fra start. Dem, der udvikler løsningen, skal forstå arbejdsgangen, variationerne og detaljerne. Ellers kan man hurtigt ende med at løse det forkerte problem.

2. Ryk usikkerhederne frem i projektplanen

Søren Nielsen peger på, at AI projekter adskiller sig fra klassiske IT projekter ved, at man ikke altid ved fra starten, om noget faktisk kan lade sig gøre. Derfor bør de største usikkerheder afklares så tidligt som muligt.

Kan modellen lære det, vi vil have den til? Er datagrundlaget godt nok? Er præcisionen høj nok til, at løsningen kan bruges i praksis? Jo tidligere de svære spørgsmål bliver testet, jo bedre. Så undgår man at bruge tid og penge på et projekt, før man ved, om kernen holder.

I den forbindelse er det også værd at overveje, om kontrakten bør rumme en mulighed for at stoppe projektet tidligt, hvis de centrale antagelser ikke holder. Hvis det for eksempel havde vist sig, at det ikke var muligt at træne en brugbar model til at genkende og vurdere rejerne, skulle det være muligt at træde ud i tide.

3. Et AI projekt kan være mere end selve modellen

Hos Royal Greenland handlede projektet ikke kun om at træne en model. Det handlede også om hardware, lysforhold, kameravinkel, brugerflade og integration til virksomhedens systemer.

Det er en vigtig pointe for andre virksomheder. AI skaber ofte først rigtig værdi, når teknologien hænger sammen med arbejdsgange og drift. Derfor skal man ikke kun spørge, om modellen kan bygges. Man skal også spørge, hvad der skal til, for at få den implementeret i praksis.

Vil du lære mere om AI?

AI udvikler sig hurtigt, og det kan være svært at følge med, men du står ikke alene. Hos Dansk Industri har vi samlet en lang række ressourcer, der gør det lettere at forstå, anvende og implementere AI – uanset om du er i gang, på vej eller bare nysgerrig.

Hvis du har fået blod på tanden efter at læse om Royal Greenlands rejse, og gerne vil lære mere om AI, så kan du finde mere materiale på vores AI for Alle univers.

Her finder du desuden:

• Guides og artikler om alt inden for AI
• Konkrete cases fra danske virksomheder
• Gratis værktøjer og vejledninger
• Kurser og events

AI er ikke kun for specialister og teknikere. Det er for alle, der vil være med til at forme fremtiden, og bruge teknologien klogt og ansvarligt.