Mirka Leino ja Joonas Kortelainen, Satakunnan ammattikorkeakoulu
Elintarviketeollisuus on siirtynyt murrosvaiheeseen, jossa samanaikainen kustannusten rajoittaminen ja tuotantomäärien lisääminen on erittäin tärkeää. Monet asiantuntijat ovat esittäneet, että näihin molempiin haasteisiin voidaan vastata tuotantoon lisättävillä reaaliaikaisilla mittaus- ja tarkastusjärjestelmillä, joilla päästään aikaa vievistä työvaiheista ja varmistetaan lopputuotteen puhtaus ja tasalaatuisuus. Kuten 5VTA-hankkeessakin on monessa kohdassa todettu, ovat robottien ja muiden tuotannon automatisointiin liittyvien teknologioiden ja niiden hyödyntämiseen tarvittavien komponenttien hinnat laskeneet sellaiselle tasolle, että niiden hankinta on mahdollista myös elintarvikealan pk-yrityksiin.
Elintarvikealalla käytetään konenäköä jo monenlaisissa tehtävissä. Konenäkö levisi elintarvikealalle hieman hitaammin kuin monille muille aloille, koska elintarvikealalla on paljon tuotteita, joilla on kovinkin vaihtelevia muotoja, vaikka tuotteet olisivatkin hyväksyttäviä. Esimerkiksi kinkkuleikkele voi olla laadultaan ihan hyväksytty vaikka sen muoto olisi erilainen kuin edellisen leikkeleen. Usein elintarvikealan laaduntarkastukseen suunnitellut konenäköjärjestelmät tarkastelevatkin esimerkiksi tuotteen muotoa, väriä tai muuta näkyvää piirrettä.
Konenäköjärjestelmä voi toimia myös robotin tai muun automaattisen käsittelyvaiheen ohjauksessa. Esimerkiksi pakkaavalle robotille menevät elintarvikkeet voidaan siirtää monimutkaisilla mekaanisilla ratkaisuilla aina oikeaan paikkaan robotin noukittaviksi tai ne voivat kulkea vapaasti kuljettimella, josta konenäkö tunnistaa niiden paikat ja asennot ja ohjaa sen mukaan robotin noukkimaan tuotteet oikeista kohdista kuljettimelta.
Samaan aikaan kun kameroiden ja muiden sovelluksiin käytettävien osien hinnat ovat laskeneet, niiden suorituskyky on vain kasvanut. Tämä luo merkittäviä mahdollisuuksia myös elintarvikealan konenäkösovellusten kehittämiseen.
Oikeastaan elintarvikealalla voidaan hyödyntää ihan samanlaisia kuvausmenetelmiä kuin muuallakin teollisuudessa. Konenäköjärjestelmä voi olla ns. perinteinen, eli se ottaa kohteesta kuvan ja vie sen tietokoneelle analysoitavaksi, minkä jälkeen tietokone lähettää analysointituloksen ohjausjärjestelmälle hyödynnettäväksi. Jos kuvasta tehtävä analysointi on kohtalaisen yksinkertaista ja kohteeseen kaivataan itsenäisesti toimivaa sovellusta, kannattaa tehtävään valita älykamera. Älykamera paitsi ottaa kuvan myös analysoi sen ja lähettää vain tuloksen eteenpäin vaikkapa robotin hyödynnettäväksi. Älykamerasovellus ei tarvitse toimiakseen tietokonetta, vaan se toimii itsessään tietokoneena, joka hoitaa analysoinnin. Analysointiohjelman tekoon tietysti tarvitaan tietokone, mutta kun ohjelma on valmis, se ladataan älykameralle itsenäiseen käyttöön.
Viime vuosina erilaiset erikoiskuvaustekniikat ovat tulleet voimakkaasti hoitamaan sellaisia konenäkötehtäviä, joita ei tavallisilla kameroilla pystytä hoitamaan. Esimerkiksi 3D-kuvauksella voidaan tunnistaa kohteen muotoja, tilavuuksia ja paikkaa 3D-avaruudessa. Kohteen muodon ja tilavuuden avulla voidaan laskea vaikkapa kohteen massaa. Toisaalta ns. Fringe-tekniikkaan perustuvalla 3D-kuvauksella voidaan ohjata robottia laatikossa tai kuljettimella päällekkäin, lomittain tai ihan sekaisinkin olevien tuotteiden poiminnassa.
Muita elintarvikealalle soveltuvia erikoiskuvaustekniikoita ovat esimerkiksi lähi-infrapunaspektraalikuvaus, lämpökuvaus ja röntgenkuvaus. Lähi-infrapunakuvauksella voidaan tunnistaa kohteen aineita ja materiaaleja tai esimerkiksi etsiä elintarvikkeiden joukosta sinne kuulumattomia aineita. Lämpökuvauksella taas voidaan tarkastella vaikkapa elintarvikkeiden lämpötiloja prosessin eri vaiheissa ja sitä kautta säätää kuumennus- ja jäähdytysvaiheita. Röntgenkuvauksella voidaan ohjata vaikka robotisoitua lihan leikkausprosessia hyvin tarkasti ruhon muotojen mukaan.
Case-esimerkki: Konenäköjärjestelmä suklaalevyjen makujen tunnistamiseen ja robotin ohjaamiseen
