Tilbake til søkeresultatene

FFL-JA-Forskningsmidlene for jordbruk og matindustri

MeatCrafter - automatisk klassifisering av sau/lam

Alternativ tittel: MeatCrafter - automatic classification of sheep/lambs

Tildelt: kr 3,1 mill.

I slakteriene blir alle slakt av sau, storfe og gris klassifisert. Klassifiseringen er en kvalitetsvurdering av slaktet innenfor et standardisert rammeverk. I Norge benyttes EU sitt klassifiseringssystem, EUROP. Klassifiseringen av sau er en visuell bedømmelse av slaktene som utføres av trente og kalibrerte klassifisører. Klassifiseringen kontrolleres systematisk gjennom året. For sau klassifiseres tre faktorer; kategori, kjøttfylde og fethetsgrad. Klassifiseringen gir sammen med slaktevekten grunnlag for den prisen bonden får for slaktet. Klassifiseringen benyttes også av industrien til hensiktsmessig utnyttelse av råvarene til blant annet pinnekjøtt, fårikål, lammestek osv. Prosjektet MeatCrafter varte fra 2017 til 2021. Målet var å utvikle, teste og verifisere automatisk, objektiv, rask, rimelig og ikke-kontakt klassifisering av lammeskrotter, MeatCrafter. Dette vil bety at vi unngår klassifisørmessige forskjeller. I tillegg var det forventet at MeatCrafter kunne predikere kjøtt- fett- og beinprosent i skrottene med større presisjon enn det menneskelig kvalifisering er i stand til. MeatCrafter baserer seg på 3D avbildning og refleksjoner av nærinfrarødt lys (NIR). I 2017 ble innledende forsøk med NIR gjennomført av SINTEF på noen få kjøttstykker. Konklusjonen var at NIR spektra kan benyttes til å predikere fettinnhold med høy presisjon. I januar 2018 ble prototypene prøvd ut på utvalgte slakt i Animalia sin forsøksskjæreavdeling. Disse slaktene ble også CT scannet, og skåret ned slik at kroppssammensetning, dvs. mengde kjøtt, fett og bein ble kjent i detalj. Basert på disse resultatene konkluderte man med at resultatene var gode nok til å gå videre med forsøket i noe større skala. Videre ble det konkludert med at oppløsningen til 3D-kameraet ikke var av avgjørende betydning og at enkle og billige hyllevarekamera var tilfredsstillende. En prototype ble testet ut på ca. 5000 individer på slakteriet Fatland Oslo i løpet av høsten 2018 og våren 2019. Av de testede individene ble 52 CT scannet og skåret ned. Dette var de første forsøkene hvor MeatCrafter sto utplassert langs en kommersiell slaktelinje. Det ble avdekket betydelige utfordringer med sikker datainnsamling. I tillegg måtte MeatCrafter instrumentene flyttes ved slakting av andre dyreslag. Data fra individer hvor MeatCrafter instrumentet fungerte etter hensikten, inkludert individene som var CT-scannet og nedskåret, bekreftet at MeatCrafter har et potensiale for tilfredsstillende prediksjon av EUROP klasse og fettgruppe, samt gode prediksjonsegenskaper for mengde kjøtt fett og bein. Fra høsten 2019 tok vi i bruk parallelle systemer ved Fatland Jæren og Nortura Forus i Rogaland. Her ble registreringsutstyret fastmontert. Vi måtte skaffe eksternt datalager siden dette er to av Norges største småfeslakterier. MeatCrafter genererer over 10 Mb data per slakt. Det har siden 2019 vært tekniske utfordringer som vi har jobbet med kontinuerlig fram til prosjektet ble avsluttet i 2021. Registreringsutstyret i MeatCrafter krever at slaktene passerer foran instrumentene i konstant hastighet og med ryggsiden mot MeatCrafter instrumentet. Dette ble løst ved å ettermontere en egen selvgående bane, og en foreløpig løsning for å presentere slaktene i riktig retning foran kameraene ble utviklet og utprøvd i august 2021. NIR målingen ble influert av inntrengende og reflektert lys som måtte skjermes bort. Dette ble i stor grad vært løst på Fatland Jæren. Det gjenstår arbeider for å kunne ta i bruk MeatCrafter til automatisk klassifisering av lam: Helt grunnleggende for et helautomatisk system er sporbarhet på individnivå langs hele slaktelinjen og sikker kobling av data og slakt. Løsningen for å presentere slaktene foran MeatCrafter i riktig posisjon, samt tilstrekkelig lysskjerming, må forbedres ytterligere. Dette er avgjørende for at lysmålingene med NIR instrumentene skal gi standardiserte og robuste resultater. Prosjektpartnerne ønsker å gjennomføre et oppfølgingsprosjekt for å løse de gjenstående utfordringene.

Prosjektet mål var å automatisere/ objektivisere klassifiseringsprosessen av sau og lam. Vi har i prosjektperioden ikke nådd målet. Vi har utviklet registreringsinstrumenter som er relevante for formålet. For å nå det endelige målet må underliggende utfordringer løses. Sjøl om prosjektet avsluttes, ønsker prosjektdeltagerne å løse disse utfordringene for å kunne ta i bruk Meatcrafter. Dette må gjøres gjennom et nytt prosjekt.

Klassifisering av slakt bør være en objektiv vurdering av slaktet som er basert på sammensetningen av kjøtt, fett, og bein. Per i dag er klassifiseringen det nest viktigste grunnlaget for pris til bonde og industri, etter slaktevekt. I Norge er EUROP-skalaen brukt for å klassifisere slakt - det er en manuell og subjektiv metode. MeatCrafter: Automatisk, rask, rimelig og ikke-kontakt klassifisering av sau/lam - en norsk innovasjon med et internasjonalt marked. Prosjektet skal utvikle et automatisk, objektivt og ikke-kontakt klassifiseringsinstrument for lamme- og saueslakt basert på optisk 3D-avbildning, spektroskopi og multi-variat dataanalyse. Skrottene vil klassifiseres på grunnlag av biometri, tredimensjonal form, farge, mengde overflatefett og fettlagets tykkelse. Prosjektet skal utvikle instrumentet og algoritmer for beregning av EUROP-klassifisering, inkludert videre registrering i slakteterminaler og databaser, og det skal oppfylle dagens regelverk. For å øke robustheten og objektiviteten av målingene skal instrumentet ikke kalibreres mot manuell klassifisering; det skal kalibreres mot utbytte bestemt både fra nedskjæring og CT-skanning av lammeskrotter, jfr. disseksjon av gris. Objektive målinger med god presisjon og repeterbarhet vil gi en ny forbedret «standard» og en presis og robust verdivurdering av slaktene både til bonde og til industri. Prosjektet er godt forankret i kjøttbransjens styringsorganer og tematiske FoU-prioriteringer for mer effektiv produksjon.

Publikasjoner hentet fra Cristin

Ingen publikasjoner funnet

Ingen publikasjoner funnet

Ingen publikasjoner funnet

Ingen publikasjoner funnet

Budsjettformål:

FFL-JA-Forskningsmidlene for jordbruk og matindustri

Finansieringskilder