Deep learning approach to detect bones in fish fillets

• Main Author: Pétur Kristófer Oddsson 1985-
• Other Authors: Háskólinn í Reykjavík
• Format: Thesis
• Language: English
• Published: 2019
• Subjects: Hugbúnaðarverkfræði; Meistaraprófsritgerðir; Fiskvinnsla; Sjálfvirkni; Software engineering; Automation; Fish industry; Iceland
• Online Access: http://hdl.handle.net/1946/33585

Sjávarútvegurinn er afar mikilvægur fyrir Ísland og án ofveiða hækkar verðmæti útflutnings á hverju ári. Ástæðan er fyrst og fremst úrbætur vinnslukeðjuna í bættri nýtingu, t.d. hvernig fiskur er meðhöndlaður, pakkaður, fluttur og unninn. Enn fremur hefur sjálfvirkni aukist og vélmenni vinna nú störf sem fólk gerði áður. Til að hámarka nýtingu hráefnisins er mikilvægt að greina þann hluta af fiskinum sem þarf að fjarlægja eins nákvæmlega og mögulegt er, t.d. bein. Í þessari ritgerð, sem er gerð í samvinnu við Völku ehf, notum við háþróaða tækni sem byggir á djúp tauganeti til að greina fiskbein með meiri nákvæmni en áður hefur verið mögulegt með hefðbundnum myndvinnsluaðferðum. Þetta gerir sjálfvirkum vatnsskurðarvélum kleift að fjarlægja fiskbeinin með áreiðanlegum hætti. The fishing industry is of prime importance for Iceland and, without overfishing, the value of export increases every year. The reason is first-and-foremost improvements all over the food-processing chain in improved utilization, for example, how fish is handled, packaged, transported and processed. Furthermore, the chain has become increasingly automated, with robots now doing jobs once held by humans. For the robots to maximize the utilization of the material, it is important that parts of the fish that need to be removed, such as bones, can be detected as accurately as possible. In this thesis, which is done in collaboration with Valka ehf, we use state-of-the-art technology based on deep convolutional neural networks to detect fish bones with high accuracy, outperforming other more traditional image processing methods currently in use. This allows for the fish bones to be reliably removed using state-of-the-art automatic water-cut robots.