ES3055476T3 - Action point calculation system for meat, meat processing system, and action point calculation method for meat - Google Patents

Abstract

Este sistema de cálculo de puntos de acción para carne consta de una unidad de adquisición de datos de imagen y una unidad de adquisición de puntos de acción. La unidad de adquisición de datos de imagen está configurada para adquirir datos de imagen que muestran una imagen capturada de carne. La unidad de adquisición de puntos de acción está configurada para introducir los datos de imagen adquiridos en un modelo de aprendizaje automático, que utiliza los datos de imagen y los datos correctos que indican los puntos clave de la carne en la imagen capturada como datos maestros para adquirir datos de puntos de acción que permitan identificar al menos un punto de acción en el que un robot aplica una acción en la carne. (Traducción automática con Google Translate, sin valor legal)

Description

[0001] DESCRIPCIÓN

[0002] Sistema de cálculo de punto de acción para carne, sistema de procesamiento de carne y procedimiento de cálculo de punto de acción para carne

[0003] Campo técnico

[0004] La presente divulgación se refiere a un sistema de cálculo de punto de trabajo para carne, un sistema de procesamiento de carne y un procedimiento de cálculo de punto de trabajo para carne.

[0005] Antecedentes

[0006] Las tecnologías para detectar un objeto utilizando su información visual se describen en los documentos JP 2014 007982 A, JP 2020176951 A, JP 2021149142 A, WO 2020/225154 A1, JP 201537444 A y JP 2018005520 A. Convencionalmente, se conoce un sistema de cálculo de punto de trabajo para carne configurado para obtener un punto de trabajo de carne mediante cálculo. El punto de trabajo define, por ejemplo, una posición de corte de la carne. En el documento de patente 1, se detecta un contorno de una parte ósea en función de una primera imagen obtenida fotografiando una superficie de corte de una parte de carne irradiada con luz visible azul para excitar la emisión de luz, y el contorno de la superficie de corte de la parte de carne se detecta en función de una segunda imagen obtenida fotografiando la superficie de corte irradiada con luz visible blanca. Luego, la posición de la parte ósea se obtiene de acuerdo con una regla predeterminada a partir de las posiciones relativas detectadas del contorno de la superficie de corte y el contorno de la parte ósea, y la posición de corte de la parte de carne se determina en función de la posición obtenida de la parte ósea.

[0007] Lista de citas

[0008] Bibliografía de patentes

[0009] Documento de patente 1: JP2014-7982A

[0010] Sumario

[0011] Problema técnico

[0012] Sin embargo, en el documento de patente descrito anteriormente, donde la posición de la parte ósea se obtiene de acuerdo con la regla predeterminada, si varía la cantidad de exposición de un hueso de la parte de carne fotografiada, la posición de la parte ósea puede no obtenerse con precisión. Además, en un caso en el que se utiliza un modelo de aprendizaje en lugar del método descrito anteriormente para obtener la posición de la parte ósea, es preferible que la carga de preparar los datos del entrenamiento sea baja, pero el documento de patente descrito anteriormente no describe una configuración para lograr esto.

[0013] El objeto de la presente divulgación es proporcionar un sistema de cálculo de punto de trabajo para carne, un sistema de procesamiento de carne y un método de cálculo de punto de trabajo para carne que sean capaces de identificar un punto de trabajo con alta precisión mientras se reduce la carga que supone la preparación de datos de entrenamiento.

[0014] Solución al problema

[0015] De acuerdo con la presente invención, se proporciona un sistema de cálculo de punto de trabajo como se define en la reivindicación 1 adjunta. También se proporciona un sistema de procesamiento de carne, así como un método de cálculo de puntos de trabajo para la carne, como se define en las reivindicaciones correspondientes de acuerdo con la presente invención. Un sistema de cálculo de punto de trabajo para carne de acuerdo con al menos un aspecto de la presente divulgación, incluye: una unidad de adquisición de datos de imagen configurada para adquirir datos de imagen que indican una imagen fotografiada de carne; y una unidad de adquisición de punto de trabajo configurada para adquirir datos de punto de trabajo para identificar al menos un punto de trabajo donde un robot trabaja en la carne, ingresando los datos de imagen adquiridos por la unidad de adquisición de datos de imagen a un modelo de aprendizaje aprendido mediante máquina utilizando, como datos de entrenamiento, los datos de imagen y los datos de respuesta correcta que indican un punto clave de la carne incluida en la imagen fotografiada.

[0016] Un sistema de procesamiento de carne de acuerdo con al menos un aspecto de la presente divulgación, incluye: el sistema de cálculo de punto de trabajo descrito anteriormente para la carne; y el robot configurado para dar trabajo al punto de trabajo adquirido por la unidad de adquisición del punto de trabajo.

[0017] Un método de cálculo de punto de trabajo para carne de acuerdo con al menos un aspecto de la presente divulgación, incluye: una etapa de adquisición de datos de imagen de adquisición de datos de imagen que indican una imagen fotografiada de carne; y una etapa de adquisición de punto de trabajo de adquisición de datos de punto de trabajo para identificar al menos un punto de trabajo a ser dado trabajando por un robot en la carne, ingresando los datos de imagen adquiridos en la etapa de adquisición de datos de imagen a un modelo de aprendizaje aprendido mediante máquina utilizando, como datos de entrenamiento, los datos de imagen y los datos de respuesta correcta que indican un punto clave de la carne incluida en la imagen fotografiada.

[0018] Efectos ventajosos

[0019] De acuerdo con la presente divulgación, es posible proporcionar un sistema de cálculo de punto de trabajo para carne, un sistema de procesamiento de carne y un método de cálculo de punto de trabajo para carne que sean capaces de identificar un punto de trabajo con alta precisión mientras se reduce la carga de preparar los datos de entrenamiento.

[0020] Breve descripción de los dibujos

[0021] La figura 1 es un diagrama conceptual que muestra la configuración general de un sistema de procesamiento de carne de acuerdo con una realización de la presente divulgación.

[0022] La figura 2 es una vista conceptual que muestra la carne de acuerdo con una realización de la presente divulgación. La figura 3 es una vista conceptual de una imagen capturada de acuerdo con una realización de la presente divulgación.

[0023] La figura 4 es un gráfico que muestra de manera conceptual un resultado de comparación entre la precisión de estimación de un punto de trabajo utilizando un modelo de aprendizaje y la precisión de estimación del punto de trabajo utilizando un método convencional.

[0024] La figura 5 es una vista ampliada que muestra de manera conceptual una región prescrita en una canal izquierda de acuerdo con una realización de la presente divulgación.

[0025] La figura 6 es un diagrama explicativo que muestra de manera conceptual los datos del entrenamiento de acuerdo con una realización de la presente divulgación.

[0026] La figura 7 es una vista conceptual que muestra la configuración del modelo de aprendizaje de acuerdo con una realización de la presente divulgación.

[0027] La figura 8 es una vista explicativa que muestra de manera conceptual un primer dispositivo de prensado y un segundo dispositivo de prensado de acuerdo con una realización de la presente divulgación.

[0028] La figura 9 es un diagrama de flujo de un método de cálculo del punto de trabajo para la carne de acuerdo con una realización de la presente divulgación.

[0029] Descripción detallada

[0030] Algunas realizaciones de la presente divulgación se describirán a continuación con referencia a los dibujos adjuntos. Sin embargo, se pretende que, a menos que se identifiquen particularmente, las dimensiones, materiales, formas, posiciones relativas y similares de los componentes descritos o mostrados en los dibujos como las realizaciones se interpreten solo como ilustrativas y no pretenden limitar el alcance de la presente divulgación como se define en las reivindicaciones adjuntas.

[0031] Por ejemplo, una expresión de disposición relativa o absoluta tal como "en una dirección", "a lo largo de una dirección", "paralela", "ortogonal", "centrada", "concéntrica" y "coaxial" no se interpretará como que indica solo la disposición en un sentido literal estricto, sino que también incluye un estado donde la disposición está relativamente desplazada por una tolerancia, o por un ángulo o una distancia por la cual es posible lograr la misma función. Por ejemplo, una expresión de un estado igual como "igual", "equivalente" y "uniforme" no se interpretará como que indica solo el estado en el que la característica es estrictamente igual, sino que también incluye un estado en el que hay una tolerancia o una diferencia que aún puede lograr la misma función.

[0032] Además, por ejemplo, una expresión de una forma tal como una forma rectangular o una forma tubular no se interpretará como solo la forma geométricamente estricta, sino que también incluye una forma con esquinas irregulares o achaflanadas dentro del intervalo en el que se puede lograr el mismo efecto.

[0033] Por otro lado, las expresiones “que comprende”, “que incluye” o “que tiene” un elemento constitucional no son una expresión exclusiva que excluye la presencia de otros elementos constitucionales.

[0034] Las mismas configuraciones se indican con los mismos caracteres de referencia y es posible que no se describan nuevamente en detalle.

[0035] 1. Descripción general del sistema de procesamiento de carne 1

[0036] Se ejemplifica una divulgación general de un sistema de procesamiento de carne 1 con referencia a las figuras 1 a 3. La figura 1 es un diagrama conceptual que muestra la configuración general del sistema de procesamiento de carne 1 de acuerdo con una realización de la presente divulgación. La figura 2 es una vista conceptual que muestra la carne 5 de acuerdo con una realización de la presente divulgación. La figura 3 es una vista conceptual de una imagen fotografiada 20 donde la carne 5 se refleja de acuerdo con una realización de la presente divulgación. El sistema de procesamiento de carne 1 identifica un punto de trabajo P de la carne 5 en función de un resultado de salida de un modelo de aprendizaje 70 donde se introducen datos de imagen 28 que indican la imagen fotografiada 20 de la carne 5, y ejecuta una operación de procesamiento. El punto de trabajo P es un punto donde un robot 4 da trabajo en la carne 5. El punto de trabajo dado a la carne 5 es un concepto que incluye, por ejemplo, cortar, sostener, presionar, golpear, deshuesar, irradiar luz, descargar líquido o una combinación de los mismos con respecto a la carne 5, y es casi sinónimo de procesamiento. En lo sucesivo, se describirá como ejemplo un caso en el que el punto de trabajo dado a la carne 5 es cortar la carne 5.

[0037] Además, la carne 5 es, por ejemplo, canales de ganado. Más específicamente, la carne 5 incluye una canal izquierda 5L del ganado y una canal derecha 5R del ganado. Cada una de la canal izquierda 5L y la canal derecha 5R incluye una columna 6 y una pluralidad de costillas 9, y al menos algunos de los mismos huesos están expuestos y visibles. La figura 2, 3, que es la vista conceptual, solo ilustra las costillas 9 en un lado inferior entre la pluralidad de costillas 9. En lo sucesivo, la canal izquierda 5L y la canal derecha 5R pueden denominarse "carne 5" cuando no se distingan específicamente. La costilla 9 sobresale hacia la izquierda desde la columna 6 en la canal izquierda 5L que se muestra en la figura 2 y sobresale hacia la derecha desde la columna 6 en la canal derecha 5R que se muestra en la figura 2.

[0038] En la presente realización, la línea de corte imaginaria K, M en la carne 5 se define por al menos un punto de trabajo P (véase la figura 2) identificado en función del resultado de salida del modelo de aprendizaje 70. Un cuarto delantero 41 se corta de la carne 5 cortando a lo largo de la línea de corte imaginaria K, y la carne restante 5 se divide en una parte media de un cuerpo 42 y un cuarto trasero 43 cortando a lo largo de la línea de corte imaginaria M.

[0039] La línea de corte imaginaria K de la presente realización incluye una línea de corte imaginaria KL definida por los puntos de trabajo izquierdos P1, P2 en la canal izquierda 5L, y una línea de corte imaginaria KR definida por los puntos de trabajo derechos P3, P4 en la canal derecha 5R. Por otro lado, la línea de corte imaginaria M incluye una línea de corte imaginaria ML definida por un punto de trabajo izquierdo P5 en la canal izquierda 5L y un primer ángulo establecido, y una línea de corte imaginaria MR definida por un punto de trabajo derecho P6 en la canal derecha 5R y un segundo ángulo establecido. El punto de trabajo izquierdo P1 y el punto de trabajo derecho P4 se colocan entre dos cualesquiera entre la pluralidad de costillas 9, cuyos detalles se describirán más adelante. Ambas líneas de corte imaginarias ML y MR se establecen para pasar a través de solo una vértebra lumbar entre los huesos que forman la carne 5, y el punto de trabajo izquierdo P5 y el punto de trabajo derecho P6 se establecen para superponerse a las vértebras lumbares de la carne 5.

[0040] En otra realización, la línea de corte imaginaria KR puede definirse por los puntos de trabajo izquierdos P1, P2 y el punto de trabajo derecho P3, y específicamente, una línea imaginaria que es simétrica con la línea de corte imaginaria KL y pasa a través del punto de trabajo derecho P3 puede definirse como la línea de corte imaginaria KR. Además, la línea de corte imaginaria ML puede definirse por el punto de trabajo izquierdo P5 y aún otro punto de trabajo izquierdo. Lo mismo se aplica a la línea de corte imaginaria MR.

[0041] En la siguiente descripción, los puntos de trabajo izquierdos P1, P2, P5 y los puntos de trabajo derechos P3, P4, P6 pueden denominarse "punto de trabajo P" cuando no se distinguen específicamente.

[0042] 2. Ejemplo de configuración general del sistema de procesamiento de carne 1

[0043] La configuración general del sistema de procesamiento de carne 1 de acuerdo con una realización de la presente divulgación se ejemplificará con referencia a la figura 1, 2. El sistema de procesamiento de carne 1 incluye un riel que se extiende horizontalmente 45 y un dispositivo de transporte 46 configurado para sostener la carne 5 y transportarla a lo largo del riel 45. El dispositivo de transporte 46 del presente ejemplo está configurado para transportar la canal izquierda suspendida 5L y la canal derecha 5R a la vez.

[0044] En otra realización, el dispositivo de transporte 46 puede configurarse para transportar solo la canal izquierda 5L o la canal derecha 5R en un medio de transporte, en cuyo caso la canal izquierda 5L y la canal derecha 5R se transportan alternativamente.

[0045] El sistema de procesamiento de carne 1 incluye además una primera estación de procesamiento 51 y una segunda estación de procesamiento 52 que están dispuestas en orden desde un lado aguas arriba a lo largo de una línea de transporte del dispositivo de transporte 46, y sistemas de cálculo del punto de trabajo para la carne (en lo sucesivo, pueden denominarse simplemente "sistemas de cálculo del punto de trabajo") 10A y 10B que están dispuestos de manera correspondiente a la primera estación de procesamiento 51 y la segunda estación de procesamiento 52, respectivamente.

[0046] La primera estación de procesamiento 51 está configurada para cortar la carne 5 a lo largo de la línea de corte imaginaria K. La segunda estación de procesamiento 52 está configurada para cortar la carne 5 a lo largo de la línea de corte imaginaria M. La primera estación de procesamiento 51 está controlada por el sistema de cálculo de punto de trabajo 10A, y la segunda estación de procesamiento 52 está controlada por el sistema de cálculo de punto de trabajo 10B.

[0047] La primera estación de procesamiento 51 y la segunda estación de procesamiento 52 tienen la misma configuración, y el sistema de cálculo de punto de trabajo 10A y el sistema de cálculo de punto de trabajo 10B también tienen la misma configuración. En lo sucesivo, se describirán principalmente las configuraciones de la primera estación de procesamiento 51 y el sistema de cálculo de punto de trabajo 10A, y el sistema de cálculo de punto de trabajo 10A y el sistema de cálculo de punto de trabajo 10B pueden denominarse "sistema de cálculo de punto de trabajo 10" cuando no se distingan específicamente.

[0048] 3. Ejemplo de configuraciones de la primera estación de procesamiento 51 y el sistema de cálculo de punto de trabajo 10A

[0049] Las configuraciones de la primera estación de procesamiento 51 y el sistema de cálculo de punto de trabajo 10A de acuerdo con una realización de la presente divulgación se ejemplificarán con referencia a la figura 1, 3. La primera estación de procesamiento 51 incluye una fuente de luz blanca 7, un dispositivo de fotografía 8 configurado para fotografiar la carne 5 iluminada por la fuente de luz blanca 7 para generar la imagen fotografiada 20, un primer dispositivo de prensado 31 y un segundo dispositivo de prensado 32, cada uno configurado para prensar la carne 5 durante la fotografía por el dispositivo de fotografía 8, y un robot 4 equipado con un cortador 3 para cortar la carne 5. El primer dispositivo de prensado 31 y el segundo dispositivo de prensado 32 del presente ejemplo prensan la carne 5 que se va a intercalar entre ellos a lo largo de la dirección horizontal. El primer dispositivo de prensado 31 y el segundo dispositivo de prensado 32 se describirán más adelante en detalle.

[0050] Como ejemplo, el dispositivo de fotografía 8 descrito anteriormente fotografía simultáneamente tanto la canal izquierda 5L como la canal derecha 5R transportadas por el dispositivo de transporte 46. Por lo tanto, la imagen fotografiada 20 generada por el dispositivo de fotografía 8 incluye una primera región 21 en la que se refleja la canal izquierda 5L del ganado y una segunda región 22 en la que se refleja la canal derecha 5R del ganado. En la presente realización, cada una de la primera región 21 y la segunda región 22 incluye una región prescrita 23 en la que se reflejan la pluralidad de costillas 9.

[0051] El sistema de cálculo de punto de trabajo 10A incluye al menos un procesador y al menos una memoria. El procesador es, por ejemplo, CPU, GPU, MPU, DSP o una combinación de los mismos. El procesador puede implementarse mediante un circuito integrado de PLD, ASIC, FPGA, MCU o similares. La memoria está configurada para almacenar temporal o no temporalmente varios datos, y se implementa, por ejemplo, mediante RAM, ROM, memoria flash o una combinación de los mismos. El sistema de cálculo de punto de trabajo 10A puede implementarse, por ejemplo, mediante una combinación de un dispositivo de control tal como un controlador y un ordenador personal equipado con GPU.

[0052] Como se muestra en la figura 1, el sistema de cálculo de punto de trabajo 10A descrito anteriormente incluye una unidad de adquisición de datos de imagen 11 configurada para adquirir los datos de imagen 28 (véase la figura 3) que indica la imagen fotografiada 20 de la carne 5, una unidad de almacenamiento 13 configurada para almacenar el modelo de aprendizaje 70, una unidad de adquisición de punto de trabajo 12 configurada para ingresar los datos de imagen 28 adquiridos por la unidad de adquisición de datos de imagen 11 al modelo de aprendizaje 70 para adquirir datos de punto de trabajo para identificar el punto de trabajo P en la carne 5, y una unidad de comando de procesamiento 14 configurada para enviar un comando de procesamiento al robot 4 en función de los datos de punto de trabajo adquiridos por la unidad de adquisición de punto de trabajo 12.

[0053] Aunque los detalles se describirán más adelante, el modelo de aprendizaje 70 del presente ejemplo se prepara, como datos del entrenamiento 25 (véase la figura 5) para el aprendizaje automático (aprendizaje profundo), los datos de imagen 28 que indican la imagen fotografiada 20 y los datos de respuesta correcta 27 que indican un punto clave (punto característico) de la carne 5 incluida en la imagen fotografiada 20. Este punto clave corresponde al punto de trabajo P. Es decir, los datos del punto de trabajo para identificar el punto de trabajo P, que es un resultado de salida del modelo de aprendizaje 70, son datos con respecto a las coordenadas del punto de trabajo P en la carne 5, y son, por ejemplo, datos de distribución que muestran un mapa de calor centrado en cada punto de trabajo P. La unidad de adquisición del punto de trabajo 12 (véase la figura 1) adquiere los datos del punto de trabajo y los envía a la unidad de comando de procesamiento 14. La unidad de comando de procesamiento 14 identifica la línea de corte imaginaria K al considerar las coordenadas con la mayor probabilidad como el punto de trabajo P en cada uno de los cuatro mapas de calor. Luego, la unidad de comando de procesamiento 14 envía un comando al robot 4 para realizar una operación de corte a lo largo de la línea de corte imaginaria K. Es decir, el robot 4 está configurado para dar trabajo al punto de trabajo P adquirido por la unidad de adquisición de punto de trabajo 12.

[0054] En otra realización, la salida de datos del punto de trabajo del modelo de aprendizaje 70 puede ser solo las coordenadas específicas del punto de trabajo P.

[0055] 4. Ejemplo de resultado de comparación entre el modelo de aprendizaje 70 y el método convencionalLa figura 4 es un gráfico que muestra de manera conceptual un resultado de comparación entre la precisión de la estimación del punto de trabajo P utilizando el modelo de aprendizaje 70 del sistema de cálculo de punto de trabajo 10A y la precisión de la estimación del punto de trabajo P utilizando un método convencional descrito en el documento de patente 1. En esta comparación, se preparó la carne 5 para la cual se conocen de antemano las coordenadas del punto de trabajo P para que sea una respuesta correcta, y se verificó la precisión de las coordenadas estimadas del punto de trabajo P obtenidas respectivamente por el modelo de aprendizaje 70 y el método convencional.

[0056] En el gráfico de la figura 4, las coordenadas de respuesta correctas se trazan en el eje horizontal y las coordenadas estimadas obtenidas se trazan en el eje vertical. Idealmente, las coordenadas estimadas obtenidas coinciden con las coordenadas de respuesta correctas, y cuanto más cerca estén las coordenadas estimadas de una línea de trazo y punto doble S, mayor es la exactitud de la estimación. En la figura 4, un intervalo permisible de desviación del ideal se indica mediante las líneas discontinuas H1 y H2.

[0057] "o" que se muestra en el gráfico son las coordenadas del punto de trabajo P identificadas en función de los datos del punto de trabajo adquiridos por la unidad de adquisición del punto de trabajo 12, y "×" son las coordenadas del punto de trabajo P adquiridas por el método convencional. Como se entiende a partir de la figura 4, se confirmó que la precisión de estimación del punto de trabajo P utilizando el modelo de aprendizaje 70 del sistema de cálculo de punto de trabajo 10A es significativamente mayor que la precisión de estimación del punto de trabajo P utilizando el método convencional descrito en el documento de patente 1.

[0058] Con la configuración anterior, dado que el modelo de aprendizaje 70 configurado para generar los datos del punto de trabajo es un modelo que genera el punto clave, los datos de respuesta correcta 27 que sirven como los datos del entrenamiento preparados 25 pueden ser datos de coordenadas asociados con la imagen. Es decir, los datos de respuesta correcta 27 pueden ser datos de coordenadas que muestran coordenadas de pantalla que indican el punto de trabajo P. Por lo tanto, los datos de imagen 28 preparados como los datos de entrenamiento 25 no necesitan someterse a procesamiento de imagen tal como procesamiento de borde o procesamiento de enmascaramiento, realizando la simplificación de los datos de entrenamiento 25. En consecuencia, se implementa el sistema de cálculo de punto de trabajo 10 para la carne, que es capaz de identificar el punto de trabajo P con alta precisión al tiempo que reduce la carga de preparar los datos del entrenamiento 25.

[0059] En otra realización, la primera estación de procesamiento 51 puede configurarse para contener la carne 5. En este caso, el punto de trabajo P adquirido por la unidad de adquisición de puntos de trabajo 12 indica una posición de espera. En este caso, la unidad de comando de procesamiento 14 no identifica la línea de corte imaginaria K, M, y el robot 4 monta una abrazadera en lugar del cortador 3.

[0060] Además, en la presente realización, la primera estación de procesamiento 51 del sistema de procesamiento de carne 1 incluye la fuente de luz blanca 7 y el dispositivo de fotografía 8 configurado para fotografiar la carne 5 iluminada por la fuente de luz blanca 7 para generar la imagen fotografiada 20, y no incluye una fuente de luz azul. Con la configuración anterior, dado que el dispositivo de fotografía 8 fotografía la carne 5 iluminada por la fuente de luz blanca 7 que es más versátil que una fuente de luz especial como la fuente de luz azul, la instalación se puede simplificar.

[0061] 5. Ejemplo de salida de datos de punto de trabajo del modelo de aprendizaje 70 del sistema de cálculo de punto de trabajo 10A

[0062] Los detalles de los datos del punto de trabajo emitidos desde el modelo de aprendizaje 70 del sistema de cálculo de punto de trabajo 10A se ejemplificarán con referencia a la figura 3, 5. La figura 5 es una vista ampliada que muestra de manera conceptual la región prescrita 23 en la canal izquierda 5L de acuerdo con una realización de la presente divulgación.

[0063] La salida de datos del punto de trabajo del modelo de aprendizaje 70 se puede representar como el mapa de calor centrado en el punto de trabajo P. Este mapa de calor muestra, como una distribución de densidad de probabilidad, una distribución de probabilidades (verosimilitudes) de que al menos dos píxeles que forman la imagen fotografiada 20 corresponden a los puntos de trabajo P. En la figura 5, los mapas de calor en los puntos de trabajo izquierdos P1, P2 se ilustran de manera conceptual, y se omite la ilustración de los mapas de calor en los puntos de trabajo derechos P3, P4. La salida de datos del punto de trabajo del modelo de aprendizaje 70 se envía a la unidad de adquisición del punto de trabajo 12.

[0064] La unidad de comando de procesamiento 14 configurada para adquirir los datos del punto de trabajo de la unidad de adquisición del punto de trabajo 12 considera los píxeles con la mayor probabilidad en el mapa de calor correspondiente a cada uno de los puntos de trabajo izquierdos P1 y P2 como los puntos de trabajo izquierdos P1 y P2. Por lo tanto, la unidad de comando de procesamiento 14 puede identificar la línea de corte imaginaria KL. Aunque se omite la ilustración detallada, la unidad de comando de procesamiento 14 puede identificar, mediante el mismo principio, la línea de corte imaginaria KR (véase la figura 2) en función de los mapas de calor de los puntos de trabajo correctos P3, P4.

[0065] El punto de trabajo izquierdo P1 y el punto de trabajo derecho P4 del presente ejemplo se colocan entre dos cualesquiera entre la pluralidad de costillas 9, y el punto de trabajo izquierdo P2 y el punto de trabajo derecho P3 se colocan para superponerse a la columna 6. Es decir, la línea de corte imaginaria K se define en una posición que evita las costillas 9. Por lo tanto, se puede evitar que las costillas 9 se dañen cuando el robot 4 (véase la figura 1) corta la carne 5 con el cortador 3 a lo largo de la línea de corte imaginaria K.

[0066] Para que el punto de trabajo P satisfaga las condiciones posicionales descritas anteriormente, los datos del entrenamiento 25 utilizados en una etapa de aprendizaje del modelo de aprendizaje 70 solo deben prepararse en consecuencia. El proceso de aprendizaje del modelo de aprendizaje 70 se describirá a continuación.

[0067] 6. Ejemplo del proceso de aprendizaje del modelo de aprendizaje 70 del sistema de cálculo de punto de trabajo 10A

[0068] El proceso de aprendizaje del modelo de aprendizaje 70 del sistema de cálculo de punto de trabajo 10A se ejemplificará con referencia a la figura 6. La figura 6 es un diagrama explicativo que muestra de manera conceptual los datos del entrenamiento 25 de acuerdo con una realización de la presente divulgación. Los datos del entrenamiento 25 están constituidos por una pluralidad de conjuntos de datos, con los datos de imagen 28 indicando la imagen fotografiada 20 preparada para el aprendizaje y los datos de respuesta correcta 27 asociados con los datos de imagen 28 como un conjunto de datos. Los datos de respuesta correcta 27 indican la distribución de densidad de probabilidad de los puntos clave (puntos característicos) de la carne 5 que se incluyen en la imagen fotografiada 20 indicada por los datos de imagen correspondientes 28.

[0069] Los datos de respuesta correcta 27 se preparan, por ejemplo, de la siguiente manera.

[0070] Un operador identifica, con respecto a la imagen fotografiada 20 indicada por los datos de imagen 28, las coordenadas de los puntos de trabajo P (los puntos de trabajo izquierdos P1, P2 y los puntos de trabajo derechos P3, P4) para ser una respuesta correcta. Luego, las coordenadas identificadas de los puntos de trabajo P se introducen en una unidad de generación de mapa de calor 35, generando los datos de respuesta correctos 27. En la presente, la unidad de generación de mapa de calor 35 se construye mediante un algoritmo prescrito, y se configura para generar una distribución gaussiana centrada en las coordenadas de cada uno de los puntos de trabajo izquierdos P1, P2 y los puntos de trabajo derechos P3, P4 en la imagen fotografiada 20. Esta distribución indica las probabilidades (verosimilitudes) de que cada uno de los al menos dos píxeles que forman la imagen fotografiada 20 corresponda al punto de trabajo P. En el ejemplo de la figura 6, los mapas de calor de respuesta correcta que corresponden respectivamente a los puntos de trabajo izquierdos P1, P2 y los puntos de trabajo derechos P3, P4 se indican con los signos de referencia Q1 a Q4. La resolución de la imagen de los datos de respuesta correcta 27 que representan los mapas de calor (Q1 a Q4) es la misma que la de la imagen fotografiada 20.

[0071] Una determinada cantidad de los datos del entrenamiento 25 en los que se asocian los datos de imagen 28 y los datos de respuesta correcta 27 se introduce en el modelo de aprendizaje 70. El aprendizaje se realiza ajustando varios parámetros, como un factor de ponderación en el modelo de aprendizaje 70, de modo que un error cuadrático medio entre la salida del mapa de calor del modelo de aprendizaje 70 y los mapas de calor (Q1 a Q4) incluidos en los datos de respuesta correctos 27 converja a un valor prescrito como 0.

[0072] Dicho modelo de aprendizaje 70 se realiza, por ejemplo, mediante HRNet, ResNet, DenseNet o similares.

[0073] El modelo de aprendizaje 70 aprendido mediante máquina utilizando, como datos de entrenamiento 25, los datos de respuesta correctos 27 que indican la distribución de densidad de probabilidad de los puntos clave está configurado para generar la distribución de densidad de probabilidad de los puntos de trabajo P como datos del punto de trabajo.

[0074] El tamaño y la apariencia de la carne 5 tienden a variar. La variación en el tamaño de la carne 5 está causada, por ejemplo, por el crecimiento del ganado. Si el tamaño de la carne 5 varía, la posición para ser el punto de trabajo P de la carne 5 también varía, lo que puede convertirse en una barrera para el aprendizaje del modelo de aprendizaje 70. Además, la variación en la apariencia de la carne 5 está causada por, por ejemplo, una variación en el proceso de obtención de la carne 5 del ganado. Como ejemplo, si el número de costillas visibles 9 en la carne 5 varía, la relación posicional relativa entre las costillas visibles 9 y la posición para ser el punto de trabajo P fluctúa, lo que puede dificultar el aprendizaje del modelo de aprendizaje 70. En este sentido, con la configuración anterior, el modelo de aprendizaje 70 toma la distribución de densidad de probabilidad de los puntos clave como una respuesta correcta como los datos de respuesta correcta 27 en el proceso de aprendizaje. Las diversas variaciones en la carne 5 como se describió anteriormente se reflejan ampliamente en esta distribución de densidad de probabilidad. Por lo tanto, incluso si la carne 5 reflejada en la imagen fotografiada 20 de los datos de imagen 28 introducidos en el modelo de aprendizaje 70 que ha terminado de aprender varía, es probable que la distribución de densidad de probabilidad indicada por los datos del punto de trabajo de salida P incluya la posición del punto de trabajo correcto P. Por lo tanto, el punto de trabajo P de la carne 5 se puede identificar con alta precisión.

[0075] Además, como se describió anteriormente, la imagen fotografiada 20 incluye la primera región 21 en la que se refleja la canal izquierda 5L y la segunda región 22 en la que se refleja la canal derecha 5R, y el punto de trabajo P tiene los puntos de trabajo izquierdos P1, P2 donde el robot 4 da trabajo en la canal izquierda 5L y los puntos de trabajo derechos P3, P4 donde el robot 4 da trabajo en la canal derecha 5R.

[0076] Con la configuración anterior, dado que los datos de imagen 28 se introducen en el modelo de aprendizaje único 70, la unidad de adquisición de puntos de trabajo 12 puede adquirir los datos de puntos de trabajo para identificar los puntos de trabajo izquierdos P1, P2 y los puntos de trabajo derechos P3, P4. De este modo, es posible reducir el número de modelos de aprendizaje 70 almacenados en la unidad de almacenamiento 13. Por lo tanto, se reducen tanto una carga de cálculo para hacer que el modelo de aprendizaje 70 realice el aprendizaje automático como una carga de cálculo para obtener los datos del punto de trabajo introduciendo los datos de imagen 28 en el modelo de aprendizaje 70 que ha terminado de aprender. Por lo tanto, es posible reducir una carga de cálculo para identificar el punto de trabajo P.

[0077] Además, como se describió anteriormente, la imagen fotografiada 20 incluye la región prescrita 23 en la que se reflejan la pluralidad de costillas 9 de la carne 5. Luego, los datos del punto de trabajo emitidos por el modelo de aprendizaje 70 incluyen los datos del punto de trabajo para identificar el punto de trabajo izquierdo P1 y el punto de trabajo derecho P4 dispuestos en las posiciones que evitan la pluralidad de costillas 9. Esto se logra designando las coordenadas de respuesta correctas del punto de trabajo izquierdo P1 y el punto de trabajo derecho P4, que son la base de los datos de respuesta correctos 27, para evitar la pluralidad de costillas 9 en la etapa de aprendizaje del modelo de aprendizaje 70.

[0078] Con la configuración anterior, es posible dar trabajo a la carne 5 sin dañar las costillas 9 de la carne 5. Por ejemplo, si la carne 5 se corta para evitar que las costillas 9, se evita que las costillas rotas 9 salgan y se suprime la aparición de restos de hueso de las costillas 9. De este modo, la apariencia de la carne 5 se puede mantener bien. Además, cuando un trabajador transporta la carne procesada 5, se puede garantizar la seguridad del trabajador.

[0079] 7. Ejemplo de configuración específica del modelo de aprendizaje 70

[0080] La configuración específica del modelo de aprendizaje 70 en el sistema de cálculo de punto de trabajo 10A se ejemplificará con referencia a la figura 7. La figura 7 es una vista conceptual que muestra la configuración del modelo de aprendizaje 70 de acuerdo con una realización de la presente divulgación. El modelo de aprendizaje 70 es una red neuronal que incluye una capa de entrada 78, una capa intermedia 77 y una capa de salida 79, y HRNet se adopta en la presente realización. En HRNet, una primera red configurada de tal manera que los datos de imagen que tienen la misma resolución que los datos de imagen 28 se transmiten desde una capa inferior a una capa superior, y una segunda red en la que los datos de imagen que tienen una resolución más baja que los datos de imagen 28 se transmiten desde el centro de la primera red a la capa superior se construyen en paralelo. Luego, la capa de salida 79 se configura para emitir los datos de imagen que tienen la misma resolución que los datos de imagen 28. En estas redes dispuestas en paralelo, el aprendizaje también se realiza en paralelo.

[0081] Dicha capa intermedia 77 del modelo de aprendizaje 70 incluye una primera capa intermedia 71 y una segunda capa intermedia 72. Luego, la primera capa intermedia 71 incluye una primera neurona 81 donde se introducen los primeros datos, que son datos de imagen que tienen la misma resolución que los datos de imagen 28 introducidos en la capa de entrada 78. Además, la segunda capa intermedia 72 incluye una segunda neurona 82 donde los segundos datos que son datos de imagen que tienen la misma resolución que los datos de imagen 28 se introducen desde la primera neurona 81, y una tercera neurona 83 donde los terceros datos de baja resolución se introducen desde la primera neurona 81.

[0082] Con la configuración anterior, dado que la red donde se transmiten los datos de imagen que tienen la misma resolución que los datos de imagen 28 y la red donde se transmiten los datos de imagen que tienen la resolución más baja que los datos de imagen 28 se construyen en paralelo, es posible identificar el punto de trabajo P con mayor precisión.

[0083] 8. Ejemplo del primer dispositivo de prensado 31 y el segundo dispositivo de prensado 32 de la primera estación de procesamiento 51

[0084] Las configuraciones del primer dispositivo de prensado 31 y el segundo dispositivo de prensado 32 de la primera estación de procesamiento 51 se ejemplificarán con referencia a la figura 3, 8. La figura 8 es una vista explicativa que muestra de manera conceptual el primer dispositivo de prensado 31 y el segundo dispositivo de prensado 32 de acuerdo con una realización de la presente divulgación.

[0085] El primer dispositivo de presión 31 de la presente realización está configurado para presionar horizontalmente una porción objetivo de fotografía 5T de la carne 5 (la canal izquierda 5L y la canal derecha 5R) transportada por el dispositivo de transporte 46 a una posición alejada del dispositivo de fotografía 8 por una distancia prescrita. En dicha realización, también en la etapa de aprendizaje del modelo de aprendizaje 70, el primer dispositivo de presión 31 realiza la misma operación para capturar la imagen fotografiada 20.

[0086] Si una distancia de fotografía varía, que es una distancia entre el dispositivo de fotografía 8 y la carne 5 en el momento de la fotografía, una condición de reflexión en la imagen fotografiada 20 varía mucho incluso si se fotografían carnes similares 5. Como resultado, esto puede convertirse en la barrera para el aprendizaje del modelo de aprendizaje 70. A este respecto, con la configuración anterior, dado que la distancia de fotografía entre la carne 5 y el dispositivo de fotografía 8 en el momento de fotografiar se estabiliza, la variación en la imagen fotografiada 20 se puede suprimir y el aprendizaje mediante el modelo de aprendizaje 70 se puede realizar bien. Como resultado, el punto de trabajo P se puede identificar con gran precisión.

[0087] El primer dispositivo de prensado 31 de la presente realización incluye un par de primeros elementos de prensado 31A configurados para entrar en un intervalo de fotografía del dispositivo de fotografía 8 y cada uno configurado para prensar la carne 5 en una posición que evita el punto de trabajo P. El par de primeros elementos de prensado 31A se reflejan en la imagen fotografiada 20 (véase la figura 3).

[0088] Los primeros elementos de presión 31A del presente ejemplo están dispuestos en un par en los lados superior e inferior. Cada uno de los primeros elementos de presión 31A es una barra que se extiende a lo largo de la línea de transporte del dispositivo de transporte 46. El primer elemento de presión inferior 31A del par de primeros elementos de presión 31A puede configurarse de manera que se pueda ajustar una posición vertical de acuerdo con las instrucciones de un operador. En dicha realización, también en la etapa de aprendizaje del modelo de aprendizaje 70, el par de primeros elementos de presión 31A realiza la misma operación para capturar la imagen fotografiada 20.

[0089] En otra realización, los primeros elementos de presión 31A pueden estar dispuestos en un par a la izquierda y a la derecha. En este caso, cada uno de los primeros elementos de presión 31A puede ser una barra que se extiende a lo largo de la dirección vertical.

[0090] Con la configuración anterior, dado que el par de primeros elementos de presión 31A se refleja de manera estable en las posiciones prescritas en la imagen fotografiada 20, una región donde aparece una diferencia en la carne 5 en la imagen fotografiada 20 es limitada, lo que hace posible realizar bien el aprendizaje mediante el modelo de aprendizaje 70. Como resultado, el punto de trabajo P se puede identificar con gran precisión.

[0091] El segundo dispositivo de prensado 32 (véase la figura 8) está configurado para presionar horizontalmente la carne 5 desde un lado opuesto al primer dispositivo de presión 31 con una fuerza de presión más débil que una fuerza de presión del primer dispositivo de presión 31. El segundo dispositivo de prensado 32 puede prensar la carne 5 con una barra, por ejemplo, o puede prensar la carne 5 con un elemento columnar tal como un bloque. En la presente realización, el segundo dispositivo de presión 32 presiona la carne 5 después de que el par de primeros elementos de presión 31A presiona la porción objetivo de fotografía 5T a la posición prescrita. Es decir, la carne 5 se intercala entre el primer dispositivo de prensado 31 y el segundo dispositivo de prensado 32 y es fotografiada por el dispositivo de fotografía 8.

[0092] Una fuerza de presión (F2 en la figura 8) por el segundo dispositivo de presión 32 es menor que una fuerza de presión (F1 que se muestra en la figura 8) por el primer elemento de presión 31A. Por lo tanto, la carne 5 no se empuja hacia atrás hacia el dispositivo de fotografía 8 incluso si el segundo dispositivo de prensado 32 presiona la carne 5, sino que la porción objetivo de fotografía 5T se aplana intercalando la carne 5 entre el primer dispositivo de prensado 31 y el segundo dispositivo de prensado 32.

[0093] Con la configuración anterior, dado que la carne fotografiada 5 se intercala entre el primer dispositivo de prensado 31 y el segundo dispositivo de prensado 32, la parte objetivo de fotografía 5T de la carne 5 se aplana y se refleja fácilmente en la imagen fotografiada 20. Además, dado que la fuerza de presión del segundo dispositivo de presión 32 es más débil que la fuerza de presión del primer dispositivo de presión 31, es posible suprimir la fluctuación en la distancia de fotografía. De este modo, la variación que dificulta el aprendizaje de la carne 5 reflejada en la imagen fotografiada 20 puede suprimirse aún más, lo que permite realizar bien el aprendizaje mediante el modelo de aprendizaje 70. Como resultado, el punto de trabajo P se puede identificar con gran precisión.

[0094] 9. Ejemplo de configuraciones de la segunda estación de procesamiento 52 y el sistema de cálculo de punto de trabajo 10B

[0095] Volviendo a la figura 1, se ejemplificarán las configuraciones de la segunda estación de procesamiento 52 y el sistema de cálculo de punto de trabajo 10B.

[0096] Como se describió anteriormente, la segunda estación de procesamiento 52 tiene la misma configuración que la primera estación de procesamiento 51, y el sistema de cálculo de punto de trabajo 10B tiene la misma configuración que el sistema de cálculo dl punto de trabajo 10A.

[0097] Es decir, la segunda estación de procesamiento 52 incluye la fuente de luz blanca 7, el dispositivo de fotografía 8, el primer dispositivo de prensado 31 y el segundo dispositivo de prensado 32, y el robot 4. Estos componentes son los mismos que la primera estación de procesamiento 51. Además, el sistema de cálculo de punto de trabajo 10B incluye la unidad de adquisición de datos de imagen 11, la unidad de adquisición de punto de trabajo 12, la unidad de almacenamiento 13 que almacena el modelo de aprendizaje 70 y la unidad de comando de procesamiento 14. Estos componentes son los mismos que el sistema de cálculo de punto de trabajo 10A.

[0098] La carne 5 de la que se ha cortado el cuarto delantero 41 se refleja en la imagen fotografiada 20 adquirida por la unidad de adquisición de datos de imagen 11 del sistema de cálculo de punto de trabajo 10B (no mostrado). Además, el modelo de aprendizaje 70 en el sistema de cálculo de punto de trabajo 10B se aprende de forma automática utilizando, como datos del entrenamiento 25, los datos de respuesta correcta 27 que indican los puntos clave de la carne 5 correspondientes al punto de trabajo izquierdo P5 y al punto de trabajo derecho P6 de la carne 5. El punto de trabajo izquierdo P5 y el punto de trabajo derecho P6 preparados como los datos de respuesta correctos 27 se superponen solo a las vértebras lumbares entre los huesos de la carne 5. En otra realización, se puede preparar el modelo de aprendizaje 70 correspondiente a cada una de la canal izquierda 5L y la canal derecha 5R, o se puede preparar el modelo de aprendizaje único 70 correspondiente tanto a la canal izquierda 5L como a la canal derecha 5R como en el sistema de cálculo de punto de trabajo 10A.

[0099] Además, se puede detectar un error comparando una relación posicional de los puntos de trabajo P adquiridos por la unidad de adquisición de puntos de trabajo 12 del sistema de cálculo de punto de trabajo 10B con una relación posicional de los puntos de trabajo P adquiridos por la unidad de adquisición de puntos de trabajo 12 del sistema de cálculo de punto de trabajo 10A.

[0100] Específicamente, una relación posicional vertical (en lo sucesivo, denominada "primera relación posicional") entre la canal izquierda 5L y la canal derecha 5R está determinada por una relación posicional vertical entre los puntos de trabajo izquierdos P1, P2 y los puntos de trabajo derechos P3, P4 adquirida por la unidad de adquisición de puntos de trabajo 12 del sistema de cálculo de punto de trabajo 10A. Por ejemplo, la cantidad de desviación en la dirección vertical entre los centros de gravedad de la canal izquierda 5L y la canal derecha 5R es la primera relación posicional.

[0101] A continuación, se determina una relación posicional vertical (en lo sucesivo, denominada "segunda relación posicional") entre la canal izquierda 5L y la canal derecha 5R mediante una relación posicional vertical entre el punto de trabajo izquierdo P5 y el punto de trabajo derecho P6 adquirida por la unidad de adquisición de punto de trabajo 12 del sistema de cálculo de punto de trabajo 10B.

[0102] La primera relación posicional y la segunda relación posicional casi no cambian si la carne 5 se procesa adecuadamente en orden en la primera estación de procesamiento 51 y la segunda estación de procesamiento 52. Por el contrario, la primera relación posicional y la segunda relación posicional cambian significativamente si se produce algún tipo de problema durante el procesamiento de la carne 5. Por lo tanto, si se determina que una diferencia entre la primera relación posicional y la segunda relación posicional excede un valor permisible, el sistema de cálculo de punto de trabajo 10B puede enviar el aviso en consecuencia antes del procesamiento por parte del robot 4. De este modo, el operador puede procesar adecuadamente la carne 5 (por ejemplo, cortar manualmente la carne 5).

[0103] 10. Ejemplo de método de adquisición para el punto de trabajo

[0104] La figura 9 es un diagrama de flujo de un método de cálculo dl punto de trabajo P para la carne 5 de acuerdo con una realización de la presente divulgación. En lo sucesivo, se ejemplificará el método de cálculo del punto de trabajo P por el sistema de cálculo de punto de trabajo 10A, y la etapa puede abreviarse como "S". Este diagrama de flujo se realiza, por ejemplo, mediante el sistema de cálculo de punto de trabajo 10A.

[0105] En primer lugar, los datos de imagen 28 que indican la imagen fotografiada 20 de la carne 5 transportada a la primera estación de procesamiento 51 son adquiridos por la unidad de adquisición de datos de imagen 11 descrita anteriormente (S11).

[0106] A continuación, los datos de imagen 28 adquiridos en S11 se introducen en el modelo de aprendizaje 70, y los datos del punto de trabajo para identificar los puntos de trabajo P (los puntos de trabajo izquierdos P1, P2 y los puntos de trabajo derechos P3, P4) proporcionados por el robot 4 en la carne 5 son adquiridos por la unidad de adquisición del punto de trabajo 12 (S13).

[0107] A continuación, la unidad de comando de procesamiento 14 envía el comando de procesamiento al robot 4 para realizar la operación de corte a lo largo de la línea de corte imaginaria K identificada en función de los puntos de trabajo P adquiridos por la unidad de adquisición de puntos de trabajo 12 (S15). De este modo, la carne 5 se corta a lo largo de la línea de corte imaginaria K.

[0108] 11. Conclusión

[0109] El contenido descrito de acuerdo con algunos aspectos de la divulgación se entendería de la siguiente manera, por ejemplo.

[0110] 1) Un sistema de cálculo de punto de trabajo (10) para carne de acuerdo con al menos una realización de la presente divulgación, incluye: una unidad de adquisición de datos de imagen (11) configurada para adquirir datos de imagen (28) que indican una imagen fotografiada (20) de carne (5); y una unidad de adquisición de punto de trabajo (12) configurada para adquirir datos de punto de trabajo para identificar al menos un punto de trabajo (P) donde un robot (4) da trabajo en la carne (5), ingresando los datos de imagen (28) adquiridos por la unidad de adquisición de datos de imagen (11) a un modelo de aprendizaje (70) aprendido mediante máquina utilizando, como datos de entrenamiento (25), los datos de imagen (28) y los datos de respuesta correctos (27) que indican un punto clave de la carne (5) incluido en la imagen fotografiada (20).

[0111] Con la configuración anterior 1), dado que el modelo de aprendizaje (70) configurado para generar los datos del punto de trabajo es un modelo que genera el punto clave, los datos de respuesta correcta (27) que sirven como datos del entrenamiento preparados (25) pueden ser datos de coordenadas asociados con la imagen fotografiada (20). Por lo tanto, los datos del docente (25) se pueden simplificar. En consecuencia, se implementa el sistema de cálculo de punto de trabajo (10) para la carne, que es capaz de identificar el punto de trabajo (P) con alta precisión al tiempo que reduce la carga de preparar los datos del entrenamiento (25).

[0112] 2) De acuerdo con otro aspecto de la divulgación, el sistema de cálculo de punto de trabajo (10) para la carne como se define en el punto 1) anterior, en el que el modelo de aprendizaje (70) aprendido automáticamente utilizando, como datos del entrenamiento (25), los datos de respuesta correctos (27) que indican una distribución de densidad de probabilidad del punto clave está configurado para generar una distribución de densidad de probabilidad del punto de trabajo (P) como los datos del punto de trabajo.

[0113] El tamaño o aspecto de la carne (5) tiende a variar. La variación en el tamaño de la carne (5) está causada, por ejemplo, por el crecimiento del ganado. Si el tamaño de la carne (5) varía, la posición para ser el punto de trabajo (P) de la carne (5) también varía, lo que puede convertirse en una barrera para el aprendizaje del modelo de aprendizaje (70). Además, la variación en la apariencia de la carne (5) está causada por, por ejemplo, una variación en el proceso de obtención de la carne (5) del ganado. Como ejemplo, si el número de costillas visibles (9) en la carne (5) varía, la relación posicional relativa entre las costillas visualmente reconocidas (9) y la posición para ser el punto de trabajo (P) no es constante, lo que puede dificultar el aprendizaje del modelo de aprendizaje (70). En este sentido, con la configuración anterior 2), el modelo de aprendizaje (70) toma la distribución de densidad de probabilidad del punto clave como la respuesta correcta como los datos de respuesta correcta (27) en el proceso de aprendizaje. Las diversas variaciones en la carne (5) como se describió anteriormente se reflejan exhaustivamente en esta distribución de densidad de probabilidad. Por lo tanto, incluso si la carne (5) reflejada en la imagen fotografiada (20) de los datos de imagen (28) introducidos en el modelo de aprendizaje (70) que ha terminado de aprender varía, es probable que la distribución de densidad de probabilidad indicada por los datos del punto de trabajo de salida incluya la posición del punto de trabajo correcto (P). Por lo tanto, el punto de trabajo (P) de la carne (5) se puede identificar con gran precisión.

[0114] 3) De acuerdo con otro aspecto de la divulgación, el sistema de cálculo de punto de trabajo (10) para la carne como se define en el anterior 1) o 2), en donde la imagen fotografiada (20) incluye una primera región (21) en la que se refleja una canal izquierda (5L) de ganado y una segunda región (22) en la que se refleja una canal derecha (5R) del ganado, y en donde el al menos un punto de trabajo (P) incluye: al menos un punto de trabajo izquierdo (P1, P2, P5) donde el robot (4) da trabajo en la canal izquierda (5L); y al menos un punto de trabajo derecho (P3, P4, P6) donde el robot (4) da trabajo en la canal derecha (5R).

[0115] Con la configuración anterior 3), dado que los datos de imagen (28) se introducen en el modelo de aprendizaje (70), la unidad de adquisición del punto de trabajo (12) puede adquirir los datos del punto de trabajo para identificar cada uno del punto de trabajo izquierdo (P1, P2, P5) y el punto de trabajo derecho (P3, P4, P6). De este modo, es posible reducir el número de modelos de aprendizaje (70), lo que permite reducir una carga de cálculo para identificar el punto de trabajo (P).

[0116] 4) De acuerdo con otro aspecto de la divulgación, el sistema de cálculo de punto de trabajo (10) para la carne como se define en cualquiera de los puntos anteriores 1) a 3), en donde la imagen fotografiada (20) incluye una región prescrita (23) en la que se reflejan una pluralidad de costillas (9) de la carne (5), y en donde el modelo de aprendizaje (70) está configurado para emitir los datos del punto de trabajo para identificar el punto de trabajo (P) evitando la pluralidad de costillas (9).

[0117] Con la configuración anterior 4), es posible dar trabajo a la carne (5) sin dañar las costillas (9) de la carne (5), y la apariencia de la carne (5) se puede mantener buena.

[0118] 5) De acuerdo con otro aspecto de la divulgación, el sistema de cálculo de punto de trabajo (10) para carne como se define en cualquiera de los anteriores 1) a 4), en donde el modelo de aprendizaje (70) es una red neuronal que incluye: una primera capa intermedia (71) que incluye una primera neurona (81) donde se ingresan los primeros datos que tienen la misma resolución que los datos de imagen de entrada (28); y una segunda capa intermedia (72) que incluye una segunda neurona (82) donde los segundos datos que tienen la misma resolución que los datos de imagen (28) se ingresan desde la primera neurona (81), y una tercera neurona (83) donde los terceros datos de baja resolución se ingresan desde la primera neurona (81).

[0119] Con la configuración anterior 5), dado que la red donde se transmiten los datos de imagen que tienen la misma resolución que los datos de imagen (28) y la red donde se transmiten los datos de imagen que tienen la resolución más baja que los datos de imagen (28) se construyen en paralelo, es posible identificar el punto de trabajo (P) con mayor precisión.

[0120] 6) Un sistema de procesamiento de carne (1) de acuerdo con otro aspecto de la presente divulgación, incluye: el sistema de cálculo de punto de trabajo (10) para carne como se define en cualquiera de los anteriores 1) a 5); y el robot (4) configurado para dar trabajo al punto de trabajo (P) adquirido por la unidad de adquisición del punto de trabajo (12).

[0121] Con la configuración anterior 6), por la misma razón que la anterior 1), se implementa el sistema de procesamiento de carne (1) que es capaz de identificar el punto de trabajo (P) con alta precisión al tiempo que reduce la carga de preparar los datos del entrenamiento (25).

[0122] 7) De acuerdo con otro aspecto de la divulgación, el sistema de procesamiento de carne (1) como se define en el punto 6) anterior,

[0123] en donde el robot (4) incluye: un cortador (3) para cortar la carne (5) a lo largo de una línea de corte imaginaria (K, M) obtenida por los datos del punto de trabajo adquiridos por la unidad de adquisición del punto de trabajo (12). Con la configuración anterior 7), la carne (5) se puede cortar bien de acuerdo con los datos del punto de trabajo adquiridos por la unidad de adquisición del punto de trabajo (12).

[0124] 8) De acuerdo con otro aspecto de la divulgación, el sistema de procesamiento de carne (1) como se define en el anterior 6) o 7), incluye además: una fuente de luz blanca (7); y un dispositivo de fotografía (8) configurado para fotografiar la carne (5) iluminada por la fuente de luz blanca (7) para generar la imagen fotografiada (20).

[0125] Con la configuración anterior 8), dado que el dispositivo de fotografía (8) fotografía la carne (5) iluminada por la fuente de luz blanca (7) que es más versátil que una fuente de luz especial como la fuente de luz azul, la instalación puede simplificarse.

[0126] 9) De acuerdo con otro aspecto de la divulgación, el sistema de procesamiento de carne (1) como se define en cualquiera de los puntos anteriores 6) a 8), incluye además: un dispositivo de fotografía (8) configurado para fotografiar la carne (5) para generar la imagen fotografiada (20); y un primer dispositivo de presión (31) configurado para presionar la carne (5) a una posición alejada del dispositivo de fotografía (8) a una distancia prescrita. Si una distancia de fotografía varía, que es una distancia entre el dispositivo de fotografía (8) y la carne (5) en el momento de la fotografía, una condición de reflexión en la imagen fotografiada (20) varía mucho incluso si se fotografían carnes similares (5). Como resultado, esto puede convertirse en la barrera para el aprendizaje del modelo de aprendizaje (70). A este respecto, con la configuración anterior 9), dado que la distancia de fotografía entre la carne (5) y el dispositivo de fotografía (8) en el momento de fotografiar se estabiliza, la variación en la imagen fotografiada (20) se puede suprimir y el aprendizaje por el modelo de aprendizaje (70) se puede realizar bien. Como resultado, el punto de trabajo (P) se puede identificar con gran precisión.

[0127] 10) De acuerdo con otro aspecto de la divulgación, el sistema de procesamiento de carne (1) como se define en el punto 9) anterior, en donde el primer dispositivo de prensado (31) incluye un par de primeros elementos de prensado (31A) configurados para entrar en un intervalo de fotografía del dispositivo de fotografía (8) y cada uno configurado para prensar la carne (5) en una posición que evita el punto de trabajo (P).

[0128] Con la configuración anterior 10), dado que el par de primeros elementos de presión (31A) se refleja de manera estable en las posiciones prescritas en la imagen fotografiada (20), una región donde aparece una diferencia en la carne (5) en la imagen fotografiada (20) es limitada, lo que permite realizar bien el aprendizaje por el modelo de aprendizaje (70). Como resultado, el punto de trabajo (P) se puede identificar con gran precisión.

[0129] 11) De acuerdo con otro aspecto de la divulgación, el sistema de procesamiento de carne (1) como se define en el anterior 9) o 10), incluye además: un segundo dispositivo de prensado (32) configurado para prensar la carne (5) desde un lado opuesto al primer dispositivo de prensado (31) con una fuerza de prensado más débil que una fuerza de prensado del primer dispositivo de prensado (31).

[0130] Con la configuración anterior 11), dado que la carne fotografiada (5) está intercalada entre el primer dispositivo de prensado (31) y el segundo dispositivo de prensado (32), la parte objetivo de fotografía (5T) de la carne (5) se aplana y se refleja fácilmente en la imagen fotografiada (20). Además, dado que la fuerza de presión del segundo dispositivo de presión (32) es más débil que la fuerza de presión del primer dispositivo de presión (31), es posible suprimir la fluctuación en la distancia de fotografía. De este modo, la variación que dificulta el aprendizaje de la carne (5) reflejada en la imagen fotografiada (20) puede suprimirse aún más, lo que permite realizar bien el aprendizaje mediante el modelo de aprendizaje (70). Como resultado, el punto de trabajo (P) se puede identificar con gran precisión.

[0131] 12) Un método de cálculo de punto de trabajo para carne de acuerdo con otro aspecto de la presente divulgación, incluye: una etapa de adquisición de datos de imagen (S11) de adquisición de datos de imagen (28) que indican una imagen fotografiada (20) de carne (5); y una etapa de adquisición de punto de trabajo (S13) de adquisición de datos de punto de trabajo para identificar al menos un punto de trabajo (P) a ser dado trabajando por un robot (4) en la carne (5), ingresando los datos de imagen (28) adquiridos en la etapa de adquisición de datos de imagen (S11) a un modelo de aprendizaje (70) aprendido mediante máquina utilizando, como datos de entrenamiento (25), los datos de imagen (28) y los datos de respuesta correctos (27) que indican un punto clave de la carne (5) incluido en la imagen fotografiada (20).

[0132] Con la configuración anterior 12), por la misma razón que la anterior 1), se implementa el método de cálculo del punto de trabajo para la carne, que es capaz de identificar el punto de trabajo (P) con alta precisión al tiempo que reduce la carga de preparar los datos del entrenamiento (25).

[0133] Lista de signos de referencia

[0134] 1: Sistema de procesamiento de carne

[0135] 3: Cortador

[0136] 4: Robot

[0137] 5: Carne

[0138] 5L: Canal izquierda

[0139] 5R: Canal derecha

[0140] 7: Fuente de luz blanca

[0141] 8: Dispositivo de fotografía

[0142] 9: Costilla

[0143] 10: Sistema de cálculo de punto de trabajo

[0144] 11: Unidad de adquisición de datos de imagen

[0145] 12: Unidad de adquisición de punto de trabajo

[0146] 20: Imagen fotografiada

[0147] 21: Primera región

[0148] 22: Segunda región

[0149] 23: Región prescrita

[0150] 25: Datos de entrenamiento

[0151] 27: Datos de respuesta correctos

[0152] 28: Datos de imagen

[0153] 31: Primer dispositivo de prensado

[0154] 31A: Primer elemento de prensado

[0155] 32: Segundo dispositivo de prensado

[0156] 70: Modelo de aprendizaje

[0157] 71: Primera capa intermedia

[0158] 72: Segunda capa intermedia

[0159] 77: Capa intermedia

[0160] 81: Primera neurona

[0161] 82: Segunda neurona

[0162] 83: Tercera neurona

[0163] K, M: Línea de corte imaginaria

[0164] P: Punto de trabajo

Claims (12)

1. REIVINDICACIONES

1. Sistema de cálculo de punto de trabajo (10) para la carne, que comprende:

una unidad de adquisición de datos de imagen (11) configurada para adquirir datos de imagen (28) que indican una imagen fotografiada (20) de carne (5); y

una unidad de adquisición de punto de trabajo (12) configurada para adquirir datos de punto de trabajo para identificar al menos un punto de trabajo (P) donde un robot (4) trabaja en la carne (5), caracterizado porque:

los datos del punto de trabajo se proporcionan ingresando los datos de imagen (28) adquiridos por la unidad de adquisición de datos de imagen (11) a un modelo de aprendizaje (70) aprendido automáticamente utilizando, como datos del entrenamiento (25), los datos de imagen (28) y los datos de respuesta correcta (27) que indican un punto clave de la carne (5) incluido en la imagen fotografiada (20), el punto clave correspondiente al punto de trabajo (P), en el que

el modelo de aprendizaje (70) se aprende de forma automática utilizando, como datos del entrenamiento (25), los datos de respuesta correcta (27) que indican una distribución de densidad de probabilidad del punto clave de la carne (5) incluido en la imagen fotografiada (20); y en el que

el modelo de aprendizaje (70) está configurado para generar una distribución de densidad de probabilidad del punto de trabajo (P) como los datos del punto de trabajo, que son datos relacionados con las coordenadas del punto de trabajo (P) en la carne (5).

2. Sistema de cálculo de punto de trabajo (10) para carne de acuerdo con la reivindicación 1,

en donde el modelo de aprendizaje (70) está configurado para generar un mapa de calor centrado en el punto de trabajo (P) que muestra la densidad de probabilidad.

3. Sistema de cálculo de punto de trabajo (10) para carne de acuerdo con la reivindicación 1 o 2,

en donde la imagen fotografiada (20) incluye una primera región (21) en la que se refleja una canal izquierda (5L) de ganado y una segunda región (22) en la que se refleja una canal derecha (5R) del ganado, y

en donde el al menos un punto de trabajo (P) incluye:

al menos un punto de trabajo izquierdo (P1, P2, P5) donde el robot (4) da trabajo en la canal izquierda (5L); y

al menos un punto de trabajo derecho (P3, P4, P6) donde el robot (4) da trabajo en la canal derecha (5R).

4. Sistema de cálculo de punto de trabajo (10) para carne de acuerdo con una cualquiera de las reivindicaciones 1 a 3,

en donde la imagen fotografiada (20) incluye una región prescrita (23) en la que se refleja una pluralidad de costillas (9) de la carne (5), y

en donde el modelo de aprendizaje (70) está configurado para emitir los datos del punto de trabajo para identificar el punto de trabajo (P) evitando la pluralidad de costillas (9).

5. Sistema de cálculo de punto de trabajo (10) para carne de acuerdo con una cualquiera de las reivindicaciones 1 a 4,

en donde el modelo de aprendizaje (70) es una red neuronal que incluye:

una primera capa intermedia (71) que incluye una primera neurona (81) donde se introducen los primeros datos que tienen la misma resolución que los datos de imagen de entrada (28); y

una segunda capa intermedia (72) que incluye una segunda neurona (82) donde los segundos datos que tienen la misma resolución que los datos de imagen (28) se introducen desde la primera neurona (81), y una tercera neurona (83) donde los terceros datos de baja resolución se introducen desde la primera neurona (81).

6. Sistema de procesamiento de carne (1), que comprende:

el sistema de cálculo de punto de trabajo (10) para la carne de acuerdo con una cualquiera de las reivindicaciones 1 a 5; y

el robot (4) configurado para dar trabajo al punto de trabajo (P) adquirido por la unidad de adquisición del punto de trabajo (12).

7. Sistema de procesamiento de carne (1) de acuerdo con la reivindicación 6,

en donde el robot (4) incluye:

un cortador (3) para cortar la carne (5) a lo largo de una línea de corte imaginaria (K, M) obtenida por los datos del punto de trabajo adquiridos por la unidad de adquisición del punto de trabajo (12).

8. Sistema de procesamiento de carne (1) de acuerdo con la reivindicación 6 o 7, que comprende además:

una fuente de luz blanca (7); y

un dispositivo de fotografía (8) configurado para fotografiar la carne (5) iluminada por la fuente de luz blanca (7) para generar la imagen fotografiada (20).

9. Sistema de procesamiento de carne (1) de acuerdo con una cualquiera de las reivindicaciones 6 a 8, que comprende además:

un dispositivo de fotografía (8) configurado para fotografiar la carne para generar la imagen fotografiada (20); y

un primer dispositivo de prensado (31) configurado para prensar la carne (5) a una posición alejada del dispositivo de fotografía (8) una distancia prescrita.

10. Sistema de procesamiento de carne (1) de acuerdo con la reivindicación 9,

en donde el primer dispositivo de prensado (31) incluye un par de primeros elementos de prensado (31A) configurados para entrar en un intervalo de fotografía del dispositivo de fotografía (8) y cada uno configurado para prensar la carne (5) en una posición que evita el punto de trabajo (P).

11. Sistema de procesamiento de carne (1) de acuerdo con la reivindicación 9 o 10, que comprende además:

un segundo dispositivo de prensado (32) configurado para prensar la carne (5) desde un lado opuesto al primer dispositivo de prensado (31) con una fuerza de prensado más débil que una fuerza de prensado del primer dispositivo de prensado (31).

12. Método de cálculo del punto de trabajo para la carne, que comprende:

una etapa de adquisición de datos de imagen (S11) de adquisición de datos de imagen (28) que indican una imagen fotografiada (20) de carne (5); y

una etapa de adquisición de punto de trabajo (S13) de adquisición de datos de punto de trabajo para identificar al menos un punto de trabajo (P) a ser dado trabajando por un robot (4) en la carne (5), caracterizado porque:

los datos del punto de trabajo se proporcionan ingresando los datos de imagen (28) adquiridos en la etapa de adquisición de datos de imagen (S11) a un modelo de aprendizaje (70) aprendido automáticamente utilizando, como datos de entrenamiento (25), los datos de imagen (28) y los datos de respuesta correcta (27) que indican un punto clave de la carne (5) incluido en la imagen fotografiada (20), el punto clave correspondiente al punto de trabajo (P); en el que

el modelo de aprendizaje (70) se aprende de forma automática utilizando, como datos del entrenamiento (25), los datos de respuesta correcta (27) que indican una distribución de densidad de probabilidad del punto clave de la carne (5) incluido en la imagen fotografiada (20); y en el que

en la etapa de adquisición del punto de trabajo (S13), se hace que el modelo de aprendizaje (70) genere una distribución de densidad de probabilidad del punto de trabajo (P) como los datos del punto de trabajo, que son datos relacionados con las coordenadas del punto de trabajo (P) en la carne (5).