Ny robot tager slæbet på slagteriet

Slagteriarbejdere skal i løbet af en arbejdsdag håndterer de 7-12 kg tunge udskæringer igen og igen. Et pilotprojekt hos Danish Crown har nu vist, hvordan en robot med hjælp fra maskinlæring kan aflaste dem i løftearbejdet. Illustration: Danish Crown

Kulde, konstant arbejdstempo, tunge løft, høje hygiejnekrav – og en arbejdsproces, der aldrig kan sættes på pause. Det er grundvilkårene på et slagteri for både mennesker og maskiner.

Et nyudviklet robotsystem, der er det første af sin art i verden, skal nu lette arbejdsdagen for slagteriarbejdere ved at tage de tunge løft.

De nye robotter, der blandt andet er baseret på en industrirobot fra bilindustrien, er blevet udviklet af Danish Crown i samarbejde med en række teknologiproducenter.

Systemet, der har været fire år undervejs, omfatter fire forskellige robotter, i daglig tale kaldet juletræsrobotter.

Robotterne har til opgave at op- og nedtage store udskæringer af kød fra et såkaldt juletræ – et metalstativ der bruges på slagterier til kortvarig opbevaring af kødudskæringer.

Skinkehængene - af åbenlyse årsager også kendt som juletræer - bruges til midlertidigt ophæng og transport af udskæringerne. Illustration: Danish Crown

Op- og nedtagning af de 7-12 kilo tunge udskæringer er en tung, rutinepræget opgave, der tidligere tilfaldt slagteriarbejderne.

For nu kører systemet som et pilotprojekt som en del af produktionen på slagteriet i Blans. Med tiden skal robotterne installeres på alle Danish Crowns slagterier.

Maskinlæring gør robot klog på kød

Udviklerne hos Danish Crown har kunnet benytte eksisterende komponenter, men det har været nødvendigt at udvikle en ny algoritme til robotten.

En stor udfordring i udviklingen af systemet er, at udskæringer af kød i modsætning til komponenter i fx bilindustrien aldrig er helt ens.

Derfor har udviklerne udstyret robotterne med en nyudviklet algoritme baseret på maskinlæring. På den måde har Danish Crown taget eksisterende hardware fra forskellige producenter og bundet den sammen ved hjælp af sin egen, nyudviklede algoritme.

Algoritmen, der løbende bliver klogere, gør det muligt for robotterne at genkende forskellige udskæringer – og beslutte hvordan de skal håndteres.

»Du har et materiale, der er blødt, uensartet og som ligger tilfældigt. Det gør det svært for en almindelig robot med et gribeværktøj. Det stiller enorme krav til algoritmen, hvis robotten skal kunne gribe udskæringerne og hænge dem op,« siger Henrik Andersen, der er teknisk direktør hos Danish Crown.

Ifølge direktøren har arbejdet med gradvist at gøre algoritmen klogere været en stor del af projektet. Som det er nu, kan juletræsrobotterne arbejde med udskæringer af bov, skinke, brystflæsk og kam.

»Vi er nået dertil, hvor algoritmen kan genkende fire forskellige udskæringer og ret pålideligt hænge dem op og tage dem ned. Det med pålideligheden er vigtigt. På et slagteri kan man ikke bare stoppe arbejdsflowet. Vi sigter mod en oppetid på over 99 procent.«

Derudover er det ifølge Henrik Andersen vigtigt, at robotten er robust nok til at fungere pålideligt under de særlige vilkår, der er på et slagteri.

»På et slagteri skal der være rent – og der bliver gjort rent med 82 grader varmt vand ved 102 bar. For en robot er det et utroligt barskt brugsmiljø.«

Skal aflaste slagteriarbejdere

Ifølge en ny undersøgelse fra Det Nationale Forskningscenter for Arbejdsmiljø er slagteriarbejdere blandt de faggrupper, der har de fysisk mest krævende job.

Undersøgelsen, der er baseret på spørgeskemaundersøgelser, rangordner mere end 50 forskellige faggrupper ud fra, hvor fysik krævende deres job er fra et rent ergonomisk perspektiv.

Her kommer kategorien nærings- og nydelsesmiddel- industrimedarbejder, der også omfatter slagteriarbejdere, ind på en femteplads - kun overgået af malere, murere, VVS’ere, tømrere, snedkere og rengøringsassistenter.

Ifølge Henrik Andersen er robotprojektet også en mulighed for at aflaste slagteriarbejderne fra de mest tunge arbejdsopgaver. Hos Danish Crown håber man at dette kan være med til at gøre jobbet som slagteriarbejder mere attraktivt.

»Før i tiden har det hér været manuelt arbejde. Hvert stykke kød vejer mellem 7 og 12 kilo, og slagteriarbejderen løfter mellem 600 og 700 stykker i timen. Derfor er det nødvendigt at rotere personalet, men det er stadig hårdt arbejde. Så det her en aflastning. Det handler både om at være en konkurrencedygtig men også attraktiv arbejdsplads.«

Kræver opgradering af kompetencer

Ifølge Henrik Andersen er der store muligheder i introduktionen af robotter med maskinlæring på slagterierne. Det kræver dog også en opgradering af medarbejdernes færdigheder i forhold til at arbejde sammen med maskiner.

»Det kræver en opgradering af vores medarbejdere i retning af at blive industrioperatører, der kan foretage fejlsøgning på maskinen og vurdere om tingene kører rigtigt, fremfor at stå på linjen selv.«

Ekspert: Kombination af maskinlæring-discipliner

Ifølge Ole Winther, der er professor ved KU og i Data science ved DTU, hvor han forsker i maskinlæring. er slagterirobotten et godt eksempel på, hvordan man kan kombinere forskellige typer af maskinlæring for at løse en opgave.

Robotten skal nemlig først se og genkende kødudskæringerne. Her bruger den billedgenkendelse baseret på dybe neurale netværk.

»Fortolkningen af det, robotter ser, er blevet markant bedre i løbet af de seneste år, hvor man er blevet bedre til at bruge dybe neurale netværk. Siden 2011 har udviklere af maskinlæring afholdt konkurrencer, hvor de træner algoritmer i at genkende objekter ud fra store sæt af fotos – fx en million fotos med tusind billedkategorier.«

Kompleks opgave med belønning

Ifølge Ole Winther begynder det virkeligt svære for alvor, når man skal lære robotten at planlægge og udføre opsamling, ophængning eller nedtagning af kødstykket. Til det bruger robotten en algoritme baseret på såkaldt selvforstærkende læring (reinforcement learning, red.).

»En ting er genkendelse. Noget andet er, at man lærer robotarmen at planlægge og udføre en handling. Her bruger man noget mere avanceret maskinlæring, hvor algoritmen får en belønning, når den udfører en mere kompleks handling korrekt.«

Stort fremtidspotentiale for maskinlæring

Ifølge Ole Winther har vi kun set toppen af isbjerget i forhold til antallet af arbejdsopgaver, som maskiner kan overtage ved hjælp af maskinlæring.

Det skyldes blandt andet, at der arbejdes samtidigt på mange forskellige anvendelser verden over. Dermed stiger den samlede mængde af opgaver, som kan løses hver gang en virksomhed får et gennembrud indenfor sit eget område.

»Man kan virkelig forestille sig mange områder, hvor disse teknologier bryder igennem. Fx indenfor landbrug, hvor man kan opnå en mere nænsom besprøjtning af marker – eller indenfor lagerarbejde, hvor en virksomhed som Amazon er nået langt. Når man først har løst et givet problem, kan man sælge løsningen mange andre steder.«