Capgemini et SEeMAx améliorent la détection automatisée de la qualité des oeufs

Les oeufs sont des produits instables et hétérogènes, ils présentent une variabilité naturelle, liée principalement à l’âge de la poule pondeuse. Des méthodes de production planifiées et des procédures efficaces de contrôle de la qualité permettent de limiter la variation des oeufs en triant les oeufs qui seront proposés au consommateur de ceux qui seront utilisés par l’industrie agro-alimentaire ou la pharmacie.

En 2018, une équipe Capgemini spécialisée dans le domaine de l’intelligence artificielle a réussi à implémenter des algorithmes de deep learning dans les systèmes SEeMAx, introduisant une plus grande souplesse dans les critères de tri. Depuis, la machine a appris à distinguer une fissure d’une rayure pour apporter une réponse et une solution au problème des fausses fissures et des oeufs rejetés par erreur.

L’IA, et les oeufs

Avec ces nouveaux systèmes, un oeuf n’est plus bon ou mauvais comme sur les premières versions : il est réparti dans 20 classes différentes issues de l’apprentissage sur des milliers d’oeufs. Dès l’installation de ce module d’intelligence artificielle, Rica Granja a pu conserver 1,8 million d’oeufs (1% de sa production annuelle de 180 millions d’oeufs) qui auparavant étaient déclassés vers l’industrie agro-alimentaire au lieu d’être consommés.

Résultat

Grâce au deep learning (méthode d’apprentissage) et aux algorithmes développés par les data scientists de Capgemini, la solution SEeMAx augmente le taux de détection des oeufs, permet de réduire les faux-rejets et garantit la sécurité sanitaire. Ainsi, le producteur valorise au mieux sa production tout en garantissant une sécurité sanitaire accrue.

Au-delà des améliorations de productivité et des performances globales qu’ont permis d’apporter l’implémentation de cette solution d’IA, cette dernière a également été optimisée pour réduire son impact environnemental.

En effet, face à des données trop spécifiques, il n’a pas été possible d’utiliser des méthodes de « transfer learning » pour ce projet malgré les gains énergétiques potentiels de cette approche. Le modèle personnalisé a donc nécessité environ 500 heures d’entrainement sur une infrastructure privée en France. De plus, le modèle a été optimisé grâce à un framework qui a permis d’obtenir des gains de performance de temps d’exécution 10 fois supérieur pour un même coût énergétique d’entrainement. Le coût lié à cette phase d’entrainement représente donc 9,38 kg eqCO2 soit l’équivalent de la production de 4 kg de tomates ou un steak de bœuf de 250 g !

En ce qui concerne la phase de production, au vue des performances de tri apportées par l’IA, chaque œuf produit a ainsi réduit de 1% son empreinte carbone. La consommation énergétique supplémentaire liée à cette solution d’IA représente environ 100wh pour une cadence de 30 000 œufs triés par heure.

Ainsi, chaque heure de production effectuée dans l’usine permet d’économiser environ 65,9 kg eq CO2 (sur la base d’un coût de 221g eqCO2 par œuf produit). La phase d’apprentissage aura été compensée en 10 minutes de production.