Automatische sortering
Van theorie naar praktijk
Het automatisch sorteren van producten op basis van kenmerken zoals kleur, grootte, gewicht, type, zoetheid, samenstelling, etc. Een automatische sortering kan zorgen voor een versnelde productselectie, verhoogde productkwaliteit, meer afgelijnde grenzen van productcategorieën, minder afhankelijkheid van menselijke arbeid, etc.
Toepassingen
Misschien heb je reeds gehoord van AI dat voedingsproducten sorteert op basis van kenmerken zoals gewicht, afmetingen of visuele aspecten. Een goed voorbeeld daarvan is visueel beschadigde of bedorven appels scheiden van gezond ogende appels.
Maar AI kan ook minder voor de hand liggende kenmerken beoordelen. Zo is het voor bepaalde producenten bijvoorbeeld relevant om fruit en groenten te sorteren op basis van hun rijpheid of zoetheid. Zo zijn verschillende tools ontwikkeld om exact dat te doen met mango’s, bananen, paprika’s, tomaten, passievruchten en ananassen.
Andere producenten vinden het dan weer makkelijk om verschillende types uit één productcategorie van elkaar te scheiden. Ook dat is mogelijk met AI, bijvoorbeeld om verschillende soorten koeken te sorteren, maar ook verschillende types rijst, thee, gerstemeel, koffiebonen, zaden, gedroogde vijgen en voedselpoeders.
Soms willen producenten dan weer kwalitatieve van minder kwalitatieve oogsten onderscheiden. Een combinatie van AI met een synthetische neus kan zo wijnen van verschillende kwaliteiten onderscheiden. Met behulp van spectroscopie is het dan weer mogelijk om zwarte thee van verschillende kwaliteiten te sorteren.
Met wat creativiteit kun je nog veel meer doen met AI, zoals honing sorteren op basis van hun antioxidanten niveau en mandarijnen indelen op leeftijd door hun schil te analyseren. Je hoeft je echter niet beperkt te houden tot het sorteren van voeding. Je kan bijvoorbeeld ook verpakkingen van eten en verpakkingen van dranken onderscheiden.
Vereisten
Data
- Beelddata van items/producten en hun correcte sortering
- ~Concreet: voor elke mogelijke sortering een set (duizenden en meer) van beelddata, gecapteerd vanuit de productielijn.
Hardware
- Camera of sensordata
- Storage & processing van beelddata
Algoritme
- Classificatie-algoritme
- ~Convolutioneel neuraal netwerk
Aandachtspunten
- Representatieve data een absolute noodzaak. Een algoritme voor beeldherkenning moet getraind worden op beelddata die representatief zijn voor de beelden die het straks in de operationele setting zal moeten herkennen. M.a.w. de beelden in de training-set worden best genomen met hetzelfde materiaal dat ook tijdens productie de beelden zal capteren, vanuit dezelfde hoek, met dezelfde lichtinval, sluitertijd…
- Datacaptatie vergt mogelijk tijd. Wellicht dient er een periode voorzien te worden waarin enkel aan datacaptatie gedaan wordt. Er kunnen periodiek modellen getraind worden op deze beperkte dataset om te monitoren (aan hand van performantie) vanaf welk moment er voldoend beeldmateriaal verzameld werd voor een doorgedreven training en optimalisatie van een model.
- De gewenste sortering moet gekend zijn tijdens het trainen van het model. Tijdens training moet het algoritme weten hoe de verkregen beelden uiteindelijk gesorteerd werden. Mogelijk is het een manueel proces om alle beelden correct te labelen.
- Bestaande oplossingen kunnen helpen. Computervisie modellen zoals hier nodig laten typisch transfer learning toe. Bij transfer learning bouw je geen model op vanaf nul, maar start je van een model dat reeds getraind werd op generieke beelddata. Vervolgens specialiseer je dit model door verder te trainen op beelddata die specifiek is voor de eigen casus.
Stappenplan
- Organiseer captatie van beelddata
- ~Plan en implementeer test setting in productielijn voor captatie van geschikte beelddata
- ~Evalueer kwaliteit van beelddata en voer nodige wijzigingen door
- Voorbereiden dataset
- ~(Manueel) labelen van gecapteerde beelddata
- ~Opsplitsen van data in training, validatie en test set
- ~Normaliseren van beelddata
- Trainen van computervisie model
- ~Downloaden/aankopen pre-trained computervisie model
- ~Verder trainen van pre-trained model a.h.v. eigen trainingsdata
- ~Finetunen van model op basis van prestaties op validatieset
- ~Evalueren van performantie op basis van test set
- Operationaliseren van oplossing
- ~Bouwen van operationele data captatie
- ~Bouwen van operationele data transformatie pipeline
- ~Deployen van geoptimaliseerd computervisie model
- ~Koppeling voltooien met sorteringsmechanisme
- Performantie van model monitoren en verbeteren
Partners
Hulp nodig bij de implementatie van deze AI-toepassingen?
Ontdek hier enkele technologiepartners.
