Detectie vervallen producten
Van theorie naar praktijk
Automatisch een waarschuwing krijgen wanneer jouw producten de vervaldatum naderen of reeds vervallen zijn. In principe heb je hiervoor geen menselijke tussenkomst nodig, wat helpt om jouw productieproces te automatiseren. Dit is enorm voordelig wanneer je verse producten hebt, omdat je in realtime je producten in de gaten kan houden.
Toepassingen
In combinatie met een zogenaamde elektronische neus kan AI vervallen producten automatisch detecteren. Zo is het bijvoorbeeld mogelijk om vervallen geklaarde boter te herkennen, maar ook vervallen saffraan of eetbare olie. In ieder van die gevallen worden chemische componenten die samengaan met verval van een bepaald product gedetecteerd door de elektronische neus. Bij rauwe melk kan dat bijvoorbeeld formaline en natrium hypochloriet zijn. Die elektronische signalen worden met behulp van AI dan gerangschikt in verschillende niveaus van verval. Zo krijg je een mooi overzicht van de kwaliteit van je producten zonder menselijke tussenkomst.
Wanneer je verse producten produceert, is het ook voordelig om het verval van producten makkelijk in de gaten te kunnen houden. Zo kun je bijvoorbeeld met behulp van computervisie en een elektronische neus de versheid van spinazie in de gaten houden. Dit laat je toe om sneller in te spelen op verval en je hoeft geen chemische producten te gebruiken om het verval te detecteren.
Wanneer producten reeds verpakt zijn, wil je soms ook graag weten of de producten nog niet vervallen zijn. Denk bijvoorbeeld aan wanneer de producten in opslag liggen. Ook daarbij kan AI je helpen. Met behulp van computervisies kun je automatisch de vervaldatum op de verpakking van voedingsproducten detecteren. Dit verzekert dat je enkel kwalitatieve producten naar je klanten stuurt.
Vereisten
Data
- Images (of sensor data) van vervallen én niet-vervallen producten
- Optioneel: Historische gegevens over vervallen én niet-vervallen producten/grondstoffen inclusief
- ~Productieomstandigheden
- ~Bewaaromstandigheden
- ~Transportomstandigheden
Hardware
- Camera
- Optioneel: Sensoren
- Verhoogde capaciteit voor opslag en verwerking van image data
Algoritme
- Voor images
- ~Convolutional neural networks
- Voor niet-images
- ~Neuraal netwerk
- ~Recurrent neuraal netwerk
- ~Extreme gradient boosting / Ensembletechnique
- Voor combinatie van image data en tabulaire data
- ~Hybride neuraal netwerk met convolutional layers en dense layers
Aandachtspunten
- Denk na over de manier waarop je camera’s en sensoren installeert. Installatie van camera en/of andere sensoren om producten/grondstoffen te kunnen monitoren moet op een beredeneerde manier gebeuren. Dit gaat niet enkel over selectie van het juiste materiaal (met een vereiste accuraatheid, mobiliteit, bestendigheid tegen omstandigheden etc.), maar ook om de positionering.
- Je gaat de oplossing moeten aanleren wat vervallen en wat niet vervallen is. Trainen op image data vergt typisch grote hoeveelheden gelabelde data.
- ~Labelen van bestaande images (of sensor output) als komende van vervallen dan wel niet-vervallen producten, is intensief manueel werk
- ~Vertrekken van reeds bestaande computervisie modellen is een optie, maar deze zullen nog steeds specifiek getraind moeten worden op de eigen data
- Verwerken van beelddata vergt capaciteit. In vergelijking met doorsnee tabulaire data, vergt image data aanzienlijk meer capaciteit qua opslag en verwerking
- Er zijn meerdere varianten van deze oplossing. Het model kan bijvoorbeeld een voorspelling maken van de graad van bederf (als numerieke waarde of een geordend label). In dit geval gebruik je een regressie-algoritme tijdens training. Voor binaire voorspellingen (bedorven of niet / type bederf ) heb je nood aan een classificatiealgoritme. Wanneer je wilt dat je model aangeeft waar op het beeld het bederf gedetecteerd werd, dan gebruik je opnieuw een regressie-algoritme.
- Complexiteit van de oplossing kan verhogen naargelang de vereisten. Trainen van een binair model dat onderscheid maakt tussen een vervallen en een niet-vervallen object is relatief eenvoudig. Complexere oplossingen kunnen eventueel nodig zijn in de praktijk.
- ~Tellen van het aantal vervallen items in een image
- ~Aanduiden van vervallen items (tussen niet-vervallen items) in een image
- ~Differentiëren tussen vervallen items, op het randje van vervallen, verwerkbaar, verkoopbaar etc.
- Zorg voor een voldoende diverse dataset. De dataset moet zoveel mogelijk vormen/uitingen van te detecteren bederf kunnen ontdekken en moet tegelijk een meerderheid aan beelden bevatten van producten zonder sporen van bederf. Je model kan enkel producten zonder bederf herkennen als het dit expliciet geleerd heeft.
Stappenplan
- Installeren van test-set up voor capteren van beeld-data, inclusief test-aanschaf drones/voertuig, camera
- Verzamelen beelddata van producten met en zonder bederf
- Voorbereiden van data-materiaal
- ~Annoteren van beelddata.
- ~~Aanduiding van: graad van bederf en/of locatie van bederf op product
- ~~Of aanduiding van locatie van bederf (kan ook NA zijn)
- ~Opsplitsen in training en test set
- ~Normaliseren van data
- Trainen van algoritme
- ~Downloaden van pre-trained model
- ~Verder trainen van pre-trained model op training set
- ~Finetunen van model op validatieset
- Evalueren van model performance op test set
- ~Bekijken van fout-voorspelde beelden
- ~Bepalen van verbeteracties
- Integreren van getraind model in test set up
- Operationaliseren van test set up
- ~Operationaliseren van beeldapparatuur en eventueel voertuig
- ~Operationaliseren van data pipeline
- ~Koppelen van detectieresultaten aan meldpunt of dashboard
Interessante links
Partners
Hulp nodig bij de implementatie van deze AI-toepassingen?
Ontdek hier enkele technologiepartners.
