Kwaliteitscontrole
Van theorie naar praktijk
Een goede kwaliteitscontrole voorkomt dat weinig kwalitatieve producten bij je klanten terecht komen. AI kan je een overzicht geven van welke producten voldoen aan de beoogde kwaliteitsvereisten en welke niet. Ten opzichte van kwaliteitscontroletechnieken zonder AI, kun je de controlesnelheid verhogen, een betere performantie krijgen en de afhankelijkheid van menselijke operators verminderen.
Toepassingen
Voedingsproducten zijn niet altijd van dezelfde kwaliteit. Daarom wil je soms graag de kwalitatieve en minder kwalitatieve producten van elkaar scheiden. AI kan bij dit scheiden een rol spelen. Zo kun je bijvoorbeeld met behulp van computervisie de kwaliteit van zwarte peper visueel beoordelen, inspectie van de distributie en uniformiteit van schimmel op blauwe kaas uitvoeren, de visuele kwaliteit van champignons bepalen met behulp van kleur, oppervlakte, gewicht en volume of de kwaliteitsgraden van gemalen rijst bepalen.
Met behulp van sensorische evaluaties en verschillende instrumenten, zoals chemische analyses en een elektronische tong, is het ook mogelijk om de smaakkwaliteit van voedselproducten te beoordelen met AI. Zo kun je de kwaliteit van thee beoordelen, maar ook die van citroenschijfjes, grondnoot, kaas of chocolade. Een groot voordeel bij deze technieken is dat je minder afhankelijk wordt van proefpanels of proefexperts, en zo tijd- en organisatiekosten uitspaart. AI hoeft deze niet helemaal te vervangen, maar kan een hulpmiddel zijn om minder ervaren proevers - zoals bijvoorbeeld koffieboonboeren - te helpen om een schatting te geven van de smaakkwaliteit van koffiebonen.
Anderzijds is het tijdens een kwaliteitscontrole soms ook belangrijk om ongewenste eigenschappen te detecteren. Met computervisie is het zo mogelijk om schade door koude bij perziken visueel te detecteren. Ook visuele defecten op komkommers herkennen is een mogelijkheid.
Natuurlijk wil je soms dat een controle verder gaat dan puur wat je visueel ziet. Ook daar kan AI een rol in spelen. Met behulp van sensoren kan AI ook antibiotica in koeienmelk herkennen om zo de kwaliteit te waarborgen.
Kwaliteit heeft uiteraard niet enkel betrekking op voeding. Met AI kun je bijvoorbeeld ook kijken of je verpakking in orde is. Zo kun je automatisch kijken of je verpakking informatie mist, zoals vervaldatums.
Vereisten
Data
- Beelddata en/of periodieke metingen van sensoren
Hardware
- Camera of sensoren
Algoritme
- Classificatie-algoritme en/of regressie algoritme
- ~Voor beelddata: variant van convolcutioneel neuraal netwerk
- ~Voor sensor data: Recurrente neurale netwerken of meer klassieke methodes zoals support vector machines, decision trees of ensemble techniques.
Aandachtspunten
- Domeinexperten kunnen zeer waardevolle input aanleveren. Gebruik hun kennis om te identificeren welke data je zou moeten capteren, welke bijkomende features je kan engineeren, welke time windows redelijkerwijs gekozen kunnen worden etc.
- Manuele labeling is zeer arbeidsintensief. In de ideale wereld heb je voor elke case in je dataset een aanduiding nodig van de werkelijke kwaliteit. Mogelijk moet dit nog manueel geregistreerd worden, hetgeen een arbeidsintensief proces is.
- Manuele labeling kan sneller of goedkoper gemaakt worden, maar dit is niet foutloos. Anomalie detectie of een clusteringtechniek kan een aanzet doen tot labeling, maar deze zullen niet volledig autonoom werken en moeten voorzien worden van review en feedback. Hiernaast heb je zogenaamde semi-supervised of omni-supervised learning technieken die speciaal ontworpen zijn om met beperkt gelabelde data te werken. Ook hier zal je nog steeds een minimum hoeveelheid cases manueel moeten labelen. Tenslotte is er steeds de mogelijkheid om je manuele labeling te outsourcen. In dit geval moet je uiteraard monitoren dat je outsourcing partner deze labeling correct uitvoert.
- Valideer performance op een representatieve dataset. Dit is bij uitstek waar wanneer je gebruik maakt van een visuele kwaliteitscontrole op basis van beelddata. Je kan je algoritme – op zijn minst in theorie - trainen op eender welke dataset van beelden. De prestaties van je oplossing mag je enkel echter aftoetsen op basis van beelden die je straks ook echt in de praktijk verwacht. D.w.z. zelfde kwaliteit, hoek, lichtinval etc. als de beelden die je straks met je productie-camera zal maken.
- Voorzie tijd voor het evalueren va je hardware opstelling. Indien je gebruik maakt van beelddata of sensor-data, dan zal je straks je camera en/of je sensoren moeten introduceren in je warehouse of je productielijn. Valideer dat de opstelling die je voor ogen hebt haalbaar is en onder productieomstandigheden data van de gewenste kwaliteit kan doorsturen. Vraag indien mogelijk een trial periode aan om materiaal van verschillende leveranciers te testen en te vergelijken.
Stappenplan
- Bepalen TO BE werking van operationeel proces incl. kwaliteitscontrole
- Bepalen mogelijke inputeigenschappen voor kwaliteitscontrole. Beelddata, sensor data...
- Indien nodig, proefopstelling voor data captatie met eventuele try-out van verschillende types en merken hardware. Inclusief data captatie-fase voor Proof of Concept versie van het algoritme.
- Ontwikkelen van data pipeline inclusief ontsluiten en centraliseren van beelddata en sensordata.
- Voorverwerken van gecapteerde data
- ~Verwerken van outliers en missing values
- ~Eventuele feature engineering om data die impliciet aanwezig is in de dataset expliciet beschikbaar te maken.
- ~Eventuele manuele labeling van cases met hoge en lage kwaliteit, afhankelijk van de gewenste niveaus.
- ~Opsplitsen in train/test split.
- ~Standaardiseren/normaliseren van data.
- Trainen van algoritme
- Valideren van accuraatheid
- Operationaliseren van oplossing
- ~Operationaliseren van data pipeline
- ~Ontplooien van getrainde oplossing
- ~Operationaliseren van TO BE operationeel proces inclusief automatische kwaliteitscontrole
- Monitoren van geautomatiseerde beslissingen
Partners
Hulp nodig bij de implementatie van deze AI-toepassingen?
Ontdek hier enkele technologiepartners.
