Productherkenning
Van theorie naar praktijk
In een productie- of logistieke omgeving wil je vaak producten herkennen om bijvoorbeeld de volgende stap in het proces te achterhalen. Het kan hierbij gaan om het herkennen van naakte producten op basis van productkenmerken of van verpakte producten aan de hand van de visuele eigenschappen van de verpakking. AI maakt het mogelijk om producten te herkennen zonder menselijke tussenkomst. Afhankelijk van de context kan dit je verschillende voordelen geven, zoals bijvoorbeeld een tijdsreductie, een versnelde beslissingsboom, een foutreductie, of een hogere klantentevredenheid.
Toepassingen
Met behulp van een camera en computervisie - een AI-techniek - kun je producten herkennen zonder menselijke tussenkomst. Een camera maakt dan eerst foto's of video’s van de producten, waarna de computervisietechnologie het product herkent. Denk bijvoorbeeld aan een foto maken met je smartphone van het eten dat op je bord ligt, waarna je smartphone herkent welk eten het is. Deze technologie biedt verschillende voordelen.
Wanneer je bijvoorbeeld dagelijks veel producten verwerkt, wordt het snel onhoudbaar om deze handmatig te digitaliseren en te catalogiseren. Door productherkenning toe te passen, automatiseer je dergelijke routinetaken. Deze techniek kun je toepassen om een breed aanbod van verschillende producten te herkennen en te verwerken, maar ook voor het herkennen van verschillende types van één product. Denk daarbij bijvoorbeeld aan bonen op een lopende band te herkennen en deze vervolgens te categoriseren volgens typen.
In bepaalde gevallen wil je dat klanten zelf aan productherkenning doen. Denk bijvoorbeeld aan de self-checkout kiosken in supermarkten waar klanten zelf hun producten scannen. Momenteel gebeurt dat voornamelijk door barcodes te scannen, maar met computervisie kun je simpelweg de producten zelf herkennen. Zo moeten klanten niet zelf meer ingeven welk type exotisch fruit in hun boodschappenlijst zit, wat de klantentevredenheid verhoogt alsook misidentifcaties voorkomt. Deze toepassing is ook enorm relevant om mensen met een visuele beperking verpakte producten te helpen herkennen.
Wanneer je meer geavanceerde camera's gebruikt, gaan je mogelijkheden voor productherkenning verder open. In combinatie met een dieptecamera, kun je bijvoorbeeld niet enkele de vorm en grootte van aardappelen identificeren, maar zelfs de bultjes en kuiltjes op de aardappelen. Met behulp van hyperspectrale beelden en AI kun je dan weer accuraat de oplosbare vaste stoffen in appels herkennen, dit zonder de appels te beschadigen. Zo is het zelfs mogelijk om, met behulp van bijna-infrarood camera’s, eventuele bruinkleuring van de binnenkant van appels detecteren, ook dit zonder de appels te beschadigen. Deze vormen van productherkenning bieden veel mogelijkheden naar onder andere kwaliteitscontrole toe.
Ook in de landbouw biedt productherkenning voordelen. Met computervisie kun je automatisch de locatie en positie van appels aan appelbomen herkennen. Dit laat je toe om robotten aan te sturen die de appels plukken. Gelijkaardige systemen bestaat ook voor het plukken van andere fruit, zoals kersen. Voor meer informatie over computervisie in de landbouw verwijzen we door naar de toepassing slimme landbouw.
Vereisten
Data
- Beelddata van te herkennen items
- ~Geannoteerd. D.w.z. met aanduiding van hetgeen het algoritme straks hoort te herkennen.
Hardware
- Camera
- Optioneel: VR Bril
Algoritme
- Classficatiealgoritme voor beeldherkenning (wanneer we items willen herkennen)
- ~Convolutional neural network
- Regressie-algoritme voor beeldherkenning (wanneer we afmetingen/aantallen/... willen herkennen)
- ~Convolutional neural network
- Optical Character recognition + Natural language processing (wanneer we etiketten willen lezen en herkennen)
Aandachtspunten
- Je operationele processen zullen moeten veranderen. Waar toepassingen zoals bijvoorbeeld het voorspellen van verkoopcijfers een relatief lage impact hebben op het verloop van interne processen, veroorzaakt deze innovatie meer ingrijpende veranderingen. De organisatie moet nadenken over hoe de bedrijfsprocessen te reorganiseren zodat er een optimaal voordeel gehaald wordt uit de automatische productherkenning. M.a.w. er dient een proces van aflevering, herkenning, notificatie en verwerking uitgetekend te worden.
- Softwarematige integratie van systemen en toestellen is vereist. Afhankelijk van het voorziene bedrijfsproces moet er de nodige inspanning geleverd worden m.b.t. integratie van systemen en devices.
- Reeds bestaande toepassingen, zelfs uit andere domeinen, kunnen je een boost geven. Computervisie toepassingen lenen zich tot het gebruik van transfer learning. Bij transfer learning train je geen volledig model vanaf nul, maar start je met een performant model dat reeds getraind is op een andere – vaak generieke – computervisie toepassing. Vervolgens train en finetune je dit model verder aan hand van je eigen dataset.
- Zorg voor realistische trainingsdata. De dataset die gebruikt wordt tijdens training moet beelden bevatten die een realistische weergave zijn (kwaliteit, mogelijke beeldhoeken) van de beelden die straks in de operationele omgeving verwacht worden. Bijvoorbeeld, als je kistjes met appels wilt herkennen, dan bevat je trainingsdata best ook kistjes met appels en niet appels die aan een appelboom hangen.
- Trainingsdata dienen alle relevante situaties te bevatten. De dataset die gebruikt wordt tijdens training bevat alle mogelijke situaties die je verwacht te moeten herkennen tijdens de operationele periode. De dataset moet voldoende voorbeelden van elke situatie bevatten zodat het model subtiele verschillen zal leren herkennen.
Stappenplan
- Ontwikkelen en valideren van een aangepast bedrijfsproces met automatische productherkenning
- Ontwikkelen en implementeren van een test set up
- Identificeren van hardware-alternatieven (camera, VR bril, drone...), onderhandel proefperiodes en valideer de prestaties van de hardware
- Capteren van beelddata uit test set up
- Voorverwerken van beelddata
- ~Annoteren van beelddata
- ~Opsplitsen van training en test sets
- ~Normaliseren van beelddata
- Trainen van computervisie model
- ~Downloaden van voorgetraind model
- ~Trainen van model a.h.v. eigen dataset
- ~Finetunen van model parameters a.h.v. prestaties op validatieset
- Evalueren van model
- ~Evalueren van performantie op test data
- ~Evalueren van beperkingen dataset en/of model
- ~Go/no go beslissing
- Implementeren van operationele set-up
- ~Live data captatie
- ~Live data verwerking & dataopslag
- ~Deployen van getraind computervisie model
- ~Live integreren en presenteren van resultaat (VR bril, portable, scherm...)
- Monitoren van performantie
- ~Registreren van incorrecte herkenningen
- ~Vastleggen van frequentie waarmee nieuw algoritme getraind wordt
Partners
Hulp nodig bij de implementatie van deze AI-toepassingen?
Ontdek hier enkele technologiepartners.
