Robotica
Van theorie naar praktijk
Door AI toe te passen in robotica, krijg je robotten die veel slimmer, behendiger en flexibel zijn. Hierdoor kunnen ze taken uitvoeren die voordien nog door mensen uitgevoerd moesten worden. Dat versnelt je productieproces, maar vermijdt tegelijkertijd ook menselijke fouten en verhoogt, in bepaalde gevallen, de hygiëne.
Toepassingen
In de voedingsindustrie is het niet altijd makkelijk om robotten in te zetten door de grote variatie tussen producten of zelfs binnen één product. Eén appel kan bijvoorbeeld al snel wat groter of delicater zijn dan de andere. Door robotten te combineren met AI, kun je ze een pak slimmer en behendiger maken waardoor dergelijke variaties geen probleem zijn. Met behulp van computervisie, kan een robot bijvoorbeeld herkennen hoe een product georiënteerd ligt op een lopende band en op basis daarvan de juiste grip selecteren. Dat versnelt je proces en zorgt voor minder foutjes.
Robotten inzetten resulteert ook in minder menselijke contact met voedingsproducten, wat het risico op ziektes verminderd. Op zich is dat niets nieuws, maar AI brengt nieuwe mogelijkheden met zich mee. Zo kun je robotten inzetten voor fysiek complexere taken die gewone robots doorgaans niet kunnen uitvoeren, zoals het bakken, kruiden en presenteren van frieten (zie de toepassing veiligheid en hygiëne).
Tot slot helpen robotten de landbouw te verbeteren en te versnellen. Zo helpen drones – vliegende robotten zeg maar - met het sproeien van gewassen en het monitoren van het veld vanuit de lucht. Ook dat is in principe niets nieuws, maar drones brengen veel meer automatisering en flexibiliteit met zich mee. Denk bijvoorbeeld aan drones die visueel detecteren welke gewassen besproeid moeten worden (en welke niet), en vervolgens zelf een pad uitstippelt voor automatisch te sproeien. Robotten verlichten ook de fysieke arbeid door bijvoorbeeld bij te staan in het mechanisch wieden van onkruid zonder chemische producten voor onkruidbestrijding te gebruiken (zie de toepassing slimme landbouw).
Vereisten
Data
- Beelden van te bewerken item op productielijn
- ~Vanuit het standpunt van de robot-camera
- ~Met coordinaten-aanduiding van de te bewerken plaats
Hardware
- Camera
- Robot
Algoritme
- Classificatie-algoritme voor beelddata
- ~Convolutioneel neuraal netwerk
Aandachtspunten
- Train je algoritme op relevante en realistische beelddata. Beelden die gebruikt worden om het algoritme te trainen moeten genomen worden vanuit het standpunt van de robot-camera in de productielijn.
- Annotatie van beelddata is vereist en vergt tijd. Voor elk beeld moet aangegeven worden (1) wat de coördinaten zijn waarop de robotarm de voorziene handeling dient uit te voeren en (eventueel 2) welke handeling uitgevoerd dient te worden.
- Er is niet steeds een actie nodig. Ook beelden van items waarop geen handeling kan/mag uitgevoerd worden moeten onderdeel uitmaken van de training-set. De robot moet straks immers ook kunnen herkennen wanneer er geen actie uitgevoerd mag worden.
- Benodigde hoeveelheid data hangt of van variatie in productielijn. Voor het trainen van computervisie oplossingen is typisch erg veel beeldmateriaal nodig. Productielijnen met een hoge graad van standaardisatie en controle bevatten minder variatie en behoeven daarom in principe minder beeldmateriaal dan meer volatiele productielijnen.
- Enkel getrainde situaties zullen herkend worden. Hou er echter rekening mee dat een robot enkel accuraat kan reageren op situaties (beelden) waarop getraind is. D.w.z. de robot zal nooit een actie ondernemen die niet getraind is en zal enkel uit puur toeval de juiste handeling uitvoeren bij een ongeziene situatie. De reactie op een ongeziene situatie is onvoorspelbaar, maar zal 1 van de getrainde handelingen zijn. D.w.z. als er ooit “geskipt” moet worden, dan moet je de robot ook leren skippen op beelden waarop geskipt hoort te worden.
- Bestaande oplossingen, zelfs uit andere domeinen, kunnen een boost geven. Computervisie modellen laten toe om gebruik te maken van transfer learning. D.w.z. dat je vaak betere resultaten verkrijgt wanneer je vertrekt van een model dat reeds getraind is voor een andere toepassing om dit vervolgens verder te trainen op je eigen data.
Stappenplan
- pstellen van een representatieve test-setup inclusief beelddata pipeline
- Verzamelen van representatief beeldmateriaal vanuit correct camerastandpunt
- ~Verzamel beeldmateriaal
- ~Annoteer de te verwachten output (bijv. Coördinaten) per beeld
- ~Normaliseren en eventueel bijsnijden/padden van beeldmateriaal
- ~Opsplitsen in training en representatieve test set
- Trainen van een computervisie model
- ~Downloaden van pre-trained model
- ~Aanpassen van pre-trained model
- ~Trainen van model op eigen beeldmateriaal
- ~Finetunen van model
- ~Evalueren van model
- Evalueren van model in test-setup, inclusief signaal naar robot-arm
- Operationaliseren van oplossing
- ~Afstellen camera en robot-arm
- ~Implementeren beelddata pipeline
- ~Deployment van computervisie model
- ~Connecteren outputs computervisie model met aansturing robot-arm
- Monitoren van oplossing
Interessante links
Partners
Hulp nodig bij de implementatie van deze AI-toepassingen?
Ontdek hier enkele technologiepartners.
