Veiligheid en hygiëne
Van theorie naar praktijk
Als voedingsproducent zijn hygiëne en veiligheid een topprioriteit voor jou. Het routinematig schoonmaken van productiemateriaal, het toezicht houden op hygiëne- en veiligheidsstandaarden, en het detecteren van ziekteverwekkende stoffen horen daar allemaal bij. AI kan je bij al deze aspecten helpen efficiënter schoon te maken, machines in optimale condities te houden en makkelijker de hoogste hygiëne- en veiligheidsstandaarden te hanteren.
Toepassingen
Het routinematig schoonmaken van productiemateriaal vergt vaak veel tijd, maar ook water, energie en chemische producten. Je wil dus graag het schoonmaken zo efficiënt mogelijk laten verlopen, zonder in te perken op hygiëne. AI kan je enerzijds een inzicht geven in welke schoonmaakmethoden en –materialen de beste uitkomsten zullen hebben op jouw productiemateriaal. Zo verkrijg je meer efficiëntie en voorkom je het onnodig verbruik van schoonmaakmiddelen.
In sommige instanties is het echter moeilijk om te detecteren wanneer vuil effectief verwijderd is. Denk daarbij bijvoorbeeld aan de binnenkant van een pijpensysteem. Met behulp van lage kosten, ultrasone sensoren kan AI een duidelijk beeld geven van de overgebleven vuil in pijpen. Ook hier voorkom je zo het onnodig veel schoonmaken. Met behulp van zogenaamd predictief AI, kan je ook het ideale moment voor schoon te maken voorspellen. Dat helpt je een betere schoonmaakplanning te maken en je machines in een optimale conditie te houden.
Je wil als voedingsproducent natuurlijk ook voldoen aan de hoogste hygiëne- en veiligheidsstandaarden. AI kan je helpen om die standaarden te bereiken. Denk bijvoorbeeld aan beeldherkenning om hygiëne- of veiligheidsovertredingen in keukens visueel te monitoren. Hierbij herkent AI via een camera wanneer een overtreding wordt begaan, zoals personeel zonder mondmaskers, onbekenden die de keuken binnenkomen, of muizen die door de keuken lopen. Het management krijgt dan automatisch een verwittiging en kan de overtredingen in real-time of achteraf behandelen, wat zorgt voor een efficiëntere supervisie.
AI geeft je ook meer mogelijkheden om met robotten de hygiëne te verhogen. Menselijk contact met voedingsproducten brengt het risico van besmetting met zich mee. Doordat robotten met AI complexe taken kunnen uitvoeren, zoals het bakken, kruiden en presenteren van frieten en andere producten, valt dat risico grotendeels weg.
Als voedingsproducent maak je je misschien ook zorgen over de aantasting van voedsel door bacteriën, schimmels, carcinogene stoffen, of vreemde voorwerpen. AI kan je al deze elementen helpen detecteren. Zo detecteert AI schimmels op gewassen zoals chili, katoen en suikerriet, maar ook bacteriën zoals Salmonella Enteritidis en listeria monocytogenes in productieomgevingen. Het voorspellen van de carcinogeen benzo[a]pyrene in gerookt vlees behoort ook tot de mogelijkheden. Bij het verpakken kan het wel eens gebeuren dat vreemde voorwerpen in het voedsel belanden. Met behulp van AI kun je deze afwijkingen snel detecteren om te voorkomen dat deze bij klanten belanden.
Ongedierte vormt ook een groot probleem bij de veilige opslag van voedingstoffen. Kevers zoals de rijstklander of r. dominica kunnen bijvoorbeeld veel schade toebrengen aan rijstgranen. Met behulp van een elektronische neus kunnen deze kevers snel gedetecteerd worden met een perceptiescherpheid moeilijk te bereiken voor mensen. Hetzelfde is mogelijk met andere graansoorten, zoals bijvoorbeeld bij tarwegranen geïnfecteerd door graankevers.
Tot slot kan AI ook helpen om bijvoorbeeld boeren ziektes in hun gewassen te laten herkennen via een zogenaamd expertsysteem. Een expertsysteem wordt in samenwerking met experts gemaakt om de kennis van die experts na te bootsen. Dat is gemakkelijk omdat mensen met weinig kennis van de ziektes zelf een diagnose kunnen uitvoeren en gepaste actiepunten formuleren, zoals bijvoorbeeld bij bananen of mais.
Vereisten
Data
- Beeldmateriaal van werken met en zonder te voldoen aan veiligheidsvoorschriften
Hardware
- Capaciteit voor opslag en verwerking van beelddata
- Camera
Algoritme
- Classificatie-algoritme voor beelddata
- ~Convolutioneel neuraal netwerk
- ~Recurrent neuraal netwerk
Aandachtspunten
- Overschrijd geen ethische grenzen. Het constant monitoren van een werkplek is ethisch gezien een erg gevoelig topic. Zorg ervoor dat (1) je zeker bent dat de veiligheidsrisico’s groter zijn dan de privacy risico’s (2) duidelijke afspraken maakt met interne stakeholders en (3) voldoende maatregelen neemt om het geregistreerde materiaal af te schermen en tijdig te verwijderen. Je zal dit beeldmateriaal namelijk niet onbeperkt mogen bewaren.
- Toepassingen uit andere domeinen kunnen gebruikt worden als beginmodel. Oplossingen die gebaseerd zijn op computervisie met neurale netwerken kunnen gebruik maken van het zogenaamde “transfer learning”. Hierbij ga je een model dat reeds getraind is op een andere (grotere) dataset downloaden en vervolgens verder trainen op je eigen data. Er is aangetoond dat dit vaak tot betere resultaten leidt dan een model dat volledig getraind is op je eigen (vaak beperktere) dataset.
- Representatieve data een absolute noodzaak. De beelddata die je gebruikt tijdens training en validatie van je model moeten overeenkomen met realistische data die je straks ook in een werksetting verwacht. M.a.w. het is mogelijk nodig om een volledige periode te voorzien waarbinnen je enkel en alleen data capteert via je camera-installatie. Het bouwen van een model doe je dan pas nadat je voldoende data gecapteerd hebt en deze data hebt kunnen annoteren.
- Bepaal wat je exact wil kunnen detecteren en wat niet. Er is weinig verschil tussen een oplossing die moet melden “of” er een inbreuk plaatsvindt en een oplossing die ook meldt welke inbreuk (of inbreuken) gedetecteerd wordt. Indien er verschillende inbreuken mogelijk zijn, heb je voor beide varianten evenveel beelddata nodig. De oplossing wordt ietwat complexer wanneer je ook wenst aan te geven op welke plaats in beeld er een bepaald type inbreuk plaatsvindt. In dat geval ga je je algoritme leren om een rechthoek te tekenen rond de inbreuk. Je annotaties per beeld zijn dan niet meer enkel labels, maar ook de coördinaten op het beeld waar de inbreuk plaats vindt.
Stappenplan
- Afstemmen met ethische commissie
- Opstellen of herwerken van surveillantieprocessen inclusief AI-component
- Selecteren en installeren van camera-apparatuur
- Verzamelen van beelddata
- Voorverwerken van beelddata
- ~Manuele annotatie van compliant en non-compliant werken
- ~Opdelen van beelddata in trainingsdata en test data
- ~Normaliseren van beelddata
- Trainen van neuraal netwerk
- ~Model bouwen a.h.v. trainingsdata
- ~Model verfijnen a.h.v. validatiedata
- Evalueren van performantie
- ~Evalueren van performantie a.h.v. testset
- ~Go/No go beslissing
- Ontwikkelen van nodige front-end systemen en/of koppeling met back-end
- Operationaliseren van oplossing
- ~Operationaliseren van data pipeline
- ~Deployen van AI-model
- ~Integreren in front-end en/of back-end
- Change management m.b.t. nieuw bedrijfsproces
Interessante links
Partners
Hulp nodig bij de implementatie van deze AI-toepassingen?
Ontdek hier enkele technologiepartners.
