Skip to main content
De kwaliteitscontrole van groenten is de voorbije jaren sterk geëvolueerd. Camera’s en lasers maken het mogelijk om grote productstromen automatisch te inspecteren en te sorteren. Toch blijven bepaalde toepassingen lastig, vooral wanneer het ongewenste materiaal sterk op het product zelf lijkt. Voor zulke toepassingen wordt steeds vaker gebruikgemaakt van artificiële intelligentie en Deep Learning.
Optimum Sorting gebruikte deze technologiën als basis voor een nieuw sorteermodel onder de naam: A-EYE. Dit model kan worden ingezet bij de verwerking van onder andere bladspinazie en groene bonen. Defecten die vroeger niet konden worden opgespoord, zijn vandaag wél perfect te sorteren. Benieuwd hoe A-EYE de grenzen van traditionele sortering verlegt? Ontdek de praktijkvoorbeelden verderop in dit artikel.
Belangrijkste inzichten:
Hoe maakt Deep Learning het verschil?
Bij traditionele sorteertechnologie bepaalt een operator of softwareontwikkelaar vooraf welke productkenmerken moeten worden geanalyseerd. Denk aan kleurverschillen, afwijkende vormen of specifieke afmetingen. Dat werkt goed voor veel toepassingen, maar wordt moeilijker zodra het ongewenst materiaal sterk lijkt op het product zelf. Hoe kan een camera, zonder hulpmiddelen, het verschil zien tussen goed en slecht?
Het A-EYE model van Optimum Sorting pakt dit anders aan. Hiervoor baseren we ons op de werking van Deep Learning. Dit is een specifieke vorm van Artificiële Intelligentie waarbij computermodellen leren uit grote hoeveelheden data en voorbeelden. Het verwerkingsproces lijkt hier sterk op hoe mensen producten zien en beoordelen. Een ervaren kwaliteitsmedewerker kijkt niet naar één afzonderlijk kenmerk, maar herkent een object als geheel. A-EYE volgt dezelfde logica. Het model analyseert vormen, structuren, onderlinge verhoudingen en visuele patronen in één geheel in plaats van elk kenmerk afzonderlijk te beoordelen.
Door Deep Learning algoritmes als basis te gebruiken, is A-EYE bijzonder geschikt voor complexe sorteertoepassingen binnen, onder andere, de groenteverwerking. Je kan het daarbij perfect combineren met reeds bestaande sorteersoftware die bijvoorbeeld verkleuringen detecteert. Hoe dit er in de praktijk uitziet bij spinazie en groene bonen brengen we verderop in beeld.
Praktijkvoorbeeld 1: BLADSPINAZIE
Onkruid detecteren
Een van de grootste uitdagingen bij de verwerking van bladspinazie is het herkennen van ongewenst materiaal dat nauwelijks te onderscheiden is van het product zelf. Grassen en bepaalde soorten onkruid (zoals distels en netels) hebben vaak dezelfde kleur, dezelfde textuur en soms zelfs een gelijkaardige bladvorm als spinazie.
Precies daar toont de kracht van Deep Learning zijn meerwaarde. Waar traditionele camerasystemen moeite hebben om zulke subtiele verschillen consistent te herkennen, kan een getraind AI-model leren welke kenmerken typisch zijn voor spinazie en welke wijzen op ongewenst materiaal. Hierdoor kunnen we nu defecten detecteren die vroeger vaak niet automatisch werden opgemerkt.
Praktijkvoorbeeld 2: GROENE BONEN
Stelen detecteren
Ook bij de verwerking van sperziebonen of groene bonen biedt ons A-EYE model duidelijke voordelen. Een eerste concrete toepassing is de detectie van steeluiteinden. Voor een sorteersysteem lijken de steeluiteinde (stem ends) en de puntuiteinde (tip end) van een boon vaak sterk op elkaar.
Voor traditionele sorteersystemen zijn deze haast onmogelijk om van elkaar te onderscheiden. Bonen met een steeluiteinde horen echter niet thuis in het eindproduct. Door het model te trainen met duizenden praktijkbeelden leert het deze subtiele verschillen herkennen en kan het veel nauwkeuriger bepalen welke bonen moeten worden verwijderd.
Stengels detecteren
Daarnaast helpt A-EYE bij het opsporen van stengels, takjes en andere ongewenste plantdelen die tijdens de oogst mee in de productstroom terechtkwamen.
Omdat deze plantresten vaak dezelfde kleur en een vergelijkbare vorm hebben als de bonen zelf, zijn ze moeilijk te onderscheiden met traditionele detectiemethoden. Met Deep Learning analyseren we het volledige object en kunnen we veel betrouwbaarder bepalen wat een boon is en wat niet. Zelfs wanneer plantdelen gedeeltelijk overlappen met bonen of vanuit verschillende hoeken op de transportband liggen, blijft het model in staat om de juiste classificatie te maken.
Postelein detecteren
Een derde en bijzonder interessante toepassing is de detectie van postelein (Portulaca oleracea). Door strengere regelgeving rond gewasbescherming en een afnemend gebruik van onkruidbestrijdingsmiddelen krijgt deze plant op sommige percelen meer kansen om tussen de bonengewassen te groeien. Na het oogsten en verwerken vertoont postelein vaak sterke gelijkenissen met groene bonen, waardoor een betrouwbaar onderscheid moeilijk wordt.
Dankzij Deep Learning kan het sorteersysteem ook deze subtiele verschillen leren herkennen. Waar de aanwezigheid van postelein vroeger kon leiden tot de afkeuring van volledige batches, kunnen groenteverwerkers vandaag veel gerichter sorteren. Dat beperkt het productverlies, verhoogt de productrecuperatie en helpt meer grondstof geschikt te houden voor consumptie.
"Deep Learning verhoogde de detectie van stelen in groene bonen van circa 70% naar 97%"
Trainingsmodellen ontwikkelen gaat sneller
Voordat een Deep Learning-model defecten kan herkennen, moet het worden getraind met grote hoeveelheden praktijkdata. Dankzij moderne cloudplatformen en nieuwe trainingsmethodes verloopt dat proces vandaag veel sneller dan enkele jaren geleden. Bovendien kunnen nieuwe AI-modellen voortbouwen op kennis die al aanwezig is in bestaande toepassingen, waardoor ontwikkeltrajecten aanzienlijk korter worden.
Het verschil met enkele jaren geleden is groot. Waar een nieuw model vroeger vaak maanden ontwikkeling vergde, kan een vergelijkbare toepassing vandaag al binnen enkele weken operationeel zijn. Zo kan een model voor een nieuwe bonenvariëteit voortbouwen op kennis die eerder werd opgebouwd bij de detectie van groene bonen. Ook bestaande modellen kunnen met nieuwe praktijkdata vaak al binnen enkele uren verder worden geoptimaliseerd. Het leerproces verloopt in drie stappen:
Beelden verzamelen en labelen
- Duizenden beelden van zowel goed product als defecten worden verzameld en voorzien van labels. Zo leert het model welke objecten gewenst zijn en welke moeten worden verwijderd.
Het model trainen en valideren
- Op basis van deze voorbeelden leert het systeem patronen herkennen. Vervolgens wordt het getest met nieuwe beelden die het nog niet eerder heeft gezien om de betrouwbaarheid te controleren.
Realtime sorteren op de productielijn
- Na validatie integreren we het model in de sorteermachine. Tijdens de productie analyseert het elk product binnen een fractie van een seconde en beslist het automatisch of het product behouden blijft of wordt uitgestoten.
Minder productverlies, meer kwaliteit én hogere capaciteit
Met A-EYE breidt Optimum Sorting de mogelijkheden van moderne sorteertechnologie aanzienlijk uit. Door AI en Deep Learning te combineren met camera-inspectie, en in de toekomst ook met lasers en andere sensoren, kunnen defecten worden herkend die voorheen moeilijk of zelfs onmogelijk automatisch te detecteren waren.
Dat opent de deur naar toepassingen die met traditionele beeldverwerking vaak een uitdaging vormen, zoals het onderscheiden van onkruid tussen spinazie, het herkennen van postelein tussen groene bonen of het detecteren van steelkanten en andere ongewenste plantdelen. Verwerkers krijgen daardoor meer controle over de productkwaliteit, halen meer waarde uit hun oogsten en beperken productverlies.
De voordelen beperken zich bovendien niet tot een betere defectdetectie. Praktijktesten bij bestaande klanten tonen aan dat A-EYE ook hogere sorteercapaciteiten mogelijk maakt. Bij een verwerker van groene bonen resulteerde de implementatie van A-EYE in een capaciteitsstijging van +25%, van circa 8 naar 10 ton groene bonen per uur. Het systeem kon daarbij producten blijven herkennen en beoordelen, zelfs wanneer deze elkaar gedeeltelijk overlapten op de transportband. Terwijl traditionele algoritmes in zulke situaties sneller aan nauwkeurigheid verliezen, blijft A-EYE een hoge sorteernauwkeurigheid behouden. Meer product verwerken zonder in te leveren op kwaliteit. Is dat niet precies waar elke verwerker naar streeft?
”Voor ons draait Deep Learning niet om artificiële intelligentie op zich, maar om het oplossen van uitdagingen die vroeger moeilijk automatiseerbaar waren. Sinds 2019 bouwen we stap voor stap expertise op binnen deze technologie. Het afgelopen jaar hebben we, samen met gespecialiseerde partners, aanzienlijke vooruitgang geboekt in toepassingen voor de AGF- en groenteverwerkende industrie. Vandaag beschikken we over de kennis en tools om sorteertoepassingen aan te pakken die enkele jaren geleden nog niet haalbaar waren. Met de uitrol van ons A-EYE sorteermodel willen we de lat hoger leggen voor wat verwerkers van moderne sorteertechnologie mogen verwachten.
Jan De JongheCTO Optimum Sorting
Interesse in een gratis demo?
Neem contact op met het salesteam van Optimum Sorting en laat je producten uitgebreid testen in een van onze democenters wereldwijd.
Ervaar zelf de voordelen die onze machines voor jouw bedrijf kunnen bieden!
Wat is A-EYE?
Met A-EYE introduceert Optimum Sorting een innovatieve sorteertechnologie die Deep Learning inzet om complexe defecten te herkennen. In tegenstelling tot traditionele systemen leert A-EYE uit praktijkdata, waardoor het subtiele verschillen detecteert die vroeger vaak onopgemerkt bleven. Zo kunnen verwerkers toepassingen automatiseren die tot voor kort moeilijk haalbaar waren, met minder productverlies en een hogere eindkwaliteit als resultaat.
