Automatisering door toepassing van deep learning

Stijging populariteit oesterzwammen

Met meer dan 40 jaar ervaring is Verbruggen Paddestoelen een vooraanstaande biologische oesterzwamkwekerij in binnen- en buitenland. Dankzij de grote stijging van de vraag naar vleesvervangers is de oesterzwam de afgelopen jaren flink gestegen in populariteit. Door de stevige en vlezige structuur is dit organische product namelijk uitermate geschikt als hoogwaardige grondstof voor vleesvervangers. Denk aan vegetarische hamburgers, bitterballen en kroketten.

Organisch product automatiseren

Om aan de groeiende vraag te blijven voldoen kijkt Verbruggen Paddestoelen vooruit. Bij het oogsten, verpakken en sorteren van oesterzwammen komt veel handwerk kijken. Het vinden van geschikt personeel wordt in de toekomst steeds lastiger waardoor de vraag is ontstaan om het huidige productieproces van oesterzwammen nóg efficiënter uit te voeren. De oesterzwamkweker is altijd op zoek om de nieuwste technologieën te adapteren in haar productieproces. Daarom blijft het bedrijf innoveren en heeft het de wens om in een eerste stap, het sorteer- en verpakkingsproces te automatiseren.

Onderzoek van QING en Verbruggen Paddestoelen

In de zoektocht naar een innovatieve partner is de oesterzwamkweker uitgekomen bij QING. QING biedt haar opdrachtgevers toegang tot technologische kennis en innovatiekracht in de agri, food en packaging markt. Samen met Verbruggen Paddestoelen is onderzocht of het mogelijk is om de oesterzwammen met beeldverwerking te analyseren en met welke betrouwbaarheid. De resultaten van dit onderzoek hebben belangrijke inzichten opgeleverd over de toepassing van deze technologie om meer waarde te halen uit oesterzwammen. Dit project is mede tot stand gekomen door steun vanuit de ‘Stuurgroep Landbouw Innnovatie Brabant’ (LIB).

Na de oogst worden de oesterzwammen door een operator ingedeeld in verschillende kwaliteitscategorieën, waar onder andere de grootte van de hoed en de mate van beschadiging belangrijke parameters zijn. Doordat de sortering in de huidige situatie op basis van de subjectieve beoordeling van de operator plaatsvindt, is het lastig om een consistent sorteerproces te waarborgen. Daarnaast neemt het opleiden van nieuw personeel veel tijd in beslag. Daarom heeft Verbruggen QING verzocht om een systeem op te zetten dat de geproduceerde oesterzwammen kan monitoren en op termijn zelfstandig kan sorteren.

Formaat hoed belangrijkste parameter in automatiseren sorteerproces 

De belangrijkste parameter tijdens het sorteerproces van oesterzwammen is het formaat van de hoed van de oesterzwam. Om dit te kunnen bepalen hadden we software nodig die in staat is om het onderscheid tussen de hoed en de steel te kunnen waarnemen. We namen een grote hoeveelheid foto’s van oesterzwammen om de eerste testen te kunnen doen. Al snel bleek dat het gebruik van traditionele vision software te complex en foutgevoelig zou zijn door de grote variatie in vorm, kleur, contrast en groeirichting van de oesterzwam. Het geschikte alternatief is een deep learning segmentatiealgoritme.

Deep learning algoritme herkent hoed feilloos

Deep learning is een technologie waarbij grote hoeveelheden voorbeelddata gebruikt wordt om een neuraal netwerk te ‘trainen’. Het algoritme analyseert de voorbeelddata en gaat op zoek naar de patronen daarin, om vervolgens op dezelfde manier nieuwe data te kunnen beoordelen. Het deep learning algoritme moest eerst het verschil tussen de hoed en de steel leren.  We labelden alle 1500 foto’s en gaven per foto aan welk deel van de foto de hoed van de oesterzwam bevat. Vervolgens werd met deze data een algoritme getraind. Het resultaat is een systeem dat een diep begrip heeft van wat de hoed van de oesterzwam is. Het kan deze daardoor feilloos herkennen en vervolgens de afmetingen ervan bepalen. Teun Keusters, een van onze engineers, licht toe: “Hét grote probleem met traditionele vision software is dat het extreem gevoelig is voor veranderingen, omdat deze software enkel naar contrast kijkt. Als dus bijvoorbeeld het omgevingslicht verandert, kan dat veel invloed hebben op de uitkomst. Ook als de transportband na verloop van tijd vies wordt of verkleurd kan dit veel gevolgen hebben voor de prestaties van de software. Met deep learning ontwikkelt de software echt een begrip van de objecten waar het naar kijkt en is het dus veel minder gevoelig voor dit soort fluctuaties.”

Dankzij deze technologie bepaalt met een hogere nauwkeurigheid wat de hoed van de oesterzwam is en in welke kwaliteitscategorie deze ingedeeld dient te worden. De technologie is eenvoudig opschaalbaar of hertrainbaar, bijvoorbeeld als kwaliteitseisen veranderen of wanneer er met een ander type paddenstoel gewerkt moet worden.

De voordelen van deep learning:

- Uitermate geschikt voor organische producten, zonder vaste vorm

- In staat complexe patronen te doorgronden en een begrip te ontwikkelen van de relevante producteigenschappen.

- Eenvoudig te hertrainen in het geval van veranderde producten of kwaliteitseisen

- Relatief ongevoelig voor fluctuaties in de opstelling, zoals een afwijkende productvorm, een veranderende lichtsituatie of vervuiling op de transportband.

Meer waarde halen uit bestaand productieproces

Tijdens het onderzoek zijn de mogelijkheden en onmogelijkheden van conventionele beeldverwerking en deep learning ontdekt voor het productieproces van oesterzwammen. Beide partijen hebben hierdoor waardevolle inzichten opgedaan. Zowel QING als Verbruggen Paddestoelen erkennen de potentie van deze technologie om niet alleen de arbeidsbehoefte te optimaliseren, maar ook waste te minimaliseren tijdens het productieproces.

Verbruggen Paddestoelen heeft dankzij de resultaten van het onderzoek ook inzicht gekregen in hoe groot de investering wordt voor een automatische inpakmachine. Op basis van deze gegevens wordt er bekeken hoe zij deze innovatie gaan uitrollen binnen het bedrijf.

Ook benieuwd hoe je met toepassing van beeldverwerking en deep learning meer waarde kunt halen uit je huidige productstroom? Neem dan vrijblijvend contact met ons op.