Binnen het PicknPack-project wordt getracht om deze kwaliteitsinspectie te verbeteren en te automatiseren door middel van sensortechnologie. Samen met partners uit het buitenland (Wageningen UR (NL), InnoSpexion (DK) en de Universiteit van Manchester (UK)) ontwikkelt de MeBioS-afdeling van de KU Leuven een module voor het uitvoeren van automatische kwaliteitsinspecties. Naast de kwaliteit aan en net onder het oppervlak worden in deze module ook technologieën geïntegreerd die de interne kwaliteit kunnen controleren. Hiervoor worden in dit project in totaal een viertal verschillende ‘state-of-the-art’ sensortechnologieën ontwikkeld en geïmplementeerd in een specifieke ‘Qualitative Assessment and Sensing (QAS)’ module: 3D en hyperspectrale cameratechnologie, X-stralen technologie en microgolftechnologie. In dit artikel worden enkele applicaties van de eerste drie technologieën besproken.
3D CAMERATECHNOLOGIE
RGB en 3D cameravisietechnieken worden in het PicknPack project aangewend ter bepaling van het gewicht van individuele vruchten in een tros (tomaten of druiven) op een contactloze manier, alsook de detectie van visuele defecten, en finaal ook de controle op de verdeling van de verschillende componenten in een kant- en klaar maaltijd.
Voor de eerstgenoemde toepassing dient eerst een algoritme opgesteld te worden die de individuele vruchten kan onderscheiden van elkaar, alsook een algoritme die het onderscheid kan maken tussen de tros en de achtergrond. Aangezien individuele tomaten beschouwd kunnen worden als ellipsen, worden contouren van een ellips op de verschillende vruchten gefit. Op basis van deze contour kunnen de twee karakteristieke dimensies van een ellips bepaald worden, zijnde de lange en de korte as. Vervolgens werd geëxperimenteerd met verschillende modellen die resulteerden in zeer mooie predictiewaarden met een gemiddelde predictiefout van 3.5% op individuele tomatenvruchten (gemiddeld gewicht van 110 g) en 2.1% op volledige trossen (gemiddeld gewicht van 587 g).
HYPERSPECTRALE CAMERATECHNOLOGIE
Hyperspectrale cameratechnologie kan beschouwd worden als het visiesysteem van de toekomst dankzij de mogelijkheid van het uitvoeren van spectrale analyses in combinatie met digitale beeldverwerking. Een uitgebreid overzicht van mogelijke applicaties met deze technologie kan teruggevonden worden in eerdere FOODRadar artikels. Hierin werd reeds gerapporteerd over het potentieel van deze technologie voor de bepaling van uitwendige kwaliteitsdefecten op tomaat, zoals insectenvraat, blutsschade, en specifieke kleurafwijkingen.
Bij de implementatie van hyperspectrale cameratechnologie op een productielijn moet er wel rekening gehouden worden met het feit dat deze technologie een indirecte methode vormt voor de kwaliteitsinspectie van voedingsproducten. Om deze controles uit te voeren dienen specifieke modellen opgesteld te worden, gebaseerd op de input van menselijke operatoren. Deze stap vergt veel tijd en inspanning waardoor bvb. een snelle introductie van nieuwe producten of variëteiten niet altijd eenvoudig is. Daarom werd er in het PicknPack project voldoende tijd besteed aan de ontwikkeling van verschillende algoritmen voor een snelle en meer gebruiksvriendelijke introductie van modellen die het toelaten om nieuwe producten te screenen op kwaliteit. In Figuur 1 staan een aantal van de onderzochte algoritmen weergegeven, toegepast op het uitvoeren van kwaliteitsanalyses op trostomaten. Op basis van een uitgebreide validatieanalyse werd een methode geselecteerd met de beste resultaten voor trostomaten.
Figuur 1. Voorbeelden van verschillende algoritmen ter bepaling van de kwaliteit van trostomaten, afkomstig van de cultivar Prunus.
X-STRALEN TECHNOLOGIE
In het kader van dit project, werd X-stralen technologie ingezet voor de detectie van interne kwaliteitsafwijkingen in fruit en meer bepaald de detectie van granulatie en endoxerosis in het endocarp van citrusproducten zoals citroen en appelsien. Hierbij wordt X-stralen technologie ingezet in een 2D radiografie opstelling. Een belangrijk aspect van dit werk vormt eveneens, net zoals bij hyperspectrale cameratechnologie, de ontwikkeling van robuuste, flexibele en snelle classificatie algoritmes voor deze toepassing.
In een eerste stap worden de ruwe beelden gefilterd door middel van een automatische grens detectiewaarde. In een tweede stap worden verschillende kenmerken uit het bekomen beeld geëxtraheerd waarna een classificatie algoritme deze kenmerken selecteert die het discriminerend vermogen leveren tussen een goede en slechte kwaliteit. Specifiek voor de analyse op fruitproducten in 2D was er een uitdaging met betrekking tot de oriëntatie van het fruit ten opzichte van de X-straal detector. Als oplossing hiervoor moet voldoende variabiliteit van de teststalen in acht genomen worden bij het opstellen van het algoritme. Met het beste algoritme werden globale classificatie resultaten bekomen van 95.7% (appelsien) en 93.6% (citroen).
SAMENVATTING
De hierboven vermelde applicaties tonen duidelijk de meerwaarde aan van de innovatieve sensortechnologieën ten opzichte van de bestaande visuele kwaliteitscontrole. Door integratie in specifieke modules, zoals in de QAS-module van het PicknPack project, kan bovendien ook onderzocht worden hoe door combinatie van deze sensoren via sensorfusie extra meerwaarde kan geboden worden naar het uitvoeren van kwaliteitscontroles op een productielijn. Tenslotte blijkt uit dit artikel de noodzaak van flexibele trainingsalgoritmes die een operator zonder technische opleiding toelaten om de module op een intuïtieve manier te trainen voor een nieuwe cultivar of nieuw product.
MEER INFO:
Deelname aan de demoworkshop is gratis en meer informatie over het programma tijdens deze workshop kan teruggevonden worden via volgende link, inclusief registratiemodule voor bevestiging van deelname: http://www.picknpack.eu/index.php/workshops/demonstration-workshop-26-27-may-2016.
Technologische vragen omtrent de hierboven vermelde hyperspectrale cameratechnologie en X-stralen technologie kan u, respectievelijk richten aan wouter.saeys@biw.kuleuven.be en pieter.verboven@biw.kuleuven.be.