Hammen classificatie op basis van speklaag door middel van een visiesysteem

Visiesystemen vormen meer en meer een onmisbaar element in het garanderen van kwaliteit naar de consument toe, het garanderen dat aan wettelijke normen voldaan wordt of het verhogen van efficiëntie van processen. Zo worden visiesystemen gebruikt om slechte producten van goede te scheiden, bedrukking van barcode of datum te checken of om het classifiëren van hammen te automatiseren.

In een visiesysteem kunnen 2 verschillende delen onderscheiden worden: het hardware gedeelte wat bestaat uit een belichting, lens en camera en een software gedeelte: een specifiek programma dat in een PC draait en de analyse doet van het beeld wat de camera naar de PC doorstuurt. 

Case studie: HAMMEN CLASSIFICATIE OP BASIS VAN SPEKLAAG 

Vakslagers zijn zeer bekwaam in het classificeren van hammen. Met het oog van de meester zijn ze in staat om een ham (bil van een varken) een keurmerk te geven. Dit is belangrijk voor zowel de producent als de consument. Immers aan een magere ham zit meer vlees dan aan een vette ham. Afhankelijk van de geografische locatie op de aardbol wordt er door consumenten meer of minder betaald voor een magere ham.

Om deze zelfde classificatie door een visiesysteem te laten uitvoeren is een hele uitdaging. Natuurlijk is het visiesysteem niet snel moe; 24 uur per dag, 7 dagen per week is geen probleem. Maar, er zijn wel een paar andere hordes die genomen moeten worden voordat een machine vision systeem dit kan:

  1. Het vangen van de expert-kennis met betrekking tot wat er gemeten moet worden
  2. Het laten herkennen van wat er gemeten moet worden door het visiesysteem
  3. Het betrouwbaar meten van datgene wat herkend is door het visiesysteem 

Expert-kennis

Expert-kennis is vaak impliciet, dat wil zeggen dat de expert vaak onbewust bekwaam is in het classificeren. Met name wanneer het om ‘natuurlijke’ producten gaat waar visuele aspecten als ‘mooie glans’, ‘gezonde rode kleur’, ‘mooie zwoerd’, ‘magere ham’ op diverse manieren van toepassing zijn. Hier moet in nauwe samenwerking met de vision expert gedefinieerd worden wat er gemeten moet worden voor een afdoende classificering. In dit geval was de uitkomst dat de gemiddelde dikte van de zogenaamde speklaag zonder zwoerd van boven naar onder diende te worden gemeten. 

Herkenning

Natuurlijke producten vertonen natuurlijke variatie. Deze variatie is deels voorspelbaar in een model, maar er zijn altijd uitzonderingen op de regel! Voor de mens is deze herkenning doorgaans geen probleem omdat mensen met begrippen werken. Maar dat doet een computer niet. Derhalve moest er via een segmentatie-strategie gewerkt worden, die ongeveer als volgt ging:

  1. Segmentatie van het niet al te rode & witte gebieden op basis van kleur
  2. Zoeken naar de speklaag: meer spek links of meer spek rechts?
  3. Vinden van de speklaag op basis van elipsvormige vorm in het linker dan wel rechter gedeelte.
  4. Vang uitzondering af. Hiervoor is een grote database nodig! 

Meten

Wanneer de herkenning geslaagd is en het juiste gedeelte gevonden is met voldoende betrouwbaarheid, dan kan op dat gebied de meting worden uitgevoerd. In het geval van de speklaag wordt dan de dikte gemeten loodrecht op de centrale as van de laag. Echter, in praktijk blijkt dat de hammen niet altijd ‘recht’ voor de camera liggen...Voor een herkenning maakt deze hoekverdraaiing niet zoveel uit, echter voor het meten in orde 1mm nauwkeurig maakt dit wel uit. Derhalve is ervoor gekozen om met een tweede camera te werken en de hoekverdraaiing te meten en te corrigeren in de gemeten waarde. 

Met bovenstaande aanpak is het vision systeem gerealiseerd wat een persoonsonafhankelijk oordeel velt. Deze ontwikkeling ging van concept, naar prototype aan de lijn en ten slotte tot in productie name.


Case studie: hammen classificatie op basis van speklaag

       


Bronnen en meer info