FLANDERS' FOOD RADAR

Een camera die meer ziet dan vorm en kleur alleen? Kom langs in de Food Pilot voor advies over verschillende in-line visietoepassingen

Bij ILVO beschikt men over verschillende camera’s met de bijhorende verwerkings- en modelleringssoftware om in-line visie-inspectiesystemen op punt te stellen. Ze worden er ingezet voor de detectie van plagen en ziektes op het veld, maar ook in de verwerking, zoals voor de classificatie van geoogst materiaal, het inspecteren van de productkwaliteit of de detectie van vreemde voorwerpen, enzovoort. Kom langs met jouw specifieke vraag! In de Food Pilot en het living lab ‘Agrifood Technology’ worden vraagstukken in de praktijk getest.

In-line visie-inspectiesystemen kunnen een sterke meerwaarde betekenen voor productieprocessen. Het hart van zo een visiesysteem is een specifieke sensor die in een camera wordt ingebouwd.  Zo zijn er verschillende sensoren en camera's commercieel beschikbaar, elk met een specifieke meerwaarde naargelang de toepassing of het probleem. Via data acquisitie- en verwerkingssoftware kan de verzamelde sensorinformatie worden omgezet in real-time acties , zoals bijvoorbeeld bij het 'sorteren' van voedingsproducten.   
Met hyperspectrale camera’s kan men zowel fysische kenmerken zoals vorm, textuur en kleur,  als bepaalde chemische parameters inschatten. Dit kan omdat deze technologie gebruik maakt van zowel ruimtelijke (spatiale) als spectrale (reflectie per golflengte) informatie. Zo geeft oppervlakbederf, verschillen in pH, of een andere chemische samenstelling een verschillende spectrale karakteristiek. Deze verschillen zijn de basis waarmee complexe maar krachtige beslissingsmodellen aan de slag gaan om te kunnen klasseren. 

Toepassingen?

Voorbeelden van toepassingen zijn classificatieproblemen, de detectie van vreemde voorwerpen of afwijkingen en het bepalen van de samenstelling of van kwaliteitsparameters. Door de snelle, contactloze, compacte en niet-destructieve manier van meten, kan de in-line meetmethode de voorkeur genieten in vergelijking met offline metingen in het labo. 

De Food Pilot is uitgebreid met een flexibele visie-inspectie pilootlijn

Bekijk hier het filmpje. Met de steun van het VLAIO werd voor het “Living lab Agrifood 4.0” een pilootlijn gebouwd die flexibel verschillende visie-inspectiesystemen kan simuleren. Dit is geschikt om de haalbaarheid van cases te evalueren. De pilootlijn bestaat uit een transportband met brug waaraan verschillende camera’s bevestigd kunnen worden, die vervolgens gesynchroniseerd worden met de band. Via modellering en machine learning worden classificatieopdrachten uitgewerkt en de haalbaarheid ervan getest. Voor jouw specifieke vraag, neem contact op met Simon.Cool@ilvo.vlaanderen.be

In de Food Pilot worden op regelmatige basis workshops en demo’s gegeven. Onderstaande cases werden dit najaar reeds live gedemonstreerd. Blijf op de hoogte van onze demo’s, en schrijf in voor onze activiteitennieuwsbrief.

Demo case vlees: IN-LINE EN CONTACTLOOS Onderscheiden vaN varkenS-, kalfS-, rundS-, kipPEN- en lamsgehakt 

Tijdens de contactdag vlees werd een inspectiesysteem gedemonstreerd waarmee verschillende types gehakt geclassificeerd werden. Er werd getoond hoe met een beperkte dataset een model opgesteld werd om varken-, kalf-, rund-, kip- en lamsgehakt van elkaar te onderscheiden op een contactloze en continue manier. Dit gebeurde aan de hand van een hyperspectrale line-scan camera actief in het VIS gebied, een bewegend platform en een machine learning algoritme.  Bekijk hier het filmpje over deze nieuwe verwezenlijking in het Living Lab Agrifood 4.0.

 

Demo case poeders: Bepaling volumeverhoudingen van mengsels van DROGE KRUIDEN

Tijdens een workshop over mixers en emulsies werd een demonstratie gegeven hoe het visiesysteem automatisch en contactloos de verhouding van poedermengsels kan bepalen. Kurkuma en paprikapoeder werden in verschillende volumeverhoudingen met elkaar gemengd. De techniek slaagde erin om de verhouding nauwkeurig vast te stellen (40%/60%, 33%/67%, enzovoort). Hierbij werd gebruik gemaakt van een lineair bewegende opstelling, als simulatie van een transportband en een hyperspectrale NIR camera, met regressiemodel, als inspectiesysteem.

Demo case groenten: classificatie van vruchten op basis van kleur en ongewenste afwijkingen

Tijdens het demo- en netwerkevent groenten, fruit en aardappelen pakten we uit met twee demo's.
De eerste demo illustreerde de voordelen van Deep (Machine) Learning toegepast met een kleurcamera, real-time geïntegreerd, op een semi-industriële transportband.

Paprika’s van twee verschillende kwaliteitsklassen werden hierbij op een automatische manier geclassificeerd.

Bij de tweede demo werd de kleur van tomaten en de variabiliteit hiervan per vrucht op een objectieve manier bepaald via een hyperspectrale camera en machine learning (chemometrics via soft modelling aanpak).

Nuttige links