At-line en in-line visie-inspectiesystemen kunnen een sterke meerwaarde betekenen voor productieprocessen. Meer bepaald om ze te optimaliseren, automatiseren, de traceerbaarheid te verbeteren of productkwaliteit te bepalen.
Welke sensor je kan inzetten voor jouw specifieke probleemstelling, en wat de haalbaarheid ervan is in de praktijk, kan je vragen aan de Food Pilot, bij het living lab AgrifoodTechnology.be van ILVO. Onderstaande demo’s tonen hoe enkele vraagstukken in de praktijk geëvalueerd werden. Door gebruik te maken van innovatieve sensortechnologie, uiteraard gecombineerd met de nodige dataverwerkingsalgoritmes of artificiële intelligentie.
Wil je jouw case laten bekijken? Het project ‘Spectrofood’ biedt nog ruimte voor steun en begeleiding van specifieke bedrijfscases.
Herbekijk de activiteiten van het project Spectrofood
Contacteer Simon Cool voor meer informatie
Demovideo: Opbouw van een product specifieke meetmethode ‘from scratch’: bepaling van het eiwitgehalte in soja en quinoa
Soja en quinoa zijn interessante eiwitbronnen voor humane consumptie. Maar de eiwitgehaltes kunnen sterk variëren afhankelijk van variëteit, groeicondities of oogsttijdstip. Een snelle en contactloze meetmethode is daarom wenselijk. In deze demo kan je volgen hoe de onderzoekers van het living lab hiervoor een meetmethode op punt stelden. Dit hield een gerichte verzameling van stalen in, het uitvoeren van chemische analyses als referentie, het testen van verschillende spectrale sensoren en camera’s (NIR, IR, hyperspectraal), modellering van de data en evaluatie van de behaalde resultaten in. Herbekijk in dit webinar de gedetailleerde toelichting van het ontwikkelingstraject.
Demovideo: Spectrale meetmethoden voor de bepaling van kwaliteitsparameters van vers vlees
Klassieke meetmethoden bepalen doorgaans telkens slechts één parameter per analyse. De vraag groeit naar snelle detectiemethoden aan de productielijn, die in één beweging verschillende kwaliteitsparameters kunnen bepalen, en wel op een contactloze, niet-destructieve, automatische manier. Spectrometers of hyperspectrale camera’s die at/in-line geplaatst worden, kunnen een oplossing bieden.
In het vlaio project 'Vlevavlees', werd getest wat de toepasbaarheid is van enkele spectrale meetmethoden aan de slachtlijn of versnijding voor de objectieve bepaling van kwaliteitsparameters van varkensvlees (Latissimus Dorsi).
Resultaten toonden aan dat hyperspectrale methoden potentieel bieden voor het bepalen van kleur, pH, intramusculair vetgehalte en in mindere mate ook van dripverlies. Kookverlies en sensorische scores konden niet voldoende voorspeld worden. Camerabeelden gaven betere resultaten dan puntmetingen, vermits het ging om intact vlees, en geen vermalen vlees. Anderzijds bleken puntmetingen dan weer gemakkelijker toepasbaar in industriële omstandigheden en robuuster bij wisselende belichting. De uitgebreide bespreking van de proefopzet en resultaten kan je herbekijken in dit webinar.
Demovideo: Machine learning (AI) voor het classificeren van paprika’s
De kracht en meerwaarde van artificiële intelligentie in computer visie werd gedemonstreerd.
Een deep learning model werd getraind dat aan de hand van beelden van een industriële, visuele camera het onderscheid maakt tussen goede en slechte paprika’s. In vergelijking met klassieke beeldverwerking wordt door gebruik van AI de aanpak verlegd van programmeerwerk naar het opstellen en aanleveren van een kwalitatieve en representatieve dataset. Vervolgens kon een parallelle robotarm met pneumatische end-effector succesvol een sorteeropdracht uitvoeren van de paprika’s op de transportband. Gedetailleerd uitleg over de opbouw van het systeem kan je herbekijken in dit webinar.
Demovideo: Bepaling van volumeverhoudingen van mengsels van droge kruiden
Hyperspectrale camera’s zien meer dan enkel fysische kenmerken zoals vorm, textuur, kleur. Ze kunnen ook gebruikt worden om chemische parameters in te schatten. Dit is omdat ze naast spatiale info (ruimtelijke) ook spectrale info (reflectie per golflengte) capteren.. Die variatie in spectrale karakteristiek per pixel, kan gebruikt worden om variatie van één of meerdere parameters binnen een staal in kaart te brengen, om oppervlaktebederf te detecteren, om te tellen of te meten via verhoogd contrast, maar ook om homogeniteit of bijvoorbeeld ook mengverhoudingen in te schatten. Dit werd gedemonstreerd aan de hand van kruidenmengsels die van samenstelling verschilden.
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.
Demovideo: in-line en contactloos onderscheiden van varkens-, kalfs-, runds-, kippen-, en lamsgehakt
Een inspectiesysteem werd gedemonstreerd voor het classificeren van verschillende types gehakt. 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.
Demo’s en demo-opstellingen werden gerealiseerd met de steun van de VLAIO Proeftuin ‘Living Lab Agrifood 4.0’.
