Camera's en AI transformeren de voedingsindustrie

AI-PathFinder van Flanders' FOOD ondersteunt bedrijven

In de snel veranderende voedingsindustrie is de adoptie van artificiële intelligentie cruciaal om competitief te blijven en groeimogelijkheden te benutten. Het AI-PathFinderproject van Flanders' FOOD ondersteunt Vlaamse voedingsbedrijven bij het ontwikkelen van een AI-strategie en het versnellen van AI-implementatie. Met praktische tools en begeleiding streeft AI-PathFinder ernaar om de drempels voor AI-adoptie te verlagen en een brug te slaan tussen technologie en bedrijfsnoden.

"Een belangrijke boodschap die wij met het AI-PathFinderproject willen meegeven, is dat je niet zomaar moet starten met AI maar dat bedrijven goed moeten nadenken over hun strategie", zegt innovation manager Ruth Verstraete. "We zoeken met de bedrijven een antwoord op vragen als: waar kan AI een nuttige oplossing bieden? Is het nodig om dit probleem aan te pakken met AI of zijn er andere oplossingen mogelijk? Wat is de kost, welke aanpassingen zijn er voor mijn personeel?"

"Bedrijven moeten goed nadenken over hun AI-strategie"

AI-PathFinder biedt een AI-maturiteitschecklist waarmee voedingsbedrijven hun huidige niveau van AI-adoptie kunnen inschatten. "Deze checklist helpt bedrijven inzicht te krijgen in waar ze staan en wat de volgende stappen zijn om AI succesvol te integreren. Daarnaast biedt het project een generiek stappenplan aan, dat specifiek is afgestemd op de voedingssector. Dit plan helpt bedrijven bij het navigeren door de complexiteit van AI-implementaties, waarbij rekening wordt gehouden met unieke bedrijfsprocessen en datavereisten", gaat Verstraete verder.

Zes fases

"Om met AI van start te kunnen gaan, moet er voldoende data verzameld worden. Verder wordt er intern of in samenwerking met een partner naar de juiste expertise gezocht. Eens er een AI-model is, moet dit ook gevalideerd worden. In het project werken we in zes fases aan de digitaliseringstrategie: computerisatie, geconnecteerde systemen, visibiliteit, transparantie, predictieve capaciteit en aanpasbaarheid. Het hoogste niveau moet niet altijd bereikt worden. Dit hangt af van de bedrijfsstrategie", duidt Verstraete de concrete aanpak binnen het project.

Diverse uitdagingen

Het project richt zich ook op het opzetten van proof-of-concepts en een democase in de VEG-i-TEC-pilootfabriek. Deze toepassingen illustreren de meerwaarde van AI en documenteren mogelijke obstakels, zodat machinebouwers, technologieaanbieders en voedingsbedrijven van elkaar kunnen leren en beter op elkaar kunnen afstemmen. Door deze gezamenlijke aanpak wordt AI niet alleen tastbaar gemaakt, maar wordt het potentieel van AI ook beter benut in de voedingsindustrie.

Ondanks de aanzienlijke investeringen in automatisering van de afgelopen jaren, blijft de voedingsindustrie sterk afhankelijk van talrijke menselijke handelingen bij de productie van voedselproducten. Van het handmatig plaatsen van een krop sla in een snijmachine, het uitbenen van hammen, het visueel inspecteren van de kwaliteit van koekjes en brood, tot het afwerken van kant-en-klare pizza's: de voorbeelden zijn legio.

De reden waarom deze taken vaak nog niet zijn geautomatiseerd, ligt in de natuurlijke variatie van voedselproducten. Elke wortel, elk stuk vlees, elke hamburger, elk koekje, elke vis is uniek, wat het met traditionele systemen vaak onmogelijk maakt om te automatiseren. Deze repetitieve en weinig uitdagende werkzaamheden moeten vaak worden uitgevoerd in ruwe, koude omgevingen, wat leidt tot diverse uitdagingen zoals het vinden van gekwalificeerd personeel, het gemotiveerd houden van operators en het verminderen van de foutmarge.

Breed scala aan toepassingen

We bevinden ons echter op een kantelpunt. Dankzij baanbrekende technologische vooruitgang zijn er steeds meer systemen die met deze natuurlijke variatie kunnen omgaan, mede door het gebruik van camera's en geavanceerde, AI-gedreven beeldverwerkingstechnologie. In tegenstelling tot menselijke operators is een AI-gestuurd camerasysteem in staat om 24 uur per dag, 7 dagen per week, geconcentreerd te blijven en nauwkeurig te detecteren wat gedetecteerd moet worden.

De vuistregel luidt: als het zichtbaar is op beeld, kan er een model worden getraind om het automatisch te detecteren. Voor de meeste toepassingen volstaat een 2D-camera (mono of RGB), maar voor specifieke behoeften kunnen 3D- of hyperspectrale camera's van grote toegevoegde waarde zijn.

Veel taken zijn nog niet geautomatiseerd door de natuurlijke variatie van voedselproducten

In tegenstelling tot traditionele, regelgebaseerde systemen is het cruciaal om een uitgebreide dataset te verzamelen van hetgeen gedetecteerd moet worden. De technologie is inmiddels volwassen, maar zonder de juiste dataset met relevante voorbeelden zal een AI-gedreven systeem nooit optimaal functioneren.

Hoewel inlinekwaliteitscontrole de meest voor de hand liggende toepassing is van slimme visie, reiken de mogelijkheden veel verder. Denk onder andere aan intelligente procesbewaking om fouten vroegtijdig te signaleren, automatische productclassificatie om machines dynamisch af te stellen en robotaansturing voor verbeterde omgang met productvariatie.

Samenwerking tussen Van Bogaert en Captic

Binnen de voedingsindustrie is de vleesverwerking nog steeds een zeer handmatig proces, maar dankzij de komst van slimme beeldverwerking komt hier langzaam verandering in. Belgian Pork Group, een netwerk van acht Belgische vleesverwerkende bedrijven, wil graag een voorloper blijven om hun concurrentiepositie te behouden. Bij Van Bogaert, een van de vestigingen gespecialiseerd in het versnijden van hammen, zochten ze dan ook naar een systeem dat hun efficiëntie verder kon verhogen.

"We waren op zoek naar een systeem dat deelstukken automatisch kan classificeren, om zo al eerder in het proces bepaalde producten te kunnen sorteren en bottlenecks weg te werken. In totaal moeten meer dan 45 verschillende deelstukken correct worden geclassificeerd, waaronder veel stukken die sterk op elkaar lijken. Gezien deze complexiteit en het feit dat de inhoud van zo'n krat er steeds anders uitziet, was het snel duidelijk dat een AI-gedreven aanpak noodzakelijk was", zegt Olivier Van Bogaert, manager bij The Belgian Pork Group.

"Om dit te realiseren kozen we ervoor om samen te werken met Captic, een specialist in AI-gedreven inspectie- en robotsystemen in uitdagende omgevingen. In samenwerking met ons technisch team heeft Captic op twee plaatsen in het proces een cameraopstelling geïnstalleerd om het proces te optimaliseren."

Een gebalanceerde dataset

Voor de ontwikkeling van een systeem dat de deelstukken met hoge nauwkeurigheid kan classificeren, is veel data nodig. Deze data bestaat uit beelden van de verschillende deelstukken in een krat. "Gezien het volume hammen dat we wekelijks versnijden, beschikte Captic snel over een gigantische dataset. Toch moesten ze enkele weken data verzamelen, aangezien sommige deelstukken vaker voorkomen dan andere, en een gebalanceerde dataset even belangrijk is voor een goed werkend model. Toen het systeem eenmaal in gebruik was genomen, bleek dat er soms bepaalde zaken onopgemerkt passeerden, zoals een handschoen van een operator of een A4-papier dat het begin van een nieuw order aangeeft", gaat Van Bogaert verder.

Om dit in het model op te nemen, hebben Captic en Van Bogaert samen nieuwe data verzameld van potentiële anomalieën. Toen dit robuust bleek te werken, werd het toegevoegd aan de workflow. Van Bogaert streeft ernaar om het maximale uit hun productieproces te halen. Daarom is Van Bogaert geïnteresseerd in de beoordeling van hun proces om te zien hoe dit verbeterd kan worden. "Zodra we een dataset hebben van goede en slechte vleesverwerking, kan dit dan ook worden meegenomen en kan het model suggesties bieden voor verbetering."

De casus van Van Bogaert en Captic toont aan dat een nauwe samenwerking tussen voedingsbedrijven en technologieaanbieders cruciaal is voor het slagen van AI-projecten. Zonder de domeinkennis van het voedingsbedrijf wordt het projectdoel niet volledig bereikt, en omgekeerd is de expertise van de technologieaanbieder noodzakelijk om robuuste en betrouwbare AI-modellen te ontwikkelen.