Apple quality sorting based on deep learning
Het sorteren van appels op kwaliteit is een complex proces waarbij defecten nauwkeurig moeten worden geclassificeerd. Greefa heeft een validatietest uitgevoerd om de toepasbaarheid van deep learning te evalueren bij het automatisch herkennen en onderscheiden van defecten. Door kunstmatige intelligentie in te zetten, kan het sorteerproces efficiënter en nauwkeuriger worden uitgevoerd, met minder handmatige controle.
Innovatiepakket, use case en type test
Voedselverwerking
Dark Fruit Technology
Status: afgerond
Technische functionaliteit
Brede kennisvraag
Hoe nauwkeurig kan deep learning fruit classificeren?
Dit onderzoek richt zich op de mate waarin deep learning geschikt is om fruit te classificeren en verschillende defecten te onderscheiden. De test beoordeelt of deze technologie kan bijdragen aan een stabieler en efficiënter sorteerproces.
Aanpak
Testen van deep learning in een realistische omgeving
De validatietest vond plaats op een sorteermachine bij FruitMasters in Geldermalsen. Voor deze test werden 1.400 Kanzi-appels geselecteerd door twee keurmeesters om een representatieve set van mogelijke defecten te creëren. De appels werden vervolgens per type gesorteerd, waarbij elk defect werd toegewezen aan een specifieke klasse. De testresultaten zijn zowel handmatig als door het sorteersysteem geregistreerd en vergeleken.
Doel
Vergelijking met bestaande sorteermethoden
Het doel van deze validatietest is om de deep learning-methode te evalueren in een gecontroleerde, maar realistische setting. Daarnaast wordt de nieuwe methode vergeleken met de bestaande sorteertechnieken om te bepalen of deep learning een verbeterde nauwkeurigheid en efficiëntie oplevert.
Resultaat en reflectie
Betere detectie en stabielere sorteerresultaten
De deep learning-methode blijkt zeer nauwkeurig in het onderscheiden van appels met en zonder defecten.
Geslaagd
Het systeem behaalde een hoge specificiteit (>99%) en sensitiviteit (>94%) bij de classificatie van defecten.
Deep learning kan verschillende defecttypen beter onderscheiden dan traditionele sorteermethoden.
De methode werkt onafhankelijk van het appelras, waardoor bredere inzetbaarheid mogelijk is.
Leerpunten
De testresultaten zijn gebaseerd op een breed scala aan defecten en laten een lage afwijking zien (0,5%-2,5%).
Herhaling van de test met hetzelfde appelras zal naar verwachting geen significante verschillen opleveren.
Minder handmatige nacontrole is nodig, wat kan leiden tot een efficiënter en arbeidsbesparend sorteerproces.