Ellen Raeymaekers
Wereldwijd is er een toenemende vraag naar kwaliteitsvol fruit het hele jaar door. Om dit mogelijk te maken, moet fruit voor een lange tijd worden bewaard. Helaas kunnen interne afwijkingen, zoals bruinverkleuring en holtes, zich ontwikkelen onder suboptimale bewaarcondities en veroorzaken deze vaak geen externe symptomen. Wanneer consumenten fruit kopen in de supermarkt doen zij dit vooral op basis van het uitzicht (bv. vorm, kleur en grootte). Daarnaast is ook de interne kwaliteit van belang omdat deze bepaalt of de consument het product opnieuw zal kopen. Het is dus belangrijk om aangetaste peren te verwijderen in het sorteerproces. Momenteel zijn de beschikbare inspectiemethoden voor de interne kwaliteit onbetrouwbaar omdat gezonde peren foutief worden uitgesorteerd. Bovendien is sortering tot op heden enkel in staat peren te classificeren als “gezond” of “defect”, waardoor ook minimale defecten worden afgewezen. Een slimmer sorteersysteem duidt echter ook licht aangetaste peren aan omdat die vaak nog accepteerbaar zijn voor consumptie.
Als antwoord op deze problematiek werd in deze masterproef een stap verder gegaan door een methode te ontwikkelen om de ernst van interne defecten in peren automatisch te kwantificeren. Hiervoor werden 3-dimensionale X-stralenbeelden gemaakt van peren en werd een diep neuraal netwerk, behorende tot het domein van artificiële intelligentie (AI), getraind om de defecten aan te duiden op deze beelden. Vervolgens werd gekwantificeerd hoe groot het percentage defect per peer was. Daarnaast werd een consumentenonderzoek gedaan waarin de peren werden ingedeeld in 3 categorieën: “gezond”, “defect, maar consumeerbaar” en “defect en niet consumeerbaar”. Zo kon informatie van de consument gekoppeld worden aan de kwantitatieve resultaten van het AI-gebaseerde model.
(a) De figuur geeft de peren, verdeeld over boxen, weer tijdens het verzamelen van de X-stralenbeelden in de CT-scanner van UZ Leuven. (b-e) Resultaat van het diep neuraal netwerk voor een “defect en niet consumeerbare” peer met (b) een doorsnede van de CT-scan, (c) het resultaat van het manueel aanduiden van de verschillende delen van de peer, (d) het resultaat van het diep neuraal netwerk en (e) een visuele afbeelding van de doorgesneden peer. Het diep neuraal netwerk behaalt dus goede resultaten bij het aanduiden van de defecten. Op basis van de beelden verkregen met het neuraal netwerk werd vervolgens bepaald hoe groot het percentage aan defect was.
Er werd gevonden dat de ernst van de defecten accuraat kon worden voorspeld met behulp van het AI-gebaseerde model. Bovendien was het model in staat om met behulp van X-stralenbeelden de peren te classificeren in de 3 bovenvermelde categorieën. Peren met een verschillende interne kwaliteit kunnen dus onderscheiden worden. Concluderend werden in deze masterproef veelbelovende resultaten behaald in de richting van een verbeterd sorteersysteem met voordelen voor zowel consumenten als telers. Het is voordelig voor consumenten omdat een hoge interne kwaliteit kan gegarandeerd worden en weinig niet consumeerbare peren in de supermarkt belanden. Daarnaast is het systeem financieel voordelig voor telers omdat een hogere prijs kan worden gevraagd voor topklasse fruit en er minder uitval is bij de sortering. Tot slot leidt het tot een efficiëntere voedselketen met minder voedselverlies én voedselverspilling. Voordat het systeem echter kan worden gebruikt in de commerciële sorteerlijnen, zijn verdere ontwikkelingen nodig in zowel software als hardware.
Stemmen voor Ellen kan hier: https://kuleuven.eu.qualtrics.com/jfe/form/SV_eXUH7dLMNqAlftr
Je kan VBI terugvinden op:
Facebook – @VbiLeuven
Instagram – @vbi_kuleuven
Twitter – @VBI_Leuven
LinkedIn – @VBI KULeuven