Deep Learning für die Lebensmittelindustrie
Bisher haben wir in dieser Reihe von Blog-Beiträgen die Vorteile der Implementierung eines Deep Learning Systems für Machine Learning behandelt, um die industrielle Automatisierung zu erleichtern, sowie die Grundlagen zum Training eines Deep Learning Systems zu behandeln.
In diesem Blogbeitrag beschäftigen wir uns mit dem Einsatz von Deep Learning Bildverarbeitungssystemen für industrielle Lebensmittelanwendungen.
Warum Deep Learning für die Lebensmittelindustrie?
In der Lebensmittelindustrie kann Deep Learning die Effizienz hervorragend steigern. Die Einzelkosten der Lebensmitteleinheiten sind tendenziell niedrig, mit einem hohen Anteil an den Produktionslinien, bei Lebensmitteln wie Nüssen, Obst und Gemüse lässt sich durch die Automatisierung der Qualitätskontrolle also viel Zeit und Geld sparen.
So automatisieren Sie die Qualitätskontrolle Ihrer Lebensmittel
Die Kombination von Bildverarbeitung mit Deep Learning Technologie kann den Weg zu kreativen und hocheffizienten Lösungen in der Lebensmittelindustrie ebenen. Am Ende geht es immer darum, was Deep Learning auszeichnet: Klassifizierung, Erkennung, Auslesen und Detektieren.
All diese Aufgaben lassen sich sehr gut auf industrielle Lebensmittelkontexte anwenden, zum Beispiel die Klassifizierung von Lebensmittelarten, das Erkennen häufiger kosmetischer Fehler, das Lesen von Etiketten und das Erkennen von Beschädigungen.
Sammeln von Daten für einen industriellen Lebensmitteldatensatz
Den Ratschlägen in unserem letzten Blog folgend, sollten Sie in diesem Fall einen großen Datensatz für Deep Learning verwenden – wahrscheinlich Tausende von Bildern -, der alle möglichen Variationen Ihrer Anwendung umfasst, nicht nur in verschiedenen Arten, sondern in allen möglichen Formen. Beispielsweise kann eine unreife Orange gelb erscheinen, sodass sich das neuronale Netzwerk nicht nur auf die Farbe, sondern auf Form und Textur verlassen muss.
Ein Deep Learning System muss trainiert werden, um jeden Aspekt eines erkennbaren Lebensmittelproduktes zu kennen da es hier sehr große Unterschiede geben kann. Stellen Sie viele unterschiedliche Bilder bereit anstatt nur „perfekte“ Bilder wie diese hier.
Nachdem Sie Ihre Daten gesammelt haben, müssen Sie die Bilder beschriften (z.B. „orange, pass“) und in Teildatensätze (~60% Trainingssatz, ~30% Evaluierungssatz und die restlichen ~10% für den Validierungssatz) unterteilen. Die Datenerweiterung wird am besten verwendet, um den Datensatz aufzufüllen und die Inferenzfähigkeit in Ihrem trainierten Modell zu erhöhen.
Beispiele für Deep Learning in der Lebensmittelindustrie
Deep Learning zeichnet sich bei Lebensmittellinien aus, weil es hervorragend darin ist unterschiedliche Arten und Fehler zu erkennen bzw. auf Basis visueller Hinweise diese zu bewerten und zu sortieren.
Deep Learning für Obstsortierung
Deep Learning eignet sich hervorragend für einen „Gut“ oder „Schlecht“ Vergleich
Nehmen wir zum Beispiel das Sortieren von Obst – ein vollautomatisches Deep Learning Bildverarbeitungssystem kann kosmetische Fehler erkennen und diese nach Qualität einstufen und auf deren Basis eine Pass- / Fail-Unterscheidung treffen ähnlich wie in dem Beispiel mit den Orangen anbei.
Deep Learning Bildverarbeitungssysteme können beim Sortieren von Lebensmittel mit sehr hoher Genauigkeit und Präzision arbeiten.
Deep Learning zum Bewerten von Eiern
Die Einstufung erfordert normalerweise ein subjektives Auge, aber objektive visuelle Hinweise können sehr nützlich sein, um nicht nur Lebensmittelproben auszusortieren, sondern auch um die Qualität bestimmter Lebensmittel zu bestimmen.
Der Preis von Eiern wird beispielsweise im Vergleich zu Erdnüssen besonders durch ihr Aussehen beeinflusst. Eier sind auch sehr zerbrechlich und anfällig für Risse, was natürlich den Wiederverkaufswert senkt, wenn das System nicht stabil Brüche oder Risse erkennen kann.
Deep Learning zur Erkennung von Rissen (links) und Schmutz (rechts).
Glücklicherweise funktioniert Deep Learning sehr gut beim Erkennen von Eierschalenrissen und verlässt sich auf visuelle Hinweise wie Größe, Farbe und das Vorhandensein von Sprenkeln, um die jeweilige Einstufung zu bestimmen.
Deep Learning zur Beurteilung von Fleisch
Deep Learning kann auch nach visuellen Hinweisen auf andere tierische Produkte wie Fleisch, Fisch und Geflügel suchen – solange es in der Datentrainingsphase gelehrt wird, Dinge wie Haare, Federn und Hämatome zu erkennen. Hat man hier den richtigen Datensatz verwendet erkennt das System mögliche Fehler oder das Vorhandensein von unerwünschten Stoffen in der Produktionslinie.
Deep Learning zum Bewerten von Pizzabelägen
Der Hauptgrund hierfür ist, dass Deep Learning bei Lebensmitteln so gut funktioniert, weil es sich an viele verschiedene Arten von Lebensmitteln anpasst. Im Folgenden sehen wir, wie Deep Learning verwendet wird, um eine ungleichmäßige Verteilung oder sogar das völlige Fehlen von Pizzabelägen zu erkennen. Somit können schlechte Beispiele aussortiert werden was langfristig Zeit und Geld spart.
Deep Learning ist in der Lage, das Fehlen von Pizzabelägen zu erkennen (links).
Deep Learning gilt nicht nur für Fleisch, Obst, Eier und Pizza. Seine Anpassungsfähigkeit macht es zu einer hochwirksamen Lösung für Probleme in industriellen Lebensmittelfertigungsstraßen.
Deep Learning kann verwendet werden, um Backwaren wie Brot nach Qualität auszusortieren bspw. über den Grad der akzeptablen Farbe und Helligkeit.
Fallstudie: Deep Learning in der Lebensmittelindustrie
Die folgende Fallstudie beschreibt, wie Deep Learning erfolgreich in einer Anwendung eingesetzt wurde, die sich auf das Sortieren von Muscheln ohne Schale konzentriert. Der Algorithmus stützt sich hierbei auf die Erkennung von Schalenfragmenten.
Mittels Röntgenaufnahmen wurden die Muscheln abgebildet, verarbeitet und in zwei Klassen unterschieden: „bestanden“ und „nicht bestanden“.
Die Muscheln wurden dann unter Verwendung der Blob-Analysefunktion in der Matrox Imaging Library (MIL) lokalisiert.
Die Daten
Die Datenaufbereitung dauerte 4 Stunden, und die Datenerweiterung wurde sechsmal ausgeführt. Das eigentliche Training dauerte drei Stunden und umfasste 12.000 Bilder.
Die Ergebnisse
Mit der Matrox Imaging Library (MIL) und einem eingebetteten System mit GeForce GTX 1080Ti und Core i7 wurde eine Inferenzrate von <5ms pro Muschel mit einer Genauigkeit von 99% nach Angaben des Systemintegrators erreicht.
Modernste Deep Learning Lösungen von ClearView Imaging
Wir wissen, dass sich die Vorbereitung auf ein Deep Learning Projekt für eine Machine Vision Anwendung wie eine unlösbare Aufgabe anfühlen kann. Bei ClearView Imaging liefern wir nicht nur alle Komponenten, die Sie für Ihr Bildverarbeitungsprojekt benötigen, sondern verfügen auch über ein großartiges Team von Ingenieuren und Bildverarbeitungsexperten mit dem Wissen und der Erfahrung, um Sie bei Ihrer Anwendung zu unterstützen. Was auch immer Ihre Anfrage ist, zögern Sie nicht uns über unsere Kontaktseite zu kontaktieren.
Bleiben Sie auf dem Laufenden über diese Blog-Reihe, während wir uns weiterhin mit Deep Learning in einer Vielzahl von Machine Vision Kontexten beschäftigen.
Ob Sie ein OEM, Systemintegrator, Ingenieur oder Endanwender sind, in unserem umfassenden Angebot an Bildverarbeitungsprodukten finden Sie die besten Komponenten auf dem Markt.
