De belangrijkste trends in computer vision en robotica voor de agri- en foodsector

“Door diverse disciplines zoals computer vision, robotica, spectral imaging en Artificiële Intelligentie (AI) zoals machine learning samen te brengen, kunnen we slimme geïntegreerde computer vision- en roboticasystemen ontwikkelen voor de agri- en foodsector die zowel de mensen als planeet ten goede komen”,  zegt Paul Goethals. Hij is business development manager bij Vision+Robotics, een onderzoeksprogramma binnen Wageningen University & Research waar deze disciplines samenkomen en waar samen met het bedrijfsleven aan concrete toepassingen wordt gewerkt. In dit artikel licht hij de nieuwste trends en ontwikkelingen op dit gebied toe.

“Het gebruik van allerhande sensoren in agri en food heeft een enorme vlucht genomen en zal de komende jaren nog verder toenemen”, stelt Goethals. “Het is daarbij belangrijk dat de grote hoeveelheden data die deze sensoren opleveren, snel en nauwkeurig geanalyseerd kunnen worden. Computer vision is hier een voorbeeld van, waarbij met steeds geavanceerdere camera’s gewerkt wordt om de in- en uitwendige kwaliteit van agri- en foodproducten te bepalen. Dankzij snelle en nauwkeurige datamodellen, ondersteund met AI, kun je komen tot objectieve managementinformatie om onder andere operationele beslissingen sneller en beter te ondersteunen.”

Een van de focusgebieden van het Vision+Robotics programma is hyperspectrale beeldvorming. “Met speciale camera’s worden producten gescand, waardoor veranderingen in de interne molecuulstructuur zichtbaar worden. Dit kan een enorme meerwaarde betekenen voor de foodsector. Je kunt bijvoorbeeld de zoetheid van een appel meten zonder in de appel te hoeven snijden. En ook het vocht-, eiwit- of zetmeelgehalte van agri- en foodproducten kun je nauwgezet controleren. In de voedingsmiddelenindustrie kun je op die manier in de productielijnen realtime de processen bijsturen zodra bepaalde afwijkingen optreden. De apparatuur wordt steeds beter en sneller en modellen worden krachtiger. AI en meer specifiek machine learning dragen bij aan het interpreteren en verwerken van beelden.”

Een andere ontwikkeling is meer flexibiliteit creëren in productielijnen. “Traditionele productielijnen verwerken grote hoeveelheden van eenzelfde product, maar door een diversere consumentenvraag is er een trend gaande richting kleinere productiebatches met een grotere variatie. Dit levert behoorlijke omsteltijden in productielijnen op. Flexibele werkstations kunnen dit probleem verminderen. Momenteel staan flexibele werkstations nog in de kinderschoenen, maar de komende jaren zullen ze steeds meer terrein winnen. Met flexibele werkstations kunnen voedselverwerkende bedrijven robots automatisch verschillende handelingen laten uitvoeren, direct aangestuurd door de specificaties van een bepaalde productiebatch.”

Eenvoudig kunnen programmeren van robots is daarom eveneens een onderzoeksdomein binnen het Vision+Robotics programma. “We verwachten dat robots en cobots getraind zullen worden op basis van menselijk gedrag. Werknemers doen handelingen voor, een camera legt alles vast en vervolgens worden de beelden automatisch geanalyseerd en overgebracht naar de robot die ermee aan de slag kan. Doel is dat er geen handmatige programmering meer nodig zal zijn. Momenteel loopt er een project waarin we dit onderzoeken. Dit heeft een enorm potentieel. En als je handelingen op 1 robot kunt overdragen, kun je het vervolgens eenvoudig verder uitrollen naar andere robots in je productielijn of zelfs op andere productielocaties.”

Data worden steeds belangrijker. “De foodsector maakt steeds vaker gebruik van digital twins, waarbij productielijnen gesimuleerd worden in een virtuele omgeving. Maar je kunt hierin nog een stap verder gaan. We doen momenteel onderzoek naar hoe je de bewegingen van variabele producten zoals groente, fruit of vis op een productielijn kunt digitaliseren. Hoe vallen de producten uit een krat op een productielijn, hoe liggen ze over elkaar heen en hoe vervolgen ze hun weg naar het werkstation? Als je ook dit kunt digitaliseren, kun je het volledige proces in de computer vooraf simuleren en handelingen van robots hierop trainen. Er is op dit terrein al veel mogelijk met betrekking tot logistieke verwerking, zoals het verpakken en verplaatsen van dozen met een vaste vorm. Wij zijn nu bezig om de stap te maken naar een variabel product zodat robots ook dit soort producten eenvoudiger met grippers kunnen grijpen.”

Grippers zijn en blijven belangrijk. “Ook hier zijn veel ontwikkelingen gaande. Recent was het nog ondenkbaar om delicate producten zoals bessen of aardbeien te grijpen met een robot aangezien ze snel beschadigd raken. Er komen steeds meer soft-grippers op de markt, die onder andere pneumatisch aangedreven worden, vervaardigd zijn uit zacht materiaal en voorzien zijn van de nodige sensoren. Hiermee is het mogelijk om de juiste gevoeligheid in te stellen en te zorgen dat de producten niet beschadigd worden. Dit soort grippers zijn momenteel de markt aan het veroveren en gebruiken we ook in onze robotontwikkeling.”

Uiteindelijk zullen diverse technieken samenkomen. “Denk bijvoorbeeld aan flexibele robotstations met computer vision die snel geavanceerde grippers kunnen wisselen en geprogrammeerd kunnen worden op basis van imitatie van menselijk gedrag. Dit is alleen mogelijk met veel data over de omgeving van de robot. Toekomstige robotica is daarom sterk datagedreven. Een snelle krachtige data-infrastructuur is daarom ook noodzakelijk om dit te kunnen realiseren. Gelukkig worden ook op dit gebied de nodige stappen voorwaarts gemaakt.”