Development of AI classification system for sorting food applications

Abstract

Het sorteren van groene bonen in bulk sorteer applicaties met normale beeld verwerkingsmethodes heeft een prestatie die lager ligt dan de hoogste kwaliteit eisen van de klant. Een nieuwe aanpak voor het sorteren van groene bonen is geïntroduceerd in dit onderzoek. De geselecteerde methodes maken gebruik van geavanceerde machine learning of Deep Learning algoritmes. Deze algoritmes gebruiken convolutionele and standaard neuraal netwerk lagen om de objecten correct te classificeren tussen goed en slecht. Dit werd gedaan op gewone RGB foto's maar ook op foto's die extra informatie kanalen bevatten die bestaan uit informatie verzameld door lazers. De training werd lokaal uitgevoerd in een Python omgeving die TensorFlow en Keras gebruikt. Deze bibliotheken zorgen ervoor dat een GPU gebruikt kon worden om het trainen te versnellen. In dit onderzoek worden meerdere netwerk architecturen getraind. Dit is een zelf gemaakte, ResNet-18, ResNet-50 en MobileNetV2 architectuur. De resultaten voor deze netwerken lopen sterk uiteen. Omdat de data set scheef verdeeld is, 90% goede en 10% voorbeelden, worden 3 metrische variabelen gemonitord. De eerste twee variabele zijn de nauwkeurigheid en de schade. De derde variabele is de F1-score. De netwerken worden getraind op de originele data set en op de data set waar data aangroei is op toegepast. Dit betekent dat de objecten in de foto's worden geroteerd of verplaatst om een grotere data set te genereren.