Intelligentere Obstsortierung mit optischer Sensorik und maschinellem Lernen

Wie lange inspizieren Sie einen Apfel im Laden, bevor er in Ihrem Warenkorb landet? Die heutigen Verbraucher erwarten von ihren Lebensmitteln eine gleichbleibend hohe Qualität. Aus diesem Grund nutzen Unternehmen wie Ocean Optics fortschrittliche optische Sensortools und Analysen, um die Qualität von Lebensmitteln für Verbraucher und die Qualität von Lösungen für Lebensmittelverarbeiter und Hersteller von Sortiermaschinen zu verbessern.

In der Vergangenheit wurde die Sortierung von Lebensmitteln manuell durchgeführt, wobei man sich bei der visuellen Beurteilung der Qualität auf das Fachwissen der Arbeiter verließ. Die Einführung von Bildverarbeitungssystemen, optischer Abtastung und Spektroskopie hat zu einem viel tieferen Verständnis und einer tieferen Analyse geführt. Einige Spektrometer können beispielsweise in das Innere einer Fruchtschale „sehen“, um den Fett-, Protein- oder Wassergehalt zu bestimmen oder um innere Bräunung, Fäulnis oder Druckstellen zu erkennen.

Neue Tools wie maschinelles Lernen fügen eine weitere Ebene der Analysefähigkeiten hinzu. Durch die Verbindung von Spektroskopie mit fortschrittlichen statistischen Modellen und einer Architektur für maschinelles Lernen können beispielsweise unmittelbare Vorteile für verschiedene Gruppen innerhalb der Lieferkette erzielt werden: die Integratoren von Sortiermaschinen, die nach präziseren und zuverlässigeren Analyseangeboten suchen; die Lebensmittelverarbeiter streben nach effizienteren Anlagen; und Verbraucher möchten sicher sein, dass sie das essen, was sie erwarten.

Datteln sind seit biblischen Zeiten eine beliebte Frucht. Verbraucher wissen genau, welche Dattelsorte sie wollen: nicht zu nass und nicht zu trocken.

Ocean Optics wurde von Lugo Machinery & Innovation, einem führenden Anbieter von Frischwarensortierprodukten mit Sitz in Israel, gebeten, seine manuelle Methode zum Sortieren von Datteln nach Feuchtigkeit zu verbessern. Ihre Ziele waren einfach: erstens den Sortierprozess zu automatisieren, um jegliche manuelle Inspektion zu eliminieren; als nächstes, um die Messungen schnell durchzuführen; und schließlich, die Messungen zerstörungsfrei durchzuführen. Darüber hinaus war Lugos Zeitplan mit nur vier Monaten bis zur Dattelsaison sehr kurz und sie hatten keinerlei Erfahrung mit Spektroskopie.

An Dattelproben aus Lugo wurden Machbarkeitstests durchgeführt, die schnell NIR-Korrelationen mit dem Feuchtigkeitsgehalt der Früchte zeigten und bei der Entscheidung für die Wahl des Systems halfen. Dieser Aufbau wurde vor Ort verwendet, um einen viel größeren Stichprobensatz zu analysieren und dann für Trainingsdaten zur Entwicklung proprietärer Algorithmen für maschinelles Lernen zu verwenden.

Lugo war sich der Dattelfeuchtigkeitsreaktion zwischen 850 und 900 nm bewusst und ging davon aus, dass sich die Analyse ausschließlich auf diesen Bereich konzentrieren würde. Basierend auf unserer Erfahrung bei der Analyse anderer Obst- und Gemüsesorten haben wir den Analysebereich jedoch um breitere strukturierte Spektralmerkmale erweitert, um uns bei der Entwicklung von Algorithmen für maschinelles Lernen zu unterstützen. Dieser Ansatz – Breitband- oder diskrete Wellenlängenspektralanalyse – liefert genauere Ergebnisse und macht die Daten weniger anfällig für Abweichungen im Zusammenhang mit optischen Interferenzen.

Angewandte Analytik floss auch in das Lugo-Dattelsortierungsprojekt ein. Nachdem Lugo die Robustheit früher entwickelter Algorithmen sowie deren Vorhersagegenauigkeit nachgewiesen hatte, integrierte er die Spektralplattform in ein Förderbandsystem, wobei die Algorithmen auf einem dedizierten PC ausgeführt wurden. Die Architektur dieses Sortiersystems scannt jedes Datum und wägt über 12 potenzielle Korrelationsmodelle ab, „stimmt“ schließlich über das beste Modell ab und generiert die Ausgabe in Millisekunden. Klassifizierungsmethoden waren in dieser Anwendung wertvoll, da sie breitere Schwellenwertentscheidungen anstelle präziser numerischer Ausgaben erforderte. Einige dieser Methoden umfassen k-nächste Nachbarn (k-NN), Gaußsche Methoden und Polynome. Die Methoden-Toolbox wird weiterentwickelt und umfasst nun auch Regressionsmodelle für genaue quantifizierte Ergebnisse, was für diejenigen von unschätzbarem Wert ist, die in Prozessströmen arbeiten und nach Verunreinigungen aus einer Vielzahl von Quellen suchen.

Durch die Erstellung mathematischer Korrelationen zwischen Absorptions- und Konzentrationstrends haben wir den ersten Schritt zu einem besseren Verständnis gemacht. Während sich diese Korrelationen von linearen Anpassungen zu komplexeren Funktionen weiterentwickeln, wird das Verständnis weiter vorangetrieben, und wenn diese komplexen Funktionen beginnen, mehrere Arten zu berücksichtigen, kommen wir noch weiter voran. Doch irgendwann stößt man auf eine Mauer; Irgendwann gibt es so viele miteinander verbundene Eingaben, die so viele Ausgaben generieren, dass herkömmliche Entfaltungsmethoden entmutigend, wenn nicht sogar unmöglich werden.

Die Einführung von maschinellem Lernen in den Obstsortierprozess bringt eine tiefere Analyseebene mit sich, die nicht auf dem menschlichen Auge und der Wahrnehmung beruht, sondern stattdessen mit den Fingern jedes digitale Datenbit durchsucht und das gesamte Datenfeld jedes Spektrometerscans bei jedem Pixel statistisch analysiert auf dem Detektor. Dieses System kann nun Anomalien erkennen, die zuvor übersehen wurden, und intelligentere, effizientere Korrelationen für weitaus stärker miteinander verknüpfte Variablen entwickeln.

Einer der wirkungsvollsten Aspekte des maschinellen Lernens ist die Fähigkeit von Laien, neue Trainingssätze in das System einzuführen und Ergebnisse zu erzielen, die bisher nur Experten auf diesem Gebiet erreichen konnten. Dies schafft die Freiheit, über die anfänglichen Produktfunktionen hinaus zu entwickeln, ohne dass die Kosten für einen Experten für solche Erweiterungen und Weiterentwicklungen anfallen. Mit diesen neuen Tools ist das, was einst äußerst einschüchternd und eingeschränkt war, nun für viele Benutzer zugänglich.

Für die Zusammenarbeit mit SPSen und gängigen Prozessgeräten stehen verschiedene Kommunikationsschnittstellen zur Verfügung. In unserer Fallstudie haben Lugo und Ocean Optics das Spektrometermodul so konstruiert, dass es mit der System-SPS kommuniziert, um eine Aktion für ein Ventil auszulösen, das die Daten in die richtige Richtung steuert (entsprechende Feuchtigkeitskategorie). Dieses funktionierende System schuf eine Beta-Plattform zur Verfeinerung und Optimierung der Algorithmen vor der endgültigen Implementierung.

Heute scannt das voll integrierte System 5 Daten pro Sekunde und ist vollständig automatisiert. Dadurch wurden die Gemeinkosten gesenkt, die Sicherheit verbessert und der Kunde konnte sich auf die Verfeinerung anderer Aspekte des Sortierprozesses konzentrieren. Da nun fortgeschrittene statistische Modelle etabliert sind, kann der Kunde außerdem zusätzliche Analysen entwickeln, ohne dass Modellierungskenntnisse erforderlich sind.

Durch die Verschmelzung von Spektroskopie, statistischer Modellierung und maschineller Lernarchitektur können Sortiermaschinenintegratoren und Lebensmittelverarbeiter effizientere Sortier- und Klassifizierungssysteme aufbauen.

Geschrieben von Derek Guenther, Senior Application Scientist, Ocean Optics