Gebruik van hyperspectrale kwaliteitsinspectie in de agrovoedingssector met AI

Met hyperspectrale beeldvorming kan het continue spectrum van licht op elke pixel worden vastgelegd in de zichtbare en nabij-infrarode banden. Het biedt hierdoor meer optische informatie dan gewone RGB-beelden of het menselijk oog. Deze techniek heeft bijgevolg succes gevonden bij industriële toepassingen zoals afval en voedselsortering. Recente, op deep learning gebaseerde beeldverwerkingsalgoritmen, presteren beter dan klassieke computervisietechnieken voor deze toepassingen. Deze algoritmen vereisen echter een grote hoeveelheden gelabelde trainingsgegevens, die niet zo uitgebreid en gemakkelijk beschikbaar zijn voor hyperspectrale datasets als voor gewone RGB-datasets. Daarom moeten efficiënte verwerkings- en trainingstechnieken ontwikkeld worden om de overvloedige hoeveelheid informatie van hyperspectrale beelden met succes te benutten. De focus van dit doctoraat ligt op de ontwikkeling van een digitale tweeling (‘digital twin’) voor spectrale camera's, kalibratieoverdracht via gesimuleerde beelden van de digitale tweeling en de implementatie en benchmarking van spatiale-spectrale AI-algoritmen.