< Terug naar vorige pagina

Project

Niet-destructieve interne kwaliteitsinspectie van appel met X-ray beeldvorming en deep learning

Appel behoort tot het dagelijks dieet van veel mensen wereldwijd. Helaas ontwikkelen interne defecten zich regelmatig tijdens teelt en bewaring. Tegenwoordig inspecteren commerciële kwaliteitsinspectiesystemen enkel externe kwaliteit, terwijl de binnenkant van de appel niet betrouwbaar kan worden geïnspecteerd. Daarom worden stalen opengesneden om de interne aandoeningen visueel te inspecteren. Als te veel fruit is aangetast, wordt de hele partij vaak weggegooid. Dit leidt uiteraard tot grote financiële verliezen, omdat nog onaangetast fruit in de partij zit. Bovendien kunnen aangetaste appels ook voorkomen in partijen die de inspectie doorstonden. De aanwezigheid van interne defecten heeft dus ook een negatieve invloed op kwaliteitsperceptie van de consument. Het doctoraatsproject beoogt daarom om een nietdestructief intern kwaliteitsinspectiesysteem te ontwikkelen om appels met verschillende interne aandoeningen, zoals intern bruin, lage temperatuurschade en glazigheid, te identificeren en classificeren door een unieke combinatie van X-ray beeldvorming en deep learning. Appels van verschillende cultivars en met diverse aandoeningen worden geproduceerd en gekarakteriseerd in 3D, een simulatiekader wordt ontwikkeld voor data-augmentatie en verschillende deep learning modellen worden gebouwd en gevalideerd om specifieke aandoeningen te segmenteren en te identificeren. De methode wordt toegepast en getest op een prototype voor fruit van verschillende oorsprong en seizoenen.

Datum:29 jul 2020 →  Heden
Trefwoorden:Post-harvest losses, Fruit quality, Non-destructive imaging
Disciplines:Agrovoeding mechatronica, Post-harvest technologie van planten, dieren en vissen (inclusief transport en opslag)
Project type:PhD project