Deep learning en X-ray beeldvorming voor niet-destructieve interne kwaliteitsinspectie van voedingmiddelen in inline toepassing

De meeste commerciële kwaliteitsinspectiesystemen voor voedingsmiddelen zijn alleen gericht op externe kwaliteitsaspecten. Interne gebreken ontwikkelen zich vóór of tijdens opslag of verwerking en zijn vaak niet extern te detecteren. Bij handmatige destructieve inspectie worden een aantal willekeurig geselecteerde voedingsmiddelen van elke partij onderzocht. De hele batch wordt vaak weggegooid als het aantal producten met gebreken groter is dan een bepaalde drempel. De nadelen hiervan zijn financiële verliezen, omdat partijen met een hoge incidentie van aandoeningen nog steeds een aanzienlijk aantal niet-aangetaste producten kunnen bevatten. Ook worden zeker niet alle voedingsmiddelen met grebreken weggegooid, wat leidt tot verspilling van middelen verderop in de keten en een negatief effect op het vertrouwen van de consument. Het doel van dit project is om een kosteneffectief, niet-destructief, intern kwaliteitssysteem te ontwikkelen om voedingsmiddelen van hoge kwaliteit te leveren door 3D-metingen en röntgenradiografie te combineren met efficiënte ‘deep learning’ en geparametriseerde vormmodellen in een inline applicatie op een transportband bij commerciële snelheden. Het succesvolle principe werd gedemonstreerd in het SBO-project TomFood en gepatenteerd. In dit project wordt een prototype-systeem ontworpen, worden geoptimaliseerde beeldanalyseprotocollen ontwikkeld en worden verschillende toepassingen voor voedselkwaliteit getest als hefboom voor succesvolle technologieoverdracht naar de industrie (licentieverlening, samenwerkingsprojecten).

Trefwoorden:X-ray, internal defects, sensors for food, artificial intelligence, online sorting

Disciplines:Agrovoeding mechatronica