opbrengst en grootte van aardappelen optimaliseren met stereovision en AI

AVR wilde een cameragebaseerd meetsysteem ontwikkelen voor installatie op de bunkervulband van zijn Puma 4.0-rooier. Het systeem werd ontworpen om de lengte en breedte van aardappelmonsters in de productstroom te meten.

1. Machinebouwers, geen computervisie-ingenieurs

• Hoewel het R&D-team van AVR een duidelijk idee had van wat het systeem moest doen, ontbrak het het bedrijf aan de expertise en knowhow om het te ontwikkelen. Daarom was AVR op zoek naar een betrouwbare technologiepartner om nauw samen te werken met het R&D-team.

2. De juiste partner vinden

• “AVR wilde niet alleen een prototype ontwikkelen, maar het meetsysteem ook productieklaar maken”, zegt Pieterjan Vanlaeken, Platform Leader Technology bij AVR. “Dat kon alleen in samenwerking met een partner die veel affiniteit heeft met productie.”

AVR schakelde Vintecc in om mee te werken aan de ontwikkeling van een aardappelmeetsysteem voor de Puma 4.0 zelfrijdende aardappelrooier. Het systeem gebruikt stereovisiecamera's die op de bunkervulband gemonteerd zijn om de lengte en breedte van de aardappelen te bepalen tijdens het rooien. Het voordeel van stereovisie is dat deze technologie een uitstekende diepteschatting biedt, wat de meetnauwkeurigheid verbetert.

1. Grootte gekoppeld aan locatie

• De detectie van aardappelen is gebaseerd op deep learning AI, waardoor het systeem de aardappelen kan herkennen in periodieke monsterbeelden van de productstroom. Dit stelt het systeem op zijn beurt in staat om volledig zichtbare aardappelen in het beeld te selecteren en hun breedte en lengte te meten.
• De aardappeldata kunnen ook worden gekoppeld aan geolocatie data, wat telers de mogelijkheid biedt om de breedte en lengte van de gemeten aardappelen te evalueren voor verschillende geoogste zones in hun veld. Met andere woorden, het AVR-aardappelmeetsysteem biedt een volledig digitale weergave van de breedte en lengte van het gemeten monster van de geoogste aardappelen.

2. Computer vision in uitdagende omstandigheden

• “Vintecc hielp ons vanaf het begin bij de ontwikkeling van het systeem en werkte echt als een verlengstuk van ons team,” zegt Pieterjan Vanlaeken. “Ze selecteerden de technologie en verzorgden de training van het AI-model. Vooral de stereovision-technologie was nieuw voor ons. Vintecc hielp ons om het maximale uit deze technologie te halen, zelfs in uitdagende lichtomstandigheden.”

3. Capture, een industrieel IoT-platform

• De eerste prototypes van het aardappelmeetsysteem werden gemonitord met behulp van Vintecc's eigen IoT-platform Capture, dat in dit geval waardevolle systeemdata verzamelde van de rooier in het veld en deze via de cloud beschikbaar stelde voor verdere evaluatie door het R&D-team.
• “Capture is een grote hulp geweest tijdens onze eerste diagnose en voor het debuggen van onze eerste prototypes,” zegt Pieterjan Vanlaeken. “Zonder dit IoT-platform hadden we de prestaties van ons meetsysteem nooit zo efficiënt kunnen monitoren.”

Voor het trainen van AI-modellen zijn meestal veel gegevens nodig. De uitdaging voor het team was om relatief snel realistische aardappelafbeeldingen te verkrijgen in grote hoeveelheden en met een grote variëteit.

1. Seizoensbeperkingen overwinnen

• Idealiter moest de beelddata afkomstig zijn van verschillende soorten aardappelen op verschillende velden, in verschillende lichtomstandigheden en op verschillende soorten transportbanden. Maar omdat het oogsten van aardappelen een seizoensgebonden activiteit is die beperkt is tot een paar maanden per jaar, was het zeer onpraktisch om deze gegevens binnen een realistisch tijdsbestek te verkrijgen.

2. 3D-rendering voor snellere AI-training

• Vintecc besloot daarom om het AI-model te trainen met synthetisch gegenereerde beelddata. Dit zijn beelden die zijn gemaakt door 3D-rendering en door verschillende realistische licht- en omgevingsomstandigheden te simuleren. De synthetische data slaagde erin om zeer realistische texturen en details van aardappelen weer te geven in verschillende perspectieven en omstandigheden.

3. De time-to-market verkorten

• “Het gebruik van synthetische data heeft ons geholpen om onze time-to-market aanzienlijk te verkorten,” zegt Pieterjan Vanlaeken. “Alleen werken met real-life data zou nooit gewerkt hebben voor ons, en Vintecc was instrumenteel in het leiden naar de veel snellere weg van synthetische data. Uiteindelijk hebben we, om onze resultaten verder te optimaliseren, synthetische en reële data gemixt.”

Het nieuwe aardappelmeetsysteem voor de Puma 4.0 rooier werd aan het publiek voorgesteld op Interpom 2024, Europa's toonaangevende indoor vakevenement voor de aardappelketen. Op dat moment waren de eerste rooiers uitgerust met de laatste prototypes van de nieuwe AVR-technologie al onderworpen aan uitgebreide veldtesten.