Toffe peren-selectie: hoe AI voedselverspilling voorkomt

Toffe peren-selectie: hoe AI voedselverspilling voorkomt

Minder handmatig werk, minder voedselverspilling, meer kwaliteit. Voormalig data science-student Cees Maessen onderzocht in zijn masterscriptie hoe je met behulp van kunstmatige intelligentie peren slimmer kan sorteren: ‘We willen geen slechte peren in de supermarkt, maar ook geen goede peren in de vuilnisbak.’

Cees Maessen: ‘Het idee van volledige traceerbaarheid, van boom tot peer, is nog toekomstmuziek, maar niet ondenkbaar.’ Beeld: Jack Tummers

Waar gaat je scriptie over?

‘Mijn scriptie richt zich op het efficiënter en consistenter maken van het sorteerproces van peren. Wanneer peren worden geoogst, zijn ze niet allemaal geschikt voor verkoop in de supermarkt. Sommigen hebben defecten zoals deuken, zwarte vegen of ziektes. Het sorteerproces wordt uitgevoerd door gespecialiseerde bedrijven, niet door de perentelers zelf.

‘Deze bedrijven maken gebruik van lopende banden en waterbanen om de peren naar sorteermachines te transporteren. Hoewel machines een rol spelen, blijft handwerk essentieel. Medewerkers controleren de peren visueel, wat tijdrovend is en foutgevoelig kan zijn, vooral gezien de variatie in de vaardigheden van de medewerkers. Er zijn werknemers die dit werk al lange tijd doen en hun vak goed beheersen. Maar tijdelijke krachten, die tijdens het oogstseizoen worden ingezet, kunnen soms minder goed inschatten welke peren wel of niet geschikt zijn.

‘Het probleem is dat je enerzijds slechte peren wil uitsluiten, maar anderzijds ook geen goede peren wil afkeuren, omdat dit leidt tot voedselverspilling. We willen geen slechte peren in de supermarkt, maar ook geen goede peren in de vuilnisbak. Hoe kan computervisie op basis van kunstmatige intelligentie (AI) worden ingezet om dit proces te verbeteren? Dat wilde ik weten.’

Hoe heb je jouw onderzoek aangepakt?

‘Ik begon met het creëren van een infrastructuur voor het verzamelen en verwerken van data. Het sorteerproces maakt gebruik van geavanceerde camera’s die peren vanuit verschillende hoeken filmen. De uitdaging was om deze beelden te analyseren met minimale handmatige input. Hiervoor maakte ik gebruik van een AI-techniek die leert van niet-geannoteerde data. Dit betekent dat de modellen zelfstandig patronen herkennen zonder dat alle afbeeldingen vooraf handmatig gelabeld hoeven te worden.

‘In de eerste fase leerde het model de algemene kenmerken van peren, zoals vorm, kleur en textuur. Afwijkende objecten, zoals sterk misvormde peren of defecten, werden automatisch gescheiden van de normale peren. Vervolgens trainde ik het model met gelabelde data om specifieke categorieën te herkennen, zoals ‘rot’ of ‘niet-rot’.’

Cees Maessen: ‘Ik trainde het model met gelabelde data om specifieke categorieën te herkennen, zoals ‘rot’ of ‘niet-rot’.’ Beeld: Cees Maessen

Wat kwam er uit je onderzoek?

‘Een belangrijk resultaat is dat AI het potentieel heeft om het sorteerproces flink te verbeteren. Zo kan model dat ik heb ontwikkeld preciezer bepalen of een peer geschikt is voor de supermarkt, de industrie of dat deze afgekeurd moet worden.

‘Ook ontdekte ik dat AI zonder labels niet alleen rotte plekken goed kan vinden, maar ook afwijkende vormen en kleuren detecteert die wijzen op ziektes of beschadigingen. Dat AI deze dingen kan vinden met labels is al tien jaar bekend, maar dat deze dit kan met niet-geannoteerde data is nieuw en interessant.

‘Een ander belangrijk inzicht is dat het model goed omgaat met uitdagingen. In tegenstelling tot traditionele computervisie-systemen – die moeite hebben om bijvoorbeeld een bruin steeltje te onderscheiden van een bruine, rotte plek – kunnen geavanceerdere AI-modellen subtiele verschillen detecteren. Dit zorgt voor betrouwbaardere en consistentere resultaten. Bovendien biedt het systeem potentieel voordelen voor precisielandbouw. Door gegevens over peren terug te koppelen, kunnen telers beter begrijpen waar problemen ontstaan.’

Waarom is dit onderzoek belangrijk?

‘Het project raakt aan verschillende maatschappelijke en economische problemen. Allereerst is er een tekort aan arbeidskrachten voor het handmatige sorteren van fruit. Het werk is zwaar, seizoensgebonden en wordt steeds minder aantrekkelijk. Automatisering biedt hier een oplossing.

‘Ten tweede draagt het bij aan de strijd tegen voedselverspilling. Het huidige proces leidt soms tot onnodige afkeur van goede peren, simpelweg omdat handmatige controle en computervisie niet perfect is. Door AI in te zetten, kunnen we betere beslissingen nemen en meer fruit behouden. Als je deze technieken verder ontwikkelt, kun je ze ook toepassen op andere gewassen, zoals appels, tomaten en komkommers. Dit opent de deur naar efficiëntere landbouwpraktijken en een hogere kwaliteit van producten voor consumenten.’

Wat betekent dit voor de toekomst?

‘Hoewel er belangrijke stappen zijn gezet, is er nog veel werk te doen. De technieken die ik heb ontwikkeld, bieden een stevige basis voor verdere innovaties. Het idee van volledige traceerbaarheid, van boom tot peer, is nog toekomstmuziek, maar niet ondenkbaar. Stel je voor dat je als teler of consument precies weet waar je fruit vandaan komt en welke route het heeft afgelegd. Dat zou niet alleen transparantie bieden, maar ook helpen om landbouw nóg duurzamer en efficiënter te maken.’

Masterscriptie

Een literatuuronderzoek, experimenteren in het lab of toch in de weer met SPSS? De studenten van Tilburg University schrijven de meest uiteenlopende scripties. In de rubriek Masterscriptie licht Univers er maandelijks eentje uit.

Auteur: Cees Maessen
Titel: Label-efficient Pear Characteristic Classification: Evaluating Self-Supervised Learning Techniques in an Operational Setting
Begeleider: Rogier Brussee
Cijfer: 8,5
Master: Data Science in Business & Entrepreneurship

Advertentie.

Bekijk meer recent nieuws

Schrijf je in voor onze nieuwsbrief

Blijf op de hoogte. Meld je aan voor de nieuwsbrief van Univers.