AI praktijkexperimenten

Bedrijfssituatie: 

Een fruit verwerkend bedrijf dat fruit verwerkt tot consumentenproducten, moet het binnenkomend fruit sorteren. Fruit dat overrijp of beschadigd is, kan enkel gebruikt worden voor sap of moet weggegooid worden, terwijl rijp fruit voor vers verkoop wordt verpakt. Tot nu toe gebeurt deze sortering vaak met menselijke arbeiders die visueel het fruit beoordelen, dit is traag en duur. Met een geautomatiseerd herkenningssysteem is er minder verspilling en betere kwaliteitscontrole zonder extra mankracht.

Er zijn twee types fruit die herkent moeten worden: rijp fruit en overrijp fruit. (In dit voorbeeld heb ik de fruitsoort 'appel' gebruikt.) 

Proces: 

1. Ik ben begonnen met twee klassen toe te voegen. Namelijk, rijp fruit en overrijp fruit. 
2. Vervolgens heb ik per klasse 10 afbeeldingen toegevoegd. De afbeeldingen hebben een witte achtergrond voor een beter resultaat. 

3. Daarna heb ik het model getraind op basis van de afbeeldingen. 

    4.   Tot slot heb ik het model getest. 

Rijp fruit 

Voor mijn webcam hield ik een verse, rijpe appel. Het systeem herkende de appel goed want het gaf aan dat het 100% een rijpe appel was, en dat klopt. 

Overrijp fruit 

Vervolgens hield ik een appel met enkele bruine plekken en beschadigingen voor mijn webcam. Het systeem herkende dat de appel niet perfect rijp was. Daarom gaf het aan dat het maar 20% rijp was en 80% overrijp was. Moest de appel nog iets meer overrijp zijn zou het balkje richting de 90%-100% gaan

Conclusie:

Het systeem werkte goed. Het kon de appels die ik voor mijn webcam hield in de juiste klasse classificeren. Om het systeem verder uit te breiden zouden er extra fruitsoorten toegevoegd kunnen worden. 

Link: Teachable Machine - AI model