‘Dynamic machine learning’ methoden voor agri-food producten en ingrediënten

Project

Partners gezocht: ‘Dynamic machine learning’ methoden voor agri-food producten en ingrediënten

Wilt u ‘machine learning’ methoden toepassen of verbeteren in uw agri-food bedrijf en leren van ervaringen van andere bedrijven? Wageningen Food and Biobased Research start een consortium op dit onderwerp.

In toenemende mate, worden (fixed) machine learning modellen toegepast in machine vision toepassingen voor geautomatiseerde kwaliteitsbeoordeling en verwerking van agri-food producten en ingrediënten. Hoewel, de product karakteristieken van agri-food producten veranderen voortdurend in de tijd. In plaats van de huidige (fixed) methoden, is er daarom behoefte aan dynamische methoden om om te kunnen gaan met deze continue product dynamiek.

De trigger om dit onderwerp op te pakken zijn de problemen waar vele agri-food bedrijven tegenaan lopen bij veredeling, oogst, logistiek, opslag, maar ook in de levensmiddelenproductie, retail en de agri-food gerelateerde technologie-branche (automatisering, robotica, machinefabrieken).

De product karakteristieken van agri-food producten veranderen voortdurend in de tijd. Deze karakteristieken veranderen bijvoorbeeld per seizoen (fruitknoppen worden vruchten) of gedurende opslag (groente rijpt onder gecontroleerde atmosfeer). Verder hebben veroudering, ziekteverwekkers, opslagcondities etc. een grote invloed op de product karakteristieken.

Omdat steeds meer bedrijven afhankelijk zijn van automatisering voor autonome, proces kritische, beslissingen (bijv. rijpheid van fruit voor plukken, kwaliteit van ingrediënten voor productie van levensmiddelen), zijn ze ook steeds meer afhankelijk van de besluiten genomen op basis van ‘machine learning’ en systemen gebaseerd op ‘machine vision’ (de ‘brains’ achter de hardware).

Ons doel is daarom om dynamische machine learning methoden te ontwerpen die zich automatisch en continu aanpassen op veranderende product karakteristieken telkens als nieuwe (real-time sensor) data beschikbaar komen.

Aanpak en op te pakken onderwerpen

De aanpak in dit project is drieledig. Eerste focus is er op gericht modelleer uitdagingen op te pakken die relevant zijn voor het agri-food domein die met de huidige ‘machine learning’ en ‘deep learning’ niet opgelost kunnen worden. Ten tweede richt het project zich op praktische vertaling naar de dagelijkse industriële praktijk bij agri-food bedrijven. Ten derde zal de focus ook liggen op het trainen van de medewerkers in de agri-food industrie die dagelijks met deze technologie om zullen gaan.

Agri-food automatisering die vertrouwt op ‘ machine learning’ en ‘deep learning’ methoden kan niet afhankelijk zijn van een statische aanpak. Er bestaat een urgente behoefte aan modellen die zich voortdurend en automatisch kunnen aanpassen op steeds wijzigende input van nieuwe data.

Beoogde work-packages, die elk een specifieke vorm van verandering omvatten:

  • Verandering in de tijd van product karakteristieken
  • Benutten van bestaande kennis voor nieuwe problemen
  • Omgaan met continue verandering zomogelijk online en real-time
  • Nieuwheid en ‘uitbijter’ detectie
  • Toepasbare ‘machine learning’
  • Praktijktraining van medewerkers (workshops en trainingen)

Uitnodiging tot samenwerking

Dit consortium staat open voor deelname van bedrijven actief in agri- en food industrie (dierlijk, plantaardig, levensmiddelen, technisch) variërend van primaire productie, levensmiddelenproductie tot retail. Zowel betrokken bij directe productie van agri- food producten als in toelevering van ingrediënten en technische installaties. In ruil voor in-cash en in-kind bijdragen in het project kunnen partners gewenste onderzoeks-onderwerpen inbrengen en daarmee richting geven aan de onderzoeksactiviteiten. Helaas kunnen we voor dit project niet ingaan op verzoeken van andere onderzoeksinstituten of vragen van studenten.