Bewertung der Getreidequalität mit AI/ML

Industrie

Technologie

Django Flachmann Keras Numpy Pandas Tensorﬂow Yolov5

Einführung

NashTech entwickelte ein effizientes Klassifizierungssystem für die Automatisierung mit Hilfe von maschinellem Lernen und KI-Technologien, das Fehler in Waren identifizierte und zusammenfasste und so die Produktivität und den finanziellen Gewinn unseres Kunden erhöhte.

Zielsetzung

Der Kunde, der im Agrarrohstoffgeschäft tätig ist, hatte Probleme, die Qualität von Weizenkörnern zu bewerten und den Preis für die Ware zu bestimmen. Obwohl je nach Getreidesorte eine Reihe chemischer und physikalischer Tests zur umfassenden Qualitätsbestimmung anwendbar sind, gibt es Szenarien, in denen bestimmte kritische physikalische Untersuchungen für den Zweck nicht ausreichend sind. Die Untersuchungen werden manuell durch eine Mischung aus Expertenurteil und angemessenen wissenschaftlichen Verfahren durchgeführt. Der derzeitige Ablauf des Qualitätsprozesses dauerte etwa 3 Tage.

Um die Qualitätsbewertungsprozesse schlanker, effizienter, effektiver und standardisierter zu gestalten, wurde das NashTech-Team gebeten, einen Proof of Concept (POC) durchzuführen und eine Lösung anzubieten. Das Ziel dieses Konzeptnachweises war die Erkennung, Klassifizierung und Zählung von Weizenkörnern mit Hilfe von Computer Vision- und Deep Learning-Algorithmen, die in eine App integriert sind, und die Schaffung der Möglichkeit, das Ergebnis der Bewertung in einer Benutzeroberfläche mit vordefinierten Metriken zu visualisieren und zu bewerten. Ziel war es, die Durchlaufzeit von drei Tagen auf etwa drei Sekunden zu verkürzen.

Herausforderung

Der Kunde übermittelte Bilder verschiedener Getreideklassen (gesund, gebrochen, unreif, feucht usw.) in verschiedenen Ordnern, die in unterschiedlichen Situationen aufgenommen wurden, z. B. in Bezug auf Zustand, Hintergrund, Brennweite und verschiedene Kameras. Anhand dieses Datensatzes musste unser Team Modelle für maschinelles Lernen trainieren, die in der Lage sind, die Körner zu erkennen, zu klassifizieren und zu zählen und auch das Gewicht einer bestimmten Menge von Körnern zu berechnen.

Unser Team musste einzelne Körner aus einer gegebenen Menge erkennen, um die Anzahl zu berechnen und anschließend eine Klassifizierung unter den gegebenen Klassen vorzunehmen und das endgültige Gewicht zu berechnen.

Diese Erkennungs- und Klassifizierungsmodelle mussten in eine Anwendung mit bestimmten Leistungsbenchmarks, d. h. Antwortzeit, Latenz und Durchsatz, integriert werden.

Lösung

Unser Team begann mit der Analyse der Daten und stellte fest, dass die zur Verfügung gestellten Bilder stark verrauscht waren, z. B. wurden die Bilder auf Tischen aufgenommen, und der Hintergrund war derselbe wie die Bilder; dadurch war die Extraktion von Merkmalen schwierig, und die Qualität der Bilder variierte auch für verschiedene Klassen aufgrund der unterschiedlichen Bedingungen, unter denen sie aufgenommen wurden. Unser Team musste einige der Bilder reinigen und entfernen.

Unser Team erstellte maßgeschneiderte Programme in Python, um das Rauschen aus den Bildern zu entfernen und sie konsistenter zu machen, was das Zuschneiden der Bilder, das Vergrößern, das Ändern der Auflösungen usw. beinhaltete.

Wir begannen zunächst mit der Bildklassifizierung und trainierten ein benutzerdefiniertes CNN-Modell, um eine bestimmte Menge von Körnern einer bestimmten Klasse zuzuordnen, stellten jedoch fest, dass die Genauigkeit sehr gering war und weniger als 20-30 % betrug. Anschließend haben wir mit Hilfe von Datenerweiterungstechniken weitere Daten aus den vorhandenen Daten generiert und diese dann in demselben Modell verwendet. Die Genauigkeit für einige Klassen stieg, aber die Gesamtergebnisse waren nicht zufriedenstellend, da die Ergebnisse für die verschiedenen Klassen nicht konsistent waren.

Wir haben dann eine neue Methode angewandt, bei der unser Team einzelne Körner aus einer bestimmten Menge gekennzeichnet hat. Dies wurde für einige Getreideklassen durchgeführt. Mit Hilfe eines Datenannotationstools wurden die einzelnen Körner beschriftet. Anschließend wurden mit Hilfe von Augmentationstechniken weitere synthetische Daten erstellt und in ein vortrainiertes Yolo5-Modell eingespeist. Die Erkennungsgenauigkeit der Körner nahm zu, und das Modell war in der Lage, die einzelnen Körner genauer den Klassen zuzuordnen und sie mit einem Begrenzungsrahmen zu umgeben. Diese Aktivitäten wurden dann für die anderen Getreideklassen wiederholt, und das endgültige Modell wurde erstellt, bereitgestellt und in die App integriert.

Ergebnisse

Automatische Identifizierung der Getreideklassen
Automatische Klassifizierung der Mängel in der Ware – basierend auf der Bildanalyse durch das AI-Modell
Zusammenfassung der Klassen zum Fehlerprozentsatz und/oder zur Qualitätsstufe der Ware
Automatisierung, Prozessverbesserung und Standardisierung.
Die Verkürzung der Zykluszeit brachte dem Kunden unmittelbare Produktivitäts- und finanzielle Vorteile.
Skalierbarkeit des Modells zur Anpassung an andere ähnliche landwirtschaftliche Erzeugnisse durch Transfer Learning