Toegepaste metingen

Wageningse experts maken gebruik van een breed scala aan metingen om productkwaliteit automatisch en objectief vast te stellen op basis van variabelen als kleur, vorm, stevigheid, rijpheid, stress en ziektes. We gebruiken onder andere:

2D-beelden

We gebruiken camera's om kleurinformatie vast te leggen en hieruit informatie af te leiden waarmee de kwaliteit van de producten objectief beoordeeld kan worden. Objectieve metingen helpen bij het vaststellen van enige afwijkingen van de standaard en bij het vaststellen van de kwaliteitsklassificatie van de producten.

3D-beelden

Naast kleur zijn ook structuur en vorm eigenschappen waaruit je veel kunt afleiden. We verrichten verschillende metingen met onder andere lasers, stereo- en dieptecamera's en verschillende 1-/2-D-camera's om een 3D-beeld te vormen. De door Wageningen University & Research ontwikkelde MARVIN-technologie wordt gebruikt voor razendsnelle fenotypering, het sorteren van stekken en andere kwaliteitsbeoordelingen en sorteerwerkzaamheden op grote, industriële schaal.

NIR-spectroscopie en hyperspectrale beeldsensoren

Veel eigenschappen van vers voedsel – zoals Brix-waarde, drogestofgehalte, interne schade, stevigheid – zijn niet met het blote oog te zien. Spectrometers en hyperspectrale camera's helpen bij het niet-destructief meten van deze eigenschappen. Wij specialiseren ons in het correleren van spectrale data met interne kwaliteitsparameters. Deze technologie wordt steeds kostenefficiënter, sneller en geschikter voor industriële toepassingen, zoals het automatisch sorteren van grote volumes.

Andere metingen

We gebruiken ook meettechnieken als XRT en Terahertz sensoren. Deze technieken bieden grote zekerheid over verschillende interne kwaliteitsaspecten die met andere metingen niet kunnen worden vastgesteld.

Machine (deep) learning

De data die bovenstaande metingen opleveren, wordt automatisch geanalyseerd en geïnterpreteerd door krachtige machine learning methodes. We hebben ruime ervaring met klassieke en moderne machine learning methodes. We passen ook regelmatig deep learning toe, omdat klassieke methodes niet alle aspecten van complexe problemen en data kunnen belichten. Deze technieken  worden gebruikt om patronen in meetdata te identificeren die correleren met de problemen die we in agri- en foodproducten tegenkomen.

Automatisering en robotica

Meerdere van onze oplossingen zijn inmiddels commerciële producten waarbij we resultaten uit een laboratorium vertalen naar producten voor in de praktijk. Hierbij kijken we naar de beste manier om al onze informatie van praktisch nut te maken, bijvoorbeeld bij de klassificatie van grote hoeveelheden agri- en foodproducten en het besturen van een sorteermachine of robot. Nauwe samenwerking met productexperts, softwareontwikkelaars en industriële machinebouwers is essentieel om deze kennis effectief naar de praktijk te vertalen.