Abstract
Natuurlijke objecten (groenten, fruit, voedsel, enz.) zijn alomtegenwoordig in verschillende industriële toepassingen: sorteren van voedsel, sproeien van groenten, precisie en geautomatiseerde landbouw, enz. Het automatiseren van deze toepassingen om om te gaan met grote variabiliteit van natuurlijke objecten (objectdetectie, -herkenning, schatting van de positie, etc.) vereist innovatieve technologieën die mogelijk worden gemaakt door kunstmatige intelligentie (AI) die het vermogen heeft om te generaliseren naar variabiliteit. Het trainen van deze AI-modellen vereist echter duizenden afbeeldingen/video's met gedetailleerde annotaties van verschillende objecten. Volgens de huidige stand van de techniek heeft men >10k afbeeldingen nodig om een AI-model met een nauwkeurigheid van >90% te (her)trainen, terwijl er gemiddeld één minuut nodig is om één 'echte' afbeelding te annoteren. Hoe meer variabiliteit men wil dekken, hoe meer trainingsbeelden er nodig zijn.
Deze bevindingen geven duidelijk aan dat er, om AI-modellen te kunnen inzetten in industriële toepassingen, een grote behoefte is aan innovatieve technieken om de last van gegevensannotaties weg te nemen2. Deze technieken moeten ook gemakkelijk bruikbaar zijn voor eindgebruikers om te voorkomen dat er veel handmatig werk moet worden verricht om de voorgestelde methodologie aan nieuwe toepassingen aan te passen.
NORM.AI bouwt voort op de succesvolle resultaten van PILS SBO3,4, waar renderingtechnieken werden toegepast op industriële producten met CAD (Computer Aided Design) informatie, om AI (synthetische) trainingsgegevens te verkrijgen uit bijgewerkte CAD met radiantiemodellen.
Terwijl CAD het genereren van synthetische gegevens in PILS SBO vergemakkelijkt door een referentiemodel te bieden waarmee de rendering kan worden gestart, is het doel van het NORM.AI-project om dit onderzoek uit te breiden naar natuurlijke objecten waarvoor geen CAD beschikbaar is. Daarom maakt het definiëren van een referentiemodel om te beginnen met renderen deel uit van het onderzoek in het project. Het creëren van variaties van het referentiemodel die rekening houden met zowel ruimtelijke als tijdsveranderingen van de natuurlijke objecten en de natuurlijke scènes, evenals het vinden van een 'sweet spot' tussen augmentatietechnieken voor echte gegevens en technieken voor het genereren van synthetische gegevens, vormen een andere onderzoeksuitdaging in het project. Dit onderzoek zal het mogelijk maken om economische scenario's voor het genereren van trainingsgegevens te identificeren, rekening houdend met hun effect op de nauwkeurigheid en robuustheid van het AI-model.
Het project richt zich op drie onderzoekstoepassingen:
1- Voedselsorteringstoepassingen, waarbij 2D-beelden worden gebruikt om fruit en groenten te detecteren en sorteren wanneer ze bijvoorbeeld op een transportband worden aangevoerd.
2- Gewasbewakingstoepassingen, waarbij beelden van 2D-camera's, bijvoorbeeld geïnstalleerd in een oogstmachine, worden gebruikt om rijen wijnstokken, gewasverdeling, enz. te detecteren.
3- Onkruidbewakingstoepassingen, waarbij 2D-beelden een sproeisysteem leiden om plaatselijk zeer nauwkeurig onkruid te besproeien.
Onderzoeker(s)
Onderzoeksgroep(en)
Project type(s)