Vision en yield-optimalisatie vleesindustrie

Vakmanschap vangen in een systeem

Automatiseren in de vleesindustrie stuit op een paar hardnekkige problemen. Het product zelf is flexibel: vorm, grootte en eigenschappen variëren sterk per stuk. De omgeving is nat — apparatuur moet bestand zijn tegen water, vet en reinigingsmiddelen. Veel kenmerken zijn moeilijk te meten: visuele inspectie en tactiele beoordeling zijn lastig te automatiseren, terwijl elke snijbeslissing direct de economische waarde beïnvloedt, en dat op hoge productiesnelheid.

Daar komt bij dat het werk veel vakmanschap vraagt, maar een hoog verloop en lange inwerktijd kent. De kwaliteit van beslissingen varieert daardoor sterk per uitvoerder, wereldwijd. De vraag die overbleef: kunnen we dat vakmanschap vangen in een systeem dat consistent en objectief de beste beslissing neemt?

1. Meetconcept: lijnlaser & druksensoren

Machinale meting was voor dit specifieke product nog pionierswerk, dus koos ik voor een nieuwe combinatie van sensoren: een lijnlaser voor het nauwkeurig in kaart brengen van de 3D-contouren en defecten, en druksensoren om fysieke eigenschappen te meten die visueel niet waarneembaar zijn. Samen maakten ze het mogelijk om eigenschappen te kwantificeren die voorheen alleen door menselijke aanraking en inschatting werden bepaald.

2. Data-analyse & validatie

Om de vertaalslag van sensor naar producteigenschap te maken, bouwde ik een testapplicatie waarmee ik machinedata (laser/druk) kon loggen, handmetingen van experts kon invoeren, en de twee statistisch aan elkaar kon correleren. Dat leverde een solide, datagedreven basis voor de besluitvorming op.

3. Het beslisalgoritme: Single-Directed Acyclic Graph

De kern van de oplossing is het vertalen van het product en alle mogelijke bewerkingen in een Single-Directed Acyclic Graph (DAG). Het optimalisatievraagstuk is namelijk niet triviaal: bewerken verlaagt vaak de waarde, maar is soms noodzakelijk of levert in specifieke gevallen juist winst op. Door dit als graaf te modelleren, vindt de computer in milliseconden de route met de hoogste waarde uit miljarden mogelijkheden.

AI leek voor de hand te liggen, maar deze wiskundige benadering had voor mij duidelijke voordelen: het draait efficiënt op lokale hardware, is navolgbaar in plaats van een black box, en is direct aanpasbaar — parameters zoals marktprijzen kunnen worden bijgesteld zonder het model opnieuw te trainen.

4. Resultaten van het prototype

Uit tests met de productexpert bleek dat het algoritme in alle gevallen een even goede of betere beslissing nam dan de mens. Gezien de sterk wisselende kwaliteit van de wereldwijde workforce is dat een flinke stap in consistentie en rendement.

Ik heb gewerkt aan het prototype en de validatie hiervan. Een externe partij heeft het concept vervolgens uitgewerkt tot een serie-produceerbare machine.

Technische aanpak

Het systeem combineert sensoriek (lijnlaser voor 3D-profiling en druksensoren), data-analyse (custom tooling voor statistische validatie van meetwaarden) en het DAG-algoritme voor deterministische, real-time optimalisatie — met parameters die tijdens runtime aan te passen zijn, zonder hertraining.

Automatisering van dit soort beslissingen vraagt een combinatie van meetinnovatie, een goed doordacht algoritme en nauwe samenwerking met domeinexperts. Door vision-technologie te combineren met optimalisatie kan vakmanschap consistent worden toegepast, in plaats van afhankelijk te blijven van wie er die dag aan de lijn staat. De aanpak is breder bruikbaar in food processing en andere sectoren waar productvariatie, kwaliteitsbeoordeling en opbrengstmaximalisatie samenkomen.