Project R-13936

NORM.AI: Synthetische data generatie van natuurlijke objecten voor economische AI-modellen (Onderzoek)

Natuurlijke objecten (groenten, fruit, voedsel, enzovoort) zijn wijdverspreid in verschillende industriële toepassingen, zoals het sorteren van voedsel, het besproeien van groenten, precisielandbouw en meer. Het automatiseren van deze toepassingen en het omgaan met de grote variabiliteit van natuurlijke objecten (zoals objectdetectie, -herkenning, schatting van de positie, enzovoort) vereist innovatieve technologieën op basis van kunstmatige intelligentie (AI) die in staat zijn om met deze variabiliteit om te gaan. Het trainen van deze AI-modellen vereist echter duizenden afbeeldingen/video's met gedetailleerde annotaties van de verschillende objecten. Volgens state-of-the-art onderzoek zijn meer dan 10.000 afbeeldingen nodig om een AI-model met een nauwkeurigheid van >90% opnieuw te trainen, terwijl gemiddeld één minuut nodig is om één 'echte' afbeelding te annoteren. Hoe meer variabiliteit men wil bereiken, des te meer trainingsbeelden er nodig zijn. Dit onderzoek benadrukt dat innovatieve technieken nodig zijn om de hoge kosten van data-annotaties te verminderen, zodat AI-modellen effectief kunnen worden ingezet in industriële toepassingen. Deze technieken moeten bovendien gebruiksvriendelijk zijn voor de eindgebruikers om te voorkomen dat er veel handmatig werk moet worden verricht. NORM.AI bouwt voort op de succesvolle resultaten van het PILS SBO-project, waarin rendertechnieken werden toegepast op industriële producten op basis van CAD-informatie (Computer Aided Design) om synthetische trainingsdata te genereren voor het trainen van AI-modellen. Terwijl CAD-informatie (een referentiemodel) het genereren van synthetische data in het PILS SBO-project vergemakkelijkte, heeft het NORM.AI-project tot doel dit onderzoek uit te breiden naar natuurlijke objecten waarvoor geen CAD beschikbaar is. Daarom maakt het automatisch opbouwen van een referentiemodel als voorbereidende stap voor het renderen deel uit van het onderzoek in het project. Het creëren van variaties van het referentiemodel, rekening houdend 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 andere onderzoeksuitdagingen binnen 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. Toepassingen voor het sorteren van voedsel, waarbij 2D-beelden worden gebruikt om fruit en groenten te detecteren en te sorteren terwijl ze bijvoorbeeld op een transportbandsysteem worden verplaatst. 2. Toepassingen voor het monitoren van gewassen, waarbij beelden van 2D-camera's, bijvoorbeeld geïnstalleerd in een oogstmachine, worden gebruikt om rijen wijnstokken, gewasverdeling, enzovoort te detecteren. 3. Toepassingen voor het monitoren van onkruid, waarbij 2D-beelden een sproeisysteem begeleiden om onkruid zeer nauwkeurig op specifieke plekken te besproeien.

01 september 2023 - 31 augustus 2027