Artificiële Intelligentie in de voedingsindustrie: Van hype naar toepassing

Innovatiemanager Lars Roba – keynotespreker tijdens Food Process Seminar

Presentatie downloaden

In de afsluitende presentatie belicht Lars Roba, innovatiemanager bij Flanders Food, de groeiende rol van artificiële intelligentie binnen de Vlaamse voedingsindustrie. Binnen de voedingsindustrie is het potentieel van AI groot, maar tegelijk is het nog vaak zoeken naar concrete toepassingen en een juiste aanpak. Een succesvolle AI-integratie vraagt immers meer dan alleen technologie, het vereist ook een duidelijke strategie. Aan de hand van praktijkvoorbeelden toont Roba waar AI vandaag al wordt toegepast in de sector en hoe bedrijven hun eerste of volgende stappen kunnen zetten richting een slimme, digitale toekomst.

Een chocoladebrownie

"We mogen in Vlaanderen best trots zijn op onze voedingsindustrie", begint Roba zijn lezing. "Het is een van de grootste industriële sectoren in Vlaanderen en we hebben een sterke concurrentiepositie ten opzichte van het buitenland. Tegelijkertijd staat onze industrie onder druk. Er zijn heel wat uitdagingen: bepaalde taken waarvoor het moeilijk is geschikt personeel te vinden – denk aan repetitieve of technisch gespecialiseerde taken – maar ook geopolitieke evoluties die extra druk zetten op onze bedrijven. Daardoor moeten we op zoek naar nieuwe oplossingen."

Roba: "Ik vergelijk een voedingsbedrijf graag met een chocoladebrownie: een gelaagd geheel, waarbij aan elke laag kosten verbonden zijn. In onze sector liggen de marges niet heel hoog, dus elke optimalisatie telt. Door productiekosten te verlagen, kunnen we marges vergroten. AI kan, wanneer correct ingezet, bepaalde kosten reduceren. Maar digitalisering zelf is óók een investering, en die moet zich terugverdienen. Als mensen de technologie niet omarmen, of als verkeerde data of verkeerde beslissingen gebruikt worden, creëert digitalisering geen winst maar net extra kosten. En dat willen we uiteraard vermijden."

Pathfinder-project

Vanuit die invalshoek werkt Flanders' FOOD, de speerpuntcluster voor de agrovoedingsindustrie. Flanders' FOOD is een vzw en door de Vlaamse overheid erkend als innovatieplatform voor alles wat met voeding te maken heeft. Bijvoorbeeld  NutriFood, innovatie doorheen de keten, verpakkingen, voedselveiligheid, energie, en digitalisering en automatisering.

Uit de sector kwam de vraag wat AI precies kan betekenen voor een voedingsverwerkend bedrijf. Met die vraag startte Flanders' FOOD in samenwerking met actoren zoals Siris, imec UGent en andere partners het Pathfinder-project. Een van de belangrijkste resultaten was dat bedrijven op een strategische manier moeten toewerken naar AI, stap voor stap. Dat mondde uit in een AI-maturiteitsmodel, gebaseerd op de Industry 4.0-maturity index, met zes fases die bedrijven kunnen doorlopen – case per case, of op bedrijfsniveau.

AI-modellen moeten robuust en accuraat zijn

"Wanneer we onze leden analyseren, zien we dat een groot deel zich nog in fase 1 bevindt: het capteren van data en het verbinden van de verschillende IT-systemen", ziet Roba. "Innovatietrekkers, dat zijn bedrijven die actief deelnemen aan onze projecten, bevinden zich meestal in fase 2 of 3, waar ze waarde beginnen halen uit data. Slechts een klein deel – zo’n 2%, de innovatieleiders – zit al in fase 4 of hoger, waar AI-modellen effectief in productie draaien."

Een andere vaststelling is dat sommige afdelingen binnen bedrijven verder staan dan andere. Logistiek loopt vaak achter omdat daar weinig data wordt gecapteerd, terwijl productie meestal al iets meer stappen heeft gezet. Maar ook daar zien we dat bedrijven AI nog niet voluit durven inzetten, omdat productie de kern van hun business is: AI-modellen moeten robuust en accuraat zijn om het risico op kwaliteitsverlies of procesverstoring te vermijden. In marketing, finance en sales zien we al wél geslaagde implementaties.

Logistiek loopt vaak achter omdat daar weinig data wordt gecapteerd, terwijl productie meestal al iets meer stappen heeft gezet

Sommige voedingsbedrijven willen wel naar volgende fases van AI-implementatie, maar worstelen met de uitvoering. Roba: "De meest voorkomende fout is te snel willen gaan, van fase 1 meteen door naar fase 4. Maar de integratie van AI is geen walk in the park. Het is écht nodig om die tussenstappen te zetten." Flanders' Food wil de komende jaren samen met partners bedrijven helpen om gefaseerd te groeien.

Een korte toelichting van de zes maturiteitsfases

• Fase 1: digitalisatie van data.
  Data worden digitaal opgeslagen, vaak in Excel of standalonesystemen, maar de systemen zijn niet gekoppeld. Voor sommige parameters bestaan nog geen sensoren. "Later toon ik een voorbeeld waarbij machinelearning dit toch mogelijk maakt", licht Roba toe.
• Fase 2: geconnecteerde systemen.
  Systemen worden met elkaar verbonden. Een recept uit het ERP kan bijvoorbeeld doorgestuurd worden naar de machine. Dat biedt efficiëntiewinsten, maar het systeem is nog niet 'slim'. Overigens is cybersecurity hier cruciaal, zoals werd aangehaald in de lezing van Sirris-expert Christophe Michiels.
• Fase 3: digitale schaduw.
  Geconnecteerde data wordt gebruikt om een overzicht te krijgen van het proces: ingestelde parameters, kwaliteit, geschiedenis, etc. Geen voorspellingen, maar wél inzicht. Bedrijven kunnen via bijvoorbeeld analyses bepalen binnen welke temperatuurbereiken de kwaliteit quasi altijd gegarandeerd is.
• Fase 4: inzicht en optimalisatie.
  Bedrijven combineren data en beginnen te voorspellen. Soms is dit voor hen het punt waarop de grootste meerwaarde ligt, en zijn verdere stappen niet noodzakelijk.
• Fase 5: AI-modellen trainen om toekomstige situaties te voorspellen.
  Hier kan men bijvoorbeeld simuleren welke parameters nodig zijn wanneer grondstoffen verschillen, of voorspellen wanneer een machine een defect zal krijgen. De mens blijft wel steeds eindverantwoordelijke voor kwaliteitscontrole.
• Fase 6: autonome aansturing.
  Het AI-model is robuust genoeg om processen automatisch bij te sturen. Wanneer een volledige fabriek zo werkt, spreken we van een 'dark factory'. In de voedingsindustrie bestaat dat vandaag nog niet, maar sommige bedrijven evolueren wel in die richting.

Concrete cases

AI-gestuurde kwaliteitscontrole van frieten

De eerste case die Roba aanhaalt, komt uit de aardappelverwerkende sector. Agristo had al langer de ambitie om zijn kwaliteitscontrole te automatiseren. Die kwaliteitscontrole gebeurde namelijk nog sterk manueel: operatoren staan aan de band, beoordelen frieten visueel en sturen bij waar nodig. Dat proces is erg arbeidsintensief.

Om die uitdagingen aan te pakken, schakelde Agristo Polysense in, een gespecialiseerde technologiepartner die AI-toepassingen voor kwaliteitscontrole ontwikkelt. De partijen werkten een inline quality assistant uit: een systeem dat cameratechnologie, slimme beeldverwerking en machinelearning combineert om frieten te analyseren terwijl ze voorbijrazen op de transportband.

De partijen werkten een inline quality assistant uit: een systeem dat cameratechnologie, slimme beeldverwerking en machinelearning combineert

Voordelen zijn minder voedingsverlies en een snellere feedback (waar operatoren vroeger manueel moesten observeren, geeft het AI-systeem nu onmiddellijke inzichten). Bovendien kan het systeem machines automatisch laten bijregelen, op basis van de actuele productkwaliteit.

Een extra uitdaging was dat frieten zich niet netjes in één laag op de band bevinden. Overlapping, schaduwvorming en variatie in vorm maken de analyse complex. Daarom werd ook synthetische data ingezet: kunstmatig gegenereerde beelden die het AI-model helpen leren omgaan met situaties die in de praktijk moeilijk te capteren zijn (zie presentatie van Connor Verhulst, engineer bij Flanders Make, met meer uitleg over deze techniek).

Met dit project won Polysense de publieksprijs tijdens het twintigjarig jubileumevent van Flanders' FOOD.

AI-gestuurde optimalisatie van blancheren in de aardappelindustrie

In dit project werd ingezoomd op het blancheerproces, een cruciale stap in de verwerking van aardappelen. Tijdens het blancheren worden aardappelsticks kort verwarmd om enzymen en micro-organismen te inactiveren en om overtollige suikers en zetmeel uit te spoelen. Dit is essentieel om later tijdens het frituren een consistente kleur en textuur te verkrijgen.

De uitdaging: het water dat gebruikt wordt om te blancheren moet regelmatig ververst worden om het suiker- en zetmeelniveau constant te houden. Vandaag beslist een operator op basis van ervaring wanneer die verversing nodig is. Dat leidt soms tot onnodig waterverbruik, of net tot te late bijsturing met kwaliteitsproblemen tot gevolg.

Omdat de blancheerinstallatie in de proefomgeving al rijk uitgerust was met sensoren, besloot Howest na te gaan hoe AI kon helpen met verschillende uitdagingen zoals het reduceren van het water- en energieverbruik en het bieden van betere beslisinformatie aan operatoren. 

Uit vroeger onderzoek bleek dat er een sterke correlatie bestaat tussen de elektrische geleidbaarheid van het water en de aanwezigheid van opgeloste suikers en zetmeel. Door deze relatie te modelleren kon Howest een virtuele sensor bouwen die de optimale verversingsgraad voorspelt, zonder dat daarvoor extra fysieke sensoren nodig zijn. Deze voorspelling werd gekoppeld aan een feedbackloop die automatisch de verversing aanpast.

Het suiker- en zetmeelgehalte in aardappelen verschilt sterk per seizoen, per regio en per batch. Daarom werd een tweede model ontwikkeld dat deze metadata gebruikt om vooraf te voorspellen welke verversingsgraad nodig zal zijn. Hierdoor kan de lijn vanaf de start al veel sneller stabiel draaien.

Machine-learning voor het meten van krokantheid via geluid

De derde case, die zich nog in onderzoeksfase bevindt, richt zich op een verrassende maar belangrijke kwaliteitsparameter in veel voedingsproducten: krokantheid. Vandaag wordt die vaak bepaald door panels van menselijke testers, wat tijdrovend, duur en subjectief is. Het TETRA-project 'KRAK', uitgevoerd door onder meer de hogeschool Vives, onderzoekt of machinelearning op basis van geluidsanalyse kan voorspellen hoe krokant een product is. Het onderzoek overlapt enigszins met de lezing over smaakvoorspelling. 

Producten worden gebroken met een mechanisch systeem, zodat elke meting gestandaardiseerd gebeurt. Het geluid dat daarbij vrijkomt, wordt zeer nauwkeurig opgenomen. AI-modellen analyseren dat geluidsspectrum op herkenbare patronen die samenhangen met de perceptie van krokantheid. Het doel is onder meer om smaakpanels te ontlasten, objectieve en reproduceerbare kwaliteitsmetingen te bieden en op termijn inline kwaliteitscontrole mogelijk te maken.

Het project loopt sinds januari 2024 en duurt tot eind 2026. Bedrijven kunnen nog instappen of testcases aanbieden ideaal voor producenten van snacks, koekjes of andere krokante producten.

Inspiratiegids

Roba: "Flanders' FOOD helpt bedrijven graag om stappen te zetten richting AI-implementaties. De organisatie kan bedrijven in contact brengen met specialisten of met collega-bedrijven die al implementaties hebben gerealiseerd. Daarnaast bestaat ook het Start AI-initiatief van Sirris en Agoria, gesteund door VLAIO. Hiermee kan een bedrijf drie dagen een expert inzetten om te onderzoeken waar AI waarde kan creëren in de organisatie."

"Tot slot hebben we samen met imec, Sirris, Howest en UGent een inspiratiegids opgesteld. Die bevat theorie, een overzicht van de zes fases, en verschillende uitgewerkte cases. Niet technisch maar vooral gericht op de beweegredenen van bedrijven en de concrete meerwaarde die AI hen opleverde."