Bloembollen controleren met visiontechniek en deep learning

Gerooide bloembollen worden gepeld, gesorteerd en gecontroleerd. Al die handelingen komen de kwaliteit van de bol niet ten goede. Bovendien bestaat de kans dat te kleine bollen of beschadigde bollen over het hoofd worden gezien. Daarom onderzoekt Business Unit Glastuinbouw & Bloembollen van Wageningen University & Research (WUR) of visiontechniek en deep learning kunnen helpen met het bepalen van het volume van bollen en bij het selecteren van bollen met afwijkingen.

In de schuur van een bloembollenkweker ondergaan bloembollen na de oogst enkele bewerkingen. Ze worden eerst ontdaan van kluiten en vervolgens gepeld. De bollen belanden vervolgens op een spijlenplaat. Daar worden grote bollen gescheiden van kleine. Maar hierbij zijn fouten mogelijk, bijvoorbeeld kleine bollen met een ovale vorm kunnen soms worden tegengehouden door de spijlenplaat. Hierdoor kan een tulpenbroeier partijen krijgen die niet uniform zijn en dus ongelijk gaan bloeien.

3D-camera

De WUR onderzocht of met een 3D-camera het volume en de maat van een bol goed kunnen worden bepaald. Hiervoor werden enkele honderden bollen gemeten. De resultaten werden vergeleken met een volumebepaling door onderdompeling. Hieruit bleek dat de 3D-camera zeer hoog scoort.

Met de 3D-camera in combinatie met deep learning kan ook worden onderzocht of de kwaliteit van een bol voldoende is. Hierbij controleert de computer of de bloembol goed is gepeld, of de bol al dan niet is beschadigd en of de huidkwaliteit voldoende is. Bollen met dergelijke afwijkingen zijn namelijk minder goed te verkopen. Bovendien is een beschadigde bol gevoeliger voor een besmetting met fusarium.