Seeing quality through AI: YOLOv11 for automated grading of dried sea cucumber processing methods

Stel je een wereld voor waarin computers ogen hebben die nooit knipperen, nooit moe worden en de kleinste details in een menigte van duizenden kunnen spotten. Dit is het domein van computer vision (computervisie), een tak van kunstmatige intelligentie waarbij machines leren om de wereld te "zien" via camera's, net zoals wij dat met onze eigen ogen doen. Maar in plaats van alleen maar te kijken, kunnen deze digitale ogen dingen meten, tellen en sorteren in een fractie van een seconde. Een belangrijk hulpmiddel in dit veld is objectdetectie, wat lijkt op een superkrachtig spelletje "Ik zie iets wat jij niet ziet". Het vertelt je niet alleen wat er in een foto zit; het tekent een kader rond elk afzonderlijk item en benoemt het, zelfs als de items op elkaar gestapeld zijn of in de schaduw verscholen liggen. Waarom is dit belangrijk? Omdat in de echte wereld, van het sorteren van fruit tot het controleren van auto-onderdelen, mensen moe worden, hun ogen wazig worden en ze het misschien oneens zijn over wat ze zien. We hebben een manier nodig om de kwaliteit te controleren die snel, eerlijk is en nooit een koffiepauze neemt.

Dit is precies de uitdaging waar een team onderzoekers zich mee bezighield met een project gericht op een zeer specifieke, waardevolle snack: gedroogde zeekomkommers. Dit zijn niet zomaar gemiddelde strandattributen; het zijn kostbare mariene handelswaar die wereldwijd wordt verhandeld. Maar hier komt het lastige deel bij: hun waarde hangt volledig af van hoe ze zijn verwerkt. Sommigen zijn gezouten, sommige zijn gerookt en anderen zijn geroosterd. Elke methode laat een unieke "vingerafdruk" achter op de huid van de zeekomkommer — veranderingen in kleur, textuur en de mate van krimp. Traditioneel moeten mensen boven stapels van deze glibberige, gedroogde wezens staan en raden welke methode is gebruikt. Het is een baan die een scherp oog vereist, maar het is ook subjectief, traag en moeilijk consistent te houden. Als de ene inspecteur een partij als "gerookt" beschouwt en de andere als "geroosterd", raakt de hele toeleveringsketen in de war.

De onderzoekers stelden een eenvoudige maar gedurfde vraag: Kan een AI leren het verschil te zien tussen gezouten, gerookte en geroosterde zeekomkommers door alleen naar een foto te kijken? Om dat te beantwoorden, gebruikten ze niet zomaar een willekeurige AI; ze gebruikten een geavanceerd model genaamd YOLO11n. Denk aan YOLO (wat staat voor "You Only Look Once") als een razendsnelle detective die een afbeelding scant en er direct alles in ontdekt. De "n" staat voor "nano", wat betekent dat deze detective klein en lichtgewicht is, perfect om te draaien op kleinere, goedkopere computers.

Om deze AI-detective te leren, verzamelde het team een enorme collectie van 1.450 foto's genomen op echte locaties voor de verwerking van zeekomkommers in Noord-Sulawesi, Indonesië. Dit waren geen nette, geïsoleerde foto's van enkele zeekomkommers op een witte tafel. Het waren rommelige, realistische opnames van volle trays waar zeekomkommers opgestapeld, overlappend en door elkaar lagen — precies zoals ze er uitzien in een echte fabriek. Het team tekende zorgvuldig kaders rond elke afzonderlijke zeekomkommer in de foto's en labelde ze als "gezouten", "gerookt" of "geroosterd". Dit werd de trainingshandleiding voor de AI.

Vervolgens lieten ze de AI haar kunnen testen. De resultaten waren niets minder dan spectaculair. Het YOLO11n-model, na getraind te zijn voor 100 ronden (epochs) op afbeeldingen van 320 × 320 pixels, werd een meester in haar vak. Het behaalde een precisie van 99,73%, wat betekent dat wanneer het zei: "Dat is een gerookte zeekomkommer", het er bijna altijd naast zat. Het had ook een recall van 99,87%, wat betekent dat het bijna niets miste; het vond bijna elke zeekomkommer in de stapel. In de wereld van AI-beoordeling zijn deze cijfers alsof je een bullseye op een dartbord raakt vanaf de andere kant van de kamer.

Maar de onderzoekers stopten niet bij "het werkt". Ze wilden weten waarom het zo goed werkte en of ze het nog beter konden maken. Ze introduceerden drie slimme upgrades voor het standaard AI-model:

1. Een "vormveranderende" lens (DMSAM): Gedroogde zeekomkommers hebben vreemde vormen. Ze rimpelen, krimpen en krullen. Standaard AI kijkt naar dingen in vaste, vierkante kaders, wat details kan missen. De onderzoekers voegden een speciale module toe waardoor de "lens" van de AI kan buigen en rekken om de vreemde, onregelmatige vormen van de zeekomkommers aan te passen, vergelijkbaar met een flexibele handschoen die perfect om een hand vormt.
2. Een "eerlijke" leraar (AFL-LS): In hun fotocollectie waren er minder geroosterde zeekomkommers dan gezouten of gerookte. Meestal raakt AI in de war door dit en negeert de zeldzamere soorten. Het team voegde een speciale scoringsregel toe die de AI dwong extra aandacht te besteden aan de minder voorkomende typen, om ervoor te zorgen dat het niet alleen de makkelijke dingen leerde.
3. Een "vertrouwenscontrole" (Ensemble Uncertainty): Soms is zelfs een slimme AI niet zeker. Het team bouwde een systeem waarbij de AI meerdere keren over haar eigen antwoord "stemt". Als alle stemmen het eens zijn, is de AI zelfverzekerd. Als ze het oneens zijn, markeert het systeem het als "onzeker", waardoor het een menselijke werker signaleert: "Hé, ik weet niet 100% zeker over deze, kijk er even naar."

Het onderzoek toonde aan dat deze upgrades de AI nog scherper maakten. De combinatie van de vormveranderende lens en de eerlijke leraar verhoogde de nauwkeurigheid van het model aanzienlijk vergeleken met de basisversie. De onderzoekers waren echter eerlijk over de beperkingen. Hoewel de AI geweldig was in het identificeren van het type zeekomkommer (bijna perfect), was het iets minder perfect in het tekenen van de exacte omtrek rond hen, vooral wanneer ze op elkaar gestapeld lagen. Het is alsof de AI precies weet wat de vrucht is, maar het kader dat het eromheen tekent soms een beetje te groot of te klein is. Dit is een veelvoorkomende uitdaging bij het werken met organische, zachte objecten die geen rechte randen hebben.

Het artikel maakt duidelijk dat dit geen toverstaf is die elk probleem in de oceaan oplost. De AI werd getraind op foto's uit één specifieke regio in Indonesië. De onderzoekers geven expliciet aan dat voordat dit systeem in fabrieken over de hele wereld kan worden gebruikt, het getest moet worden op foto's van verschillende plaatsen, met verschillende camera's en onder verschillende lichtomstandigheden. Ze beweerden ook niet dat dit de absoluut beste AI ooit gemaakt was; ze toonden simpelweg aan dat deze specifieke versie (YOLO11n) ongelooflijk goed werkte voor deze specifieke taak. Ze suggereerden dat toekomstige studies het head-to-head moeten vergelijken met andere krachtige AI-modellen om te zien wie er echt wint.

Uiteindelijk is dit artikel een verhaal over het geven van het vermogen aan een computer om de subtiele kunst van het drogen van zeekomkommers te begrijpen. Het laat zien dat met de juiste training en een paar slimme trucjes, een AI kan leren het verschil te zien tussen een zoute traktatie en een rokerige, zelfs in een rommelige stapel. Dit zou uiteindelijk vissers en verwerkers kunnen helpen om hun goederen sneller en eerlijker te sorteren, waardoor een baan die vroeger vertrouwde op menselijk gokwerk, verandert in een precieze, geautomatiseerde wetenschap. Het is een kleine stap voor een zeekomkommer, maar een enorme sprong voor de slimme visserij.