Faculteit BIW > Doctorandi > Archief doctoraatsaankondigingen > Doctorandus Mattias VAN DAEL

Mattias VAN DAEL

Online quality control of fruit and vegetables using X-ray imaging

vrijdag 25 augustus 2017 om 17.00 uur
Promotiezaal, 01.46, Universiteitshal, Naamsestraat 22, 3000 Leuven

Wetenschappelijke context van het proefschrift

Fruit en groenten kunnen interne afwijkingen vertonen die een negatief effect hebben op consumentenwaardering en hun commerciële waarde verminderen. De meest gebruikte methode voor het detecteren van deze defecten is het manueel en destructief inspecteren van een aantal willekeurig geselecteerde vruchten van elke partij. Dit heeft verschillende nadelen: niet alle vruchten worden gecontroleerd, een aantal vruchten wordt vernietigd en volledige partijen die een significante hoeveelheid vruchten zonder interne defecten bevatten worden afgekeurd en belanden vervolgens op de afvalberg. Recent werden niet-destructieve methodes voor de controle van interne kwaliteit van verse producten voorgesteld. Hoewel de resultaten veelbelovend zijn werden deze technieken hoofdzakelijk in offline situaties onderzocht en bleef de beeldvorming relatief traag. Het doel van dit doctoraatsonderzoek was daarom het ontwikkelen van methodes die de online inspectie van interne kwaliteit van vruchten mogelijk maakt met behulp van X-stralen beeldvorming.

In een eerste fase werden de mogelijkheden van bestaande online X-stralenbeeldvormingstechnieken onderzocht. Nieuwe beeldverwerkingsalgoritmes werden ontwikkeld om granulatie en endoxerose in sinaasappels en citroenen te detecteren met behulp van X-stralen radiografie. Het aangetaste weefsel werd gesegmenteerd met een flexibele drempelwaarde (E.: local adaptive thresholding) en de sphericiteit van de gesegmenteerde regio’s werd gekwantificeerd. Met deze methode werd 95.7 % van alle vruchten correct geclassificeerd, ook al werd rekening gehouden met een willekeurige oriëntatie in het systeem. Echter, om succesvol te zijn moeten de defecten een voldoende groot contrast veroorzaken in de X-stralen radiografieën. Verder is het zeer tijdrovend om voor elke type defect een specifiek detectie-algoritme te ontwikkelen.

Vervolgens bestuderen we de toepassing van conventionele tomografie (CT) op online systemen. Bij zogenaamde translationele tomografie worden tomografische reconstructies gegenereerd van een beperkt aantal projecties die verkregen worden door een combinatie van de objecttranslatie op de transportband met een beperkt maar nauwkeurig gecontroleerde rotatie om projecties over het volledige hoekbereik te bekomen. De3-dimensionele reconstructies worden dan geanalyseerd met behulp van conventionele beeldverwerkingstechnieken om de aanwezigheid van defecten aan te tonen. Hoewel werd aangetoond dat deze methode in staat is bruinverkleuring in appels op te sporen, vereist ze een uitgebreide en dure hardwareopstelling en specifieke dataverwerking.

Om een antwoord te bieden aan deze nadelen werd een nieuwe inspectiemethode voorgesteld. Deze combineert X-stralen radiografie met 3D sensors en vervormbare vormmodellen, die worden gebruikt om het contrast dat wordt veroorzaakt door de vorm van de vrucht te verwijderen van de radiografie. De methode werd gevalideerd met behulp van een set torusvormen die bolvormige defecten van variërende dichtheid en grootte bevatten, en een dataset van X-stralen CT-scans van peren die holtevorming vertonen. Een significante verbetering van de detectiegraad in vergelijking met visuele inspectie werd vastgesteld voor kleine defecten met beperkte afwijking in dichtheid. De voorgestelde methode detecteerde meer defecten met gelijke densiteit en grootte dan visuele inspectie, en identificeerde 100 % van de defecten groter dan 3.5 mm versus 76 % voor visuele inspectie. Geen significante verbeteringen ten opzichte van conventionele beeldverwerking werd vastgesteld, waarschijnlijk omdat de onderzochte defecten relatief grote holtes waren en dus voldoende contrast veroorzaakten.

De voorgestelde methode werd tenslotte uitgebreid om objecten die een niet uniforme dichtheidsverdeling vertonen te kunnen verwerken. Wanneer wordt vergeleken met translationele CT, kunnen beide methodes interne bruinverkleuring in appels detecteren, maar hebben voor- en nadelen die neerkomen op een afweging tussen de complexiteit van de hardware en de benodigde voorkennis. Een statistische analyse toonde aan dat bij een detectiegraad van 90 % de voorgestelde methode 5 % van de vruchten misclassificeerde (vals positieven) terwijl dit voor translationele tomografie 15 % was. Uitgebreide validatie op hardware opstellingen is noodzakelijk, maar de methode is veelbelovend en verdere ontwikkeling is aangewezen.

Fruits and vegetables may develop internal disorders. Disorders greatly reduce consumer appreciation and commercial value. Nowadays, the most used method to detect these internal disorders is to manually and destructively inspect a number of randomly selected samples from each batch. This has several disadvantages: not all fruit are inspected, a number of fruit are destroyed and entire batches containing a significant amount of unaffected samples are discarded, leading to high quantities of waste. Recently, non-destructive inspection based on X-ray imaging has been suggested for internal quality evaluation of fresh produce, and while results were promising, the feasibility of the technique was only demonstrated offline with relatively slow imaging techniques. The aim of this PhD was, therefore, to develop novel methods that enable online inspection of internal quality of fruit using X-ray imaging.

To reach this goal, in a first stage the performance of existing online X-ray radiography technology was investigated. Novel image processing algorithms were developed to detect granulation and endoxerosis in orange and lemon using X-ray radiography. This was achieved by adaptive thresholding of the affected tissue, and quantifying the sphericity of the segmented region. Up to 95.7 % of samples were correctly classified using this approach while taking randomly oriented samples into account. While this approach worked well for this type of defects, it needs a sufficiently large amount of contrast to be present in the radiographs. Additionally it is very time-consuming to develop specific detection algorithms for every possible type of defect.

We then assess the application of conventional Computed Tomography (CT) to online systems. In so-called translational tomography, tomographic reconstructions are generated from a limited number of projections obtained by combining the sample translation on the conveyor belt with a limited but accurately controlled rotation while taking projection images. The 3-dimensional reconstructions are then analyzed using conventional image processing techniques to evaluate them for the presence of defects. While this method was shown to be useful for detection of internal browning in apple, it requires extensive hardware equipment and very specific data processing.

To counter these disadvantages a new inspection method was proposed, combining X-ray radiography with 3D sensors and deformable shape models which are used to remove the contrast generated by the overall object shape from the radiographs. The approach was validated on a dataset of torus shapes with spherical defects of varying size and density, and a set of pears with internal cavities, and was shown to significantly improve detection of small defects with limited density deviations compared to visual inspection and conventional image processing of the radiographs. The proposed method could reliably detect more defects with identical density and size than visual inspection, with respective detection rates of 100 and 76 % for defect sizes of 3.5 mm. No significant improvement relative to conventional image processing was found, but this could be contributed to the fact the investigated defects were rather large cavities and thus provide sufficient image contrast.

Additionally, the proposed method was extended to cope with samples with a spatially varying density. When compared with translational CT, both methods were shown to accurately detect internal browning in apples, both having their advantages and disadvantages related to a trade-off between hardware complexity and required prior sample knowledge. ROC analysis showed that the proposed method misclassified 5 % of samples (false positives) while this was 15 \% for the translational tomography approach at a detection rate of 90 %. While validation on hardware setups is still required, the proposed method shows much promise for further development.

Promotor(en)

Prof. B. Nicolaï, Departement Biosystemen (BIOSYST).
Dr. ir. P. Verboven, Departement Biosystemen (BIOSYST).
Prof. J. Sijbers, Universiteit Antwerpen.

Leden van de examencommissie

Prof. A. Maes, Departement Microbiële en moleculaire systemen (M²S), voorzitter.
Prof. J. De Baerdemaeker, Departement Biosystemen (BIOSYST).
Prof. D. Vandermeulen, Departement Elektrotechniek (ESAT).
Prof. M. Wevers, Departement Metaalkunde en toegepaste materiaalkunde (MTM).
Dr. ir. T. Defraeye, Departement Biosystemen (BIOSYST).
Prof. M. Boone, UGent.

Het proefschrift (1435) ligt ter inzage in de Campusbibliotheek Arenberg, de Croylaan 6, 3001 Heverlee.

Telefoon Promotor(en)

Prof. Bart Nicolaï, tel.: +32 16 322375
Dr. ir. Pieter Verboven, tel.: +32 16 321453
Prof. Jan Sijbers, tel.: