En af de helt store kritiske barrierer ved at bruge AI og billedanalyse i landbrugs- og fødevareindustrien, er tilliden til, at det virker.

I dag er den manuelle visuelle inspektion af korn stadig en af de vigtigste kvalitetssikringsprocedurer i hele værdikæden for at bringe korn fra marken til bordet – og sikre, at landbrugeren får den rigtige pris for sine korn.  

Hos den danskejede familievirksomhed FOSS udvikler man højteknologiske analyseinstrumenter til landbrugs- og fødevareindustrien og til den kemiske og farmaceutiske industri.

Siden virksomheden blev stiftet i 1956 af civilingeniør Nils Foss, har udvikling og innovation stået højt på dagsordenen, for som en global producent af nicheprodukter gælder det om hele tiden at være to skridt foran konkurrenterne.

Derfor er samarbejde med forskere fra landets universiteter en vigtig del af virksomhedens digitale rejse. I et projekt ved det nationale forskningscenter for digitale teknologier (DIREC) skal virksomheden sammen med forskere fra DTU og KU kortlægge, hvordan AI og billedanalyse kan erstatte den subjektive manuelle inspektion af korn med en automatiseret løsning baseret på billedbehandling. Målet er at udvikle en metode til at bruge deep learning neurale netværk til at overvåge kvaliteten af frø og korn ved hjælp af multispektrale billeddata. Metoden har potentiale til at give kornindustrien et nyt disruptivt værktøj til at sikre kvalitet og optimere værdien af landbrugsråvarer.

Landbrugs- og fødevareindustrien er generelt en meget konservativ industri, og der er brug for at styrke tilliden til digitale teknologier, forklarer seniorforsker Erik Schou Dreier fra FOSS. Udviklingen af AI kan derfor ikke stå alene. For at landbrugerne skal tage teknologien i brug, er det nødvendigt at skabe tillid til, hvordan den virker. I den proces anvender forskerne explainable AI til at forklare, hvordan algoritmerne fungerer.

– I dag vurderer man mange steder korn manuelt, og at erstatte det manuelle arbejde med en maskine kræver tillid. Fordi arbejdet udføres af mennesker, er det en ret subjektiv referencemetode, der bruges i dag. Mennesker vil ikke nødvendigvis udføre arbejdet på samme måde hver gang og kan komme frem til forskellige resultater. Derfor vil der være en vis usikkerhed om resultatet.

Skal kortlægge og forklare algoritmer

Anderledes præcist er resultatet, når man anvender AI og billedanalyse i processen. Men for at de nye teknologier kan få det store gennembrud globalt, er det nødvendigt med en model, som forklarer, hvordan AI arbejder og kommer frem til et givent resultat, siger Erik Schou Dreier.

– Mange har en iboende skepsis imod selvkørende biler. De selvkørende biler skal være endnu bedre og mere sikre til at køre end os mennesker, før vi stoler på dem. På samme måde skal de AI-analysemodeller, vi arbejder med, være væsentlig bedre end de manuelle processer, de erstatter, for at folk stoler på dem. For at vi kan skabe den tillid, må vi først kunne forklare, hvordan AI analyserer et billede og kommer frem til et givent resultat. Det er målet med projektet – at fortolke AI’s måde at arbejde på, så mennesker kan forstå, hvordan den læser et billede.

Vi accepterer typisk en højere fejlrate blandt mennesker end maskiner. For at vi mennesker tør stole på algoritmerne, skal de kunne forklares.
– Erik Schou Dreier, seniorforsker

Ph.d.-studerende Lenka Tetková fra DTU er en del af projektet og sidder på FOSS’ kontor nogle dage om ugen. Her arbejder hun med billeder af korn på to forskellige måder, dels til at forbedre billedkvalificering, dels til at blive bedre til at forstå, hvordan klassificeringerne fungerer, så de kan forbedres.

– Jeg bruger somme tider billedet af en zebra og en hjort til at forklare, hvordan billedklassificering virker. Forestil dig, at du har en klassificering, som kan genkende zebraer og hjorte. Nu får du et nyt billede af et dyr med en krop som en hjort, men benene ligner benene på en zebra. En standardmodel vil ikke være i stand til at genkende dette dyr, hvis den ikke har set dyret under træning. Men hvis du giver den yderligere oplysninger (såkaldt metadata) – i dette tilfælde fx en beskrivelse af alle slags dyr – vil den kunne udlede, at billedet svarer til en okapi, baseret på dens viden om zebraer, hjorte og beskrivelsen af en okapi. Det vil sige, at modellen vil være i stand til at bruge information, som ikke er til stede på billederne til at få bedre resultater, fortæller Lenka Tetková og fortsætter:

– I dette projekt vil vi gerne bruge metadata om kornene, fx informationer om oprindelsessted, vejrforhold, brug af pesticider og opbevaringsforhold til at forbedre klassificeringen af korn.