Techuitdagingen van start-ups

Ieder jaar beginnen er in de lage landen tientallen techstart-ups, die grootse dromen hebben, maar technische hobbels moeten overwinnen om ze waar te maken. In dit artikel bespreken we waar Orbisk zoal tegenaan liep bij het ontwikkelen van zijn voedselmonitor met beeldherkenning.

Voedselverspilling is over de hele wereld een enorm probleem. Ongeveer een derde van al het voedsel dat wordt geproduceerd, gaat verloren, blijkt uit in 2018 gepubliceerde onderzoeken. Volgens WWF gaat het op jaarbasis om maar liefst 2,5 miljard ton voedsel, ter waarde van 230 miljard euro. Olaf van der Veen zag met eigen ogen hoeveel voedsel er in de prullenbak verdween nadat hij als laatste gast het ontbijtbuffet van zijn hotel had verlaten. Dankzij eerdere ervaringen uit bijbaantjes in de horeca wist hij dat dit geen uitzondering was, en dat de kern van het probleem is dat niemand in de keuken zicht heeft op wat er precies in de prullenbak verdwijnt. Als dat wel helder is, wordt het makkelijker om het probleem aan te pakken, was zijn theorie. Dan kunnen medewerkers in de keuken bijvoorbeeld van bepaalde etenswaren minder grote aantallen laten inkopen.

Van der Veen werkte destijds als business intelligence & analytics consultant bij Ahold, waar het zijn taak was om data behapbaar te maken voor de 'gewone' gebruiker. Samen met zijn toenmalige collega Richard Beks was hij ervan overtuigd dat hij een oplossing kon verzinnen voor het probleem. In absolute aantallen is voedselverspilling het grootst bij de consument, daarna in de horeca en bij de voedselproductie. De twee besloten dat de horeca de vruchtbaarste grond is om te starten met een oplossing. De uitdaging was om in een hectische omgeving - zoals een professionele keuken - de benodigde data te verzamelen, zonder het al overwerkte personeel op te zadelen met extra werk. Dat kon alleen met een technisch geavanceerd apparaat dat zoveel mogelijk werk moest gaan automatiseren, was de conclusie.

Bedrijf: Orbisk
Opgericht: 2019, Utrecht
Initiatiefnemers: Richard Beks, Olaf van der Veen en Bart van Arnhem
Product: voedselafvalmonitor die door middel van deeplearning- en computervisiontechnologie data kan halen uit voedselafval
Productiefase: de eerste versie is af en staat bij 200 klanten; een hardwarerevisie is in ontwikkeling
Prijs: de precieze prijs is afhankelijk van het contract met de klant; het gaat om een paar honderd euro per maand

Orbisk Founders — Van links naar rechts: Richard Beks, Bart van Arnhem, Olaf van der Veen

'Een technische manier verzinnen om data over weggegooid voedsel te verzamelen in restaurants'. Dat was het algemene doel, maar Beks en Van der Veen hadden geen idee hoe ze dit precies moesten realiseren. Daarom vroeg laatstgenoemde een oude schoolvriend, softwaredeveloper Bart van Arnhem die was gespecialiseerd in datavisualisatie, voor het bedenken van een concrete oplossing.

Er bestonden al voedselmonitors met min of meer hetzelfde basisprincipe, zoals Leanpath en Winnow. Die gebruiken camera's om foto's te maken van de prullenbak in een restaurantkeuken. Uit die foto's kunnen ze allerhande data halen. Volgens Van Arnhem hadden zulke apparaten als groot nadeel dat al het voedsel in de prullenbak door en op elkaar ligt, wat ten koste gaat van de datakwaliteit. Ook vereisen deze monitors een redelijke hoeveelheid handmatige handelingen door het keukenpersoneel. Van Arnhem wilde een oplossing verzinnen die vrijwel geen tijd vergt van de gebruikers en de ingrediënten beter en betrouwbaarder herkent.

Uiteindelijk kwam hij uit op een apparaat dat in de restaurantkeuken kan worden gehangen en gekoppeld is aan een weegschaal. Op die weegschaal staat de kliko waar het voedsel in wordt weggegooid. In het apparaat zit net als in de apparaten van concurrenten een camera die gericht is op de afvalbak. In tegenstelling tot bij die concurrerende apparaten moeten personeelslieden het eten dat ze weg willen gooien eerst kort voor de geïntegreerde camera houden. Die maakt dan automatisch een foto. Orbisk Promo Vervolgens wordt door middel van beeldherkenningstechnologie en allerlei sensoren bepaald wat het product is en in welke fase het zich bevindt: wordt het weggegooid tijdens de bereiding, is het een half opgegeten restje, of is het überhaupt niet gebruikt?

Door het eten vervolgens in de afvalbak te gooien, kan het toegenomen gewicht van de bak worden bepaald en de ingrediënten worden berekend. Het doel is dat het personeel zelf helemaal geen informatie hoeft in te vullen en de restaurantbazen achteraf in een handig overzichtje alle data krijgen te zien. Zo moet het makkelijker te worden om voedselverspilling tegen te gaan, dacht Van Arnhem. "Degene die bij een grote horecagelegenheid de inkopen doet, heeft geen inzicht in de mate van voedselverspilling. Het loopt een beetje langs elkaar heen; daarom wilden we met zo’n apparaat inzichtelijk maken hoeveel er weg wordt gegooid, wat er weg wordt gegooid, en wanneer en waarom dit gebeurt, zodat er effectief iets aan kan worden gedaan."

Handmatige controle

De drie oprichters gingen niet meteen aan de slag om het idee van top tot teen uit te werken. Ze wilden eerst valideren of het allemaal wel de moeite was. Het eerste 'prototype' bestond dan ook uit niet veel meer dan een losse camera die in een paar restaurants werd opgehangen. Deze camera was al wel zo geprogrammeerd dat hij, als er iets onder wordt gehouden, automatisch een foto maakt en naar een server stuurt. Van machinelearningtechnologie was nog geen sprake; de oprichters analyseerden en annoteerden de foto's handmatig. "We hebben een weekend lang bounding boxes om 5000 foto's zitten tekenen, met zes uur slaap", blikt Van Arnhem terug. Het bleek niet voor niets; volgens Van Arnhem reageerden restauranteigenaren erg enthousiast, wat de initiatiefnemers ertoe aanzette om te beginnen met de ontwikkeling van computervision-technologie.

Je zou denken dat er al genoeg AI-modellen zijn die voedsel kunnen herkennen en waar Orbisk dus gebruik van kon maken, maar dat viel volgens Van Arnhem vies tegen. Voor voedselafval bestond nog geen model, en ingrediënten zien er vaak heel anders uit als ze gedeeltelijk zijn opgegeten. Er zat dus niks anders op dan een volledig eigen dataset te verzamelen. Genoeg foto's maken en ervoor zorgen dat deze goed geannoteerd worden, was de belangrijkste en tijdrovendste stap in de ontwikkeling, vindt Van Arnhem. "We moesten heel veel handmatig annoteren voordat het neurale net bijvoorbeeld rijst en couscous consequent wist te onderscheiden. Dat probeerden we vanaf het begin al door zaken als kruisvalidatie goed op te zetten, maar dan nog duurt dit enorm lang."

Orbisk Prototype — Aan het begin van de ontwikkeling werd nog getest met hele producten

Van Arnhem en co besloten al snel om het handmatige annoteerwerk uit te besteden aan een derde partij. Het is een vrij repetitief proces; het model 'leest' de afbeelding uit, stuurt iets terug als 'Ik denk met 50% zekerheid dat dit een appel is', en dan moet die hypothese handmatig worden ontkracht of bevestigd. Dat proces wordt keer op keer herhaald, net zolang tot het model het ingrediënt foutloos herkent.

Het was belangrijk dat het neurale net niet alleen het voedsel kon herkennen, maar ook de staat van het voedsel: gaat het bijvoorbeeld om restjes van de klant, is het in de keuken geprepareerd maar nooit gebruikt, of zit het nog in de verpakking en is het over datum? Met die informatie kan duidelijk worden gemaakt waar de meeste verspilling vandaan komt en kan het probleem bij de wortel worden aangepakt. Om de nauwkeurigheid zo hoog mogelijk te houden, gebruikt de start-up vijf machinelearningmodellen, zegt Van Arnhem. Daarbij gaat het om één model per taak: "Naast modellen die bepalen om welk voedsel het gaat en wat de staat ervan is, hebben we een model dat kijkt of er überhaupt voedsel is te zien, een dat kijkt waar het zich precies bevindt, en een dat kijkt waar het op ligt, zoals een bord of snijplank."

De start-up probeerde alle modellen zoveel mogelijk op elkaar te laten lijken, om zo de operationele overhead te verminderen. De modellen maken dan ook allemaal gebruik van hetzelfde machinelearningframework en dezelfde machinelearningpipeline, en ze worden op eenzelfde manier getraind. Ze verschillen dus alleen qua taken. De reden dat er voor elke taak een ander model wordt gebruikt, is volgens Van Arnhem dat de simpelere modellen - zoals het model dat kijkt of er voedsel zichtbaar is - minder rekenkracht vereisen en bepaalde delen van de beeldherkenning al op de edge kunnen worden uitgevoerd.

Accuraatheidstruc

Momenteel heeft Orbisk een dataset van twee miljoen foto's. Daarmee weet het AI-model vrijwel altijd de locatie en container van het voedsel - dus de 'verpakking' waar het afgedankte eten inzit - accuraat te bepalen, beweert Van Arnhem. Desondanks weet het model 'slechts' zeventig procent van het voedsel overtuigend te herkennen. De start-up wil dat het model met 95 procent zekerheid kan zeggen welk ingrediënt er op de foto staat. Lukt dat niet, dan wordt de annotatie alsnog door een handmatige controleur gedaan. Momenteel gebeurt dat dus nog in dertig procent van de gevallen. "Het is ook een proces dat nooit ophoudt. Naarmate we groeien en uitbreiden naar andere landen, komen we steeds meer nieuwe ingrediënten tegen die het machinelearning-model nog niet herkent." Voor elk nieuw ingrediënt moet dus weer op eenzelfde wijze handmatig worden geannoteerd.

Om het aantal handmatige controles te kunnen reduceren, werkt de start-up nu aan de ontwikkeling van gepersonaliseerde modellen. Die zullen worden afgestemd op de klant, in plaats van dat iedereen van een algemeen model gebruikmaakt. "Een keten als McDonald’s presenteert zijn voedsel altijd op dezelfde manier en gebruikt altijd dezelfde ingrediënten. We zouden het model dus speciaal daarvoor kunnen optimaliseren."

Het model weet in dat geval dat er een beperkte hoeveelheid ingrediënten wordt gebruikt, en met minder opties worden er logischerwijs minder fouten gemaakt. "Het handige is dat je dan ook databronnen zoals menu’s tot je beschikking hebt. Het verschil tussen tomaten- en paprikasoep is op basis van foto's onwijs lastig te zien, maar als je weet dat een restaurant alleen tomatensoep serveert, kan het model daarmee niet de fout ingaan."

Sensorgalore

Ondanks alle inspanningen om de beeldherkenning op deze manier zo betrouwbaar en foutloos mogelijk te maken, kun je niet alles voorkomen. Stel dat een restaurant meerdere op het oog identieke gerechten, zoals tomaten- en paprikasoep, tegelijk serveert? Sommige ingrediënten lijken zo erg op elkaar dat het AI-model de fout in blijft gaan, ongeacht hoeveel foto's je neemt. "Op een foto zien melk en yoghurt er vrijwel hetzelfde uit. Zulke ingrediënten uit elkaar houden, is gewoon heel lastig met enkel de rgb- en dieptesensoren die we momenteel gebruiken."

Om die reden heeft Orbisk in het verleden geëxperimenteerd met aanvullende sensoren. Een voorbeeld daarvan is een hyperspectrale sensor, waarmee het mogelijk is om het vet- of vochtgehalte van een bepaald ingrediënt te bepalen. "Dat heeft echter als nadeel dat het apparaat met zo’n extra sensor een stuk duurder en complexer wordt." Aangezien het streven van de start-up is om het product modulair te maken, is dat een probleem. Daarvoor moeten immers zo min mogelijk specifieke instrumenten worden gebruikt. Voor nu kiest Orbisk ervoor om dat soort gevallen maar gewoon handmatig te blijven beoordelen. Op de lange termijn wil het bedrijf volledige automatisering realiseren, maar over hoe dat precies moet worden bewerkstelligd, moeten de oprichters nog een knoop doorhakken.

Naast de eerdergenoemde rgb- en dieptesensoren, die moeten helpen bij het herkennen van het voedsel en het bepalen van het volume, wordt er ook een sensor gebruikt om te bepalen of er dingen onder de camera hangen, zodat er automatisch een foto kan worden gemaakt. De eerste versie van het apparaat werkte met een ultrasone sensor die een geluidspuls uitzendt. Op basis van de tijd die het duurt voordat deze puls weer terugkomt, worden er foto's gemaakt. "Bij een van onze klanten stond het apparaat naast een industriële koelkast. Die vibreerde met ongeveer dezelfde frequentie en daardoor begon het apparaat als een malle honderden foto’s te maken."

Om deze reden is men overgestapt op een infraroodsensor, alleen is daarbij het probleem dat hij niet naar behoren werkt bij veel zonlicht. Aangezien dit probleem relatief weinig voorkomt en sensoren die misschien beter werken, zoals lidar, te duur waren, is besloten om dit softwarematig op te lossen en de infraroodsensor te behouden.

Foolproof

Behalve beeldherkenningstechnologie en de bijbehorende sensoren, moest er natuurlijk ook nog een apparaat worden gemaakt. Het allereerste 'echte' prototype was nog erg simpel: een Raspberry Pi in een kleine behuizing met een Wii Balance Board als weegschaal. "Ik heb dit zelf in elkaar geknutseld, maar dat is niet mijn sterkste kant. Ik zei: zet 'm 's nachts maar uit, want je weet nooit of hij ineens in de fik vliegt." Daarna werd er een prototype van hout ontworpen. "Dat hebben we snel in elkaar geflanst omdat we meededen aan de Horecava Innovation Awards-prijs. Dat was de eerste keer dat we onze technologie naar buiten brachten. Gelukkig werkte het allemaal."

Daarnaast is bij deze houten versie voor het eerst een echte weegschaal gebruikt, die - net als bij de huidige versie - middels een kabel verbonden is met het kastje. De reden waarom de weegschaal niet draadloos verbonden kan worden via bijvoorbeeld bluetooth, is volgens Van Arnhem dat er dan elektronica, zoals een accu, in de weegschaal moet. Dat was geen optie, stelt hij, omdat alles wat zich in de professionele keuken onder de werkhoogte bevindt, rigoureus moet worden schoongemaakt. Dat zou betekenen dat de weegschaal met alle elektronica waterdicht moet zijn. Een heel karwei, waardoor al snel werd besloten daar maar niet aan te beginnen.

Het oorspronkelijk houten kastje werd door het team vervolgens vervangen door een plastic versie die het zelf heeft gemaakt, en die is daadwerkelijk bij een veertigtal klanten opgehangen. De opvolger ervan moest de massaproduceerbare versie worden. Daarvoor werd het visuele ontwerpbureau Studio Mango ingeschakeld.

Als specificaties hadden we onder meer dat we wilden dat het kastje van staal was, want het moest tegen een stootje kunnen. Ook moest het een 10''-scherm hebben, zodat gebruikers de camerabeelden kunnen zien." De pcb is wel in-house in elkaar gezet. De Raspberry Pi is daarbij vervangen door een industriële variant, de Compute Module 4.

Momenteel is het team bezig met, voorlopig, de laatste iteratie van de hardware. De technologie wordt hierbij niet verbeterd; deze revisie dient vooral als simplificatie om het product minder foutgevoelig te maken. "We gebruikten bijvoorbeeld een extern pcb voor de aansturing van het lcd-paneel; dat hebben we in deze versie geïntegreerd in ons eigen pcb." Ook wordt er gekeken naar manieren om het product modulair te maken, zodat het goedkoper wordt om het naar andere landen te verschepen. "In dat kader kijken we nu naar een aanpassing van de behuizing die het mogelijk maakt om losse onderdelen, zoals de weegschaal of camera, makkelijk te vervangen."

Dat brengt weer andere uitdagingen met zich mee. "Nu hebben we bijvoorbeeld gewoon een kabel van de weegschaal naar de microcontroller, maar als we willen dat klanten zelf de weegschaal kunnen vervangen en er dus een nieuwe in kunnen klikken, moet er een connectortje bij. Dat is weer een extra onderdeel dat kapot kan gaan, want klanten kunnen best goed zijn in dingen slopen." Het modulair maken is dus niet zo heel moeilijk, zegt Van Arnhem, maar het foolproof maken van de hardware wel. De medeoprichter verwacht deze 'definitieve' versie van de hardware eind volgend jaar te kunnen verschepen.

Grootste uitdaging

Orbisk heeft momenteel zo'n tweehonderd klanten, allemaal in de horeca. De uiteindelijke droom van het oprichterstrio is dat het product wereldwijd impact gaat maken met het reduceren van voedselafval. De allergrootste slagen kunnen daarbij worden gemaakt bij consumenten thuis, geeft Van Arnhem toe, omdat de voedselverspilling daar het grootst is. De start-up houdt zich echter nog niet bezig met deze markt, omdat het volgens Van Arnhem erg lastig is om ervoor te zorgen dat consumenten effectief hun voedselafval verminderen dankzij zo’n apparaat.

"Eten is voor consumenten een emotionele keuze", stelt hij. "Ze zeggen sneller: 'Ik heb geen zin om de restjes van gisteren alsnog op te eten, ik koop wel gewoon een nieuwe maaltijd.' Ze moeten dus wel erg veel zelfbeheersing hebben om daadwerkelijk wat te doen met de adviezen van de monitor."

Orbisk database — Een voorbeeld van beschikbare data in Orbisks dashboard

Bij professionele keukens is dat volgens hem wat makkelijker, omdat die zoveel mogelijk geld willen besparen, en daarmee is het dus - na de consumentenmarkt - het beste alternatief omdat voedselverspilling ook hier zeer problematische vormen aanneemt. Ook bij professionele keukens kun je echter niet stellig zeggen dat je met enkel dit apparaat het voedselverspillingsprobleem zult reduceren. "Als start-up wil je idealiter dat het product zelf verantwoordelijk is voor zijn succes. Bij ons is dat helaas niet volledig waar, want we kunnen mensen niet tegenhouden om iets weg te gooien. Wij coachen, maar de belangrijkste stap is toch echt aan de klant zelf. Ervoor zorgen dat men echt luistert naar de data en onze adviezen, is een nog grotere uitdaging dan het ontwikkelen van de technologie."

In de serie Techuitdagingen van start-ups lichten we de technische problemen waar jonge start-ups mee worstelen uit. Ken je kleine techstart-ups met een interessant verhaal? Laat het ons weten. Let op: het gaat niet om commerciële uitingen en de redactie bepaalt onafhankelijk of een onderwerp interessant genoeg is.

Eerder in deze reeks verschenen:

Bannerfoto: Andriy Onufriyenko / Getty Images

Techuitdagingen van start-ups - Voedselverspilling monitoren met beeldherkenning

Handmatige controle

Accuraatheidstruc

Sensorgalore

Foolproof

Grootste uitdaging

Techuitdagingen van start-ups

Lees meer

IT-banen

Reacties (11)

Sorteer op:

Weergave: