Qualitätssicherung durchgängig automatisieren: Machine Vision optimiert Prozessketten in der Lebensmittelindustrie

Anomalie-Erkennung erfordert für das Training keine Schlecht-Bilder dank der Bildverarbeitungssoftware Halcon von MVTec Software

  • Abb. 1: Als „Auge der Produktion“ hat Machine Vision die Prozesse in der Lebensmittelindustrie stets im Blick. Abb. 1: Als „Auge der Produktion“ hat Machine Vision die Prozesse in der Lebensmittelindustrie stets im Blick.
  • Abb. 1: Als „Auge der Produktion“ hat Machine Vision die Prozesse in der Lebensmittelindustrie stets im Blick.
  • Abb. 2: Durch KI-basierte Verfahren wie Deep Learning werden höhere Erkennungsraten erzielt.
  • Abb. 3: Mittels eines Trainings lassen sich Äpfel präzise klassifizieren.
  • Mario Bohnacker, Technical Product  Manager Halcon, MVTec Software
Wie in den meisten Industriebranchen werden auch in der Lebensmittelproduktion die Wertschöpfungsketten zunehmend automatisiert und digitalisiert – Stichwort Industrie 4.0. Eine wichtige Rolle spielen dabei Begleittechnologien, die diesen Prozess maßgeblich unterstützen und optimieren – allen voran die industrielle Bildverarbeitung. Damit lassen sich Objekte entlang des gesamten Workflows – von der Produktion über die Qualitätssicherung bis hin zur Logistik – zielsicher und automatisiert erkennen. Unternehmen aus der Food-Branche profitieren dadurch von durchgängigen Prozessen, höherer Produktivität und Kosteneinsparungen.
 
Die industrielle Bildverarbeitung (Machine Vision) wird mittlerweile in vielfältigen Szenarien eingesetzt, in denen Objekte anhand optischer Merkmale identifiziert oder geprüft werden müssen. Als „Auge der Produktion“ überwacht die Technologie das gesamte Geschehen rund um die Fertigung lückenlos und trägt damit zu durchgängig automatisierten Prozessketten bei. Dabei werden über Bildeinzugsgeräte wie Kameras, Scanner oder 3D-Sensoren große Mengen an digitalen Bilddaten aus verschiedenen Blickwinkeln aufgenommen, gespeichert und mittels einer integrierten Ma­chine-Vision-Software verarbeitet. Dadurch lassen sich Produkte während des gesamten Warenflusses automatisiert erkennen und exakt lokalisieren.
 
Konkrete Anwendungsfälle in der industriellen Lebensmittelproduktion sind: Backwaren wie Brötchen oder Laugenstangen, die sich auf dem Förderband berühren, werden mithilfe von 3D-Bildverarbeitungsfunktionen vor dem Verpacken erkennungssicher getrennt und präzise gezählt. Auch wird die Technologie genutzt, um etwa Baguette-Teiglinge genau zu erfassen und an der höchsten Position automatisiert einzuschneiden, um ein Aufplatzen an falscher Stelle zu vermeiden. In einem weiteren Anwendungsszenario optimiert Machine Vision die automatisierte Portionierung von Fleischstücken: Dabei werden diese von allen Seiten, also im 360-Grad-Umkreis, mit mehreren 3D-Aufnahmegeräten lückenlos erfasst und die hierdurch generierten Punktewolken zu einem einheitlichen, dreidimensionalen Objekt zusammengeführt.

Auf diese Weise lassen sich die Schnitzel und Steaks präzise, effizient und mit minimalen Verlusten zuschneiden, was große Mengen an Fleischmasse und damit Kosten einspart.
 

Verschiedenste Qualitätsmerkmale fundiert auswerten
Die industrielle Bildverarbeitung eignet sich nicht nur dafür, Food-Objekte zu identifizieren und sicher zu verarbeiten. Auch lassen sich hierdurch Produktfehler mit höchster Präzision entdecken und lokalisieren. Abweichungen vom Sollzustand können gerade in der Lebensmittelindustrie in unterschiedlichster Form auftreten. Die Machine-Vision-Software ist in der Lage, eine Vielzahl verschiedener Qualitätsmerkmale fundiert auszuwerten und Fehler zu erkennen. Dies führt im Ergebnis zu sehr verlässlichen Defekt-Erkennungsraten und macht Machine Vision so wertvoll für automatisierte Inspektionsprozesse im Rahmen der Qualitätssicherung.
Ein weiteres Beispiel aus der Backindustrie: Mittels einer 2D-Farbanalyse lässt sich der Bräunungsgrad von Hamburger-Buns exakt bestimmen. Anhand der Farbwerte an der Oberfläche erkennt die Software verlässlich, falls die Brötchen zu kross gebacken wurden. Diese lassen sich dann automatisiert aussortieren, bevor sie abgepackt und in den Handel gebracht werden. Dabei überzeugt die Technologie durch ihre hohe Geschwindigkeit: Innerhalb von Millisekunden werden Objekte oder Fehler identifiziert. So lassen sich die Erkennungs- und Prüfprozesse auch hoher Stückzahlen automatisieren und beschleunigen.
 
Erkennungsraten durch Training erhöhen
Bei der Erkennung von Produkten oder Defekten unterstützen moderne Verfahren auf Basis künstlicher Intelligenz (KI), die in hochwertige Bildverarbeitungssoftware integriert sind. Zu den KI-Lösungen zählen bspw. Deep-Learning-Technologien. Damit lassen sich die Erkennungsraten mittels eines umfassenden Trainings nochmal deutlich erhöhen. Dabei werden große Mengen an digitalen Bilddaten umfassend ausgewertet und analysiert, um typische Eigenschaften und Besonderheiten der zu erkennenden Produkte zu lernen. So kann die Software die Objekte exakt klassifizieren, also einer bestimmten Klasse, bspw. „Apfel“ oder „Birne“, zuweisen. Ebenso lassen sich verschiedenste Produktabweichungen einer spezifischen Fehlerklasse zuordnen. Durch das eigenständige Lernen im Rahmen des Trainings wird durch künstliche Intelligenz nicht nur das Erkennungsergebnis verbessert, sondern auch der Aufwand für die Inspektion reduziert.
 
Durch Anomalieerkennung Trainingsaufwand reduzieren
Für das Training werden in der Regel so genannte „Schlecht-Bilder“ benötigt, das bedeutet, der jeweilige Defekt muss direkt im Bild zu sehen sein. Da es gerade bei der Produktion von Lebensmitteln unzählig verschiedene Erscheinungsformen und Ausprägungen möglicher Fehler gibt, müssen auch sehr viele Trainingsbilder aufgenommen werden. So sind pro Fehlertyp mindestens 150 Schlecht-Bilder erforderlich. Deren Erzeugung ist jedoch mit einem hohen Aufwand verbunden und für Unternehmen häufig kaum realisierbar oder rentabel. Genau für diese Problemstellung bietet MVTec in seiner Bildverarbeitungssoftware Halcon ein hilfreiches Feature: Die Technologie namens „Anomaly Detection“ (Anomalieerkennung) erfordert für das Training gar keine Schlecht-Bilder mehr. Ausreichend sind 20 bis maximal 100 Aufnahmen vom Objekt in fehlerfreiem Zustand. Lebensmittelhersteller können dadurch den Aufwand für den Trainingsprozess entscheidend verringern.
Dies zeigt ein Beispiel aus der Keksproduktion: Die Technologie kann genutzt werden, um den Schokoladenüberzug auf Keksen automatisiert zu prüfen. Dabei erkennen die Bildverarbeitungsalgorithmen aus der Helligkeitsstruktur der Oberfläche, ob die Glasur korrekt aufgetragen wurde. Dank Anomalieerkennung werden für das Training ausschließlich Bilder benötigt, die einwandfrei glasierte Kekse zeigen. Andernfalls wäre hier der Aufwand unverhältnismäßig hoch, da schließlich unzählig viele verschiedene Varianten von fehlerhaftem oder unvollständigem Schokoladenüberzug denkbar sind.
 
Fazit
Unternehmen aus der Lebensmittelindustrie profitieren entlang der gesamten Wertschöpfungskette von industrieller Bildverarbeitung. Sie automatisieren und optimieren damit ihre Produktionsprozesse sowie die nachgelagerte Qualitätssicherung. Dabei erreichen die Machine-Vision-Systeme noch höhere Erkennungsraten, wenn sie mit künstlicher Intelligenz ausgestattet sind.
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Autor(en)

Kontaktieren

MVTec Software GmbH
Arnulfstraße 205
80634 München
Germany
Telefon: +49 89 457 695 0
Telefax: +49 89 457 695 55

Jetzt registrieren!

Die neusten Informationen direkt per Newsletter.

To prevent automated spam submissions leave this field empty.