Klassische Bildverarbeitung muss sehr aufwändig von Grund auf programmiert werden. Hierbei werden Algorithmen von Experten von Hand entwickelt, was oftmals sehr viel Know-how und Zeit erfordert. Dabei lassen sich durch diese klassischen Lösungen komplexe Aufgaben, wie unterschiedliche oder schwierige Fehlerbilder, gar nicht oder nur sehr schwer abbilden. All das führt zu hohen Kosten und dazu, dass Qualitätsanforderungen oft nicht vollständig erfüllt werden können.

Gründe für KI in der Lebensmittelindustrie

Mit KI-basierter Bildverarbeitung lassen sich Qualitätsinspektionen während des laufenden Betriebs zuverlässig und schnell automatisieren. Mit der Deep Learning Software DS von Data Spree lassen sich diese Lösungen effizient und einfach umsetzen. Im ersten Schritt müssen zunächst lediglich Bilder von guten und fehlerhaften Produkten aufgenommen werden. Dann werden sie in „Ok“ und „Nicht Ok“ kategorisiert, auch Annotation oder Labeling genannt. Data Spree unterstützt hier mit Annotation Tools und Services. Schließlich trainiert die KI iterativ das Erkennen und Zuordnen der Beispiele. Die KI funktioniert auf Grundlage einer dem menschlichen Gehirn ähnlichen Verschaltung von Nervenzellen. Hierbei lernt sie gute von schlechten Produkten anhand von Bilddaten zu unterscheiden. Wie beim menschlichen Gehirn verbessert sich die Genauigkeit der KI kontinuierlich. Mit Deep Learning DS kann der Anwender diesen Lernprozess schnell und einfach selbst durchführen. Data Spree bietet zudem auch den vollständigen Prozess bis hin zur produktiven Integration in die Anlage als Service an.

Mit dieser Methode lassen sich komplexe Fehlerbilder schnell erkennen, beispielsweise Oberflächenfehler, Risse, Brüche, Farbfehler und vieles mehr – und das ohne eine einzige Zeile Programmiercode. Qualitätssicherungslösungen lassen sich somit sehr effizient und robust umsetzen. In nur wenigen Stunden lassen sich teilweise bereits einsatzfähige Prototypen erstellen. Die schnellen KI-Modelle sorgen zusätzlich für eine gute Echtzeitfähigkeit im hochfrequenten Produktionsbetrieb. Ein weiterer Vorteil ist die Flexibilität des lernenden Systems. Falls sich Produkte, Produkteigenschaften oder Fehlerbilder irgendwann aufgrund von Produktionsumstellungen ändern, kann die KI ganz einfach mit neuen Bildern nachtrainiert werden. So können Anwender schnell und effektiv auf Änderungen in der Produktion reagieren, ohne wieder von vorne anfangen oder eine neue Lösung einkaufen zu müssen. 

Beispiel: Qualitätssicherung von Keksen

Bei der Qualitätssicherung von Kekswaren kann die KI in diesem Beispiel zuverlässig „Ok“- von „Nicht Ok“-Objekten unterscheiden. Hierbei kann die KI verschiedene Grade an Fehlern und Abweichungen vom „Ok“-Zustand problemlos erkennen. Dazu gehören offensichtliche Fehler, wie Löcher, große Risse oder Brüche. Aber auch kleine Brüche und Abplatzungen oder Oberflächenfehler detektiert das System zuverlässig. Dabei kann die austrainierte KI selbstständig jede mögliche Fehlervariante oder variable Abweichung erkennen und lokalisieren, auch wenn der Fehler nicht explizit im Trainingsdatensatz vorkam.

Diese KI von Data Spree erkennt also alle möglichen Fehlerfälle. Früher hätten Anwender für diese Qualitätsüberwachung aufwändig komplexe Algorithmen zur Detektion verschiedener Abweichungen und Fehlertypen von Hand programmieren müssen. Diese Zeiten sind mit KI-basierter Bildverarbeitung vorbei. Denn gerade für Aufgaben mit hoher Fehlervariabilität sind lernende KI-Systeme hervorragend geeignet. Das heißt, gerade bei der Qualitätsüberprüfung von Lebensmitteln und Backwaren lohnt sich ein Blick auf das Thema KI immer. 

Autor
Leonard Brix, Sales Manager