Solange Qualitätskriterien von Lebensmitteln exakt gemessen oder gewogen werden können, ist eine Automatisierung der Kontrollen einfach. Länge, Breite, Höhe, Volumen, Gewicht, Feuchte oder exakte Farbe lassen sich leicht bestimmen und mit vorgegebenen Sollwerten abgleichen. Ob ein Produkt allerdings „schön“ oder „optisch gelungen“ ist und ob es den Konsumenten zum Kauf animiert, lässt sich nicht ohne Weiteres mit Kennzahlen beschreiben. Dafür benötigt man menschliche Experten, die durch viel Erfahrung die optische Qualität eines Produktes treffsicher einschätzen. Es wird diesen Experten jedoch schwerfallen, Kollegen ihr Urteil zu erklären oder zu beschreiben, wie sie dabei genau vorgehen. Viel zu viele kleine Details verbinden und verdichten sich in Sekundenschnelle in ihrem Kennerblick zu einem Urteil. Doch neuronale Netze können diese Muster von den Experten lernen.

KI lernt optische Qualitätsmerkmale

Künstliche Intelligenz kommt in vielen Branchen zum Einsatz. Auch für die Lebensmittelindustrie erschließen sich zahlreiche neue Möglichkeiten – vor allem in der automatisierten, computergestützten Beurteilung der Produktqualität. In Kombination mit digitaler Bildverarbeitung lassen sich so nun auch optische Qualitätskriterien sicher beurteilen.
Neuronale Netze ähneln in ihrer Struktur einem organischen Gehirn. Sie werden nicht programmiert wie konventionelle Computerprogramme, sondern lernen ihr Verhalten anhand von Mustern. Wenn ein erfahrener Qualitätsbeauftragter einem neuronalen Netz Proben von Lebensmitteln zeigt und diesen Qualitätsklassen zuweist, kann das neuronale Netz Muster erkennen und dadurch lernen, nach welchen Kriterien die Urteile zu fällen sind. Nach der Anlern­phase kann es dann Qualitätsaussagen treffen, die so zutreffend sind wie die des menschlichen Spezialisten.

Anlernphase des Neuronalen Netzes vereinfachen

Strelen Control Systems hat eine Lösung entwickelt, um den ganzen Prozess des Einrichtens eines solchen neuronalen Netzes zu vereinfachen. Hauptziel des Entwicklerteams: State of the Art Hightech im Inneren und gleichzeitg eine einfache Bedienbarkeit der Lösung für den Anwender. Das Ergebnis ist Safe-Ident Quality: ein Prüfstand, in den Produktmuster platziert und per Mausklick mit einer Kamera aufgenommen und anschließend analysiert werden.

Dafür lernt das System zunächst in der sogenannten Trainingsphase: Ein menschlicher Experte klassifiziert die aufgenommenen Bilder in Güteklassen. Im einfachsten Fall reichen zwei Klassen, bestanden und nicht bestanden beziehungsweise gut oder schlecht. Es lassen sich aber auch Schulnoten oder beliebige andere Qualitätsklassen vergeben. Basierend auf Deep-Learning-Verfahren lernt Safe-Ident Quality dabei, die Qualität eines Produkts genauso zu beurteilen wie die Qualitätsbeauftragten.

Nach Abschluss der Trainingsphase können während oder vor der Produktion Analysen durchgeführt werden. Diese sind für den Bediener denkbar einfach: Es wird ein Muster in den Prüfstand eingelegt und die Aufnahme mit einem Klick gestartet. Das System teilt dann die Qualitätsstufe des Produktes mit. So wird schon während der Produktion sichergestellt, dass das Endprodukt dem kritischen Auge des Verbrauchers standhält. Vom komplexen technischen Innenleben und den tausenden von Rechenoperationen, die im Inneren stattfinden, bekommt der Bediener dabei nichts mit. Jede neue Aufnahme wird archiviert und mit den so gewonnenen Qualitätsdaten werden automatisch Statistiken erzeugt, die für beliebige Zeitverläufe grafisch aufbereitet präsentiert werden können.

Safe-Ident Quality ist eine Lösung, die zuverlässig optische und ästhetische Aspekte eines Produkts bewerten kann, ohne dass dafür die Merkmale zur Beurteilung in manueller und detaillierter Feinarbeit einprogrammiert werden müssen.

Autor
Stephan Strelen
Geschäftsführer von Strelen Control Systems