Automatisierte Qualitätssicherung mit MVTec HALCONs Anomaly Detection – am Beispiel Lebensmittelindustrie

Mario Bohnacker verantwortet als Technical Product Manager bei der MVTec Software GmbH die technische Weiterentwicklung der Machine-Vision-Standardsoftware HALCON. Zu seinen Aufgaben zählen die Identifikation zukunfts- und kundenrelevanter Technologien sowie deren Überführung in Produktinnovationen. Zudem steuert er die Weiterentwicklung von MVTec HALCON, um so einen maximalen Kundennutzen zu generieren.

Wie kaum eine andere Branche ist die Lebensmittelindustrie auf sichere und qualitativ hochwertige Produkte angewiesen. Die industrielle Bildverarbeitung begleitet und optimiert dabei die gesamte Wertschöpfungskette – insbesondere auch die Qualitätssicherung. Mit der Machine-Vision-Technologie Anomaly Detection, die in der Standardsoftware HALCON von MVTec zum Einsatz kommt, lassen sich Fehler präziser erkennen, was zur durchgängigen Automatisierung der Inspektionsprozesse beiträgt. Lebensmittelproduzenten können dadurch ihre Produktivität erhöhen und Kosten einsparen.

Die industrielle Bildverarbeitung entfaltet ihre Vorteile mittlerweile in zahlreichen Industriebranchen. Auch in der Lebensmittelproduktion wird die Technologie zunehmend eingesetzt. Hier unterstützt Machine Vision durch die zielsichere und automatisierte Erkennung von Objekten den kompletten Workflow – von der Produktion über die Qualitätssicherung bis hin zu Logistikprozessen.

So sind vielfältige Anwendungsszenarien in der Food-Industrie denkbar: Beispielsweise lassen sich verschiedenste Backwaren wie Brötchen oder Laugenstangen, die sich auf dem Förderband berühren, mit 3D-Bildverarbeitungsfeatures vor dem Verpacken verlässlich trennen und exakt zählen. Auch können Teiglinge unterschiedlichster Art mittels Machine Vision präzise erfasst werden, um sie an der richtigen Position automatisiert einzuschneiden. Dies verhindert ein unkontrolliertes Aufplatzen an der falschen Stelle.

Fleischstücke präzise portionieren

Und auch in der Fleischindustrie leistet die Technologie wertvolle Unterstützung –beispielsweise bei der automatisierten Portionierung von Schnitzeln und Steaks: Hierbei erfasst Machine Vision die Fleischteile rundherum, also im 360-Grad-Umkreis, mit mehreren 3D-Aufnahmegeräten lückenlos. Dadurch werden Punktewolken erzeugt und zu einem einheitlichen, dreidimensionalen Objekt zusammengeführt. So lassen sich die Fleischstücke äußerst genau und ohne große Verluste zuschneiden. Auf diese Weise können große Mengen an Fleischmasse und damit Kosten eingespart werden.

Mit Machine Vision können Produkte in der Lebensmittelindustrie nicht nur verlässlich erkannt werden, um sie sicher zu verarbeiten. Auch unterstützt die Technologie bei der Fehlerinspektion: Dabei lassen sich Abweichungen verschiedenster Art sehr präzise identifizieren und lokalisieren. Die Bildverarbeitungs-Algorithmen können eine große Bandbreite an Qualitätsmerkmalen fundiert auswerten und entsprechende Fehler zuverlässig erkennen. Daher ist Machine Vision für automatisierte Inspektionsprozesse in der Qualitätssicherung von Food-Produzenten unverzichtbar.

Inspektion hoher Stückzahlen automatisieren

Dies wird auch an einem weiteren Beispiel aus der Backindustrie deutlich: So kann etwa der Bräunungsgrad von Hamburger-Brötchen durch eine 2D-Farbanalyse präzise bestimmt werden. Wurden die Buns beispielsweise zu lange gebacken, lässt sich dies anhand der Farbwerte an der Oberfläche eindeutig ablesen. Dadurch können die zu stark gebräunten Brötchen automatisiert aussortiert werden, bevor sie in den Handel gelangen. Dabei arbeiten die Machine-Vision-Algorithmen mit hoher Geschwindigkeit und erkennen Gegenstände oder Defekte innerhalb von Millisekunden. Die Lebensmittelindustrie kann auf diese Weise die Identifikations- und Prüfprozesse auch hoher Stückzahlen automatisieren und beschleunigen.

Eine zentrale Bedeutung bei der Objekterkennung und der Fehlerinspektion haben moderne Verfahren auf Basis künstlicher Intelligenz (KI). Diese sind heute bereits integraler Bestandteil moderner Bildverarbeitungssoftware. Eine wichtige Rolle spielen dabei insbesondere Deep-Learning-Technologien. Damit lassen sich anhand eines umfassenden Trainings die Erkennungsraten signifikant verbessern. Hierbei lernt die Software durch die detaillierte Auswertung von großen Mengen digitaler Bilddaten typische Eigenschaften und Besonderheiten der zu erkennenden Objekte. Auf diese Weise lassen sich die Objekte exakt klassifizieren, also einer bestimmten Klasse – beispielsweise „Apfel“ oder „Birne“ – zuweisen. Auch unterschiedlichste Abweichungen vom Sollzustand können einer spezifischen Fehlerklasse zugeordnet werden. Dabei erhöht die künstliche Intelligenz durch das Training nicht nur die Erkennungsraten. Auch der Aufwand für den kompletten Inspektionsprozess wird erheblich verringert.

Aufwand für die Fehlererkennung minimieren

Im Normalfall sind für das Training so genannte „Schlecht-Bilder“ erforderlich. Diese zeichnen sich dadurch aus, dass der jeweilige Fehler direkt im Bild erkennbar ist. Aber gerade in der Lebensmittel-Produktion sind unzählig verschiedene Erscheinungsformen von Defekten denkbar. Daher ist es erforderlich, eine hohe Anzahl von Trainingsbildern aufzunehmen. Das bedeutet: Pro Fehlertyp werden mindestens 150 Schlecht-Bilder benötigt. Dies verursacht jedoch einen sehr hohen Aufwand, der für Unternehmen in der Regel kaum rentabel ist. Hierfür bietet MVTec eine praktikable Lösung: Die Machine-Vision-Standardsoftware HALCON enthält eine Technologie, die für das Training keinerlei Schlecht-Bilder mehr erfordert. Dank des Features „Anomaly Detection“ (Anomalieerkennung) reichen bereits 20 bis maximal 100 Aufnahmen des Objekts in fehlerfreiem Zustand aus. Lebensmittelproduzenten sind dadurch in der Lage, den Aufwand für das Training maßgeblich zu reduzieren.

Deutlich wird dieser Vorteil an einem Beispiel aus der Keksproduktion: So kann mithilfe der Anomaly-Detection-Technologie die Schokoladenglasur auf Keksen automatisiert geprüft werden. Hierbei erkennen die Software-Algorithmen anhand der Helligkeitsstruktur der Oberfläche, ob die Schokolade richtig auf das Backwerk aufgetragen wurde. Dabei werden dank Anomalieerkennung für das Training ausschließlich Bilder benötigt, auf denen korrekt glasierte Kekse zu sehen sind. Wären hier Schlecht-Bilder erforderlich, ließe sich der Aufwand für deren Erzeugung kaum stemmen. Denn es sind schließlich unzählig viele verschiedene Möglichkeiten von falsch aufgetragenem Schokoladenüberzug denkbar.

Fazit

Mit Machine-Vision-Systemen lassen sich auch in der Lebensmittelindustrie die Prozesse entlang der gesamten Wertschöpfungskette optimieren. Davon profitiert insbesondere auch die Qualitätssicherung. So tragen moderne, KI-basierte Technologien wie Anomaly Detection dazu bei, die Defekterkennungsraten signifikant zu verbessern und den Aufwand für das Training zu reduzieren. Dies stellt die Effizienz der Inspektionsprozesse auf eine ganz neue Stufe.

Über die MVTec Software GmbH

Die MVTec Software GmbH ist ein führender Hersteller von Standardsoftware für die industrielle Bildverarbeitung. MVTec-Produkte werden weltweit in unterschiedlichsten Anwendungsgebieten eingesetzt: in der Halbleiterindustrie, der Oberflächeninspektion, der optischen Qualitätskontrolle, der Messtechnik sowie in der Medizin- und Sicherheitstechnik. Durch den Einsatz moderner Technologien, wie 3D-Vision, Deep Learning und Embedded Vision, ermöglicht Software von MVTec insbesondere auch neue Automatisierungslösungen für Industrie-4.0-Szenarien. Mit Standorten in Deutschland, den USA und China sowie einem etablierten internationalen Vertriebsnetz ist MVTec in mehr als 35 Ländern weltweit vertreten.