Für die Food-Branche geht es in der Produktion um größtmögliche Effizienz. Ein Schlagwort, das in diesem Zusammenhang immer häufiger fällt, ist die vorausschauende Qualitätsproduktion und der Einsatz neuer Technologien, um jederzeit auf Veränderungen im Prozess reagieren zu können und die gewünschte Qualität zu erzielen.
Die moderne Lebensmittelproduktion erfolgt heutzutage mit einem hohen Grad an Automation. Und die Nachfrage nach selbst regulierenden Systemen in allen Bereichen der Produktion wächst weiter. Ins Visier rücken dabei Verfahren, die die Anlagen zur Früherkennung und zum eigenständigen Aussortieren von Fehlern, Fremdkörpern oder Verunreinigungen im hochautomatisierten Prozess befähigen. Bereits ein einziger Produktrückruf aufgrund von Fremdkörpern kann ausreichen, um der Gesundheit der Verbraucher, dem Markenimage oder dem Ruf des Unternehmens erheblichen Schaden zuzufügen. Folglich gibt es viele Inspektionssysteme, zwischen denen die Hersteller wählen können, wenn es um die Vermeidung von Fremdkörpern in der Lebensmittelverarbeitung geht. Wird ein Fehler erkannt, können die Systeme diesen im Idealfall automatisch kompensieren, ohne dass der Anlagenbediener eingreifen muss. Hier zählen optische Verfahren zur höchsten Innovationsstufe. Sie bieten den Vorteil, dass sie berührungslos arbeiten und damit höchst hygienisch sind.
Das Funktionsprinzip, wie es etwa CLK aus Altenberge mit dem MultiCheck bietet, basiert auf dem Erkennen von Farben: Solange sich der Fremdkörper farblich vom Produkt und dem Hintergrund abhebt, wird er erkannt. Die Voraussetzungen dafür schafft ein Zusammenspiel aus optischen Sensoren und KI-gestützter Bildverarbeitungssoftware, welche in Echtzeit mit der Maschinensteuerung kommuniziert und eine sofortige Entfernung von Fremdkörpern aus der Produktionslinie gewährleistet. Das System mit seinen 3D- und Farbkameras wird innerhalb von Mehrkopfwaagen installiert. Die Anlagen verpacken mit Spitzenleistungen von 100 Takten pro Minute. Findet der MultiCheck einen Fremdkörper im Produktstrom, erzeugt er ein Signal für den Stopp der Anlage.
Visuell und mit mehr Intelligenz
Das Beispiel zeigt: Wenn die Lebensmittelproduktion immer mehr leisten muss, gleichzeitig aber mit mehr Lebensmittelsicherheit, Transparenz und Ressourceneffizienz, bieten digitale Innovationen einen Ausweg aus der Maximalforderung. Die Forschungsinstitute haben sich längst darauf eingestellt. Mit smarter Sensortechnologie, maschinellem Lernen und moderner Inline-Analytik bekommen Maschinen eine eigene Intelligenz. Optische Systeme spüren dabei unermüdlich auf, was das menschliche Auge übersehen kann. Auch das Projekt Movi-Q am DIL Deutsches Institut für Lebensmitteltechnik in Quakenbrück arbeitet zu diesem Zweck an einem modularen Prototyp zur visuellen Qualitätskontrolle während der Produktion. Die Mission von Jens Schröder, der das Projekt koordiniert: Ein System, bestehend aus Spektralkameras und KI, um Schadstellen auf Produkten in Echtzeit zu erkennen. Dies können Druckstellen an Gemüse, Knochen- und Knorpelpartikel in Fleischwaren oder Verschmutzungen auf Verpackungen sein. „Mit der Hyperspektralsensorik wollen wir gegenüber klassischen Kameras eine höhere Erkennungsgenauigkeit für unterschiedliche Produkte erzielen“, so Schröder.
KI als Innovationstreiber
Der Ansatz, den der DIL-Wissenschaftler dabei verfolgt, ist, optische Systeme mit Prozessen des maschinellen Lernens zu verknüpfen, um entsprechende Muster in den Bilddaten zu identifizieren. Anschließend soll das System helfen, individuelle Verarbeitungsschritte einzuleiten. Für Experten wie Schröder führt die konsequente Implementierung von KI-Methoden auf Qualitäts- und Sortierprozesse zu erstaunlichen Resultaten. In Zukunft könnte ein solches KI-System in der Weise optimiert sein, dass es mit geringem Installationsaufwand um neue Schad- und Fehlermuster erweitert werden kann. Damit wären auch kleine und mittelständische Unternehmen in der Lage, die Möglichkeiten von KI zu nutzen. Mit Blick auf die technologischen Innovationen lässt sich feststellen: Digitale Techniken, Sensorsysteme und Verfahren des maschinellen Lernens sind zentrale Elemente, um auf Veränderungen im Prozess zu reagieren. Ziel der Entwickler ist es, die Methoden der Qualitätskontrolle mit den Prozessen der Produktion zu verbinden – alles im Sinne einer aktiven, vorausschauenden Qualitätssteuerung, die Fehler unmittelbar erkennt und Ressourcen einspart.
Deep-Learning-Algorithmen?
Die Kombination aus Kameratechnik und maschinellem Lernen ermöglicht es, Muster in Bilddaten zu identifizieren. Die Fortschritte in der Geschwindigkeit der Datenverarbeitung und eine für diese enormen Datenmengen leistbare Hardware eröffnen den Systemen eine Vielzahl neuer Einsatzgebiete im Monitoring und in der Sortierung von Lebensmitteln.
