Verpackungsqualität mit künstlicher Intelligenz prüfen und sichern III
Kann man mit künstlicher Intelligenz (KI) die Verpackungsqualität überprüfen und verbessern? Nach dem Abschluss des Digitalisierungsprojekts lässt sich diese Frage klar mit „Ja!“ beantworten. Folgend erfahren Sie, welche einzelne Projektschritte dazu nötig waren und welche zukünftigen Optionen das Unternehmen hat.
Plastikabfälle reduzieren
Die bestehende Verpackungsanlage der Wilhelm Brandenburg GmbH & Co. OHG verursachte eine große Menge an Plastikabfall. Diese entstanden in der Rüstphase – also dann, wenn die Anlage hochgefahren und auf eine neue Verpackung eingestellt wurde, aber auch im laufenden Betrieb durch Produktionsfehler. Aus Fehlern kann man zwar lernen, doch bisher fehlte eine systematische Dokumentation der Fehlerarten und Häufigkeit. Das Ausgangsproblem war also nicht nur der Plastikabfall, sondern vor allem das fehlende Wissen über die Ursachen und Häufigkeit.
Fehlererkennung mittels Bilddaten
Das Ziel des Digitaliserungsprojekts war die Erfassung aller Verpackungen und deren Kategorisierung (mehr dazu in unserem vorangegangenen Projektbericht). Die speziellen Anforderungen in der Lebensmittelverarbeitung legen die Verwendung berührungsloser Sensoren nahe. Unser Mitarbeiter, Sven Varchmin, entwickelte dazu mit den Projektbeteiligten des Unternehmens ein optisches Messsystem: Dazu gehört eine Kamera mit Objektiv, eine passende Beleuchtung und einer angeschlossenen Elektronik, die die Komponenten steuert und die aufgenommenen Bilder zur Weiterverarbeitung ausgibt.
Künstliche Intelligenz richtig trainiert
Jetzt kommt die künstliche Intelligenz ins Spiel. Da aktuelle KI-Algorithmen in der Bildanalyse schon weit fortgeschritten sind, bieten sie in der optischen Qualitätskontrolle vielversprechende Möglichkeiten. Doch wer schlechte Daten im Training der KI einsetzt, bekommt schlechte Ergebnisse heraus. Deshalb wurde viel Arbeit investiert, um die Bilder automatisch zu formatieren und den unterschiedlichen Verpackungstypen zuzuordnen.
Die formatierten Bilder dienten als Grundlage für das Training eines Convolutional Neural Network (CNN). Dabei handelt es sich um ein neuronales Netz, das für die Bilddatenauswertung bereits breite Anwendung findet. Die besten Ergebnisse wurden durch ein adaptiertes Pre-Trained-Netz erzielt. Pre-Trained bedeutet, dass die Software im Vorfeld bereits mit einer großen Menge an Bildern trainiert wurde und somit gelernt hat, mit Bilddaten umzugehen. In diesem Fall kam ein Netz mit dem sympathischen Namen ResNet50V2 zum Einsatz. Es gibt zahlreiche solcher neuronalen Netze, die auf generalisierten Datensätzen gelernt haben Bilder zu kategorisieren und für konkrete Einsatzzwecke spezialisiert werden können.
Hoher Anwendungserfolg von KI bietet dem Unternehmen neue Chancen
Die Unterscheidung in Bilder von gefüllten und ungefüllten Packungen gelang mit einer Genauigkeit von 99,9 %. Bei der Kategorisierung von neuen Wurstsorten, die nicht in den Trainingsdaten des Modells enthalten waren, lag die Trefferquote noch immer bei 99,7 %. Das Modell kann damit auch auf ähnlichen Verpackungsstraßen eingesetzt werden, ohne erneut trainiert zu werden. Dies ist umso bemerkenswerter, wenn man bedenkt, dass die Kosten des technischen Prototyps bei nur 1200 € lagen, wobei Personalkosten im Unternehmen nicht berücksichtigt sind.
Die Wilhelm Brandenburg GmbH & Co. OHG möchte das entwickelte System zukünftig per Retrofit auch in weiteren Anlagen integrieren. Ein wichtiger Baustein für die Digitalisierung der gesamten Produktion!
Im Anschluss an das Projekt unterstützt unser Konsortialpartner, das Institut für Produktionstechnik und Umformmaschinen, das Unternehmen weiter. Noch sind Fragen offen: Wie gelingt der Retrofit der Anlagen trotz geringer Platzverhältnisse? Wie lassen fehlerhaft gefüllte Verpackungen detektieren? Können die Bilder in Echtzeit analysiert werden und so im laufenden Betrieb Feedback für die Mitarbeitenden in der Produktion liefern?
Die Übertragbarkeit der Lösungen auf weitere Prozesse und Produktionslinien war seit Projektbeginn immer im Blickfeld und wird in Zukunft noch wichtiger. So hat KI die Chance, von einer Insellösung zur Optimierung der gesamten Produktion heranzuwachsen.
