Qualität erkennen mit KI

Zudem gelingt es Ihnen mithilfe der hyperspektralen Bildverarbeitung, Unterschiede in der chemischen Zusammensetzung organischer Stoffe festzustellen. Was genau bedeutet das?

Schröder: Wir betrachten bei der Hyperspek­traltechnologie das Absorptionsspektrum von chemischen Verbindungen. Entsprechend werden die Produkte über ein Beleuchtungssystem mit weitem Wellenlängenbereich und möglichst gleichbleibender Intensität bestrahlt, sodass sich die Reflexion über die Kameraoptik aufnehmen lässt. Für jeden Pixel wird die Intensität der Absorption des Produktes für den gesamten Wellenlängenbereich aufgenommen. Somit erhält man in jedem Pixel ein individuelles Absorptionsspektrum über den Wellenlängenbereich des Kamerasystems.

Wie wirkt sich die höhere Informa­tionsdichte je Pixel aus?

Schröder: Im Wesentlichen in der Möglichkeit, die Spektren definierter chemischer Verbindungen und Eigenschaften von Produkten auszuwerten. Selbst bei optischer Gleichheit werden diese Bereiche eindeutig sichtbar gemacht und können voneinander getrennt werden. So hat Muskelfleisch andere Reflexions- beziehungsweise Absorptionseigenschaften wie Einblutungen oder Bereiche mit Fett.

Hyperspektrale Kameras liefern ein zweidimensionales Bild der Produkte. Stoßen Sie damit an Grenzen, beispielsweise wenn es um die Aussortierung defekter „dreidimensionaler“ Lebensmittel geht?

Schröder: Richtig, hyperspektrale Kameras liefern erst mal keine Höheninformation. Die Oberfläche räumlicher Produkte lässt sich hierüber aber trotzdem analysieren. Für eine vollumfängliche Bewertung ist gegebenenfalls ein Wenden der Produkte erforderlich, um durch zwei separate Aufnahmen, sowohl die Ober- als auch die Unterseite, analysieren zu können. Um jedoch auch die Höheninformation in die Gesamtbetrachtung der Qualitätserkennung miteinzubeziehen, etwa zur Detektion von zu kleinen, zu großen oder unförmigen Produkten, ist in unserem Aufbau zusätzlich ein 3-D-Profilsensor eingebracht. Dieser kann entsprechende Merkmale in hoher Genauigkeit einbeziehen.

Welche Rolle spielen die KI und Machine-Learning-Verfahren sowie moderne Transfer-Learning-Modelle bei der Klassifizierung?

Schröder: KI und Mechanismen des maschinellen Lernens bieten die Möglichkeit, durch die Generierung hochqualitativer Trainingsdaten und die Umsetzung entsprechender Algorithmen auch für komplexe Anwendungen sehr performante Lösungen zu erreichen. Die Fleischindustrie ist hierfür ein sehr gutes Beispiel …

… welche Hürden galt es hier zu meistern?

Schröder: Produkte einer Klasse sind teilweise einheitlich, aber nie identisch. Hier wird die Abdeckung aller möglichen Zustände und Eventualitäten durch klassische Methoden der Bildverarbeitung sehr aufwendig und ist nicht immer realisierbar. Speziell in Bereichen, wo vorwiegend einheitliche Produkte auf Abweichungen kontrolliert werden sollen, können sicherlich einige Fehlerfälle auch mit klassischer Bildverarbeitung gut abgedeckt werden. Auch solche Anwendungsfälle treten vielfach in der Lebensmittelindustrie auf. Entsprechende Systeme stoßen jedoch oftmals an Grenzen, wenn bereits die fehlerfreien Produkte stark schwanken und gleichzeitig die Fehlerfälle sehr vielfältig ausgeprägt sein können.

Was bedeutet der KI-Einsatz für die Performance von Movi-Q?

Schröder: Die Technologie lässt sich deutlich einfacher auf unterschiedliche Produkte und Anwendungen anpassen. Durch die Generierung prozessbezogener Trainingsdaten lässt sich eine Überführung auf den jeweiligen Anwendungsfall realisieren. Was die Performance der KI-Modelle angeht, so lässt sich sagen, dass die verwendeten KI-Modelle mit geeigneter Hardware in Echtzeit Vorhersagen für die Produktion treffen können, sodass die Leistungsfähigkeit der KI-Modelle kein Bottleneck darstellen wird.    

Welche Fremdkörper lassen sich auf diese Weise mit Movi-Q auf­spüren?

Schröder: Die Systematik lässt die Erkennung von Fremdkörpern, wie Metall- oder Kunststoffpartikel, zu. Speziell das Thema der Kunststofferkennung ist in der Fleischverarbeitung ein wichtiger Punkt. Rückstände von Transportkisten oder auch Verpackungstrays müssen sicher identifiziert werden, um eine Gefährdung der Verbraucher und Rückrufaktionen zu verhindern. In diesem Zusammenhang bietet die Hyperspektraltechnologie ein großes Potenzial, da anhand der chemischen Zusammensetzung eine gute Trennung von Fleischwaren zu den Fremdkörpern erfolgen kann.

Was ist beispielsweise mit transparenten Fremdkörpern?

Schröder: Auch transparente Fremdkörper oder Partikel, welche fleischähnliche Färbung aufweisen, können gut „sichtbar“ gemacht werden. In Verbindung mit einer Auswertung über KI-basierte Architekturen lassen sich so kontinuierliche Fremdkörperkontrollen durchführen.

Was sind die nächsten Schritte im Projekt?

Schröder: Als nächster Schritt steht die Überführung der Systematik vom Labor in die Praxis an. Die Erkenntnisse aus dem Laboraufbau werden in einen Hardwareaufbau integriert, welcher den komplexen Anforderungen der Lebensmittelindustrie gerecht wird. Konkret wird der Aufbau in einem fleischverarbeitenden Betrieb installiert und dort Datenerhebungen vorgenommen, um den Einsatz in der Industrie zu erproben. Hierdurch ergeben sich dann neben der finalen Leistungsfähigkeit des Systems auch Erkenntnisse zur Bedienung des Systems, sodass der Aufbau fortlaufend optimiert werden kann. Dies soll eine ideale Nutzung für unterschiedlichste Betriebe gewährleisten.

Interview: Mareike Bähnisch, Freie Fachjournalistin für Prozesstechnik