Organische Objekte sicher klassifizieren

Dipl.-Ing. Peter Keppler

Prinzipiell gibt es in der Lebensmittelindustrie zwei verschiedene Arten von Objekten, die mit Hilfe der industriellen Bildverarbeitung bezüglich ihrer Qualität überprüft werden können. Dies sind zum einen organische Objekte wie Gemüse, Obst oder Fleischwaren etc., die zwar geometrisch ähnlich, aufgrund ihrer natürlichen Herkunft aber nie absolut identisch sind. Bei der Klassifikation und Qualitätskontrolle dieser Objekte, beispielsweise nach Kriterien wie Reife, Farbe oder Größe, war die industrielle Bildverarbeitung bislang kaum in der Lage, zuverlässige Ergebnisse zu liefern. Der Grund dafür liegt auf der Hand: Bildverarbeitungssysteme werden bislang vor allem im Maschinen- und Anlagenbau eingesetzt und prüfen dort in der Regel Objekte, die nur minimale geometrische Abweichungen aufweisen. Organisch gewachsene und damit stets unterschiedliche Objekte zu prüfen, stellt hier eine wesentlich größere Herausforderung dar.

Der zweite Objekttyp in der Lebensmittelindustrie ist aus Sicht der Bildverarbeitung dagegen – immer abhängig vom jeweiligen Einsatzfall und Kriterien wie Genauigkeit und Geschwindigkeit – eher einfach zu bearbeiten: Verpackungen von Lebensmitteln. Als Beispiele lassen sich hier Dosen, Flaschen, Becher oder Schachteln anführen, an denen nach dem Verpacken der Lebensmittel Etiketten auf korrekten Druck oder richtige Anbringung überprüft, Füllstände kontrolliert oder Haltbarkeitsdaten gelesen werden. Diese Verpackungen sind eindeutig definiert. Auf diesem Feld stellt die Bildverarbeitung traditionell eine leistungsfähige und wirtschaftliche Möglichkeit der Qualitätskontrolle dar, die der manuellen Kontrolle in Bezug auf Zuverlässigkeit und Schnelligkeit deutlich überlegen ist.

Bei der Auslegung eines Bildverarbeitungssystems auf die jeweilige Aufgabe kommt der Auswahl der geeigneten Komponenten eine große Bedeutung zu. Angefangen von der Beleuchtung über die Optik, die Kamera, die Bilderfassungskarte bis hin zur Auswertungssoftware muss das Gesamtpaket optimal auf die jeweilige Applikation abgestimmt sein, um dem Anwender den gewünschten Nutzen und die geforderte Leistung zu bringen. In der Software steckt jedoch das eigentliche Know-how, insbesondere wenn es um die geeigneten Algorithmen für die Qualitätskontrolle bei organischen Objekten geht.

Stemmer Imaging aus Puchheim bei München bündelt als Spezialist für die industrielle Bildverarbeitung sowohl den Hardware- als auch den Software-Part unter einem Dach. Die modulare und deshalb sehr vielseitige Bildverarbeitungs-Software-plattform Common Vision Blox, die von Stemmer entwickelt wurde, hat sich bereits in zahlreichen Anwendungen bewährt.

Die jüngste Erweiterung von Common Vision Blox eignet sich besonders für den Einsatz in der Lebensmittelindustrie: Mit dem Bildverarbeitungs-Werkzeug CVB Manto stellt das Puchheimer Unternehmen eine Software vor, die in der Lage ist, bisher nicht realisierbare Aufgaben in der optischen Objektklassifizierung zu lösen.

Manto nutzt Forschungsergebnisse der künstlichen Intelligenz, insbesondere der statistischen Lerntheorie und ermöglicht so zum Beispiel das Erkennen von organischen Formen und Texturen, selbst wenn diese einen hohen Grad an Deformation aufweisen oder schlecht reproduzierbar sind. Diese Besonderheit von Manto prädestiniert das Werkzeug für den Einsatz in der Lebensmittelindustrie. Die Aufgabe des Anwenders reduziert sich auf die Bereitstellung von ausreichend vielen Lernbeispielen und erfordert keine detaillierte Programmierung. Hierbei wird er von einem Teach-Programm unterstützt, mit dessen Hilfe das Trainieren von Gut- und Schlecht-Beispielen auf einfache Weise möglich ist. Manto sucht dabei während des Anlernens automatisch die charakteris-tischen Unterscheidungsmerkmale der Objekte und nutzt im Bedarfsfall neben Textur und Geometrie auch das Merkmal Farbe als zusätzliches Unterscheidungskriterium.

Die enorme Leistungsfähigkeit von Manto beruht auf einer speziellen Technik im Bereich der Bildverarbeitungs-Algorithmik, den Support Vector Machines (SVM). Hierbei handelt es sich im Grunde um eine Weiterentwicklung der aus vielen Anwendungen bekannten neuronalen Netze.

Bezogen auf die Lebensmittelindustrie ermöglicht CVB Manto die Überprüfung der erstgenannten Produktgruppe, der organischen Objekte. Einige Beispiele sollen die Bandbreite der Anwendungsmöglichkeiten andeuten.

In einer Produktionslinie werden Kekse in verschiedenen Geschmacksrichtungen (mit Schoko-Stückchen, Apfel-Stückchen und ähnlichem) produziert. Vor der Verpackungsanlage soll sichergestellt werden, dass nur Kekse der richtigen Sorte verpackt werden. Diese Tätigkeit konnte bislang nur von Mitarbeitern manuell und somit relativ unzuverlässig durchgeführt werden, da sich die einzelnen Kekssorten durch den Mensch nur schwer unterscheiden lassen. Ebenso scheiterten herkömmliche Bildverarbeitungssysteme an dieser komplexen Aufgabenstellung. CVB Manto ermöglicht das zuverlässige Zuordnen der Kekse und damit eine Automatisierung der Ausgangskontrolle. Genauso können natürlich auch Kekse minderer Qualität (Ausbrüche, zu wenige Schokostückchen usw.) von der Bildverarbeitungs-Software erkannt und aussortiert werden. Vergleichbare Aufgaben finden sich natürlich in vielen anderen Bereichen der Nahrungsmittel-industrie, beispielsweise bei der Herstellung von Pralinen, Pizzen etc.

Die Klassifikation von Obst, Gemüse oder Fleischwaren nach Kriterien wie Farbe, Größe, Reifegrad oder Defekte wie Faulstellen ist mit Hilfe von CVB Manto und darüber hinaus auch mit einer Reihe weiterer Werkzeuge aus dem Baukasten von Common Vision Blox ebenfalls mit hoher Zuverlässigkeit realisierbar. So hat das Unternehmen Iris Vision, das Common Vision Blox in Holland vertreibt, die Frage untersucht, inwieweit Bildverarbeitungssysteme bei der Ernte und Weiterverarbeitung von Gemüse eingesetzt werden können. In diesem Bereich wird heute noch weitgehend manuell gearbeitet. Diese Tätigkeiten sind nicht nur für die Beschäftigten meist eintönig oder gar gesundheitsschädigend, sie haben aufgrund des hohen Personalkostenanteils auch einen maßgeblichen Einfluss auf die Preise der Endprodukte.

Das Ergebnis der Machbarkeitsstudie von Iris Vision zeigt, dass es mit Hilfe von industrieller Bildverarbeitung möglich ist, die Schnittkante zum Abtrennen des Grünanteils an Karotten zu bestimmen. Das auf Common Vision Blox basierende Demonstrations- bzw. Evaluierungsprogramm nutzt verschiedene Tools aus dem CVB-Baukasten und arbeitet ohne Optimierungsmaßnahmen robust. Mit 20 Karotteninspektionen pro Sekunde leistet das System bereits ohne Software-Optimierung die geforderte Schnelligkeit, wenn die Objekte vor der Bildverarbeitungsstation in eine festgelegte Drehlage gebracht werden. Dies ist durch mechanische Vorrichtungen auf einfache Weise möglich.