Startseite » Food » Kennzeichnungstechnik (Food) »

Deep Learning vereinfacht automatisierte Schrifterkennung

Verpackungsdaten sicher lesen
Deep Learning vereinfacht automatisierte Schrifterkennung

Verfahren, die auf Ähnlichkeitsanalysen beruhen und neuronale Netze zum Lernen nutzen, können auch zerstörte, verschmierte, qualitativ mangelhafte oder sonstige von der Norm abweichende Schrift auf Verpackungen zuverlässig lesen und prüfen. Dies vereinfacht die automatisierte Schrifterkennung in der Lebensmittelindustrie.

Auf verpackten Lebensmitteln finden sich in der Regel eine ganze Reihe aufgedruckter Daten. Diese können sich entweder direkt auf der Verpackung befinden oder mithilfe von Etiketten aufgebracht werden. Sie umfassen statische Daten wie Name und Adresse des Herstellers, die Produktbezeichnung oder die Inhaltsstoffe sowie variable Daten wie das Mindesthaltbarkeitsdatum (MHD), eine Lot-Nummer, eine Artikelnummer, eine Chargennummer und vieles mehr. Für den Verbraucher ist es unerlässlich, dass die vorhandenen Daten korrekt sind und er vertraut darauf, dass der Hersteller mit größtmöglicher Sorgfalt darauf achtet, seine Ware exakt zu etikettieren. Datenkontrolle hat daher eine hohe Priorität bei der Lebensmittelproduktion.

Automatisierte Schrifterkennung

Die Kontrolle von maschinenlesbarer Schrift unterliegt normalerweise automatisierten Prozessen, die industrielle Bildverarbeitung bietet hier mannigfaltige Lösungen. Soll jedoch Klarschrift gelesen werden, befinden sich die Drucke auf unruhigem Hintergrund oder sind möglicherweise teilweise zerstört oder qualitativ mangelhaft, kommen herkömmliche deterministische OCR-Algorithmen (Optical Character Recognition) rasch an ihre Grenzen. Nur optimal aufgebrachte Daten können zuverlässig gelesen werden. In anderen Fällen wird meist eine manuelle Stichprobenkontrolle durchgeführt, die fehleranfällig, teuer und zeitaufwendig ist.

Intelligentes OCR

Doch neue Entwicklungen in der künstlichen Intelligenz in Kombination mit OCR Verfahren bieten Lösungen. Neuronale Netze, ein Spezialgebiet der künstlichen Intelligenz, die mit Deep-Learning-Verfahren erzeugt werden, können lernen, Klarschrift auch unter schwierigen Bedingungen sicher zu erkennen: auf unruhigen Hintergründen, bei mangelnder Druckqualität oder ungewöhnlichen Schriftarten. Mithilfe einer großen Anzahl an Referenzbildern lernt das System, was die charakteristischen Aspekte jedes Buchstabens und jeder Zahl sind. Durch zahllose Feedbackloops, ob ein Buchstabe richtig erkannt wurde oder nicht, verfeinert das System seine Fähigkeit, Ähnlichkeiten zu erkennen und weiß so immer besser, worauf es achten muss, um einen Buchstaben oder eine Ziffer korrekt zu identifizieren. So kann es am Ende des Lernprozesses eine große Anzahl verschiedener Ausführungen eines Buchstaben lesen.

Hohe Fehlertoleranz bei Punktschriften und unruhigen Hintergründen

Insbesondere Punktschriften stellen für deterministische Verfahren der automatisierten Schrifterkennung ein meist unlösbares Problem dar, da die gesuchten Linien nicht vorhanden sind. Ein auf Ähnlichkeitsanalyse basierendes System hat hingegen keine Schwierigkeiten eine Punktschrift sicher zu lesen: Große neuronale Netze haben in der Regel eine wesentlich höhere Fehlertoleranz als deterministische Algorithmen. Das bedeutet, dass ein auf Deep Learning basierendes System mit Größenschwankungen beim Druck, Verzeichnungen, Verschmierungen und Aussetzern oder auch mit einem Drucken über den Rand hinaus eine wesentlich höhere Toleranz aufweist und auch diese grenzwertigen Daten noch lesen kann.

Darüber hinaus kann das System Zeichen vom Hintergrund unterscheiden und ist so nicht darauf angewiesen, dass sich der Aufdruck zum Beispiel exakt im vorgesehenen weißen Feld befindet. Aufdrucke, die sich direkt auf einem unruhigen Hintergrund befinden, sind ebenfalls sicher lesbar.

Vorteil des Verfahrens für den praktischen Einsatz

Ein auf Deep Learning basierendes System ermöglicht eine robuste, zuverlässige und schnelle Schrifterkennung auch dort, wo die Qualität stark schwankt. Es sind keine anpassenden Programmierarbeiten beim Start-up einer neuen Installation notwendig oder wenn sich an der Konfiguration der Linie etwas ändert Außerdem ist keine manuelle Nachkontrolle erforderlich.

Die Strelen Control Systems GmbH hat ein System zur automatisierten Schrifterkennung entwickelt, das sich schnell und einfach direkt in die Produktionslinien integrieren lässt. Kamera und Beleuchtung werden inline – auch auf kleinstem Raum – installiert, der Rechner mit der hochentwickelten Deep-Learning-Software befindet sich in einem staub- und feuchtigkeitsgeschützten Edelstahlschrank. Die Bedienung erfolgt über einen Touchscreen auf einer intuitiven Benutzeroberfläche.

Strelen Control Systems GmbH, Büttelborn


Autor Jochen Naumann

Projektleiter und Senior Software Entwickler Bildverarbeitungssysteme,

Strelen Control Systems

Newsletter

Jetzt unseren Newsletter abonnieren

cav-Produktreport

Für Sie zusammengestellt

Webinare & Webcasts

Technisches Wissen aus erster Hand

Whitepaper

Hier finden Sie aktuelle Whitepaper

Top-Thema: Instandhaltung 4.0

Lösungen für Chemie, Pharma und Food

Pharma-Lexikon

Online Lexikon für Pharma-Technologie

Prozesstechnik-Videos

Hier finden Sie alle aktuellen Videos

phpro-Expertenmeinung

Pharma-Experten geben Auskunft

Prozesstechnik-Kalender

Alle Termine auf einen Blick

Anzeige

Industrie.de Infoservice
Vielen Dank für Ihre Bestellung!
Sie erhalten in Kürze eine Bestätigung per E-Mail.
Von Ihnen ausgesucht:
Weitere Informationen gewünscht?
Einfach neue Dokumente auswählen
und zuletzt Adresse eingeben.
Wie funktioniert der Industrie.de Infoservice?
Zur Hilfeseite »
Ihre Adresse:














Die Konradin Verlag Robert Kohlhammer GmbH erhebt, verarbeitet und nutzt die Daten, die der Nutzer bei der Registrierung zum Industrie.de Infoservice freiwillig zur Verfügung stellt, zum Zwecke der Erfüllung dieses Nutzungsverhältnisses. Der Nutzer erhält damit Zugang zu den Dokumenten des Industrie.de Infoservice.
AGB
datenschutz-online@konradin.de