imageSAM

Verarbeitungs- und Verpackungsprozesse sind geprägt von einer Vielzahl von Mikrostörungen. Bereits seit einigen Jahren sind Bedienerassistenzsysteme in den Fokus gerückt, um Bedienende bei der Suche nach der besten Lösung unterstützen. Die Systeme arbeiten in der Regel mit zwei Teilen: In einer vorgeschalteten Situationsdiagnose wird versucht, die Störung bestmöglich zu identifizieren. Mit der getroffenen Situationsbeschreibung werden aus einer Datenbank Informationen zur Störungsursache und geeigneten Handlungen zur Störungsbeseitigung präsentiert. Gerade im ersten Teil, der Situationsdiagnostik, gibt es aber das Problem, dass ein Teil der Situationen nicht durch die integrierte Sensorik erfasst, sondern nur visuell erkannt werden kann.

Werden Experten mit Prozesskenntnis nach ihren Strategien zur Störungsanalyse befragt, zeigt sich, dass die Beurteilung des optischen Eindrucks eines Produkts Hinweise auf Fehlerursachen geben können. So kann die Ursache für ein verrutschtes Druckbild auf einem mit Folie eingeschlagenen Schokoladenriegel Hinweise geben, ob die Ursache am Folienabzug oder im Einschlagprozess liegt. Erfahrene Mitarbeitende erkennten anhand des Gießkegels an einer Dosierdüse für Schokoladenmasse, ob später im Abkühlprozess des Riegels ein regelmäßig geformtes Produkt entsteht. Derartige Situationen, in denen Schichtleiter aussagen, es müssten Personal an verschiedenen Stellen der Anlage positioniert werden, um zu überwachen und bei Abweichungen aktiv zu werden, gibt es viele in der Lebensmittelindustrie.

Kameras können verhältnismäßig einfach in bestehende Anlagen nachgerüstet werden, ohne die Produktion zu unterbrechen und in die Maschinensteuerung einzugreifen. Bestehende visuelle Systeme zur Qualitätskontrolle haben dabei jedoch in der Regel nur das Ausschleusen fehlerhafter Produkte zum Ziel, und nicht die Beseitigung der Ursache. Das Ziel des Projekts ist die Erzeugung von Machine-Learning-Modellen zur Klassifikation von Bildern mit typischen Störungen in der Lebensmittelproduktion und -verpackung und die Ermittlung der erreichbaren Genauigkeit der Zuordnung zu den Störungsursachen. Damit ist nicht nur »Packung hat einen Riss« von »Packung in Ordnung« zu unterscheiden, wie es bereits mit klassischer Bildauswertung möglich ist, sondern die Bilder mit Ursachen zu verknüpfen.

Bei der Bildklassifikation sind Computer dem Menschen in vielen Bereichen nicht mehr unterlegen, ausreichend große Trainingsdatensätze vorausgesetzt. Liegen nur kleinere Datensätze vor, wie es in der Störungsdiagnose für Verarbeitungs- und Verpackungsmaschinen der Fall ist, können die Deep Learning Modelle mit vorhandenen Datensätzen angelernt werden und dann auf das neue Problem transferiert werden (»Transfer Learning«). Neueste Methoden aus dem »Few Shot Learning« ermöglichen zunehmend kleinere Datensätze zum Anlernen der Modelle zu verwenden.

Die Untersuchung im Projekt erfolgt anwendungsnah. Es werden Bilder aus der Produktion von Mitgliedern des projektbegleitenden Ausschusses analysiert und von Prozessexperten beschrieben. Die Variantenvielfalt soll im Projekt möglichst groß sein: Es eignen sich beispielweise Bilder mit gerissenen oder gestauchten Packungen, Bilder von Gießkegeln bei Abfüllprozessen oder von Produkten in der Qualitätssicherung.

Wenn die Machbarkeit des Ansatzes im Projekt an realen Beispielen grundsätzlich gezeigt werden konnte, soll dieser Ansatz im Anschluss an das Projekt weiterverfolgt werden, sodass die Ergebnis-se vielen Anwendern zugutekommen. Die Verarbeitungsprozesse können dadurch stabiler laufen, was sich finanziell positiv durch einen verringerten Ausschuss und eine höhere Produktionszeit auszahlt.

Konkrete Ergebnisse des Projektes werden damit sein:

1. Machbarkeitsnachweise für die Klassifikation von Bildern mit typischen Störungen aus der Lebensmittelbranche mit Hilfe von Machine-Learning-Modellen
2. Kategorisierung der mit diesem Verfahren lösbaren Aufgabenstellung/ Problemsituationen
3. Potentialabschätzung optischer Prozessüberwachung mit Hilfe Künstlicher Intelligenz