High-Speed und 100% Erkennungsrate

 

Höchste Geschwindigkeit und Erkennungsraten von am besten 100 Prozent – das sind die Anforderungen an die Qualitätskontrolle in der Verpackungsbranche. Wie die hohen Anforderungen erreicht werden können, zeigt das Unternehmen INNDEO mit einer Automatisierungslösung auf Basis von industrieller Bildverarbeitung und Deep-Learning-Technologien.

INNDEO mit Hauptsitz im spanischen Saragossa bietet mit seiner Marke INSPECTRA hochwertige Bildverarbeitungslösungen für die Automatisierung von Qualitätsprüfungen an. Das 2016 gegründete Unternehmen ist mit seinen Lösungen bislang hauptsächlich im Lebensmittelsektor tätig und möchte in Zukunft auch in der Logistik Fuß fassen. Dazu hat das Unternehmen die Inspektionslösung Thermoseal & Label Inspector entwickelt, mit dem sich Verpackungen verlässlich inspizieren und Etiketten lesen lassen. Das Gerät vereint verschiedenste Technologien wie Hochgeschwindigkeits- und Verarbeitungserfassung mit der INSPECTRA HSP-Technologie, hyperspektraler Bildverarbeitung, Deep Learning und leistungsstarken RGB.

Verpackungsinspektion durchgängig automatisieren

INSPECTRA hat sich zum Ziel gesetzt, für die Verpackungsbranche eine durchgängig automatisierte Lösung zu entwickeln. Die Vorteile, die  eine solche Lösung auf Basis von Machine Vision bietet, sind: höhere Erkennungsraten von Defekten der Verpackungen, Kostenersparnis sowie die umfassende Digitalisierung der Produktionsprozesse, um diese überwachen und verbessern zu können. In der Praxis ist es zumeist nach wie vor so, dass in vielen Unternehmen Mitarbeiterinnen und Mitarbeiter den Prüfprozess manuell durchführen. Dabei kommt es immer wieder vor, dass Defekte dem menschlichen Auge entgehen. Dadurch gelangen fehlerhafte Produkte in die Lieferkette und erreichen den Endkunden. Ziel einer automatisierten Lösung muss es also sein, alle erdenklichen Defekte an Verpackungen zuverlässig zu erkennen. Dazu gehören zum Beispiel Anomalien im versiegelten oder heiß versiegelten Bereich, in der Schale, im inneren Produkt, an der Folie oder in der Etikettierung. Durch eine 100-prozentige Automatisierung der Qualitätskontrolle sinken darüber hinaus zum einen die Kosten und zum anderen werden objektive Kriterien bei der Sortierung der zu prüfenden Objekte eingeführt. Außerdem können die Qualitäts- und Produktionsdaten durchgängig digitalisiert werden und die entsprechenden Indikatoren in Echtzeit angezeigt werden.

Zwar bietet der Markt auch andere Geräte und Lösungen für Inspektionen durch maschinelles Sehen an. Diese erweisen sich aber häufig als nicht robust genug, haben zu geringe Erkennungsraten und lassen sich nur schwer an Änderungen in den Produktionslinien anpassen. Aufgrund einer mangelhaften Präzision und Zuverlässigkeit bei der Fehlererkennung nehmen viele Anwender von derartigen Lösungen Abstand und führen die Fehlerinspektion lieber manuell durch.

INSPECTRA möchte mit seiner Machine-Vision-Lösung genau diese Schwachstellen ausmerzen: „Um schnellere Inspektionsprozesse und robustere Erkennungsergebnisse als der Wettbewerb zu gewährleisten, hatten wir ein klares Ziel definiert. So sollten beispielsweise Qualitätsmängel bei Lebensmittelverpackungen mit einer hohen Produktionsrate von bis zu zwei Packungen pro Sekunde identifiziert werden. Dies sollte eine Inline-Ausmusterung ermöglichen, was Verarbeitungszeiten von nur wenigen Millisekunden pro Bild erfordert“, erklärt Emilio de la Red Bellvis, Chief Innovation Officer bei INNDEO. Für die Umsetzung dieser Ziele war es unerlässlich, die Anwendung mittels Machine Vision durchgängig zu automatisieren.

Fehlererkennung mittels Machine Vision

Wie sieht nun das Setup des Thermoseal & Label Inspector konkret aus? An verschiedenen Stellen innerhalb der Inspektionsumgebung positionierte Kameras nehmen Bilder der zu prüfenden Objekte auf. Diese werden von der integrierten Machine-Vision-Software MVTec HALCON verarbeitet. HALCON ist die umfassende Standardsoftware für die industrielle Bildverarbeitung. Entwickelt wird die Software von der MVTec Software GmbH mit Sitz in München.

Für die verschiedenen Anwendungsfälle gibt es unterschiedliche Vorgehensweisen. Beispielsweise für die versiegelten Bereiche ermittelt HALCON auf Grundlage verschiedener Parameter den relevanten Prüfbereich (Region of Interest/ROI) des Bildes. Zu diesem Zweck verwendet INNDEO hochauflösende RGB-Vision-Technologie, um einfache Fehler auf versiegelten Flächen, wie z. B. Schinkenstücke, deren Farbe in einer transparenten Schale leicht zu erkennen ist, zu finden. Darüber hinaus setzt das Unternehmen  hyperspektrale Bildverarbeitungstechnologie für komplexere Fehler ein. So kann beispielsweise geschmolzenes Schinkenfett, das den gleichen Farbton wie der Kunststoff der Schale hat, oder Fehler in undurchsichtigen oder bedruckten Schalen erkannt werden.

Deep Learning, eine Methode der künstlichen Intelligenz (KI), wird ebenfalls zur Erkennung bestimmter Fehler eingesetzt. Mithilfe von Deep Learning imitiert die Software das Verhalten des menschlichen Gehirns und ist in der Lage, die Bilder mit einer höheren Erkennungsgeschwindigkeit und -effizienz als das menschliche Auge zu interpretieren.

Das System ist in der Lage, im Rahmen einer Trainingsphase zu lernen, ohne dass eine zusätzliche Programmierung durch den Benutzer erforderlich ist. Diese Technologie ermöglicht die Erkennung von Falten in Siegelfolien, von Fehlern in der Zusammensetzung des Produkts in der Schale und von Qualitätsmängeln, die von Standardalgorithmen der industriellen Bildverarbeitung nicht erkannt werden können.

Ein anderes Anwendungsszenario ist die Inspektion der Etikettierung und die Prüfung, ob sich Falten unterhalb des Etiketts gebildet haben. Um das Etikett zu erkennen, sucht ein entsprechendes konfigurierbares Werkzeug nach einem bestimmten Muster. Sobald dieses lokalisiert ist, erfolgen die Prüfprozesse. Dabei nutzt die Applikation die in HALCON integrierten Technologien der optischen Zeichenerkennung wie OCR (Optical Character Recognition) oder Deep OCR, welche Texterkennungsfunktionen mit intelligenten Deep-Learning-Algorithmen kombinieren. So lassen sich verschiedene Arten der Etiketteninspektion komfortabel konfigurieren. Zur Erkennung von Anomalien der aufgebrachten Etikettierung wie etwa Falten, Knicke, Risse oder Verunreinigungen wie Federn, Haare oder Knochenspuren kommen ebenfalls Deep-Learning-Technologien sowie ein Musterabgleich von Farbtönen zum Einsatz.