En passant zu Trainingsdaten
Die Originalbilder werden abhängig vom Typ mit einem Zeitstempel gespeichert, damit sie später für ein neues Training oder eine Optimierung des Trainingsmodells verwendet werden können. Wenn für den Käsetyp schon ein Trainingsmodell hinterlegt ist, wird dieses geladen und auf das Bild angewendet. Das ist der Moment, in dem Deep Learning zum Einsatz kommt. Es wird die Klassifizierung genutzt, um eine automatisierte Oberflächeninspektion zur Erkennung und Segmentierung von Defekten durchzuführen. Die Technologie kann Abweichungen, also Anomalien, zielsicher und unabhängig lokalisieren. Das Ergebnis der Prüfung wird in einer Datenbank gesichert und ist für den Anwender einsehbar. Die gespeicherten Bilder können genutzt werden, um das Trainingsmodell weiter zu verbessern.
Durchgängige Automatisierung ermöglichen
Neben der Umsetzung der eigentlichen Bildverarbeitung lag eine weitere Herausforderung darin, die durchgängige Automatisierung sicherzustellen. Die Schwierigkeit liegt in der Beschaffenheit der Käselaibe als Naturprodukt begründet. Durch die unterschiedlichen Käsetypen und Reifegrade sieht jeder Käselaib anders aus und für einen Laien ist es nicht möglich, die Fehlertypen korrekt zuzuweisen. Eberle ist es dennoch gelungen, ein Trainingsmodell für klassische Käselaibe zu erstellen, das alle Reifegrade gleichmäßig integriert und somit den verschiedenen Ausprägungen gerecht wird. Zudem kann der Anwender über die Lagerverwaltung selbst die Klassifizierung der Bilder der übrigen Käselaibe vornehmen. Dazu weist er dem Bild entweder einen Fehlertyp zu oder klassifiziert es als OK, wenn nichts zu beanstanden ist. Eberle möchte jedoch einen Schritt weiter gehen und eine durchgängig automatisierte Inspektion der Käselaibe ermöglichen. Deshalb arbeitet das Unternehmen an einer Weiterentwicklung der Anlage, und zwar mit Deep-Learning-basierten Klassifizierungsmöglichkeiten. Das Ziel besteht darin, für sämtliche Käsetypen und Reifegrade ein Anomalie-Trainingsmodell bereitzustellen, um die Klassifizierung, ob ein Laib OK oder NOK ist, vollständig zu automatisieren.
Standardisierung für die Käsebranche geplant
Die Anlage mit dem Pflegeroboter ist seit Dezember 2024 im Einsatz und hat die Erwartungen erfüllt, wie Dorian Köpfle feststellt: „Unsere Käsequalitätskontrolle ist ein Leuchtturmprojekt für Digitalisierung und Automatisierung in der Lebensmittelindustrie. Der Kunde reduzierte seine Kosten, verbesserte die Qualitätssicherung und schuf die Basis für weitere smarte Prozesse.“ Tatsächlich konnten die Personalkosten gesenkt werden, während gleichzeitig die Qualitätssicherung verbessert wurde. Dies war möglich, weil der Pflegeroboter hochgradig autonom arbeitet, die manuelle Prüfung durch Mitarbeitende reduziert wurde und dennoch die einzelnen Laibe häufiger kontrolliert wurden. In der Konsequenz konnte auch der Produktausschuss gesenkt werden, da selbst kleinste Abweichungen wie Risse oder Schimmel frühzeitig erkannt und Gegenmaßnahmen eingeleitet wurden. Aufgrund der guten Erfahrungen bei diesem Pilotprojekt hat sich Eberle das Ziel gesetzt, das System standardisiert für die gesamte Käsebranche weiterzuentwickeln.
