KI-Sichtkontrolle in der Lebensmittelindustrie: Fremdkörper und Fehler erkennen

Symbolbild, KI-generiert (gpt-image-1)

Eine KI-Sichtkontrolle in der Lebensmittelindustrie hat zwei Aufgaben, die technisch wenig miteinander zu tun haben: Sie sortiert Ware nach Qualität — Größe, Farbe, Reifegrad, Bruch — und sie sucht nach dem, was gar nicht ins Produkt gehört. Die erste Aufgabe ist eine Frage der Auslegung. Die zweite ist eine Frage der Erwartung, und dort scheitern die meisten Projekte, bevor sie an der Technik scheitern.

Die Ausgangslage: Was eine Kamera prinzipbedingt nicht findet

Eine optische Prüfung sieht die Oberfläche. Was unter der Oberfläche liegt, sieht sie nicht — und das gilt unabhängig davon, wie gut das Modell trainiert ist. Ein Metallsplitter in einem Schnitzel, ein Knochenrest in einer Frikadelle, ein Stück Kunststoff in einer Fertigpackung: Liegen sie innen, ist die Kamera das falsche Werkzeug.

Das ist keine Einschränkung, über die man hinwegtrainieren kann. Für verdeckte Fremdkörper sind Metalldetektor und Röntgenprüfung zuständig, und sie bleiben es. Die Kamera ergänzt diese Prüfungen um alles, was sichtbar ist — sie ersetzt keine davon. Wer das im Lastenheft nicht sauber trennt, verspricht der Qualitätssicherung eine Absicherung, die das System nicht leisten kann.

Sichtbar und damit lohnend sind: Fremdkörper auf dem Produkt, falsche oder fehlende Teile in einer Schale, Verpackungsfehler, offene Siegelnähte, verrutschte oder fehlende Etiketten, Farb- und Formabweichungen. Das ist eine lange Liste, und sie trägt den Anwendungsfall problemlos.

Warum die Erkennungsrate allein nichts aussagt

„99 % Erkennungsrate" klingt nach einem abgeschlossenen Projekt. In einer Linie mit 600 Packungen in der Minute bedeutet es sechs Fehlentscheidungen pro Minute — und die entscheidende Frage ist, in welche Richtung sie fallen.

Der Punkt ist: Beide Fehlerarten kosten, aber sie kosten völlig Verschiedenes. Eine gute Packung, die ausgeworfen wird, kostet den Warenwert. Eine schlechte Packung, die durchgeht, kostet im ungünstigen Fall einen Rückruf. Ein Modell lässt sich zwischen diesen beiden Fehlern verschieben — schärfer eingestellt findet es mehr Fehler und wirft mehr gute Ware weg.

Daraus die Faustregel: Der Schwellwert wird nicht nach Erkennungsrate eingestellt, sondern nach dem Verhältnis der beiden Fehlerkosten. Bei 0,30 € Warenwert und einem Rückrufrisiko im fünfstelligen Bereich darf die Anlage großzügig auswerfen. Bei einem hochpreisigen Produkt und einer nachgelagerten Handkontrolle liegt der Punkt woanders. Die Zahl kommt aus der Kalkulation, nicht aus dem Datenblatt.

Der Rechner gehört nicht in die Nasszone

Hier unterscheidet sich die Lebensmittellinie von jeder anderen Anwendung. Gereinigt wird mit Hochdruck, oft heiß, oft mit Lauge — eine Beanspruchung, für die die gängigen Schutzarten nicht ausgelegt sind. IP65 und IP67 decken Strahlwasser und zeitweiliges Untertauchen ab; Hochdruck-Dampfstrahlreinigung ist eine eigene Klasse (IP69K), und die Zahl der Geräte, die sie tatsächlich führen, ist klein. Was die Schutzarten im Einzelnen abdecken, steht im Artikel zu den Schutzklassen IP65 und IP67.

Die tragfähige Antwort ist deshalb meist nicht der besonders dichte Rechner, sondern der Rechner an der richtigen Stelle: In der Nasszone steht die Optik, die Rechenleistung steht im Schaltschrank daneben. Kamera und Beleuchtung bekommen ein Edelstahlgehäuse mit geneigten Flächen — damit nichts stehen bleibt —, der Industrie-PC bleibt außerhalb des Reinigungsbereichs, angebunden über eine Leitung. Das spart Geld und macht die Wartung möglich, ohne die Linie zu öffnen.

Für die Anbindung heißt das ein paar Meter Kabel, und damit ist die Schnittstellenfrage vorentschieden: GigE Vision trägt die Distanz, USB3 Vision nicht. Die Abwägung im Detail steht im Artikel zur Wahl der Industriekamera-Schnittstelle. Läuft die Kamera über PoE, liefert derselbe Switch im Schaltschrank auch die Versorgung — eine Leitung statt zwei bis in die Nasszone hinein, was in einer Reinigungszone mehr wert ist als es klingt.

Was das Licht entscheidet, entscheidet nicht die KI

Nasse und glänzende Oberflächen sind der schwierigste Fall der industriellen Bildverarbeitung, und in der Lebensmittelproduktion sind sie der Normalfall. Ein Glanzpunkt auf einer feuchten Folie sieht für ein Modell aus wie ein heller Fremdkörper; eine Spiegelung auf einer Edelstahlschale überdeckt genau die Kante, an der sich der Siegelfehler zeigen würde.

Das lässt sich beleuchten und nur beleuchten. Diffuses Licht gegen die Überblendung, Dunkelfeld für Strukturen, gegebenenfalls Polarisation — die Auslegung ist im Artikel zur Beleuchtungstechnik für Machine Vision ausgeführt und gilt hier unverändert. Bleibt an dieser Stelle: Jede Stunde, die in die Beleuchtung geht, spart ein Vielfaches an Trainingsaufwand.

Naturprodukt heißt: Das Modell altert

Ein Blechteil sieht im Januar aus wie im August. Eine Kartoffel nicht. Sorte, Erntejahr, Lagerdauer und Witterung verschieben Farbe und Form über die Saison, und ein Modell, das im Frühjahr trainiert wurde, wird im Herbst unsicherer — ohne dass sich an der Anlage etwas geändert hätte.

Damit ist die Betriebsaufgabe umrissen: Ein Teil der auffälligen Bilder wird mitgeschrieben, in Abständen gesichtet und ins Training zurückgegeben. Wer diesen Kreislauf nicht einplant, betreibt eine Anlage, deren Trefferquote unbemerkt abnimmt. Dass die Bilder dafür das Werk nicht verlassen müssen und die Auswertung ohnehin an der Linie läuft, ist in Edge AI vs. Cloud AI begründet; die Auslegung der Inferenz selbst behandelt Echtzeit-Objekterkennung mit NVIDIA RTX am Edge.

Ein Nebeneffekt, der in Audits regelmäßig zählt: Werden Bild, Urteil und Zeitstempel je Charge abgelegt, ist die Prüfung im Nachhinein belegbar. Das ist für sich genommen oft der Posten, mit dem sich die Anlage rechnet.

Situation und Empfehlung

Wer eine Linie neu ausrüstet, klärt zuerst die Trennlinie: Was muss die Kamera leisten, und was bleibt bei den bestehenden Prüfmitteln? Danach ist die Auslegung Handwerk.

Passende Hardware für die Auswertung an der Linie: PCIe-AI- und GPU-Karten sowie Box-PCs und Industrie-PCs als Plattform, dazu Industrial-Ethernet-Switches für die Kameraanbindung.

Zurück zum Wiki-Inhaltsverzeichnis.