Die Qualitätskontrolle von Gemüse hat in den vergangenen Jahren große Fortschritte gemacht. Moderne Kamera- und Lasersysteme prüfen und sortieren selbst große Produktmengen heute mit hoher Präzision. Doch sobald Fremdmaterial oder Defekte dem eigentlichen Produkt optisch stark ähneln, stoßen herkömmliche Technologien häufig an ihre Grenzen. Genau hier eröffnen Künstliche Intelligenz und Deep Learning neue Möglichkeiten.

Auf dieser Grundlage entwickelte Optimum Sorting ein neues Sortiermodell namens A-EYE. Die Technologie kann unter anderem bei der Verarbeitung von Spinat und Grünen Bohnen eingesetzt werden. Defekte, die bislang kaum oder gar nicht erkannt werden konnten, lassen sich heute zuverlässig aussortieren. Wie A-EYE die Grenzen herkömmlicher Sortiertechnologien erweitert und welche Ergebnisse dabei in der Praxis erzielt werden, erfahren Sie in den folgenden Beispielen.

Wie verbessert Deep Learning Ihre Sortierung?

Bei herkömmlichen Sortiertechnologien legt ein Bediener oder Softwareentwickler im Voraus fest, welche Produkteigenschaften analysiert werden sollen. Dazu zählen beispielsweise Farbunterschiede, Formabweichungen oder bestimmte Größenmerkmale. Für viele Anwendungen funktioniert dieser Ansatz sehr gut. Schwieriger wird es jedoch, wenn unerwünschte Bestandteile dem Produkt selbst optisch stark ähneln. Wie soll eine Kamera ohne zusätzliche Hilfsmittel den Unterschied zwischen Gut- und Schlechtprodukt erkennen?

Das A-EYE-Modell von Optimum Sorting verfolgt einen anderen Ansatz. Grundlage dafür ist Deep Learning, eine spezielle Form der Künstlichen Intelligenz, bei der Computermodelle aus großen Mengen an Daten und Beispielen lernen. Der zugrunde liegende Prozess ähnelt dabei der Art und Weise, wie Menschen Produkte wahrnehmen und beurteilen. Ein erfahrener Qualitätsmitarbeiter achtet nicht nur auf ein einzelnes Merkmal, sondern erkennt ein Objekt als Ganzes. A-EYE folgt derselben Logik. Anstatt jede Eigenschaft isoliert zu bewerten, analysiert das Modell Formen, Strukturen, Proportionen und visuelle Muster im Gesamtzusammenhang.

Mit Deep Learning als Grundlage eignet sich A-EYE besonders für komplexe Sortieraufgaben in der Gemüseverarbeitung. Die Technologie ergänzt bestehende Sortiersysteme ideal, etwa für die Erkennung von Verfärbungen oder anderen klar sichtbaren Defekten. Wie A-EYE in der Praxis eingesetzt wird und welche Ergebnisse sich bei Spinat und Grünen Bohnen erzielen lassen, zeigen die folgenden Beispiele.

Stielenden detektieren

Bei der Verarbeitung von Grünen Bohnen bietet unser A-EYE-Modell klare Vorteile. Eine konkrete Anwendung ist die Erkennung von Stielenden. Für herkömmliche Sortiersysteme sehen das Stielende und die Bohnenspitze oft sehr ähnlich aus, sodass eine zuverlässige Unterscheidung nicht immer einfach ist.

Für herkömmliche Sortiersysteme sind diese Unterschiede kaum zu erkennen. Bohnen mit Stielenden gehören jedoch nicht ins Endprodukt. Durch das Training mit Tausenden von Praxisbildern lernt das Modell, diese feinen Unterschiede zu erkennen, und kann deutlich präziser bestimmen, welche Bohnen ausgesondert werden müssen.

Stängeln detektieren

Darüber hinaus unterstützt A-EYE bei der Erkennung von Stängeln, Zweigen und anderen unerwünschten Pflanzenresten, die während der Ernte in den Produktstrom gelangen.

Da diese Pflanzenreste den Bohnen in Farbe und Form oft sehr ähnlich sind, stoßen herkömmliche Erkennungsmethoden schnell an ihre Grenzen. Mit Deep Learning bewertet A-EYE das Objekt als Ganzes und kann dadurch deutlich zuverlässiger zwischen Produkt und unerwünschten Bestandteilen unterscheiden. Selbst bei überlappenden Objekten oder unterschiedlichen Positionen auf dem Förderband trifft das Modell eine präzise und zuverlässige Entscheidung.

Portulak detektieren

Eine dritte und besonders interessante Anwendung ist die Erkennung von Portulak (Portulaca oleracea). Aufgrund strengerer Anforderungen im Pflanzenschutz und des rückläufigen Einsatzes von Herbiziden breitet sich diese Pflanze auf manchen Anbauflächen zunehmend aus und wächst zwischen den Bohnenkulturen. Nach der Ernte und Verarbeitung weist Portulak oft starke optische Ähnlichkeiten mit Grünen Bohnen auf, wodurch eine zuverlässige Unterscheidung zur Herausforderung wird.

Dank Deep Learning kann das Sortiersystem auch diese feinen Unterschiede zuverlässig erkennen. Während das Vorkommen von Portulak früher zur Aussortierung ganzer Chargen führen konnte, können Gemüseverarbeiter heute deutlich gezielter sortieren. Das reduziert Produktverluste, erhöht die Produktausbeute und trägt dazu bei, einen größeren Anteil des Rohmaterials für den Verzehr nutzbar zu machen.

Schnellere Entwicklung von Trainingsmodellen

Bevor ein Deep-Learning-Modell Defekte erkennen kann, muss es mit großen Mengen an Praxisdaten trainiert werden. Dank moderner Cloud-Plattformen und neuer Trainingsmethoden läuft dieser Prozess heute deutlich schneller ab als noch vor einigen Jahren. Darüber hinaus können neue KI-Modelle auf dem Wissen bereits bestehender Anwendungen aufbauen, wodurch sich Entwicklungszeiten erheblich verkürzen.

Noch vor wenigen Jahren dauerte die Entwicklung eines neuen Modells oft mehrere Monate. Heute kann eine vergleichbare Anwendung bereits nach wenigen Wochen produktiv eingesetzt werden. So lässt sich beispielsweise ein Modell für eine neue Bohnensorte auf Erkenntnisse aus bestehenden Anwendungen für Grüne Bohnen aufbauen. Auch bereits trainierte Modelle können mit neuen Praxisdaten häufig innerhalb weniger Stunden weiter verbessert werden. Der Trainingsprozess gliedert sich in drei Schritte:

Weniger Produktverluste, mehr Qualität und höhere Kapazitäten

Mit A-EYE erweitert Optimum Sorting die Möglichkeiten moderner Sortiertechnologien deutlich. Durch die Kombination von KI und Deep Learning mit Kamerainspektion und künftig auch mit Lasern und anderen Sensoren lassen sich Defekte erkennen, die bislang nur schwer oder sogar gar nicht automatisch detektiert werden konnten.

Damit eröffnen sich neue Anwendungsmöglichkeiten für Aufgaben, die mit herkömmlicher Bildverarbeitung oft nur schwer zu lösen sind. Dazu zählen beispielsweise die Erkennung von Unkraut in Spinat, die Unterscheidung von Portulak und Grünen Bohnen sowie die Detektion von Stielenden und anderen unerwünschten Pflanzenresten. Verarbeiter gewinnen dadurch mehr Kontrolle über die Produktqualität, steigern die Ausbeute und reduzieren Produktverluste.

Die Vorteile von A-EYE gehen weit über eine verbesserte Defekterkennung hinaus. Praxistests bei bestehenden Kunden belegen, dass die Technologie auch die Sortierkapazität steigern kann. Bei einem Verarbeiter von Grünen Bohnen erhöhte sich die Kapazität nach der Einführung von A-EYE um +25 %, von rund 8 auf 10 Tonnen pro Stunde. Selbst bei sich überlappenden Produkten auf dem Förderband erkannte und bewertete das System die einzelnen Objekte zuverlässig. Wo herkömmliche Algorithmen unter solchen Bedingungen an Genauigkeit verlieren, sorgt A-EYE weiterhin für eine hohe Sortierpräzision. Mehr Produkt verarbeiten, ohne Abstriche bei der Qualität zu machen. Ist das nicht genau das Ziel jedes Verarbeiters?

Interesse an einer kostenlosen Demo?

Kontaktieren Sie das Vertriebsteam von Optimum Sorting und lassen Sie Ihre Produkte ausführlich in einem unserer Demo-Center weltweit testen.
Erleben Sie selbst, welchen Mehrwert unsere Maschinen für Ihr Unternehmen bieten können!

Was ist A-EYE?

Mit A-EYE präsentiert Optimum Sorting eine innovative Sortiertechnologie, die Deep Learning nutzt, um komplexe Defekte zu erkennen. Im Gegensatz zu herkömmlichen Systemen lernt A-EYE aus Praxisdaten und kann dadurch selbst feine Unterschiede erkennen, die bislang häufig unentdeckt blieben. So lassen sich Anwendungen automatisieren, die noch vor wenigen Jahren nur schwer realisierbar waren. Das Ergebnis: weniger Produktverluste und eine höhere Endproduktqualität.