Trennscharfe Texterkennung

Ein weltweit tätiger Papierhersteller wollte seine Produktqualität durch die Optimierung des Fertigungsprozesses verbessern. In einer Vorstufe der Papierherstellung werden Zellstoffballen in ein Auflösungsbecken transportiert. Dabei ist es dem Unternehmen bislang nicht gelungen, jeden Ballen anhand der aufgedruckten Chargennummer verlässlich zu identifizieren. Dies ist jedoch erforderlich, um die Rohstoffprodukte mit den Informationen im System abzugleichen und so deren Zusammensetzung eindeutig zu bestimmen. Nur so lässt sich der Produktionsprozess individuell anpassen und eine höchstmögliche Qualität des Endprodukts gewährleisten.

Eingeschränkte Lesbarkeit von Chargennummern

Allerdings sind die auf den Zellstoffballen aufgedruckten Chargennummern in den meisten Fällen nur schwer lesbar. Dafür gibt es verschiedene Gründe: Dazu zählen beispielsweise eine unzureichende Druckqualität, ein verschwommener Hintergrund, Verschmutzungen oder eine durch Umwelteinflüsse beschädigte Verpackung. Dadurch ließen sich bislang die Zahlen-Buchstaben-Kombinationen nicht eindeutig erkennen, was den Herstellungsprozess massiv beeinträchtigte und hohe Kosten nach sich zog. Herkömmliche Lösungen für die optische Zeichenerkennung (Optical Character Recognition, OCR) erwiesen sich in diesem Fall als nicht geeignet, um den Prozess zu automatisieren, denn die Systeme sind aufgrund der starken Beschädigung der aufgedruckten Nummern nicht in der Lage, diese zufriedenstellend zu lesen.

Abhilfe schaffte eine integrierte Identifikationslösung auf KI-Basis: Safe-Ident OCR von Strelen Control Systems ist ein ganzheitliches Setup aus Hard- und Software-Komponenten. Diese sind in einem staub- und feuchtigkeitsgeschützten Edelstahlschrank untergebracht und eignen sich besonders für raue Lager- und Produktionsumgebungen. Herzstück der Lösung bildet neben Kameras und Beleuchtungseinheiten eine Deep-Learning-Technologie auf Halcon-Basis. Dabei erfassen Inline-Kameras die eingehenden Zellstoffballen von vier Seiten, scannen die aufgedruckte Chargennummer und senden die Daten an die Bildverarbeitungssoftware. Diese erkennt den Zeichencode, gleicht ihn mit der Datenbank ab und meldet schließlich die Qualitätsdetails des Ballens an die Produktion.

Robuste Zeichenerkennung

Zum Einsatz kommt dabei die Deep OCR Technologie, die integraler Bestandteil der Software Halcon von MVTec ist. Verglichen mit konventionellen OCR-Algorithmen kann dieser ganzheitlich Deep-Learning-basierte OCR-Ansatz verschiedenste Zeichen wesentlich robuster lokalisieren – und zwar unabhängig von ihrer Ausrichtung, Schriftart und Polarität. Dabei lassen sich durch die automatische Gruppierung von Zeichen auch ganze Wörter präzise identifizieren. Dadurch werden Fehlinterpretationen von Ziffern und Buchstaben mit ähnlichem Aussehen verlässlich vermieden, was die Performance und Genauigkeit der Erkennung stark erhöht. Mittels Deep OCR lässt sich Text auch auf verschwommenen Hintergründen, mit schlechter Druckqualität oder ungewöhnlichen Schriftarten präzise lesen.

Fazit

Dank der Identifikationslösung von Strelen und Deep OCR von Halcon profitiert der Papierhersteller nun von robusten, zuverlässigen und schnellen Leseprozessen – auch bei stark schwankender Schriftqualität. Dadurch lassen sich Chargennummern automatisiert erfassen, was den Produktionsprozess optimiert und zu einer deutlichen Qualitätssteigerung beiträgt.