Sicherzustellen, dass in einer Lebensmittelverpackung nur das drin ist, was auch rein gehört, war die Aufgabenstellung, mit der ein Hersteller von Schinken an Phil-Vision herantrat. Da schon kleinste – für das menschliche Auge nicht sichtbare – Verunreinigungen in der Naht zu undichten Verpackungen und zum Verderb der Ware führen können und teure Rückrufaktionen zur Folge haben können, sollte zukünftig eine kamerabasierte Inspektion erfolgen.
Hyperspektral anstatt Farbkameras
In einem ersten Ansatz wurde diese Aufgabe mit Farbkameras und verschiedenen Beleuchtungen angegangen. Da die Kameras aber lediglich mit Farbvergleichen arbeiten, waren die Ergebnisse nicht zufriedenstellend. Aus diesem Grund fiel die Wahl auf die hyperspektrale Bildgebung, da mit dieser Technik auch Verunreinigungen außerhalb des sichtbaren Lichtspektrums erkannt werden. Im aktuellen Fall Produktreste oder geschmolzenes Fett im heiß-versiegelten Bereich der Verpackung, das sowohl dem menschlichen Auge als auch anderen Inspektionstechnologien verborgen bleibt. Hyperspektralkameras dagegen identifizieren die Materialien auf der Grundlage der biologischen und chemischen Zusammensetzung zuverlässig und können Blasen oder Einschlüsse selbst durch bedruckte Kunststofffolien sicher erkennen. In der beschriebenen Anwendung erfasst nun eine HSI-FX-Kamera von Specim, die in einer Höhe von ca. einen Meter über dem Band angebracht ist, sechs Packungen pro Sekunde, deren Bilder im Anschluss in der Software pvSealInspect ausgewertet werden. Zunächst wird dabei die Siegelnaht vom Rest der Verpackung extrahiert um anschließend explizit den Bereich der Naht zu inspizieren. Zusätzlich sollte in der Anwendung eine Label Erkennung integriert werden. Für das Lesen von Barcode und Schrift sind eine Monochromkamera und eine weiße Beleuchtung mit in der Anlage verbaut.
Visualisierung der Ergebnisse
Die Ergebnisse der Prüfung werden in rot bzw. grün visualisiert. Unterhalb der farbig dargestellten Prüfergebnisse IO oder NIO wird eine Statistik angezeigt, in der die Gesamtzahl der geprüften Packungen sowie die Anzahl der Gut-/Schlechteile protokolliert wird. Zusätzlich wird bei Schlechtteilen nach den Prüfkriterien ‚Schlechte Naht‘ und ‚Schlechtes Label‘ unterschieden und die prozentuale Fehlerquote in Bezug auf die Gesamtmenge angezeigt. Als Zusatzinformation werden jeweils die letzten Hundert IO und NIO an dieser Position erfasst, um eventuell auftretende Serienfehler an einer bestimmten Position zu erkennen. Was genau ein Fehler ist, kann von Verpackung zu Verpackung unterschiedlich sein. Im der Anwendung sollten Packungen nur ausgeworfen werden, wenn sich mehrere Blasen oder Fremdkörper wie Fett in der Siegelnaht befinden. Einzelne Blasen unter einer bestimmten Größe gelten nicht als Fehler.
Die Einbindung der Specim-Kamera ins System war einfach. Eine Herausforderung war dagegen die Verarbeitung der großen 12Bit Spektralbilder, die optimiert auf der GPU gerechnet werden. Dabei filtert man verschiedenen Spektralsignaturen anhand der chemischen Zusammensetzung aus und visualisiert diese durch RGB-Farben. Dies vereinfacht die Segmentierung von Fehlstellen deultich. Patrick Gailer, Geschäftsführer bei Phil-Vision und zuständig für die Anwendung, fasst die aus dem Projekt gewonnenen Erkenntnisse zusammen: „Mit dieser ersten HSI-Anwendung konnten wir viel Erfahrung mit einer für uns neuen Technologie sammeln. Wir können uns eine Menge an anderen interessanten Anwendungen vorstellen, nicht nur in Produktionslinien für Lebensmittel, sondern auch Frischeprüfungen von anderen natürlichen Produkten wie Fleisch, Fisch, Käse, Gemüse oder Obst, oder die Überprüfung von verpackten Lebensmitteln auf unterschiedlichste Fremdkörper wie Plastikteile, Holz, Papier oder Haare. Da Hyperspektral-Kameras auch die Zusammensetzung von Produkten (Feuchtigkeit, Reinheit, Fett, Eiweiß usw.) erkennen und auswerten können, gibt es im Lebensmittelbereich ungezählte Einsatzmöglichkeiten. In unserer aus diesem Projekt entstandenen Software pvSealInspect ermitteln wir erst in welchem Spektralbereich Fehler liegen und können die Bilder danach mit klassischen Vision-Tools oder KI weiterverarbeiten.“
