Die Käse-Nachfrage wächst stetig und dies hat Auswirkungen auf die Käseproduzenten. Hinzu kommen weitere, neue Herausforderungen bei der Käseproduktion: Zum einen spüren insbesondere Käsereien in Europa den Fachkräftemangel, wodurch sie zur Automatisierung gezwungen sind. Zum anderen spielt das Thema Nachhaltigkeit eine immer größere Rolle. So arbeitet die Branche daran, den Ausschuss zu verringern, um Ressourcen zu schonen. Und schließlich geht es darum, die gestiegenen Anforderungen der Konsumenten im Hinblick auf Qualität und Vielfalt zu erfüllen. „Eine Lösung für die zahlreichen Herausforderungen liegt in der durchgängigen Automatisierung des Reifeprozesses der Käselaibe“, sagt Dorian Köpfle, Machine Vision Engineer bei der Eberle Automatische Systeme. Er ergänzt: „Käselaibe reifen in großen klimatisierten Reifekellern mitunter 14 Monate lang. Lagerkosten und der Wunsch, so wenig Ausschuss wie möglich zu erzeugen, führen dazu, dass die Laibe engmaschig auf Schimmelbildung kontrolliert werden müssen. Für Mitarbeiter ist es aber schier unmöglich, tausende Käselaibe lückenlos zu prüfen. Deswegen wurden wir von der Käserei Gebr. Baldauf beauftragt, eine automatisierte Pflegelösung zu entwickeln.“ Diese traditionsreiche Käserei aus dem Allgäu betreibt mehrere Käsereiferäume, in denen verschiedene Käsesorten reifen. Das von der Käserei beauftragte Unternehmen Eberle mit Sitz im österreichischen Dornbirn ist auf die Entwicklung und Umsetzung vielfältiger Automatisierungssysteme für die Automobil- und Lebensmittelindustrie sowie den Maschinenbau spezialisiert. Das Unternehmen verfügt über Knowhow in den Bereichen industrielle Steuerungstechnik, Robotik, industrielle Bildverarbeitung und vernetzte Produktion.
Schimmel im Blick
Bei der Entwicklung des Automatisierungssystems kooperierte Eberle mit der Schweizer Firma Leu-Anlagenbau, welche auch den mobilen Pflegeroboter beisteuerte. Die Anwendung sieht so aus, dass vor jedem Pflegeprozess durch den Roboter der Käselaib auf ‚Defekte‘, also Fehlerstellen bzw. Schimmelsporen, per Machine Vision, geprüft wird. Die dabei von der Kamera aufgenommenen Bilder werden von der industriellen Bildverarbeitungssoftware MVTec Halcon ausgewertet. Das Ergebnis der Auswertung, gesichert in einer Datenbank, ist für den Kunden per Web-Interface zugänglich. Somit ist er in der Lage, vom Büro aus, fehlerhafte Käselaibe früh zu detektieren und die Pflege entsprechend anzupassen. Parallel dazu führt der mobile Pflegeroboter seine Aufgaben aus, nämlich die Käselaibe mit Bürsten und Pflegeflüssigkeiten so zu behandeln, um Rindenbildung zu kontrollieren und unerwünschte Schmierschichten zu entfernen.
Durchgehende Automatisierung
Die automatisierte Anwendung sollte eine Reihe von Zielen erfüllen, die bisher mit menschlicher Kontrolle nicht möglich gewesen waren. Das wichtigste Ziel war die zyklische, 100-prozentige Kontrolle während der gesamten Reifezeit des Käses. Dadurch, und das war eines der weiteren Ziele, sollte der Ausschuss aufgrund der Früherkennung von Qualitätsabweichungen reduziert werden. Gleichzeitig sollte es möglich gemacht werden, die Produktqualität aufgrund individueller Käsepflege zu erhöhen. Die Automatisierung des Prozesses sollte zudem eine Standardisierung der Qualitätskontrolle sowie eine lückenlose Rückverfolgbarkeit ermöglichen und die Prozess- und Produktsicherheit, aber auch die Effizienz erhöhen. Und schließlich sollten eine langfristige Datenanalyse und ein zukünftiger KI-Einsatz ermöglicht werden.
Pflegeroboter im Einsatz
Die von der Firma Eberle entwickelte Applikation umfasst einen Pflegeroboter, der mit einer Balkenbeleuchtung und einer 4K-Farbzeilenkamera ausgestattet ist. Darüber hinaus kommt ein kompakter Industrie-PC als Hardwarekomponente zum Einsatz. Für die Deep-Learning-basierte Klassifizierung ist zudem ein zentraler Rechner verbaut. Softwareseitig kommt die Machine-Vision-Standardsoftware Halcon zum Einsatz. Daneben kommt die von Eberle selbst entwickelte Lagerverwaltungssoftware Storage zum Einsatz. Mit dieser wird das Pflegeprogramm der Käsereifung überwacht, gesteuert und dokumentiert. SAP-Verantwortliche wissen, dass sie handeln müssen – aber nicht, wie sie fundiert entscheiden. ‣ weiterlesen
SAP-Transformation mit Augenmaß: Sicherheit für die richtige Entscheidung
Erkennung von Anomalien
In der Praxis läuft der Pflege- und Inspektionsprozess wie folgt ab: Zunächst fährt der mobile Roboter durch den Käsekeller und bearbeitet alle Käselaibe brettweise. Brettweise bedeutet in diesem Zusammenhang, dass immer drei Käselaibe, die sich jeweils auf einem Brett befinden, gemeinsam gepflegt werden und ein Bild aufgenommen wird. Das Bild wird nach einer Vorverarbeitung an den zentralen Rechner des Kunden geschickt, wo es mittels Deep Learning Klassifikation auf Basis der bestehenden Daten ausgewertet wird. Zusätzlich zu den Bildern werden die Positionsdaten des Käselaibs im Käselager mitgesendet. Die zentrale Anwendung empfängt die vorverarbeiteten Bilder und kann mithilfe der mitgesendeten Positionsdaten und der Lagerverwaltung den Käsetyp und zusätzlich die eindeutige Käse-ID bestimmen. Über die Lagerverwaltung kann der Anwender auf die aufgenommenen Bilder und die Auswertung der Käselaibe zugreifen.
Naturprodukte unterscheiden sich
Die Entwicklung der industriellen Bildverarbeitung war nicht trivial, da verschiedene Aufgaben gelöst werden mussten, die technisch sehr anspruchsvoll waren. Eine Herausforderung betraf die Käselaibe. „Da es sich um ein Naturprodukt handelt, sieht jeder Käselaib unterschiedlich aus. Außerdem verändert sich das Aussehen durch den Reifeprozess signifikant. Aufgrund der verschiedenen Käsetypen, Reifegrade und Fehlerfälle stoßen regelbasierte Bildverarbeitungsmethoden hier an ihre Grenzen. Eine Lösung dafür stellt die künstliche Intelligenz dar. „Durch das Training des Deep-Learning-Netzes anhand von Bilddaten ist Halcon in der Lage, Anomalien mittels Klassifizierung zuverlässig zu erkennen“, sagt Felix Podhorsky, Business Development Manager bei MVTec Software. Eine typische Bildverarbeitungsapplikation ist so aufgebaut, dass mehrere Methoden zum Einsatz kommen und sich gegenseitig ergänzen. Eine Methode kommt selten allein. Dazu Podhorsky: „Egal um welche Anwendung es sich handelt, in der Regel müssen Bildverarbeitungsmethoden zunächst den relevanten Bereich des Bildes finden. Erst dann können weitere Methoden das Bild etwa auf Anomalien oder Vollständigkeit testen.“ Halcon umfasse über 2000 verschiedene Operatoren, die im Zusammenspiel so ziemlich jede Machine-Vision-Anwendung lösen könnten, sagt der MVTec-Mitarbeiter.
Wie es funktioniert
In der Applikation im Allgäu findet zunächst die Vorverarbeitung statt. Dabei werden die Bilder innerhalb der Software mit verschiedenen regelbasierten Features so vorbereitet, dass die Deep-Learning-Methode Klassifizierung im Anschluss die Qualität prüfen kann. Für die Vorbereitung kommen Matching-Verfahren zum Einsatz, um zunächst die drei Käselaibe im Bild zu finden. Anschließend werden die Bereiche zugeschnitten und der Hintergrund schwarz gefärbt. Somit hat jedes Bild dieselbe Größe und denselben Hintergrund. Diese Vorverarbeitung findet noch auf dem Pflegeroboter statt, der alle vorverarbeiteten Bilder anschließend per HTTP-Request an einen zentralen Rechner beim Produzenten schickt. Zusätzlich zu den Bildern werden die Positionsdaten des Käselaibs im Käselager mitgesendet. Die Anwendung empfängt die vorverarbeiteten Bilder und kann mithilfe der mitgesendeten Positionsdaten und der Lagerverwaltung den Käsetyp und die dazugehörende ID bestimmen.
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.
