Die Kombination ermöglicht die Automatisierung völlig neuer Anwendungen und steigert so die Produktivität zum Beispiel durch verbesserte Qualitätssicherung. Für den Prozess der Käsereifung hat das Unternehmen Eberle ein vollautomatisiertes System entwickelt, bestehend aus einem mobilen Pflegeroboter und industrieller Bildverarbeitung. Die Lösung verringert den Ausschuss von Käselaiben während des Reifeprozesses, verbessert die Qualität und senkt die Kosten.
Käse erfreut sich weltweit grosser Beliebtheit. Daher ist es nicht verwunderlich, dass die Nachfrage stetig wächst. Die steigende Nachfrage hat Auswirkungen auf die Käseproduzenten. Zudem ergeben sich bei der Käseherstellung weitere, neue Herausforderungen: 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 GmbH & Co. KG, und 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 GmbH & Co. KG beauftragt, eine automatisierte Pflegelösung zu entwickeln.“
Bei der Gebr. Baldauf GmbH handelt es sich um eine traditionsreiche Käserei aus dem Allgäu. Diese betreibt mehrere Käsereiferäume, in dem verschiedenste Käsesorten reifen. Das von der Käserei beauftragte Unternehmen Eberle mit Sitz im österreichischen Dornbirn ist auf die Entwicklung und Umsetzung vielfältiger Automatisierungslösungen für die Automobil- und Lebensmittelindustrie sowie den Maschinenbau spezialisiert. Das Unternehmen verfügt über besonderes Know-how in den Bereichen industrielle Steuerungstechnik, Robotik, industrielle Bildverarbeitung und vernetzte Produktion.
Bei der Entwicklung der Automatisierungslösung 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 jederzeit zugänglich. Somit ist er in der Lage, vom Büro aus, fehlerhafte Käselaibe frühzeitig 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.
Wenn schon Automatisierung, dann richtig!Wenn schon Automatisierung, dann richtig!
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.
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 beim Endkunden verbaut. Softwareseitig kommt die Machine-Vision-Standardsoftware Halcon von der MVTec Software GmbH zum Einsatz. MVTec ist ein familiengeführtes Unternehmen mit Sitz in München und Niederlassungen in verschiedenen Ländern, das auf die Entwicklung leistungsstarker Machine-Vision-Software spezialisiert ist. Daneben kommt die von Eberle selbst entwickelte Lagerverwaltungssoftware „Storage“ zum Einsatz. Diese überwacht, steuert und dokumentiert das Pflegprogramm der Käsereifung.
Erkennung von Anomalien mithilfe von Künstlicher Intelligenz
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 „Storage“ den Käsetyp und zusätzlich die eindeutige Käse-ID bestimmen. Über die Lagerverwaltung kann der Endkunde auf die aufgenommenen Bilder und die Auswertung der Käselaibe zugreifen.
Bei der Umsetzung wurde besonderes Augenmerk auf die industrielle Bildverarbeitung gelegt. Die Entwicklung war nicht trivial, da verschiedene Aufgaben gelöst werden mussten, die technisch sehr anspruchsvoll waren. „Bei den Planungen war von vornherein klar, dass die Applikation nur mit industrieller Bildverarbeitung automatisiert werden kann. Die Technologie erlaubt es, Bilder auf vielfältige Art und Weise auszuwerten. Als Anbieter für die Machine-Vision-Software haben wir uns für MVTec entschieden. Wir arbeiten schon seit mehreren Jahren mit dem Unternehmen zusammen. Uns begeistern der grosse Funktionsumfang und die Leistungsfähigkeit der MVTec-Produkte, ihre einfache Handhabung sowie die Möglichkeit, verschiedenste Kameras nutzen zu können“, erklärt Christoph Muxel, bei Eberle verantwortlich für die Customer Relations.
Eine weitere 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 MVTec Halcon in der Lage, Anomalien mittels Klassifizierung zuverlässig zu erkennen“, erklärt Felix Podhorsky, Business Development Manager bei der MVTec Software GmbH.
Eine typische Bildverarbeitungsapplikation ist so aufgebaut, dass mehrere Methoden zum Einsatz kommen und sich gegenseitig ergänzen. Eine Methode kommt selten allein. Dazu erklärt Felix 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 umfasst über 2000 verschiedene Operatoren, die im Zusammenspiel so ziemlich jede Machine-Vision-Anwendung lösen können.“ So ist es auch in der Applikation im Allgäu. Zunächst findet die Vorverarbeitung statt. Dabei werden die Bilder innerhalb der Software MVTec Halcon mit verschiedenen regelbasierten Features so vorbereitet, dass die Deep-Learning-Methode „Klassifizierung im Anschluss die Qualität bestmöglich 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 Endkunden schickt. 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 „Storage“ den Käsetyp und die dazugehörende ID bestimmen.
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 die KI-Technologie Deep Learning zum Einsatz kommt. Konkret wird die Klassifizierung genutzt, um eine automatisierte Oberflächeninspektion zur Erkennung und Segmentierung von Defekten durchzuführen. Die Technologie ist in der Lage, Abweichungen, also Anomalien, jeglicher Art, zielsicher und unabhängig zu lokalisieren. Das Ergebnis der Prüfung wird in einer Datenbank gesichert und ist für den Endkunden 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 zu gewährleisten. 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 Endkunde 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 noch 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 Eberle möchte jedoch noch 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. Bei der Bildklassifikation werden Objekte einer bestimmten Klasse basierend auf vorher definierten Merkmalen zugeordnet. Damit erhält man eine Entscheidung über die Kategorie des individuellen Bildes.
Ziele erreicht und Fundament für weitere Digitalisierungsschritte gelegt
Die Anlage mit dem Pflegeroboter ist seit Dezember 2024 im Einsatz und hat die Erwartungen mehr als erfüllt, wie Dorian Köpfle erfreut 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.
Und schliesslich hat die Anwendung auch im Hinblick auf die Digitalisierung des Unternehmens positive Ergebnisse gebracht und das gleich auf verschiedenen Ebenen. Auf der einen Seite ermöglicht die auf Machine Vision basierende Anwendung eine lückenlose digitale Erfassung. Dazu werden verschiedene Qualitätsmerkmale automatisiert erfasst und eine durchgängige Rückverfolgbarkeit gewährleistet. Auf der anderen Seite kann auch die Qualität langfristig optimiert werden. Dahinter steckt eine tiefgehende Datenanalyse, die Trends, beispielsweise bei der Reifung, erkennbar macht. Die aus den Daten ableitbaren Informationen helfen dem Unternehmen dabei, den Reifeprozess weiter zu optimieren.
Und schliesslich wurde mit dem derzeitigen Stand der Digitalisierung eine solide Ausgangsbasis für weitere Schritte geschaffen. So ist das System vorbereitet für die Integration in diverse digitale Plattformen, wie zum Beispiel Control, ERP oder die Cloud. Daneben ist eine Skalierung des bestehenden Systems möglich. Die Anpassungen des Systems für verschiedene Käsesorten mittels Künstlicher Intelligenz wurden bereits erwähnt.
Aufgrund der erzielten Erfolge bei diesem Pilotprojekt hat sich Eberle das Ziel gesetzt, das System künftig als standardisierte Lösung für die gesamte Käsebranche weiterzuentwickeln. „Aufgrund der messbaren Erfolge wollen wir das Kamerasystem als integralen Bestandteil in mobilen Pflegerobotern und stationären Pflegeanlagen weltweit etablieren. Das Projekt im Allgäu zeigt beispielhaft, wie sich die Potenziale von Machine Vision nutzen lassen, um Qualität, Effizienz und Wettbewerbsfähigkeit in der Käseproduktion nachhaltig zu steigern“, sagt Christoph Muxel.