KI für Lebensmittelqualität und -sicherheit: Was funktioniert und was nicht

Es ist bemerkenswert, wie schnell sich künstliche Intelligenz (KI) von einer faszinierenden Idee zu einem aktuellen Thema in unserer Gesellschaft entwickelt hat — und das ist erst der Anfang. Die Lebensmittelindustrie ist ein wichtiger Treiber für KI-Innovationen für die Herstellung und Verarbeitung. Große Lebensmittelmarken investieren viel und haben in den letzten Jahren verschiedene KI-Anwendungen eingesetzt, um die Lebensmittelsicherheit, die Qualität und den Produktdurchsatz zu verbessern.

Mit dem Aufkommen neuer KI-Anwendungen stehen Unternehmen unter dem Druck, sie schnell zu nutzen. Im Fall von KI-gestützten visuellen Inspektionstechnologien haben sich einige Unternehmen schnell amortisiert. Ohne ein praktisches Verständnis der Funktionsweise von KI und des Aufwands, der erforderlich ist, um eine Anwendung erfolgreich zu machen, können Unternehmen jedoch schnell einen frustrierenden Weg einschlagen.

Ein beschleunigter Produktionsdurchsatz führt zu notwendigen Änderungen bei der Qualitätskontrolle

Qualitätskontroll- und Verarbeitungsinspektionssysteme gehören zu den am schnellsten wachsenden KI-Technologiekategorien in der Lebensmittelherstellung. Von portionierten fleischwaren bis hin zu Backwaren — die Fabriken von heute stoßen an ihre betrieblichen Grenzen, um einen höheren Produktdurchsatz zu erreichen und gleichzeitig die Qualitätsstandards einzuhalten, die ihre Kunden erwarten.

Fehler sind Nebenprodukte der Beschleunigung der Produktionsgeschwindigkeiten ohne verbesserte Qualitätskontrollprozesse. Viele Lebensmittelunternehmen sind immer noch auf menschliche Inspektoren angewiesen, um untergebackene Kekse oder Hühnchen-Tender zu erkennen, die ihre Panade verpassen, indem sie die Verarbeitungslinie beobachten. Angesichts der hohen Produktionsgeschwindigkeiten, der wachsenden Anlagen und der Schwierigkeiten, Arbeitskräfte zu finden, ist es für sie jedoch fast unmöglich, mit herkömmlichen Methoden genaue und konsistente Qualitätsentscheidungen zu treffen.

Zunehmende Anforderungen an die Erkennung potenziell schädlicher Fremdstoffe aus der Verarbeitungslinie machen die Situation für Lebensmittelhersteller von heute noch komplizierter. Produktrückrufe, die durch Fremdmaterial verursacht werden, können Lebensmittelmarken riesige Geldsummen kosten, um betroffene Produkte zurückzuverfolgen und zu entfernen und mögliche Anwaltskosten zu zahlen. Dann können die PR-Bemühungen, das Vertrauen der Verbraucher in die Lebensmittelmarke wiederherzustellen, Jahre dauern.

Tatsächlich verlangen viele Kunden — insbesondere Schnellrestaurants — heute von ihren Verarbeitern, dass sie nachweisen, dass ihre Lebensmittelsicherheitsprotokolle über herkömmliche Inspektionsmethoden hinausgehen. Diese neuen Anforderungen haben den Innovationsdruck auf die Lebensmittelhersteller erhöht.

KI-Inspektionstechnologien sind eine hervorragende Möglichkeit für Unternehmen, ihr Engagement für Qualität und Lebensmittelsicherheit unter Beweis zu stellen. Der Weg zur erfolgreichen Installation und Implementierung beginnt jedoch damit, die Grenzen der KI zu verstehen.

Eine kurze Geschichte der visuellen Inspektionstechnologien in Umgebungen der Lebensmittelproduktion

Während Lebensmittelproduktionsanlagen seit Jahrzehnten traditionelle Inline-Vision-Systeme verwenden, ist die Erweiterung der Inline-Vision-Systeme um KI- und maschinelle Lernfunktionen relativ neu. Sowohl herkömmliche als auch KI-gestützte Inspektionssysteme verfügen über eine Reihe von 2D- und 3D-Kameras, spezielle Beleuchtung und eine leistungsstarke Analysesoftware, die Produktbilder in Echtzeit aufnimmt und sie mit programmierten Toleranzen vergleicht. Aber hier enden die Ähnlichkeiten.

Die herkömmlichen vision inspektionslösungen umfassten einfache regelbasierte Messungen wie die Form und Dicke eines Hamburgerpastetchens oder die Backfarbe eines Brotlaibs. Im Laufe der Zeit begannen Anwender von vision inspektionssystem, erweiterte Produktmessungen in Betracht zu ziehen, um die Produktkonsistenz weiter zu verbessern. Zu diesen Messungen könnten die Marmorierung oder das Verhältnis von Fett zu Magerfleisch eines Steaks, Toastspuren auf einer Tortilla oder ein Zuckergusswirbel auf einem Cupcake gehören.

Stark variable Merkmale wie diese stellen für regelbasierte Systeme eine Herausforderung dar — sie können zwar erkennen, dass das Produktmerkmal auf dem Artikel vorhanden ist, aber natürliche Produktvariationen können nicht berücksichtigt werden, wodurch die Entscheidung über akzeptable und inakzeptable Produkte noch mehrdeutiger wird.

Außerdem belastet die Erhöhung der Komplexität eines regelbasierten Systems dessen Rechenleistung. Angesichts dieser wachsenden Messanforderungen in Kombination mit steigenden Produktionsgeschwindigkeiten begannen Anbieter von optischen Inspektionstechnologien, KI zu erforschen, um die Maschineneinrichtung und Produktinspektion zu rationalisieren.

Was ist ein KI-Inspektionssystem für Lebensmittelprodukte?

KI-gestützte visuelle Inspektionstechnologien verwenden dieselben Konzepte wie regelbasierte Technologien, bieten jedoch eine größere Analysetiefe, um Anomalien, Merkmale und Materialien zu erkennen, die von einem regelbasierten System nicht bemerkt würden. Jedes KI-Modell ist eine Ansammlung vieler Bilder akzeptabler und inakzeptabler Produkte und Materialien.

Im Laufe der Zeit „lernt“ das KI-System, wie ein Produkt aussehen sollte und wie nicht, sodass eine Reihe von Toleranzen viel ganzheitlicher festgelegt werden können als bei regelbasierter Programmierung. Nach dem Einsatz an der Anlage überwacht ein menschlicher Bediener an der Produktionsstätte das KI-System kontinuierlich, um sicherzustellen, dass es keine unerwünschten Gewohnheiten entwickelt. Bei komplexeren Systemen kann der KI-Anbieter der führende Manager des Systems sein.

Angenommen, die KI trifft eine schlechte Entscheidung in Bezug auf ein Produktmerkmal. In diesem Fall kann der menschliche Bediener die KI korrigieren, sodass sie in Zukunft keinen ähnlichen Fehler macht. Diese Methode der KI-Modellbildung wird als „überwachtes KI-Lernen“ bezeichnet, bei der der geschulte menschliche Bediener im Gesamtprogramm immer im Vordergrund steht.

Bei KI-gestützten optischen vision inspektionslösungen gibt es einen sehr wichtigen Punkt, an den man denken sollte: Ihre KI-Modelle sind nur so gut wie die Datensätze, die sie versorgen. Wenn der menschliche Bediener in der Anlage ein Produktmerkmal oder Fremdmaterial auf der Linie falsch kennzeichnet, kann dies die Leistung der KI negativ beeinflussen. Aus diesem Grund haben die Unternehmen, die das Fachpersonal des KI-Anbieters für die Verwaltung ihrer Systeme einsetzen, oft den größten Erfolg.

Ein gut ausgebildetes KI-Inspektionssystem ist von Vorteil, wenn es darum geht, unerwünschte Fremdkörper zu erkennen, die in Form oder Farbe einem normalen Produktmerkmal ähneln können. Zum Beispiel fällt in einer Produktionslinie ein Stück harter weißer Plastik, das wie ein Stück geriebener Käse aussieht, auf eine Tiefkühlpizza. Diese Anomalie kann von einem regelbasierten optischen vision inspektionssystem unbemerkt bleiben, da es die einzelnen Bestandteile der Pizza nicht effektiv analysieren kann, um ungewöhnliche, gezackte Kanten, ungewöhnliche Formen oder Glanzpunkte auf dem Kunststoffteil zu erkennen. Ein menschlicher Beobachter könnte das Plastikstück bemerken, aber das halsbrecherische Tempo der Verarbeitungslinie, die Müdigkeit des Bedieners oder die Unfähigkeit, einen guten Blick auf die Pizza auf der Linie zu werfen, machen diese Bestimmung in Sekundenbruchteilen fast unmöglich.

Das AI-Inspektionssystem, das an kritischen Produktionspunkten installiert ist, um jedes Produkt zu überprüfen, wenn es ein Förderband passiert, ist besser gerüstet, um den Kunststoff zu isolieren und die notwendigen nächsten Schritte zu ergreifen (z. B. die Ausschleusung auslösen, um das kontaminierte Produkt aus der Linie zu entfernen). Dies liegt daran, dass das KI-System jede Komponente des Produkts überprüft, die durchläuft.

Ein KI-gestütztes System kann lernen, Anomalien auf der Linie genau wie ein menschlicher Inspektor zu erkennen, jedoch mit höherer Geschwindigkeit und Effizienz, wodurch die Genauigkeit erheblich erhöht wird.

Was sind die Grenzen der heutigen KI-gestützten visuellen vision inspektionslösungen?

KI-Inspektionssysteme sind keine Blackbox-Lösung für Lebensmittelverarbeiter — man kann nicht einfach ein System an ihrer Anlage installieren und erwarten, dass ihre Qualitäts- und Lebensmittelsicherheitsprobleme gelöst werden. Zu verstehen, was ein KI-System nicht messen kann, ist genauso wichtig wie zu wissen, was es kann.

Visuelle vision inspektionslösungen mit künstlicher Intelligenz können nur visuell unterscheidbare Materialien messen

In Bezug auf fremdkörpererkennung besteht ein weit verbreitetes Missverständnis über KI-Inspektionssysteme darin, dass sie Röntgen- oder Metalldetektionssysteme ersetzen. Letztlich ergänzen KI-gestützte Bildverarbeitungssysteme Röntgen- und Metalldetektoren, um ein vollständiges, robustes Inline-Programm zur Lebensmittelsicherheit zu erstellen.

KI-Inspektionssysteme eignen sich hervorragend zur Erkennung von Fremdstoffen niedriger Dichte wie Gummi, Holz, Textilien, Papier und anderen Gegenständen, die Röntgen- und Metalldetektoren passieren. Dennoch können sie keine Materialien analysieren, die in ein Produkt eingebettet sind oder aus den verschiedenen Kamerawinkeln des Systems nicht sichtbar sind. Die Verwendung von Shaker-Tischen oder Wasserfallkonfigurationen zur vorübergehenden Trennung von Produkten oder zur Präsentation der Unterseite des Produkts zur Inspektion kann dazu beitragen, das KI-System besser sichtbar zu machen.

Wie bei Röntgen- und Metalldetektoren können Bediener das KI-Inspektionssystem jedoch anpassen, um die Erkennbarkeit zu erhöhen. Eine zu hohe Einstellung der Toleranzen kann zu mehr Fehlalarmen führen. Benutzer müssen ein ausgewogenes Verhältnis finden, um eine maximale Erkennbarkeit zu erreichen und gleichzeitig effektiv mit Fehlalarmen umzugehen.

Wenn ein KI-System außerdem an einer einzelnen Linie mit bestimmten Merkmalen — wie der Farbe des Förderbandes — trainiert wird, ist es unwahrscheinlich, dass dasselbe Modell auf einer anderen Linie verwendet wird, selbst innerhalb derselben Anlage, zu einem nahtlosen Übergang. Da das KI-System die Verarbeitungsoberfläche ständig beobachtet und seine Umgebung ändert, ohne zusätzliche Daten zur Aktualisierung des Modelltrainings hinzuzufügen, kann das System zu unerwünschten Ergebnissen führen.

Die Material- oder Defekthäufigkeit ist für die Entwicklung von KI-Modellen von entscheidender Bedeutung

Kartoffeln sind ein gutes Beispiel für ein Lebensmittelprodukt mit Massenvariationen, das sortiert und an bestimmte Endkunden verkauft wird, je nach Produktgröße, Qualität und Vorhandensein von Defekten. Eine gut dimensionierte Kartoffel, die die meisten Mängel aufweist — sogenannte Frischpackungskartoffeln — wird in der Regel an Lebensmittelgeschäfte oder Restaurants verteilt. Eine Kartoffel, die kleiner oder ungewöhnlich geformt sein kann, kann an einen Sekundärverarbeiter gehen (z. B. kartoffelchips, Tiefkühlkost usw.). Kartoffeln mit unerwünschten sichtbaren Defekten wie Blutergüssen, Sprossen oder Fäulnis können als Viehfutter sortiert werden.

Da Kartoffelsortieranlagen ständig auf diese natürlichen Produktvariationen stoßen, verfügen sie über eine ausreichend große Stichprobengröße, um aussagekräftige KI-Modelle zur Erkennung dieser Hauptmerkmale zu erstellen. Andererseits ist die Entwicklung von KI-Modellen für einmalige oder seltene Anomalien eine Herausforderung, wenn das Problem nicht regelmäßig genug auftritt, damit die KI lernen kann, um was es sich handelt. Bei Objekten, die offensichtlich anders aussehen als das Produkt — zum Beispiel blaue Plastikverpackungen, die in eine Verarbeitungslinie für gefrorene Pommes frites gelangen — ist die Herstellung dieser Modelle aus Fremdmaterial weniger schwierig.

Beispielsweise möchte ein Getreideproduzent möglicherweise ein KI-Modell entwickeln, um Glasscherben in einem Getreideelevator zu erkennen. Nehmen wir an, die Einrichtung erkennt nur einmal im Jahr Glas an ihrer Leitung, verglichen mit Steinen oder Stöcken, die Dutzende Male täglich auftauchen können. In diesem Fall ist es schwierig, ein vertrauenswürdiges KI-Fremdstoffmodell für Glas bei einer so kleinen Stichprobengröße zu entwickeln.

Je kleiner der Defekt oder das Material ist, desto höher ist der Systempreis

Alle Fremdstoffe bei der Lebensmittelherstellung stellen Gefahren dar, auch die kleinsten Gegenstände. Damit ein KI-System feine Partikel oder Anomalien an einer Verarbeitungslinie erkennen kann, ist es jedoch nicht so einfach, ein Bild des Förderbandes heranzuzoomen. Um Objekte bis ins kleinste Detail erfassen zu können, sind mehr Kameras mit höheren Auflösungen erforderlich, um bestimmte Bereiche zu untersuchen, wodurch die Rechenleistung erhöht wird. Diese feinen, detaillierten Erkennungsanwendungen sind zwar technisch möglich, aber die erforderlichen Komponenten und die erforderliche Systemkomplexität werden den Preis der meisten Unternehmen übersteigen.

KI-Inspektionssysteme sind wie Menschen nicht perfekt

Der Einsatz eines KI-gestützten Inspektionssystems in einer Lebensmittelverarbeitungsanlage ist wie ein Neugeborenes, das die Welt betritt. Wie ein Säugling kommt das KI-System an, ohne sich seiner Umgebung bewusst zu sein. Es unterscheidet nicht zwischen Recht und Unrecht. Der KI-Nutzer und sein Team für technischen Support haben sich zum Ziel gesetzt, dem Neugeborenen ein „Wesen“ auf Doktoratsniveau beizubringen und zu fördern, das im Laufe der Zeit gute Entscheidungen mit weniger menschlichem Eingreifen treffen kann.

Selbst das am besten geschulte KI-Inspektionssystem weist Mängel auf. Anwender sollten damit rechnen, dass gelegentlich eine Quote falsch positiver Ergebnisse oder verpasster Produktnoten auftritt. Aus diesem Grund werden Menschen für ein produktives KI-Inspektionssystem für komplexe Probleme und Produkte mit Massenvariationen nach wie vor unverzichtbar sein. Der beste Weg zum Erfolg besteht darin, bei der Integration der KI-Inspektionstechnologie einen praktischen und geduldigen Ansatz zu verfolgen und einen Anbieter von KI-Lösungen auszuwählen, der mit der Einrichtung zusammenarbeitet und diese Mentalität teilt.