MVTEC MERLIC
Der Kunde produziert Toast aus verschiedenen Getreidearten vollautomatisch. Unter anderem werden Toasts aus Vollkorn- und Weißmehl hergestellt. Die Verpackung besteht aus unterschiedlichen Varianten (durchsichtig, verschieden farbig) und variiert in der Größe. Zudem wird der Verpackungsprozess dadurch komplex, als dass der Aufdruck einer Verpackung innerhalb eines kurzen Zeitraums wechseln kann.
Fehlerhaft verpackte Toastpackungen führen zu Störungen im Produktionsablauf. Die sporadische Kontrolle durch die MitarbeiterInnen reicht nicht aus, um diese Verpackungsfehler in ausreichendem Maße frühzeitig zu erkennen. Die fehlerhaft verpackten Produkte können in der weiteren Verarbeitung beispielsweise nicht von einem Roboterarm gegriffen werden. Dies führt zu einem unkontrollierten – und unerwünschten – Produktionsstopp.
Die auftretenden Fehler sind:
Um die Prozessstabilität zu verbessern soll die Produktion umgestellt und, mittels industrieller Bildverarbeitung, automatisiert werden. Die Produkte sollen zukünftig in „Schlecht-Produkte“ und „Gut-Produkte“ unterschieden werden.
Als „Gut-Produkte“ gelten dabei alle Toastpackungen die nicht fehlerhaft sind und vom Endkunden als „kaufbar“ eingestuft werden. Das System sollt dabei auch bei den unterschiedlichen Produktgrößen, Verpackungen und Toastarten funktionieren, ohne dass der Algorithmus jeweils angepasst werden muss. „Schlecht-Produkte“ sollen schlussendlich über eine eigene Pneumatik ausgeschleust werden.
Mit folgenden Komponenten wurde eine per Machine Vision automatisierte Qualitätsinspektion aufgesetzt:
Durch zwei Kameras werden mittels Hardware-Trigger Aufnahmen von der Oberseite und von einer Querseite der Toastpackung gemacht. Durch den in MERLIC 5 integrierten Image Source Manager lassen sich die zwei Bildquellen einfach und bequem verwalten und konfigurieren.
Anschließend werden die aufgenommenen Bilder in der kostenfreien Software MVTec Deep Learning Tool eingelesen, gelabelt, trainiert und evaluiert.
Das MERLIC-Tool „Bild klassifizieren“ beurteilt im Anschluss die Qualität der Toastpackungen und leitet diese – sofern notwendig – aus. Dabei wird nicht nur in „Schlecht-Produkte“ und „Gut-Produkte“ unterschieden, sondern auch die konkrete Fehlerklasse ermittelt, die sich an obengenannten Fehlern orientieren. Dadurch ist es möglich, detailliert die Art und Häufigkeit der auftretenden Fehler aufzuzeigen.
Diese Klassifizierung wurde mit der neuen Deep Learning Funktion in MERLIC 5 durchgeführt. Durch die Flexibilität von MERLIC 5 war es dem Unternehmen möglich, durch ein selbst entwickeltes Communicator Plugin eine I/O-Karte umzusetzen. Zudem kann das Frontend von MERLIC den AnwenderInnen schnell und übersichtlich eine visuelle Darstellung der Toastverpackung anzeigen und via Heatmap die relevanten Bildbereiche hervorheben.
Veröffentlicht am: 27. Oktober 2021
![[Translate to German:] Warehouse where cheese wheels age during the ripening process](https://www.mvtec.com/fileadmin/_processed_/1/d/csm_success_story_mvtec_eberle_2_673d7c329f.webp "[Translate to German:] Cheese Warehouse with Stored Cheese Wheels")
