Nach­ver­folg­bar­keit von gra­vier­ten Aluminiumflaschen

Mit mehr als 20 Jah­ren Bran­chen­er­fah­rung und tief­ge­hen­der Machi­ne-Visi­on-Exper­ti­se ent­wi­ckelt das Unter­neh­men Visio­ne Arti­fi­cia­le Lösun­gen für ver­schie­dens­te Indus­trie-Anwen­dun­gen. Dazu zäh­len Sys­te­me zur Qua­li­täts­kon­trol­le von Bau­tei­len, hoch­prä­zi­se Mess­tech­no­lo­gien zur Auto­ma­ti­sie­rung von Inli­ne-Inspek­ti­ons­pro­zes­sen, 3D-Visi­on-Sys­te­me, Bin-Picking-Appli­ka­tio­nen, Deep-Lear­ning-basier­te Anwen­dun­gen und vie­le wei­te­re Lösun­gen. Visio­ne Arti­fi­cia­le mit Haupt­sitz im nord­ita­lie­ni­schen Bio­ne hat sich auf die Inte­gra­ti­on von indus­tri­el­len Bild­ver­ar­bei­tungs­tech­no­lo­gien (Machi­ne Visi­on) in durch­gän­gig auto­ma­ti­sier­te Robo­tik-Sys­te­me spezialisiert.

Für ein Unter­neh­men aus der Lebens­mit­tel­in­dus­trie hat Visio­ne Arti­fi­cia­le eine Anwen­dung ent­wi­ckelt, mit der sich die Rück­ver­fol­gung von CO₂-befüll­ten Alu­mi­ni­um­fla­schen, die zum Auf­spru­deln von stil­lem Was­ser ver­wen­det wer­den, auto­ma­ti­sie­ren lässt. Auf den Ober­flä­chen der zylin­der­för­mi­gen Fla­schen sind ver­schie­de­ne Infor­ma­tio­nen wie Seri­en­num­mern, Pro­dukt­da­ten, Abfüll­da­tum und Logo per Laser ein­gra­viert. Die­se Buch­sta­ben-Zah­len-Kom­bi­na­tio­nen die­nen dazu, die Alu­mi­ni­um­fla­schen mit­tels opti­scher Zei­chen­er­ken­nung (Opti­cal Cha­rac­ter Reco­gni­ti­on / OCR) auto­ma­ti­siert und mit hoher Prä­zi­si­on zu iden­ti­fi­zie­ren. Dies ist wich­tig für rei­bungs­lo­se Pro­duk­ti­ons­ab­läu­fe sowie für die Qua­li­tät der aus­ge­lie­fer­ten Fla­schen und somit für die Kun­den­zu­frie­den­heit. Um eine lücken­lo­se Rück­ver­fol­gung der Gefä­ße sicher­zu­stel­len, wer­den die ein­gra­vier­ten Infor­ma­tio­nen per indus­tri­el­ler Bild­ver­ar­bei­tung auf ihre Rich­tig­keit über­prüft. Die auto­ma­ti­sier­te Inspek­ti­on durch Machi­ne Visi­on ist nicht nur robust und schnell, son­dern kann auch rund um die Uhr durch­ge­führt wer­den. So spart das Unter­neh­men lang­fris­tig Kosten.

Eine Her­aus­for­de­rung liegt dabei in dem Mate­ri­al, in das die Tex­te gelasert sind. So kön­nen auf­grund der Ober­flä­chen­be­schaf­fen­heit des Alu­mi­ni­ums bei der Bild­auf­nah­me durch die Belich­tung viel­fäl­ti­ge Refle­xio­nen und Fle­cken ent­ste­hen, die eine kor­rek­te Seg­men­tie­rung der Zei­chen erschwe­ren und damit den OCR-basier­ten Iden­ti­fi­ka­ti­ons­pro­zess emp­find­lich stö­ren. Um den­noch robus­te Erken­nungs­ra­ten zu gewähr­leis­ten, setzt Visio­ne Arti­fi­cia­le auf die Tech­no­lo­gie Deep OCR, ein Fea­ture, das in MVTec HALCON inte­griert ist. HALCON ist die umfas­sen­de Stan­dard­soft­ware für die indus­tri­el­le Bild­ver­ar­bei­tung. Die Soft­ware ist ein Pro­dukt der MVTec Soft­ware mit Sitz in Mün­chen. Die Tech­no­lo­gie von Deep OCR basiert auf Deep-Lear­ning-Algo­rith­men und ist in der Lage, Zei­chen unab­hän­gig von ihrer Aus­rich­tung, Schrift­art und Pola­ri­tät zu loka­li­sie­ren. Zudem las­sen sich Buch­sta­ben auto­ma­tisch grup­pie­ren, was die Iden­ti­fi­zie­rung gan­zer Wör­ter ermög­licht. Dar­über hin­aus wer­den Fehl­in­ter­pre­ta­tio­nen von Zei­chen mit ähn­li­chem Aus­se­hen gänz­lich ver­mie­den, sodass die Erken­nungs­leis­tung deut­lich steigt. HAL­CONs Deep OCR wur­de für die ver­läss­li­che Iden­ti­fi­ka­ti­on ver­schie­dens­ter Schrift­ty­pen trainiert.

Im Rah­men der Anwen­dung wer­den die zylin­der­för­mi­gen Alu­mi­ni­um­fla­schen jeweils in Spin­deln arre­tiert und gedreht. Eine Zei­len­ka­me­ra tas­tet die Fla­sche ab und nimmt so ein zwei­di­men­sio­na­les Bild ihrer gekrümm­ten Ober­flä­che auf. Zunächst geht es dar­um, die Berei­che auf dem Bild zu fin­den, die Buch­sta­ben und Zah­len ent­hal­ten. Dabei ermit­telt das Netz­werk Boxen, die mit einem „Con­fi­dence Score“ gekop­pelt sind. Die­ser Wert gibt an, wie wahr­schein­lich es ist, dass die­se Boxen Text ent­hal­ten. Inner­halb der Boxen bestimmt das Netz­werk dann die ent­hal­te­nen Zei­chen, sodass sich die dar­in ent­hal­te­nen Infor­ma­tio­nen auf ihre Kor­rekt­heit über­prü­fen und veri­fi­zie­ren las­sen. So wird der gesam­te Kon­troll­pro­zess auto­ma­ti­siert und beschleu­nigt. Dabei ist das Set­up mit zwei Kame­ras und Dreh­vor­rich­tun­gen aus­ge­stat­tet, sodass pro Takt jeweils zwei Fla­schen gleich­zei­tig getes­tet wer­den kön­nen. Dies erlaubt einen noch schnel­le­ren Durch­lauf und erhöht die Effizienz.

„Auf­grund der beson­de­ren Beschaf­fen­heit des Mate­ri­als hät­te uns ein kon­ven­tio­nel­les OCR-Sys­tem bei der Iden­ti­fi­ka­ti­on der ein­gra­vier­ten Tex­te nicht zum Ziel geführt. Um trotz der Refle­xio­nen robus­te Erken­nungs­ra­ten zu erzie­len, benö­tig­ten wir ein intel­li­gen­tes OCR-Sys­tem, das mit die­ser Her­aus­for­de­rung zurecht­kommt. Deep OCR hat sich hier­bei als opti­ma­le Lösung für unse­re Anfor­de­run­gen erwie­sen. Dank umfas­send vor­trai­nier­ter Deep-Lear­ning-Net­ze las­sen sich auch schwer les­ba­re Tex­te mit hoher Genau­ig­keit erken­nen. Die HAL­CON-Biblio­the­ken von MVTec bie­ten eine beein­dru­cken­de Palet­te an Deep-Lear­ning- Algo­rith­men, mit denen wir die­se kom­ple­xe Auf­ga­ben­stel­lung erfolg­reich lösen kön­nen“, bestä­tigt Fazio Save­rio, Grün­der und Eigen­tü­mer von Visio­ne Arti­fi­cia­le. Bei der Umset­zung stand Save­rio und sei­nem Team das Unter­neh­men iMAGE S bera­tend zur Sei­te. iMAGE S unter­stützt sei­ne Kun­den in allen Fra­gen der indus­tri­el­len Bild­ver­ar­bei­tung und stellt dazu auch eige­ne Pro­duk­te und Tech­no­lo­gien bereit.

Durch den Ein­satz der Bild­ver­ar­bei­tungs­soft­ware HALCON inklu­si­ve Deep OCR konn­te die Rück­ver­fol­gung der CO2-Fla­schen mit­tels Seri­en­num­mern über­haupt erst umge­setzt wer­den. Denn nur durch die auto­ma­ti­sier­te Kon­trol­le und Veri­fi­zie­rung der ein­gra­vier­ten Tex­te lässt sich die­ser Pro­zess wirt­schaft­lich und mit der gebo­te­nen Geschwin­dig­keit rea­li­sie­ren. Außer­dem wer­den dadurch Mit­ar­bei­ter, wel­che die Prü­fung der Zei­chen­codes ansons­ten manu­ell durch­füh­ren müss­ten, von der mono­to­nen Tätig­keit ent­las­tet und kön­nen sich anspruchs­vol­le­ren Auf­ga­ben wid­men. Und nicht zuletzt lässt sich dank opti­mier­ter Nach­ver­folg­bar­keit die Pro­duk­ti­vi­tät der gesam­ten Pro­zess­ket­te erhö­hen und die Qua­li­tät der Pro­duk­te im Ergeb­nis auf ein neu­es Niveau heben.