WENIGER AUSSCHUSS

In der Ernährungsindustrie wird eine Vielzahl an Naturprodukten verarbeitet, die durch Fehlstellen für die Weiterverarbeitung oder den Verkauf nicht verwendet werden. Die äußeren Schadmerkmale werden dabei mit dem menschlichen Auge erfasst. Die Aussortierung erfolgt in der Regel händisch. Dieser ressourcenintensive Vorgang ist anfällig für Fehlsortierungen und führt zu hohen Ausschüssen. Hierzu startet das Projekt "Mobile visuelle Qualitätserkennung durch Künstliche Intelligenz für die Ernährungsindustrie" (Movi-Q) am DIL. Das Ziel: Die Möglichkeiten KI-Systemen zur Qualitätssicherung in der Ernährungsindustrie zu erforschen. 

Zur Förderung von Movi-Q durch den Bund gratulierte der Bundestagsabgeordnete Dr. André Berghegger. Er ist Mitglied im Aufsichtsrat des DIL und setzte sich auf Bundesebene wiederholt für das Institut ein. Movi-Q verfügt über eine Laufzeit von drei Jahren mit einer Fördersumme von mehr als einer Million Euro. Partner sind neben dem DIL, als Koordinator, das Deutsche Forschungszentrum für Künstliche Intelligenz und Sionn Engineering. Weitere industrielle Partner sind Sola Bonum, Heidemark Mästerkreis sowie Wernsing Feinkost. 

„Die Förderung durch das Bundesministerium für Ernährung und Landwirtschaft stärkt nicht nur die Region, sondern auch den Innovationsstandort Deutschland insgesamt. Künstliche Intelligenz bietet ein großes Innovationspotenzial und kann die Ernährungsindustrie nachhaltig weiterentwickeln. Ich freue mich, dass diese wichtige Forschung hier im Osnabrücker Land stattfindet“, so Berghegger. 

Hyperspektralsensorik für hohe Genauigkeit 

In allen Bereichen der Produktion von Lebensmitteln nimmt die Erkennung von fehlerhaften oder mit Fehlstellen versehenen Rohwaren, Zwischen- und Endprodukten einen entscheidenden Faktor in der Qualitätskontrolle und -sicherstellung ein. Produkte, die durch Fehlstellen für die Weiterverarbeitung ungeeignet sind oder in minderen Qualitätsklassen vertrieben werden, müssen gezielt ermittelt und aussortiert werden. In einem Großteil der Anwendungsfälle lassen sich die äußeren Schadstellen durch das menschliche Auge erfassen und werden manuell sortiert. Verfärbungen, Verformungen und Druckstellen bei Produkten sowie Stücke mit Hautresten, größere Fett- oder auch Knorpelbereiche an Fleischstücken speziell in der Fleischwirtschaft sind Sortierfaktoren. Auch bei den speziell geschulten Mitarbeitenden erfolgt die händische Sortierung subjektiv und ist anfällig für Fehlsortierungen. Fehlendes Know-how, ungenügende Datenlage und die schlechte Übertragbarkeit von Hardwareund Software-Prototypen verhindern aktuell den flächendeckenden Einsatz von Technologien. 

Während der Projektlaufzeit soll ein Soft- und Hardware-Prototyp entwickelt werden. Durch den Einsatz moderner Bildaufnahmetechnologien soll das gezielte Erkennen von Fehlstellen erfolgen. Mit der sogenannten Hyperspektralsensorik kann gegenüber klassischen Kameras eine höhere Erkennungsgenauigkeit für unterschiedliche Produkte erzielt werden. Die entsprechende Software soll dabei mit KI- und Machine Learning-Verfahren sowie modernen Transfer Learning-Modellen entwickelt werden. Hierdurch wird eine Klassifizierungssystematik angestrebt, die in unterschiedlichen Bereichen der Lebensmittelindustrie und darüber hinaus einsetzbar ist. Der Prototyp soll eine mobile und modulare Einheit darstellen, die an unterschiedliche Produktionsprozesse eines Unternehmens angeschlossen werden kann.

Hohe Relevanz für die Wirtschaft

Nach der Anpassung des KI-Modells auf die spezifische Produktgruppe kann das System im Betrieb zur Fehlstellenerkennung im laufenden Prozess verwendet werden, so dass unterschiedliche Schadstellen klassifiziert werden und eine gezielte Prozesssteuerung vorgenommen werden kann. Für die größtenteils mittelständisch geprägte Lebensmittelindustrie hätte eine solche Anwendung ein großes Potenzial, da sie in nahezu allen Bereichen von der Fleischverarbeitung bis zur Obst- und Gemüseverarbeitung einsetzbar wäre. 

Derartige Anwendungen existieren derzeit nur in Form von Prototypen und spezifischen Insellösungen, sind in der Breite derzeit faktisch jedoch nicht vorhanden. Es fehlen überzeugende Demonstrationen der technischen und wirtschaftlichen Machbarkeit in den Betrieben vor Ort, ebenso wie Vorreiter-Unternehmen und Best Practice-Beispiele.