Die Anforderungen an die Leerflascheninspektion in der Getränkeindustrie steigen kontinuierlich, insbesondere bei Mehrweggebinden aus Glas oder PET. Kritische Defekte müssen sicher erkannt, unkritische Abweichungen zuverlässig toleriert werden. Durch den Einsatz von Deep Learning bei der Leerflascheninspektion, kombiniert mit einer optimierten optischen Erfassung, erschließt Heuft neue Möglichkeiten für eine zuverlässige und wirtschaftliche Qualitätskontrolle. Die Fehlausleitrate wird minimiert und der Wirkungsgrad ganzer Abfülllinien nachhaltig gesteigert.
Leistungsfähige Bildverarbeitung durch MCIP
Die Bildqualität bildet die Basis jeder erfolgreichen Inspektion. Um diese zu verbessern, setzt Heuft auf das inhouse entwickelte Multi Colour Image Processing (MCIP). In Kombination mit den intelligenten Kamerasystemen von „Heuft reflexx A.I.“ entsteht eine leistungsfähige Plattform für die optische All-Surface-Leerflascheninspektion.
MCIP kombiniert verschiedene Beleuchtungsprinzipien, Hell- und Dunkelfeldbeleuchtung im Auf- und Durchlicht, mit mehrfarbiger Lichtführung. Dies ermöglicht eine spektrale Trennung der Bildinformationen und die differenzierte Analyse von Flaschenwänden. So werden Glasausbrüche im Gewindebereich ebenso zuverlässig erkannt wie Risse in Applied Color Labels oder Rost an der Mündung.
Deep Learning bei der Leerflascheninspektion: Boden- und Mündungsanalyse
Ein weiteres Kernstück der Technologie ist der Einsatz neuronaler Netze. Beim „Heuft InLine II IX“ sind vortrainierte Deep Learning-Modelle integriert, die sowohl die Boden- als auch die Mündungsinspektion automatisiert durchführen. Die Trainingsbasis bilden tausende Aufnahmen fehlerfreier Flaschen. Dies ist eine wichtige Grundlage, um zwischen gutartigen Abweichungen und tatsächlichen Fehlern zu unterscheiden.
Die KI analysiert nicht mehr einzelne Merkmale isoliert, sondern bewertet das gesamte visuelle Erscheinungsbild einer Flasche. Dadurch lassen sich auch bislang nicht spezifizierte Fehlertypen sicher identifizieren, zum Beispiel transparente Folienreste in PET-Flaschen.
Ein Algorithmus für alle Formen
Ein zentrales Element der neuen Inspektionslösung ist ein universeller Algorithmus zur Bodenzentrierung. Dieser ermöglicht es, unterschiedlichste Flaschenformen, unabhängig von Embossings, Knurling Marks oder Glasfärbung, lückenlos zu inspizieren. Dies reduziert die Einrichtzeit erheblich, ein aufwändiges, sortenspezifisches Teach-In ist nicht mehr erforderlich.
Dank der Deep-Learning-gestützten Klassifikation passt sich das System zudem stabil an wechselnde Umgebungsbedingungen an. Selbst bei variierenden Lichtverhältnissen oder leichten Positionsabweichungen bleibt die Erkennungsleistung konstant hoch.
Deep Learning bei der Leerflascheninspektion senkt Ausschuss
Mit der Integration der neuen KI-Komponenten in den „Heuft InLine II IX“ geht Heuft einen wichtigen Schritt in Richtung effizienter, fehlerrobuster Leerflaschenprüfung. Durch den Einsatz gepulster Röntgentechnologie, ergänzt um die Bildverarbeitung von „Heuft reflexx A.I.“ und die spektral differenzierende MCIP-Technik, wird die Erkennungsrate deutlich gesteigert.
Gleichzeitig sinkt der Anteil der fehlerhaft als defekt deklarierten Flaschen. Dies gilt insbesondere für Gebinde mit kosmetischen Abweichungen wie Wassertropfen, Abrieb oder leichten Formunterschieden. Die Unterscheidung zwischen kritischen und unkritischen Mängeln erfolgt in Echtzeit und mit hoher Entscheidungssicherheit.
Perspektiven für die Getränkebranche durch Deep Learning
Die vorgestellten Systeme zeigen, dass Deep Learning bei der Leerflascheninspektion nicht nur die Bildauswertung automatisiert, sondern auch die Betriebsprozesse vereinfacht. Hersteller profitieren von kürzeren Einrichtzeiten, weniger Fehlausleitungen und höherer Betriebssicherheit.
In Kombination mit Röntgenverfahren stellt der „Heuft InLine II IX“ damit eine zukunftsweisende Lösung für die vollständige Qualitätskontrolle leerer Behälter dar. Die Deep-Learning-Technologie sorgt dafür, dass auch intransparentes oder problematisch strukturiertes Material zuverlässig geprüft werden kann, bei gleichbleibend hoher Effizienz.
