Effiziente Kontrolle beladener Paletten: Leckagen in Kartons zuverlässig erkennen

Das Projekt

Ein Kunde aus der Pharmabranche steht vor der Herausforderung, die Einlagerung von mehrschichtig mit braunen Kartons beladenen Paletten effizienter zu gestalten. Die Kartons enthalten Kunststoffbeutel mit Flüssigkeiten, bei denen es zu Leckagen kommen kann. Diese Leckagen werden an dunklen Verfärbungen auf den Außenseiten der Kartons erkennbar. Wenn solche defekten Paletten in das Hochregallager eingelagert werden, entstehen erhebliche Probleme, darunter:

• Betriebsstörungen mit teilweise längeren Stillständen
• Beschädigungen, darunter eingelagerte Paletten
• Aufwendige manuelle Umsortierungen, oft in großer Höhe

Der Kunde suchte nach einer Lösung, um diese Verfärbungen automatisiert und zuverlässig zu erkennen. Da es keine marktübliche Standardlösung für diesen Anwendungsfall gibt, wurde AUTFORCE beauftragt, eine umfangreiche Machbarkeitsstudie durchzuführen, um die technische Durchführbarkeit zu überprüfen.

Keyfacts

• Zielsetzung: Automatisierte Erkennung ausgelaufener Flüssigkeiten auf den Kartonoberflächen
• Taktzeit: Eine Palette alle 10 Sekunden
• Palettenbeladung: 6 Kartons je Lage in 6 Lagen (36 Kartons pro Palette)
• Paletten sind mit einer transparenten Transportfolie umwickelt

Einrichtung der Testaufbauten

• Es wurden drei verschiedene Testaufbauten erstellt, um optimale Bedingungen für die Bildaufnahme zu schaffen.
• Dabei wurden verschiedene Kombinationen von Kamerasystemen, Belichtungen und Filtern getestet.
• Es wurden sowohl Tests mit Smart-Kamera-Systemen als auch mit PC-basierten Systemen durchgeführt, um die beste Lösung für die Erkennung der Leckagen zu finden.
• Besondere Aufmerksamkeit galt der Minimierung von Reflexionen durch die Transportfolie sowie der Reduktion von Fremdlichteinflüssen.

Auswerten der Bilddaten

• Um die aufgenommenen Bilder automatisiert auszuwerten, wurden verschiedene KI-Modelle in Betracht gezogen, im Zuge dieser Machbarkeitsstudie wurden die folgenden Modelle auf ihre Eignung untersucht:
  • Deep Learning: Anwendung von Anomaly Detection und Semantic Segmentation zur Analyse komplexer Defekte.
  • Edge Learning: Lokale Verarbeitung auf dem Gerät mit vortrainierten Algorithmen, ideal für kleinere Datenmengen und schnelle Trainingszyklen.

Leckageerkennung mit Deep Learning

Leckageerkennung mit Edge Learning

Erkenntnisse aus der Machbarkeitsstudie

• Die Ergebnisse der Studie zeigten, dass ausgetretene Flüssigkeiten mittels Machine Vision zuverlässig erkannt werden können.
• Es wurden klare Empfehlungen zur Auswahl geeigneter Hardware und Auswertungsmethoden gegeben.

Fazit

Die Machbarkeitsstudie belegte die technische Umsetzbarkeit eines Systems zur optischen Kontrolle beladener Paletten. Die Erkenntnisse aus den Testreihen schaffen eine solide Grundlage für die Entwicklung einer individuellen Lösung und unterstreichen die Effizienz von KI-gestützten Technologien in der automatisierten Qualitätskontrolle.