KI auf der Suche nach Muffinförmchen – Eine seltene Lücke mit großen Folgen

Wer eine Muffin-Backmischung kauft, erwartet nicht nur das Backpulver und die weiteren Zutaten, sondern auch, dass die passenden Muffinförmchen in der Packung sind. „Niemand von uns möchte, dass bei einem Prinzessin-Lillifee-Kindergeburtstag die typischen bunt bedruckten Förmchen fehlen“, berichtet Dietrich Hölscher, Produktionsleiter des Dr. Oetker-Werks am Standort Oerlinghausen wo am Tag bis zu 70.000 Muffin-Backmischungen verpackt werden. Auch wenn dieser Fall äußerst selten auftritt, so kann es dennoch vorkommen, dass die leichten Papierförmchen beim Verpackungsprozesse nicht oder nur unvollständig in der Packung landen. Oetker hat jedoch einen hohen Qualitätsanspruch. „Wir möchten garantieren, dass die Geburtstags-Muffins immer gelingen“, betont Hölscher.

Vorhandene Röntgentechnik clever nutzen

Eine herkömmliche Gewichtskontrolle auf Vollständigkeit hilft dabei allerdings nicht weiter. Die Gebäckkapseln, wie die Förmchen in der Fachwelt heißen, wiegen nur wenige Gramm und können deshalb nicht zuverlässig über die bestehende Fertigpackungswaage erkannt werden. Mit einem Durchsatz von 45 bis 120 Packungen pro Minute stößt die manuelle Kontrolle an ihre absoluten Grenzen – hier sind vollautomatische Lösungen zwingend erforderlich

Ein Lösungsansatz lag bereits in der Produktionslinie: Dr. Oetker setzt Röntgentechnik ein, um mögliche Fremdkörper in den Backmischungen zu erkennen. Das Röntgengerät kontrollierte bisher nur auf Fremdkörper wie zum Beispiel Metall, was reine Routine ist. Die Studierenden machten sich diese vorhandene Technik zunutze: Statt zusätzliche Mess- oder Aufnahmetechnik für eine komplett neue Prüfung anzuschaffen oder zu entwickeln, wurde untersucht, ob sich die ohnehin erzeugten Röntgenbilder mit KI auswerten lassen. „Vorher haben wir mit dem Röntgengerät rausgesucht, was nicht reingehört. Jetzt haben wir eine neue Funktion und können auch erkennen, was fehlt“, freut sich Hölscher.

Viele Bilder, viele Varianten

Für das Training der KI wurde ein umfangreicher Datensatz aufgebaut. Neben Bildern vollständiger Packungen wurden gezielt Aufnahmen von solchen mit fehlenden Gebäckkapseln erstellt. Berücksichtigt wurden unterschiedliche Positionen (oben, mittig und unten), verschiedene Anordnungen sowie schwierige Fälle, beispielsweise eingedrückte oder auf der Seite liegende Kapseln. „Wir wollten das Modell nicht nur mit einfachen Beispielen füttern“, erklärt Projektleiter Prof. Marc Oliver Schierenberg von der HSBI. „Entscheidend war, auch die Situationen abzubilden, die im späteren Produktionsprozess tatsächlich auftreten können.“ Rund 800 Bilder wurden für das Training und die Validierung des Modells eingesetzt.

Die Kategorisierung der Bilder ist entscheidend und muss zunächst von Menschen übernommen werden, sonst wird das Modell falsch trainiert. Ein wichtiger Bestandteil ist dabei auch das kontinuierliche Nachtraining der KI: Bilder, bei denen das Modell unsicher ist oder eine Fehlklassifikation auftritt, können gezielt genutzt werden, um das Modell weiterzuentwickeln.

100 Prozent im Test – aber noch nicht in der Produktion

Das Ergebnis der abschließenden Evaluierung war vielversprechend: Auf dem Testdatensatz traf das finale Modell keine Fehlentscheidung und erreichte damit eine Erkennungsgenauigkeit von 100 Prozent. Auch die technische Umsetzung der Ausschleusung war Teil der konzeptionellen Arbeit. Das Team entwickelte eine sogenannte Fail-safe-Logik: Eine Packung soll nur dann als Gutprodukt weiterlaufen, wenn sowohl die bestehende Röntgenprüfung als auch die KI-Prüfung eine Freigabe erteilen. Liegt keine eindeutige Freigabe vor, wird die Packung ausgeschleust beziehungsweise nachkontrolliert. „Es ist für uns extrem spannend zu sehen, wie aus unseren Trainingsdaten am Computer eine konkrete Lösung für die Qualitätskontrolle bei Oetker wird. Der Schritt von den perfekten Testergebnissen hin zur Pilotlinie zeigt erst richtig, worauf es bei der praktischen Umsetzung von KI im Industriealltag ankommt", fasst Jonathan König die Erfahrung der Projektgruppe zusammen.

Von der Hochschule in die Praxis

„Die Studierenden bringen einen wertvollen Blick von außen mit“, sagt Hölscher. Seine Erfahrungen mit der Zusammenarbeit seien sehr positiv, weshalb weitere Projekte mit dem Fachbereich Ingenieurwissenschaften und Mathematik aus seiner Sicht wünschenswert sind: „Das ist eine Win-win-Situation für alle Beteiligten.“ Da sich für Dr. Oetker in Oerlinghausen eine eigene Softwareentwicklung nicht lohnt, ist die Zusammenarbeit mit den angehenden Wirtschaftsingenieuren von der HSBI ideal.

Auch Andreas Wollensak, wissenschaftlicher Mitarbeiter des Fachbereichs Ingenieurwissenschaften und Mathematik, sieht Potenzial für weitere gemeinsame Projekte: „Die Verbindung aus konkreten industriellen Fragestellungen und wissenschaftlich fundierter Arbeit bietet Studierenden die Möglichkeit, ihr Wissen direkt in der Praxis anzuwenden und dabei an realen Zukunftsthemen zu arbeiten.“ Prof. Schierenberg ergänzt: „Es ist unser erstes Technologieprojekt mit Dr. Oetker im Bereich KI-basierter Bildverarbeitung. Gerne möchten wir nach dieser positiven Erfahrung die Zusammenarbeit intensivieren.“

Schritt für Schritt in Richtung Produktion

Mit Abschluss des Projekts übergaben die Studierenden ihr Konzept an Dr. Oetker, einschließlich KI-Modell, MERLIC-Projekt, Trainingsdatensatz und Trainingsanleitung. Bei Dr. Oetker in Oerlinghausen sind die Betriebstechniker Robin Riffelmann und Jan-Luca Hirschi mit dem Projekt betraut. Ihre Aufgabe besteht darin, die von den Studierenden entwickelte KI-Lösung in den Produktionsablauf zu integrieren. Eine Zusammenarbeit, die sich besonders fügt: Jan-Luca ist selbst seit diesem Jahr HSBI-Absolvent und hat berufsbegleitend Elektrotechnik studiert, wodurch sie von Beginn des Projekts an mit dabei waren und eng mit den Studierenden zusammengearbeitet haben.

Damit ist die Grundlage für die nächste Phase gelegt. Das Konzept sieht zunächst eine Pilotlinie vor. Dort soll die Lösung unter realen Produktionsbedingungen getestet und weiterentwickelt werden. Erst wenn die Zuverlässigkeit nachgewiesen ist, sei ein Rollout auf weitere Backmischungslinien vorgesehen, erklärt Hirschi.

Das Projekt zeigt, wie aus einer konkreten Herausforderung aus der industriellen Praxis eine studentische Projektaufgabe entstehen kann und wie künstliche Intelligenz, Bildverarbeitung und Wirtschaftsingenieurwesen gemeinsam eine Lösung für ein ganz praktisches Problem entwickeln. (fbk)