Die Intigena-Gruppe ist in Europa eine führende Produzentin von Hygieneartikeln in den Bereichen Babywindeln, Damenhygiene und Inkontinenz. Einwandfreie Qualität, insbesondere auch der Verpackung, ist bei diesen Produkten unabdingbar. Bis anhin war es nicht möglich, die kostenintensiven und für Mitarbeitende ermüdenden manuellen Kontrollen in der notwendigen Qualität zu automatisieren. Mit der Entwicklung der Deep Learning-Technologie als Zweig der künstlichen Intelligenz wurden solche Anwendungen machbar. Im Rahmen eines Innosuisse-Projektes ermöglichte das .NET Technology Lab der OST den Know-how-Transfer dieser Technologie in die Produktionshallen der Intigena.
Optische Kontrollen bisher nicht erfolgreich
Eine besondere Herausforderung stellt die Art der in diesem Bereich verwendeten Soft-Verpackungen dar. Leck-Kontrollen funktionieren nicht, weil die Verpackungen nicht luftdicht sind. Oberflächenmessungen sind nicht zielführend, weil die weichen Verpackungen keine starren Formen besitzen. Existierende optische Kontrollen waren bisher nicht erfolgreich, weil deren Merkmalextraktionen nicht für die weisse Verpackungsfarbe auf weissem Inhalt sowie die elastischen Verpackungsformen geeignet sind.
Eine weitere Herausforderung sowohl für den Menschen als auch für die Maschine ist das Produktionstempo, das ungefähr bei einer Packung pro Sekunde liegt. Im Falle der automatisierten Kontrolle muss die Erfassung mit der Kamera erfolgen, und die Analyse und Ansteuerung des Auswurfmechanismus in wenigen Zehntelsekunden laufen. Diese Zeitspanne ist gegeben durch die Laufzeit auf dem Förderband vom Ort der Kameraaufnahme bis zum Auswurfmechanismus.
Automation mittels Software des .NET Technology Labs
Das Team des .NET Technology Lab der OST entwickelte ein komplettes Software-System inklusive Web-UI für die optische Verpackungskontrolle basierend auf der neuen Deep Learning-Technologie. Die Hardware wurde von einem anderen der Intigena entwickelt. Das System deckt alle für einen permanenten Betrieb nötigen Abläufe ab. Das beinhaltet Folgendes:
- Verwaltungsfunktionen zum Aufbau von Datensets für die verschiedenen Verpackungsdesigns
- Die effiziente Erfassung der «ground truth», also die vom AI-System zu erlernende Klassifizierung in «intakt» und «defekt» (AI= Artificial Intelligence, DE: künstliche Intelligenz)
- Das Training der neuronalen Netze für das Deep Learning
- Die Prozess-Steuerung bestehend aus Konsumation der Kamerabilder, Klassifizierung und Aktivierung des Ausstossmechanismus
- Ein Korrektur-Prozess zur Qualitätsverbesserung der neuronalen Netze aufgrund der Nachkontrolle («false positives» und «false negatives»)
Ein grosser Teil der Leistung des Teams des .NET Technology Labs war die Analyse der Eignung des Deep Learning-Ansatzes für diese spezifische Aufgabe und die Entwicklung einer dedizierten neuronalen Netzarchitektur dafür. Verwendete Technologien waren unter anderen «TensorFlow», «C# auf dotnet core», «type script» und «PostgreSQL» sowie «Keras auf Python» zu Evaluationszwecken.
In Zusammenarbeit mit dem Kunden konnten die gesetzten Qualitätsziele erreicht werden. Das Gesamt-System wurde erfolgreich vor Ort in der Produktion getestet.