SolVisionFallstudie

Eierqualitätsinspektion mit KI

Fall

Automatisierte Erkennung von Rissen in Eierschalen

Hühnereier sind aufgrund ihres Nährwerts weit verbreitet, jedoch stellen Risse in den Eierschalen ein Risiko für eine Salmonellenkontamination dar, selbst nach gründlichem Kochen. Robuste Eierschalen wirken als Schutzbarriere und ermöglichen den Austausch von wichtigen Gasen und Feuchtigkeit. Um Sicherheit und Qualität zu gewährleisten, ist es unerlässlich, Eierschalen auf Defekte zu überprüfen und sie vor der Verteilung zu klassifizieren. Die Implementierung automatisierter, KI-gestützter Systeme kann diesen Prozess optimieren, die Effizienz steigern und das Risiko einer Beeinträchtigung der Eierqualität minimieren.

Herausforderung

Herausforderungen bei der Vorhersage von Eierschalenfehlern

Typischerweise wird die Qualität der Eierschale anhand der Dichte der Poren auf der Oberfläche der Schale bewertet, die in verschiedene Stufen durch gängige Bewertungssysteme eingeteilt wird. Allerdings stellt das zufällige Auftreten von Poren und Rissen in der Eierschale eine Herausforderung für die Vorhersage und Erkennung fehlerhafter Produkte dar. Eier, die in Hochgeschwindigkeit und in spezifischen Winkeln auf Produktionslinien verarbeitet werden, erschweren traditionelle Automatisierungsbemühungen. Bis vor kurzem war die manuelle Inspektion die primäre Methode, jedoch mit niedriger Effizienz.

Lösung

Fortgeschrittene visuelle Inspektion mit SolVision

Durch den Einsatz von Deep Learning verwendet SolVision KI-Technologie, um Defekte der Eierschale in Musterbildern zu identifizieren und zu kennzeichnen, wodurch das Inspektionssystem trainiert wird. Das KI-Modell kann Poren und Risse auf der Oberfläche der Eierschale erkennen und die Eier während des automatisierten Eiersicherheitsinspektionsprozesses genau kategorisieren. Dieser Ansatz gewährleistet die Einhaltung von Sicherheitsstandards und erhöht den Gesamtwert der Waren durch verbesserte Qualitätskontrolle.

Einstufung der Eierqualität

Level 1 eggshell hole seam density detection

Stufe 1

Grün

Level 2 eggshell hole seam density detection

Stufe 2

Blau

Level 3 eggshell hole seam density detection

Stufe 3

Rosa

classification of eggs on a production line using AI

Ergebnis

KI-gestützte visuelle Inspektion verbessert die Qualitätssicherung von Eierschalen erheblich, indem Defekte genau erkannt, die Einhaltung der Sicherheitsstandards sichergestellt und die Gesamtqualität des Produkts verbessert wird.

Deep Learning-Technologie rationalisiert den Bewertungsprozess, indem sie die Erkennung von Eierschalenporen und -rissen automatisiert und somit Herausforderungen der traditionellen Automatisierung überwindet.

Das Vision-Inspektionssystem von SolVision ersetzt manuelle Methoden und bietet eine höhere Effizienz bei der Identifizierung und Kategorisierung von Eierschalenfehlern, verringert das Risiko einer Salmonellenkontamination und gewährleistet eine höhere Lebensmittelsicherheit.