Nuss
In der Nussverarbeitung prüft eine KI-Kamera beim Abpacken, ob jede Nuss und jede Mischung den Vorgaben entspricht. So erkennt der Hersteller falsche Anteile und fehlerhafte Nüsse, ohne von Hand vorzusortieren, zu zählen oder zu wiegen.
Nuss auf einen Blick
Am häufigsten in den Projekten auf dieser Seite
Use Cases
Technologien
Verifizierte Projekte mit Nuss
Nussverarbeitung: Qualitätskontrolle mit KI-Kamera
Im Lösungsbeispiel setzt IDS Imaging Development Systems seine Industriekamera IDS NXT ein. Der Anwender nimmt etwa 50 Bilder je Nussart in unterschiedlicher Form, Position und Anzahl auf. Ein Produktexperte kennzeichnet fehlerhafte Nüsse, dieser Vorgang heißt Labeln. Über die Vision App gehen die Bilder in die Cloud, wo das neuronale Netz der Kamera trainiert wird. KI-Fachwissen braucht der Anwender dafür nicht, Produktwissen genügt. Die Kamera kommuniziert über OPC UA ohne zwischengeschalteten PC mit Geräten, Maschinen und Diensten. Ein Dashboard zeigt die Auswertungen, zum Beispiel die Fehlerquote bei der Nusssortierung.
Use Case ist die lückenlose Kontrolle in der Produktion. Die Herausforderung: Nüsse sind organische Produkte und weichen in Form und Farbe stark voneinander ab, anders als etwa Schrauben, bei denen jede Abweichung auf einen Fehler hinweist. Die Kamera sollte im Beispiel prüfen, ob sich wirklich der vorgegebene Anteil Walnüsse oder Mandeln in der Tüte befindet. Weil der Kostendruck in der Lebensmittelindustrie hoch ist, bietet IDS neben der vollautomatischen auch eine teilautomatisierte Lösung an. Die Lösung lässt sich laut Quelle in-house umsetzen, eine zusätzliche Sichtkontrolle bleibt möglich, Bilder und Auswertungen werden dokumentiert.
Häufige Fragen zur Nussverarbeitung
Wie sortiert eine KI-Kamera Nüsse?
Eine KI-Kamera sortiert Nüsse mit einem neuronalen Netz, das auf Bildern der jeweiligen Nussarten trainiert wurde. Im Beispiel von IDS nimmt der Anwender etwa 50 Bilder je Nussart auf und kennzeichnet fehlerhafte Nüsse. Danach klassifiziert die IDS NXT jede Nuss selbst, auch wenn sich Form und Farbe stark unterscheiden. Die Fehlerquote zeigt ein Dashboard laufend an.
Warum ist die Qualitätskontrolle bei Nüssen schwierig?
Nüsse sind organische Produkte, die in Form und Farbe stark voneinander abweichen. Herkömmliche Sortier- und Prüfsysteme sind auf nahezu gleiche Teile ausgelegt, bei denen jede Abweichung einen Fehler anzeigt, etwa in der Schraubenproduktion. Bei Nüssen funktioniert das nicht. IDS nennt sie variantenreiche organische Objekte und setzt deshalb auf eine Kamera mit trainiertem neuronalem Netz.
Wie wird beim Abpacken von Nüssen die Mischung geprüft?
Die Kamera prüft beim Abpacken, ob die einzelnen Nussarten im vorgegebenen Anteil in der Packung liegen. Im Beispiel von IDS sollte die IDS NXT herausfinden, ob sich wirklich der festgelegte Anteil Walnüsse oder Mandeln in der Tüte befindet. Dafür erkennt sie jede Nussart als eigene Objektklasse. Bilder und Auswertungen werden dokumentiert, eine zusätzliche Sichtkontrolle bleibt möglich.
Braucht man für die Walnuss-Sortierung mit KI eigene Experten?
Nein, für das Training reicht Produktwissen, KI-Fachkompetenz ist laut IDS nicht nötig. Der Anwender nimmt Bilder der Walnüsse auf, ein Produktexperte labelt fehlerhafte Exemplare, und die Vision App trainiert das Netz in der Cloud. Die Software hilft bei der Nachbearbeitung der Aufnahmen, etwa beim Aufhellen oder Ausrichten. So lässt sich die Lösung in-house umsetzen.
Weitere Assets in „Stück- oder Schüttgut“
Paket
Im Wareneingang erfassen Sensoren jedes Paket automatisch mit Sendungsnummer, Maßen und Gewicht. So sortiert die Anlage Sendungen nach Priorität, Lager und Packerei wissen früh, welche Paketmengen kommen, und manuelles Scannen entfällt.
Werkstück
Rückverfolgbarkeit in der Produktion ordnet jedem Werkstück seine Kennung, seine Position und alle Prozess- und Prüfdaten zu. Hersteller weisen so jeden Arbeitsschritt nach und erkennen Qualitätsabweichungen, bevor Ausschuss entsteht.
Leiterplatte
Die Digitalisierung der Leiterplattenfertigung verbindet Maschinen, Steuerungen und ERP, damit jede Leiterplatte mit den richtigen Parametern entsteht. Hersteller erkennen Stillstände und Engpässe, vermeiden Bedienfehler und liefern ihren Kunden die gewünschten Fertigungsdaten.
Rohstoffcharge
Chargenverwaltung mit IoT verknüpft jede Rohstoffcharge mit Wiegedaten, Prüfergebnissen und Fertigungsauftrag. Hersteller sehen bei Abweichungen oder Audits sofort, welche Charge in welchem Produkt steckt, statt in Papier und Excel zu suchen.
Ersatzteil
Ersatzteilmanagement mit IoT verkürzt den Weg vom defekten Bauteil zum passenden Ersatzteil. KI erkennt Teile auf Fotos, RFID bucht Entnahmen automatisch, und Zustandsdaten zeigen früh, welches Teil gebraucht wird. Stillstandszeiten sinken.
Holz
Die EUDR verlangt von Herstellern und Händlern von Holzprodukten den Nachweis, dass das verwendete Holz nicht zur Entwaldung geführt hat. Standardisierte Produktdaten und vernetzte Maschinen erfassen Herkunft und Materialeigenschaften entlang der Lieferkette bis zum einzelnen Bauteil.
IIoT Use Case Anwenderkreis
Was in keinem Projekt steht
Was hat das Projekt gekostet? Welcher Sensor hat im Feld nicht gehalten? Wie hat man die Instandhaltung mitgenommen? Solche Fragen besprechen 300+ Anwender aus der Industrie jeden Monat untereinander, offen und ohne Anbieter im Raum.
Häufige Themen in diesen Projekten, bring deine Fragen mit:
- Qualitätsmanagement
Jeden Monat online
Tech- und Business-Fokus im Wechsel
Nur Anwender
Kein Vertrieb im Raum, Austausch unter NDA
300+ Mitglieder
OT-, IT- und IIoT-Verantwortliche aus der Industrie
