Halb sieben Uhr früh im Logistik-Hub eines großen Fruchtimporteurs: Rasch ist ein Tray mit Äpfeln in das Inspektionsgerät geschoben. Per Waage und Barcode-Scanner werden die Daten erfasst und mit dem Lieferschein abgeglichen. Zusätzlich bilden Nahinfrarot-Kameras und Mikrowellen-Radartechnik durch Tipp aufs Touch-Display die dargebotenen Früchte ab und blicken dabei zerstörungsfrei unter die Apfelschale.
Per Künstlicher Intelligenz zur Haltbarkeitsvorhersage
Ein KI-gestützter Vergleich mit dem gespeicherten Idealbild zeigt, ob Früchte fehlen oder eventuell andere Sorten mit in der Stiege gelandet sind, und weist am Bildschirm auf Qualitätsmängel hin. Datenbasiert lässt sich dadurch die Haltbarkeit der Ware vorhersagen, um Verkaufszeitpunkt oder Preisgestaltung anzupassen. Ein großer Beitrag zur Vermeidung von Lebensmittelverschwendung.
Ressourcen schonen
Das ist eines der großen Ziele, die der Fraunhofer CCIT mit dem neuen Scanner verbindet: Leicht verderbliche Frischwaren sollen durch einen optimierten Warenfluss und bessere Planbarkeit möglichst nicht mehr zu den derzeit rund 58 Mio. t Lebensmittel beitragen, die allein in der EU jährlich weggeworfen werden. Eine Größe, die mit etwa 132 Mrd. Euro auch wirtschaftlich ins Gewicht fällt.
Bereit für viele Anwendungsbereiche
Entwickelt wurde der nun einsatzbereite Prototyp von den Fraunhofer-Instituten für Optronik, Systemtechnik und Bildauswertung IOSB und für Zerstörungsfreie Prüfverfahren IZFP gemeinsam mit Partnerinnen und Partnern aus Lebensmittelgroßhandel und -industrie.
„So konnten wir ganz praxisnah viel Expertise sammeln“, erklärt Anna Taphorn vom Fraunhofer IOSB. „Jetzt steht der Scanner bereit für weitere Einsatzfelder.“ Und dazu gehören nicht nur weitere Obst- und Gemüsesorten: „Wir hatten auch schon eine Anfrage aus der Bäckereibranche, dort sind Konsistenz und Frische ja ebenso wichtig“, so die Fachfrau für Sichtprüfsysteme.
Vielfältige Sensorik und Möglichkeit des Wissenstransfers
Zu dieser großen Variabilität tragen vorrangig zwei Aspekte bei: Erstens lässt sich die verwendete Sensortechnik an die jeweiligen Anforderungen anpassen, beispielsweise durch Gas-Sensorik zur Erkennung von Obst-Reifegasen oder durch Hyperspektralkameras, die den Zuckergehalt und andere interne Qualitätsparameter messen.
Zweitens bietet die Art des KI-Einsatzes große Vorteile: Durch Anomaliedetektion können Fehler erkannt werden, die zuvor noch nicht bekannt waren – das Modell wird auf fehlerfreie bzw. „ideale“ Daten trainiert und meldet, wenn es Abweichungen von ihnen gibt. Dieses Wissen lässt sich auch vergleichsweise rasch übertragen. So muss z. B. für eine neue Sorte nur mit wenigen Daten etwas nachtrainiert werden.
