„KI IST FÜR UNS KEIN SELBSTZWECK“

Herr Dr. Cruse, der MultiCheck ist inzwischen seit mehreren Jahren in der Lebensmittelindustrie im Einsatz. Welche Erfahrungen haben Sie aus den bisherigen Installationen gewonnen?
Die wichtigste Erfahrung ist, dass die Detektionsleistung nicht allein von Kamera oder Algorithmus abhängt, sondern vom Gesamtsystem aus reproduzierbarer Beleuchtung, freier Sicht auf den Produktstrom, robuster Mechanik und sauberer Anbindung an die Maschinensteuerung. Die Integration in die Mehrkopfwaage hat sich bewährt, weil wir den freien Fall aus mehreren Blickrichtungen erfassen und Verdeckungen weitgehend vermeiden können. Ebenso wichtig ist die Alltagstauglichkeit: Formatwechsel, Reinigung und Dokumentation müssen ohne Spezialwissen funktionieren.

Gleichzeitig sind die Anforderungen der Anwender gestiegen ...
Erwartet wird heute deutlich mehr als eine reine Gut-Schlecht-Entscheidung: niedrige Fehlausschleusungsraten, schnelle Produktwechsel, hohe Verfügbarkeit und die Anbindung an die Linie, beispielsweise über OPC UA. Hinzu kommen eine lückenlose Dokumentation und statistische Auswertungen. Qualitätsverantwortliche wollen erkennen können, wann, wo und bei welchem Produkt Fremdkörper auftreten und ob sich Trends abzeichnen. Auch Hygienic Design, Fernwartung, Benutzerrechte und Validierbarkeit gehören inzwischen dazu. Aus dem einzelnen Inspektionsgerät wird damit zunehmend ein Bestandteil des Qualitätsmanagements.

„Wir legen die Toleranzbereiche gemeinsam mit dem Anwender fest und überprüfen sie anhand realer Grenzfälle.“
 

Welche Vorteile bietet OPC UA bei der Einbindung des MultiCheck in die Produktionslinie?
OPC UA ermöglicht eine standardisierte Anbindung des MultiCheck an die Maschinensteuerung und erleichtert damit die Automatisierung innerhalb der Produktionslinie. So kann beispielsweise die Auswahl des jeweiligen Produktformats automatisch erfolgen. Gleichzeitig lassen sich Prüf- und Statusinformationen in die übergeordnete Anlagenkommunikation einbinden. In Verbindung mit der Speicherung und statistischen Auswertung der Prüfergebnisse unterstützt dies eine durchgängige Dokumentation und macht den MultiCheck zu einem vernetzten Bestandteil der Qualitätskontrolle.

Wie hat sich der MultiCheck technisch weiterentwickelt?
Die jüngsten Systeme arbeiten mit mehreren hochauflösenden Kameras und leistungsfähiger LED-Beleuchtung. Pro Abwurf nehmen sie wesentlich umfangreichere Bildsequenzen auf als die ersten Anlagen und werten diese in Echtzeit aus. Möglich wurde das durch die gestiegene Rechenleistung und eine überarbeitete Softwarearchitektur. Erkannt werden Fremdkörper ab etwa 3x3Millimetern, sofern sie sich optisch ausreichend von Produkt und Hintergrund unterscheiden. Aus dem ursprünglichen Detektionsansatz ist inzwischen eine Inline-Plattform geworden, die wir schrittweise um weitere Prüfaufgaben erweitern können.

Welche Kunststoffe oder Folien lassen sich zuverlässig erkennen – und wo liegen die Grenzen?
Gut erkennbar sind harte und weiche Kunststoffe sowie Folienreste, wenn sie sich farblich vom Produkt und vom definierten Hintergrund abheben. Das funktioniert beispielsweise bei Tiefkühlgemüse, Reibekäse, Süßwaren, Cerealien oder Fleischprodukten. Die Grenze liegt dort, wo Fremdkörper und Produkt im sichtbaren Spektrum praktisch gleich aussehen – beispielsweise weißer Kunststoff in einem hellen Produkt oder transparente Folie. Auch eine vollständige Verdeckung setzt dem Verfahren Grenzen. Genau aus diesen Einschränkungen ist der nächste Technologieschritt entstanden: die hyperspektrale Auswertung von Materialeigenschaften.

„In einer qualitätskritischen Anwendung darf ein Modell seine Entscheidungsgrenzen nicht unkontrolliert verändern.“
 

Sie wollen den MultiCheck künftig auch zur Produktzählung und zur Bestimmung von Mischungsverhältnissen einsetzen. Welche Möglichkeiten ergeben sich daraus?
Interessant ist das überall dort, wo neben der Produktsicherheit auch die Zusammensetzung eine Qualitätskennzahl darstellt – etwa bei Süßwaren- und Snackmischungen, Tiefkühlgemüse, Nuss- und Cerealienmischungen, Convenience-Produkten oder definierten Toppings. Das System kann Objekte zählen und klassifizieren und daraus Mischungsverhältnisse ableiten. Der Hersteller erhält damit im laufenden Prozess Informationen darüber, ob die Rezeptur eingehalten wird oder beispielsweise ein Dosierer allmählich driftet. Gerade bei hohen Taktraten ist das interessant, weil manuelle Stichproben immer nur einen sehr kleinen Ausschnitt der Produktion erfassen.

Wie gehen Sie dabei mit überlappenden, aneinanderhaftenden oder unregelmäßig geformten Produkten um?
Das ist vor allem eine Segmentierungsaufgabe. Das System muss erkennen, wo ein Objekt endet und das nächste beginnt. Unregelmäßige Formen lassen sich zudem nur schwer über feste geometrische Regeln beschreiben. Wir arbeiten deshalb mit mehreren Blickrichtungen, Bildsequenzen anstelle einzelner Aufnahmen und lernenden Verfahren. Der freie Fall hilft dabei, weil sich Verdeckungen von Bild zu Bild verändern. Grenzen bleiben beispielsweise bei Produkten, die dauerhaft aneinanderhaften. Deshalb bestimmen wir die erreichbare Genauigkeit vorab anhand realer Produkte.

Aus dem Fremdkörperdetektor wird damit zunehmend ein Sensor für den gesamten Produktionsprozess ...
Ja. Die Fremdkörperdetektion bleibt die zentrale Sicherheitsfunktion, aber dieselbe Bilddatenbasis kann weitere Informationen liefern: Stückzahlen, Verteilungen, Mischungsverhältnisse und über längere Zeitreihen auch Prozessabweichungen. Das entspricht einem generellen Trend in der industriellen Bildverarbeitung. Aus der reinen Endkontrolle wird zunehmend ein Sensor für den laufenden Produktionsprozess.

KI sollte dort eingesetzt werden, wo sie einen konkreten Vorteil bietet. Welche Aufgaben übernimmt Künstliche Intelligenz beim MultiCheck?
Wir kombinieren klassische Bildverarbeitung und lernende Verfahren bewusst. Klassische Methoden sind sehr effizient, wenn sich eine Aufgabe eindeutig beschreiben lässt – beispielsweise bei der Bildaufnahme, der Synchronisation mit der Waage, definierten Farb- und Geometriekriterien oder Plausibilitätsprüfungen. Lernende Verfahren spielen ihre Stärke dort aus, wo Produktvariationen, komplexe Formen oder natürliche Schwankungen mit festen Regeln kaum abzubilden sind. KI ist für uns kein Selbstzweck. Wir wählen jeweils das Verfahren, das die höchste Robustheit, Nachvollziehbarkeit und Wartbarkeit bietet.

„Aus dem MultiCheck ist eine Inline-Plattform geworden, die wir schrittweise um weitere Prüfaufgaben erweitern können.“
 

Wie unterscheidet das System einen Fremdkörper von einer natürlichen Abweichung des Lebensmittels?
Am Anfang steht die Definition dessen, was für das jeweilige Produkt normal ist. Bei klassischen Verfahren geschieht das über festgelegte Merkmalsbereiche, beispielsweise für Farbe, Form, Größe oder geometrische Eigenschaften. Bei komplexeren Anwendungen lernt ein Modell dagegen die natürliche Variabilität anhand repräsentativer Bilddaten. Entscheidend ist, dass nicht ein einzelnes Pixel oder ein einzelnes Merkmal den Ausschlag gibt. Die Auswertung berücksichtigt vielmehr mehrere Merkmale und deren räumlichen Kontext. Lernende Verfahren können dabei Muster und Kombinationen von Eigenschaften erfassen, die sich mit festen Regeln nur schwer beschreiben lassen. So lässt sich beispielsweise zwischen einer produkttypischen Farb- oder Formabweichung und einer Struktur unterscheiden, die tatsächlich auf einen Fremdkörper hindeutet.

Wie legen Sie bei Naturprodukten die Toleranzgrenzen fest und welche Anforderungen stellen sich dabei an die Trainingsdaten?
Eine mathematisch perfekte Trennlinie gibt es bei Naturprodukten allerdings nicht. Deshalb legen wir die Toleranzbereiche gemeinsam mit dem Anwender fest und überprüfen sie anhand realer Grenzfälle. Bei lernenden Verfahren ist entscheidend, dass die Trainingsdaten die spätere Produktionsrealität möglichst gut abbilden. Dazu gehören unterschiedliche Chargen, Produktformen und typische Prozesszustände ebenso wie relevante Fremdkörper in verschiedenen Positionen und Größen. Nur wenn diese Variabilität im Training berücksichtigt wird, kann das Modell auch unter realen Bedingungen robust arbeiten.

Welche Bedeutung haben reproduzierbare Bedingungen bei der Bildaufnahme?
Beleuchtung, Produktausbreitung, Blickwinkel und Prozessführung beeinflussen die Qualität der Bilddaten und damit unmittelbar die Detektionsleistung. Deshalb betrachten wir die Bildverarbeitung immer als Gesamtsystem aus Optik, Mechanik, Beleuchtung, Software und Integration in den Prozess.

Wie stellen Sie sicher, dass die Entscheidung des Systems für den Anwender nachvollziehbar bleibt?
Auffällige Fälle werden mit den zugehörigen Bilddaten und einem Zeitbezug dokumentiert. Der Anwender kann damit nachvollziehen, welches Ereignis zu einer Ausschleusung oder zu einem Anlagenstopp geführt hat und die Entscheidung nachträglich bewerten. Wichtig ist für uns außerdem, KI-Ergebnisse nicht isoliert zu betrachten, sondern in eine verständliche Bedienlogik mit klaren Grenzwerten einzubetten. Der Mensch bleibt vor allem bei neuen Produkten, Grenzfällen und Modellupdates gefragt. Was noch als akzeptable produkttypische Abweichung gilt und was bereits als Fehler bewertet werden soll, bleibt letztlich eine fachliche Entscheidung des Anwenders.

„Mit dem DeepHyperCheck ist aus einer spektroskopischen Messmethode eine echtzeitfähige Lösung für den Bandbetrieb entstanden"
 

Lässt sich ein einmal trainiertes Modell auf ähnliche Produkte, andere Linien oder weitere Produktionsstandorte übertragen?
Grundsätzlich ja, aber nicht ungeprüft. Moderne Modelle generalisieren deutlich besser als frühere, stark anlagenspezifische Verfahren. Ein vorhandenes Modell kann deshalb bei ähnlichen Produkten und vergleichbaren Aufnahmebedingungen als Ausgangspunkt für eine weitere Linie oder einen anderen Standort dienen. Vor der Freigabe validieren wir jedoch immer mit den dort tatsächlich vorkommenden Produkten und Prozessbedingungen. Unterscheiden sich beispielsweise Beleuchtung, Geometrie, Produktcharakteristik oder die relevanten Fremdkörper deutlich, ist eine Anpassung beziehungsweise ein Nachtraining erforderlich.

Lernt die KI anschließend während des laufenden Betriebs selbstständig weiter?
Nein. In einer qualitätskritischen Anwendung darf ein Modell seine Entscheidungsgrenzen nicht unkontrolliert während der Produktion verändern. Das würde die Validierung und die Nachvollziehbarkeit der Ergebnisse untergraben. Wir können im laufenden Betrieb zusätzliche, sauber zuordnungsbare Daten sammeln. Auffällige oder bislang nicht ausreichend abgebildete Fälle werden bewertet und gezielt in einen neuen Trainingsdatensatz übernommen. Eine neue Modellversion wird anschließend trainiert und getestet und erst nach einer definierten Freigabe eingesetzt. Das System kann sich also weiterentwickeln, die Verantwortung für Veränderungen bleibt aber stets beim Menschen.

Mit dem DeepHyperCheck wollen Sie auch Fremdkörper erkennen, bei denen klassische optische Verfahren an ihre Grenzen stoßen. Wie ist die Lösung entstanden?
Ausgangspunkt war eine praktische Lücke: Röntgen- und Metalldetektoren sind in der Lebensmittelindustrie unverzichtbar, stoßen bei leichten, nichtmetallischen Fremdkörpern wie Kunststoffen und Folien aber an physikalische Grenzen. Im BMBF-geförderten Projekt DeteKTiL haben wir deshalb von Anfang 2024 bis Ende 2025 gemeinsam mit der Technischen Hochschule Nürnberg, HAIP Solutions sowie Singer & Sohn untersucht, wie sich Kunststoffteilchen über ihre chemische Struktur im Infrarotbereich erkennen lassen. Aus einem Prototyp mit definierter Beleuchtung, Spektralkamera, KI-Auswertung und automatischer Ausschleusung entstand der kompakte DeepHyperCheck. Der entscheidende Schritt bestand darin, aus einer spektroskopischen Messmethode eine echtzeitfähige Lösung für den Bandbetrieb zu entwickeln.

Welche Rolle spielen dabei Hyperspektraltechnik und KI?
Eine Hyperspektralkamera liefert anstelle der drei üblichen Farbkanäle eine Vielzahl schmaler Wellenlängenbänder bis in das nahe Infrarot. Materialien erhalten dadurch eine charakteristische spektrale Signatur – vereinfacht gesagt einen optischen Fingerabdruck. Damit lassen sich auch transparente oder farblich unauffällige Kunststoffe vom Lebensmittel unterscheiden. Die KI wertet dieses hochdimensionale Signal aus. Das ist insbesondere deshalb hilfreich, weil die relevanten Unterschiede häufig schwach sind und von den Produktsignalen überlagert werden. Für das Training haben wir Aufnahmen realer Lebensmittel und gezielt präparierter Proben über die später erwarteten Varianten, Positionen und Größen aufgebaut.

Wo steht der DeepHyperCheck heute und wo liegen noch Grenzen?
Besonders gut funktioniert das Verfahren derzeit bei Folien und Kunststoffen in oder zwischen stückigen Fleisch- und Wurstprodukten wie Chicken Nuggets, Patties oder Aufschnitt. Auch Knochen und andere Fremdkörper, die sich anhand ihrer Materialeigenschaften vom Produkt unterscheiden lassen, kommen als weitere Anwendungen infrage. Die Grenzen setzt die Messphysik ...

„Gerade bei hohen Taktraten erfassen manuelle Stichproben immer nur einen kleinen Ausschnitt der Produktion.“
 

Wodurch werden die physikalischen Grenzen bestimmt?
Das Licht muss mit Produkt und Fremdkörper wechselwirken und anschließend noch mit einem verwertbaren Signal an der Kamera ankommen. Sehr dicke oder stark streuende Produkte sind deshalb anspruchsvoll. Hinzu kommt, dass die räumliche Auflösung geringer ist als bei einer konventionellen Hochauflösungskamera. Für einen breiteren industriellen Einsatz arbeiten wir gemeinsam mit Anwendern an weiteren Validierungen, Produktdatenbanken, der hygienegerechten Integration sowie der Absicherung von Taktleistung und Verfügbarkeit.

Der DeepHyperCheck ist für den Innovationspreis Münsterland in der Kategorie "Wissenschaft trifft Wirtschaft" nominiert ...
Die Nominierung würdigt genau die Art von Innovation, die für CLK typisch ist: ein konkretes Problem aus der industriellen Praxis gemeinsam mit wissenschaftlichen Partnern bis zu einer nutzbaren Lösung zu entwickeln. Dass wir 2022 bereits mit dem MultiCheck in derselben Kategorie ausgezeichnet wurden, zeigt, dass dieser Transfer für uns kein Einzelprojekt, sondern eine Arbeitsweise ist.

Gleichzeitig baut CLK sein internationales Geschäft aus. Was hat sich in den vergangenen zwei Jahren verändert?
Wir haben uns stärker auf skalierbare Produktlösungen und internationales Wachstum ausgerichtet. Dazu gehören ein breiter aufgestelltes Vertriebsteam mit eigenem International Business Development sowie eine professionellere Datenbasis und weiterentwickelte Marketing- und Vertriebsprozesse. Wirtschaftlich entscheidend ist für uns, dass neben dem ChickenCheck und dem MultiCheck neue Plattformen wie der DeepHyperCheck zusätzliche Märkte erschließen. International gehen wir dabei schrittweise vor – über direkte Kundenkontakte, Branchenpartner, Messen und lokale Netzwerke.

Das Gespräch führte Mareike Bähnisch, freie Fachjournalistin für Prozesstechnik.

Diesen Artikel finden Sie in LT 9/2026 auf den Seiten 30 bis 33.

Ihr Weg zum Abo: Klicken Sie hier!