Edge Learning verbessert optische Zeichenerkennung

Viele Branchen sehen sich mit zunehmenden Compliance-Anforderungen, der Nachfrage der Verbraucher nach detaillierten Verpackungsinformationen auf Losebene und dem Wettbewerbsdruck in Bezug auf Geschwindigkeit und Effizienz der Lieferkette konfrontiert. Angesichts strenger Vorschriften zur Rückverfolgbarkeit und zum Schutz vor Fälschungen hat die Pharmaindustrie eine Vorreiterrolle bei der Nutzung der optischen Zeichenerkennung (OCR) zur Gewährleistung der Sicherheit über die gesamte Lieferkette hinweg übernommen. Die OCR-Technik wird dabei unter anderem eingesetzt, um zu überprüfen, ob Codes korrekt gedruckt wurden.

Angesichts unterschiedlicher Schriftarten und Trägermaterialien sowie der komplexen visuellen Umgebung von Fertigungs- und Logistiklinien ist die Automatisierung von OCR-Applikationen jedoch eine Herausforderung, die nur mit geschulten Automatisierungsingenieuren, hohem Zeiteinsatz und einem beträchtlichen finanziellen Engagement zu lösen ist. Selbst bei bester Leistung können herkömmliche OCR-Systeme in puncto Genauigkeit allerdings nie annähernd 100 % erreichen, was manuelle Eingriffe erfordert und den Durchsatz einschränkt.

OCR-Systeme erfordern zudem eine präzise Beleuchtung und müssen mit unterschiedlich reflektierenden Materialien, einer großen Designvarianz von Verpackungen sowie mit teilweise unsauberen Drucken zurechtkommen. Wird auch nur eine dieser Bedingungen nicht optimal erfüllt, so erhöht sich die Fehlerquote.

Informationen werden direkt
auf dem Gerät verarbeitet

Edge Learning, eine benutzerfreundliche Form der Künstlichen Intelligenz (KI), bietet hingegen eine schnelle und zuverlässige Möglichkeit zur Automatisierung von Lieferketten mit OCR. Edge Learning ist ein Unterbereich von Deep Learning, der es ermöglicht, Informationen direkt auf dem Gerät zu verarbeiten. Mithilfe von Edge Learning können hoch entwickelte KI-Algorithmen auf die spezifischen Anforderungen von Hochgeschwindigkeits-Lieferketten ausgerichtet werden, sodass OCR schnell und präzise ist, einfach eingesetzt und schnell trainiert werden kann.

Herkömmliche regelbasierte OCR kann unter idealen Bedingungen eine Genauigkeitsrate von bis zu 98 % erreichen. Bei den Mengen, die in modernen Lieferketten gehandhabt werden, führt diese Rate immer noch zu vielen Ausschussteilen, was den Gesamtdurchsatz verringert.

Vortrainierte Edge-Learning-Algorithmen übertreffen diese Genauigkeitsrate, denn sie sind auf die Herausforderungen beim Lesen von Text unter den Bedingungen von Fertigungs-, Prüf- und Logistiklinien zugeschnitten, die mit hoher Geschwindigkeit arbeiten. Da die Edge-Learning-Verarbeitung auf dem Gerät selbst – also direkt an der Fertigungs- beziehungsweise Logistiklinie – durchgeführt wird, ist keine Kommunikation mit einem anderen Prozessor erforderlich. Dies führt zu den Geschwindigkeitsvorteilen gegenüber herkömmlichen OCR-Systemen.

Herkömmliche regelbasierte OCR-Bildverarbeitungssysteme verursachen einen hohen Programmieraufwand bei der Einrichtung. Sie erfordern Zeit, Fachwissen und eine Neuprogrammierung, wenn sich die Anforderungen ändern.

Im Gegensatz dazu werden Deep-Learning-basierte Systeme trainiert, indem man ihnen spezifische, mit Tags versehene Bilder der entscheidenden Merkmale vorlegt. Deep Learning kann erstaunliche Fähigkeiten entwickeln, um feine Unterscheidungen zu treffen und Texte unter einer Vielzahl von schwierigen Bedingungen exakt zu lesen. Um diese Genauigkeit zu erreichen, können jedoch Hunderte oder sogar Tausende von markierten Bildern für das Training erforderlich sein.

Für die vortrainierte Edge-Learning-OCR reicht dagegen bereits eine kleine Zahl an Bildern zum spezifischen Anwendungsfall aus, um die Fähigkeit zu entwickeln, die gewünschten Schriften zu lesen. Für dieses spezifische Training der OCR ist zudem kein spezielles Wissen über Bildverarbeitung oder KI-Algorithmen erforderlich, sondern lediglich die Kenntnis der erforderlichen OCR-Aufgabe.

System lernt selbstständig
durch eigene Fehler

Auch in Bezug auf die Implementierung bieten Edge-Learning-basierte OCR-Systeme Vorteile im Vergleich zu regelbasierten oder Deep-Learning-Bildverarbeitungssystemen. So sind damit weder unterschiedliche Schriftenbibliotheken noch detaillierte Analysen der möglichen Fehllesung verschiedener Symbole nötig.

Herkömmliche OCR-Programme verwenden eine Reihe spezifischer Techniken, um die Gefahr der Fehllesung eines Symbols zu verringern – etwa spezielle Schriftenbibliotheken oder eine Feldeinteilung, die eine sorgfältige Definition jeder möglichen Stelle in einem Code und die Festlegung des Typs erfordert. So kann zum Beispiel die Ziffer „8“ in einem definierten numerischen Feld nicht fälschlicherweise als ein „B“ gelesen werden.

Wenn die Edge-Learning-OCR einen Fehler macht, lernt sie durch eine einfache Korrektur seitens des Bedieners, ähnliche Fehler in Zukunft zu vermeiden. Sie lernt von selbst, welche Merkmale für Genauigkeit sorgen, ohne spezielle Programmierung, Feldeinteilung oder andere zeitaufwendige Verfahren.

Die herausragende Geschwindigkeit und Genauigkeit von Edge-Learning-Tools werden dabei im Idealfall durch eine hoch entwickelte Hardware wie zum Beispiel dem Bildverarbeitungssystem In-Sight 3800 von Cognex gewährleistet. Diese Smart-Kamera verfügt über einen leistungsstarken Sensor, eine integrierte Beleuchtung, ein Autofokus-Flüssiglinsen-Objektiv für eine schnelle Fokussierung und hohe Geschwindigkeiten sowie einen integrierten Prozessor. Ihre HDR+-Funktion ermöglicht verkürzte Belichtungszeiten, wodurch sich Anwendungen mit schnelleren Liniengeschwindigkeiten realisieren lassen. Das kleine Gehäuse des In-Sight 3800 ist unempfindlich gegen Vibrationen. In-Sight 3800 ist einfach zu platzieren, mit Strom zu versorgen und mit einer Fertigungs- beziehungsweise Logistiklinie zu verbinden, um Bilder zu erzeugen, die optimal für die Edge-Learning-OCR geeignet sind.

Kombination von Edge Learning und regelbasierten Algorithmen

Mit dem Bildverarbeitungssystem bietet Cognex Anwendern eine leistungsfähige Option für die Realisierung schneller, präziser Prüfanwendungen auf Basis von Künstlicher Intelligenz an. Das für Hochgeschwindigkeits-Produktionslinien konzipierte System stellt ein umfangreiches Vision-Toolset, leistungsstarke Bildverarbeitungsfunktionen und eine flexible Software zur Verfügung, um vollständig integrierte Lösungen zu liefern. Wesentliches Element des In-Sight 3800 ist der umfangreiche Satz an Bildverarbeitungswerkzeugen, die sowohl die auf KI-basierende Edge-Learning-Technologie als auch traditionelle regelbasierte Algorithmen umfassen.

Mithilfe von In-Sight 3800 lassen sich somit zahlreiche Anwendungen zum Lesen von Klarschrift und zur Fehlererkennung an Codes in unterschiedlichsten Branchen wie unter anderem in den Bereichen Automotive, Lebensmittelproduktion, Logistik und vielen weiteren schnell und zuverlässig realisieren. Auf diese Weise steht Nutzern eine effiziente Möglichkeit zur Verfügung, die Rückverfolgbarkeit von Produkten entlang der Lieferketten mit OCR zu maximieren.