Verbesserung der Rückverfolgbarkeit in der Lieferkette mit Edge-Learning-basierter OCR-Technologie

Alphanumerische Codes werden bei fast allem verwendet, was wir nutzen oder verzehren – in der Unterhaltungselektronik, bei Autoteilen, Lebensmitteln und Getränken, Tabakwaren oder Arzneimitteln. Diese Codes dienen einer Vielzahl von Zwecken, von der Serialisierung bis zur Identifizierung von Losnummern und Verfallsdaten. Die Serialisierung von hochwertigen Artikeln wie Unterhaltungselektronik, Autoteilen, Tabakwaren oder Arzneimitteln hilft, Fälschungen zu verhindern, die das Ansehen hochwertiger Marken beim Kunden mindern. In der Lebensmittel- und Getränke- sowie Pharma-Industrie verlangen Behörden wie die US-amerikanische FDA von den Herstellern, dass sie Losnummern und Verfallsdaten aufdrucken, damit die Produkte bei möglichen Rückrufen bis zur Verkaufsstelle zurückverfolgt werden können. Verbraucher-Reinigungsprodukte mit gefährlichen Chemikalien müssen mit einem eindeutigen Rezepturidentifikatorcode (Unique Formula Identifier, UFI) versehen sein, der die gefährlichen Bestandteile der Zusammensetzung angibt, um Giftnotrufzentralen bei der Schadensbegrenzung zu unterstützen. 

Als Teil des Produktionsprozesses müssen die Hersteller ihre Produkte nicht nur mit Codes kennzeichnen, sondern auch jeden Code vor der endgültigen Verpackung überprüfen, um sicherzustellen, dass er mit dem Artikel übereinstimmt und zu Aufzeichnungszwecken erfasst wurde. Bei normalen Großaufträgen werden diese Codes elektronisch von Kameras gelesen und von einer optischen Zeichenerkennungssoftware (Optical Character Recognition, OCR) verarbeitet. In einigen Fällen werden sie manuell von einem Bediener gelesen und protokolliert.

Herausforderungen bei der Implementierung von automatisierten, bildverarbeitungsbasierten OCR-Lösungen

Die Automatisierung von OCR-Lösungen in Produktionsumgebungen kann aus vielen Gründen eine Herausforderung sein. Die Schriftzeichen können abgenutzt, verformt, schief oder schlecht geätzt sein oder unregelmäßige Zwischenräume aufweisen. Die Codes werden mit Hilfe verschiedener Methoden markiert – z. B. durch Laserätzen, Dot-Matrix-Druck oder Stempeln, was die Entzifferung des Textes durch OCR-Programme erschweren kann. Ein weiterer Grund dafür, dass Codes oft schwer zu lesen sind, ist das Material, auf dem sie angebracht sind. In manchen Fällen erschweren die Textur, die Farbe oder die Reflektivität das Entziffern der Codes. Beispiele hierfür sind glänzende Metallhintergründe von bearbeiteten Teilen oder Lebensmitteldosen sowie nachhaltiges Verpackungsmaterial, das faserig ist oder einen gesprenkelten (gestörten) Hintergrund aufweist. Und schließlich werden die meisten OCR-basierten Lösungen „programmiert“, indem das System mit Dutzenden oder Hunderten von verschiedenen Beispielen trainiert wird. Das kostet Zeit und erfordert unter Umständen spezielle Kenntnisse der maschinellen Bildverarbeitung. Wenn Unternehmen nicht intern über das Fachwissen oder die Zeit für das Trainieren des Systems verfügen oder wenn häufige Produktwechsel vorgenommen werden, stellt dies eine Herausforderung für die Implementierung dar. 

Unleserliche OCR-Codes führen zu Ineffizienzen

Wenn diese Methoden nicht wie erwartet funktionieren, hat das Auswirkungen auf den Produktionsprozess: Artikel, die nicht korrekt (oder überhaupt nicht) gelesen werden, müssen markiert und zum manuellen Abgleich aussortiert werden. Dies kostet Zeit und Geld und verringert die Gesamtanlageneffektivität (Overall Equipment Effectiveness, OEE). Wenn aus irgendeinem Grund ein Produkt oder eine Los von Produkten mit falschen oder unleserlichen Codes vom System nicht erkannt wird, wird ein möglicher Rückruf dieses Artikels zu einer großen Herausforderung. 

Auswahl der richtigen OCR-Lösung

Bei der Auswahl der angemessenen Technologie zur Bewältigung dieser Herausforderungen sollten die Hersteller nach Lösungen suchen, die sich schnell einrichten und leicht trainieren lassen und gleichzeitig eine zuverlässige Lesbarkeit bieten. OCR-Tools müssen in der Lage sein, alphanumerische Codes zu lesen und zu entziffern, die auf reflektierenden, kontrastarmen und/oder nicht ebenen Oberflächen angebracht sind. Um eine schnelle und einfache Inbetriebnahme zu gewährleisten, insbesondere bei häufigen Produktwechseln, ist es wichtig, eine OCR-Lösung zu wählen, die mit nur wenigen Bildern schnell neu trainiert werden kann. 

Ein wichtiger Grund dafür, dass Hersteller diese Codes auf ihren Produkten anbringen müssen, ist die Einhaltung gesetzlicher Vorschriften. Daher ist es für jeden Hersteller, unabhängig von seiner Größe und seinen internen Ressourcen, wichtig, Lösungen implementieren zu können, mit denen er die Rückverfolgbarkeitsvorschriften einhalten kann. Mittelgroße und kleinere Hersteller verfügen oft nicht über die internen Ressourcen, um komplexe OCR-Systeme einzurichten und zu implementieren. Aus diesem Grund ist es für einen erfolgreichen Einsatz wichtig, ein System zu wählen, das sich in wenigen Minuten über eine intuitive Benutzeroberfläche einrichten lässt. 

CognexViDi-EL-Read-Tool vereinfacht OCR

Cognex 2D-Bildverarbeitungssysteme mit Edge-Learning-basierter OCR lesen alphanumerische Codes an schnell laufenden Produktionslinien mit hoher Genauigkeit. Das eingebettete ViDi-EL-Read-Tool entziffert eine Vielzahl von Text- und Schrifttypen mithilfe einer modernen optischen Zeichenerkennung (OCR). Es liest mehrzeiligen Text sowie Zeichen vor schwierigen Hintergründen, einschließlich reflektierender, kontrastarmer und nicht ebener Oberflächen. Das Tool kann auch schnell erneut trainiert werden, um neuen Text zu verarbeiten und Prozessänderungen zu berücksichtigen. Durch den geringen Trainingsumfang kann das Setup der Jobs vereinfacht und ein schnelles und genaues Lesen der Zeichen ermöglicht werden. Hier finden Sie einige Anwendungsbeispiele, bei denen Cognex Bildverarbeitungssysteme mit ViDi-EL-Read-Funktionen die üblichen Herausforderungen beim Lesen alphanumerischer Codes zur Rückverfolgbarkeit lösen: 

Automobilindustrie/Elektrofahrzeuge – Teile-Identifikation

Bearbeitete Autoteile sind zur einfachen Identifizierung häufig mit geprägten, menschenlesbaren Datums- und Losinformationen versehen. Diese Codes können aufgrund von geringem Kontrast, Verzerrungen oder hoher Reflektivität schwer zu lesen sein. All diese Faktoren verursachen Ungenauigkeiten beim Lesen dieses Textes durch eine herkömmliche Bildverarbeitung mit OCR-Technologie.

Verpackte Verbrauchsgüter – Feuchttücher – Beutel – Verifizierung des Loscodes 

Hygieneprodukte, wie z. B. Feuchttücherbeutel, sind mit einem alphanumerischen Loscode gekennzeichnet, um die Rückverfolgbarkeit und Verifizierung zu ermöglichen und mögliche Produktrückrufe zu erleichtern. Diese Codes können aufgrund von kontrastarmem Druck, reflektierenden Hintergründen oder Verformung oder Verzerrung der Zeichen durch versehentliche Falten in der Verpackung schwer zu lesen sein.

Elektronik USB-Seriennummernverifizierung

Komponenten der Unterhaltungselektronik, wie z. B. USB-Stecker, werden mit Seriennummern versehen, um die Rückverfolgbarkeit in der Lieferkette zu gewährleisten und Fälschungen zu verhindern. Diese Codes sind oft schwer zu lesen, da sie auf einem reflektierenden Hintergrund angebracht sind oder schiefe oder deformierte Zeichen enthalten.

Lebensmittel und Getränke – Lesen von Codes auf Suppendosen

Auf Lebensmittel- und Getränkebehältern, wie z. B. Suppendosen, verwenden alphanumerische Codes angebracht, um Losnummern und Mindesthaltbarkeitsdaten anzuzeigen. Diese Codes, die oft mit einem Dot-Matrix-Tintenstrahlverfahren gedruckt werden, können durch den Herstellungsprozess beschädigt werden oder sind aufgrund unebener Oberflächen schwer zu lesen.

Pharma-Industrie Prüfung von Impfstoff-Etiketten

Pharmazeutische Produkte, einschließlich Impfstoffe, müssen sowohl auf der Primär- als auch auf der Sekundärverpackung mit dem Loscode und dem Verfallsdatum versehen sein, um die Rückverfolgbarkeit in der Lieferkette zu gewährleisten und das Management möglicher Rückrufe zu erleichtern. Diese Codes können aufgrund von Druckfehlern verzerrt, verblasst oder verformt oder durch äußere Markierungen, die einen Teil des Codes verdecken, schwer zu lesen sein.

Integration von Edge Learning OCR in die Produktionsumgebung

Bildverarbeitungssysteme von Cognex, die mit Edge-Learning-basierten OCR-Tools ausgestattet sind, verbessern die Rückverfolgbarkeit in der Lieferkette. So erleichtern sie das Management möglicher Rückrufe, verhindern Fälschungen und gewährleisten die Sicherheit der Kunden. Diese hochpräzise Lösung lässt sich leicht bedienen, schnell einrichten und problemlos in Produktionslinien integrieren. Da nur wenige Bilder benötigt werden, um das System zu trainieren, erhöhen sie die Effizienz bei Produktwechseln, was äußerst vorteilhaft ist (OEE).