Unser UseCase-Partner
Die Jöbstl Bauerngut GmbH, Teil der Steirerfleisch-Gruppe, ist ein Schlacht- und Zerlegebetrieb für Schweinefleisch, der sich neben der Schlachtung auf den Zuschnitt von Fleischteilen nach Kundenwünschen sowie auf die Produktion von Convenience-Produkten für den Lebensmittelhandel spezialisiert hat.
Im aktuellen Prozess wird die Produktidentifikation an sogenannten I-Punkten durchgeführt. Eine Kiste mit Fleischteilen wird auf einer Durchlaufwaage gewogen, und ein Mitarbeiter entscheidet durch eine visuelle Kontrolle, welches Produkt sich in der Kiste befindet. Anschließend drückt er den entsprechenden Button auf dem Erfassungsterminal, wodurch Artikelnummer, Nettogewicht und Zeitstempel elektronisch erfasst werden. Diese manuelle Erfassung führt jedoch zu mehreren Herausforderungen:
- Fehler entstehen durch falsche Zuordnung der Produkte oder fehlerhafte Bedienung des Terminals.
- Verzögerungen treten durch die notwendige Reaktionszeit des Mitarbeiters auf.
- Die steigende Anzahl an Kisten pro Stunde führt dazu, dass die derzeitigen drei I-Punkte an ihre Kapazitätsgrenzen stoßen.
- Die Einarbeitung neuer Mitarbeiter ist zeitintensiv, da über 200 verschiedene Fleischprodukte unterschieden werden müssen.
Um diesen Herausforderungen zu begegnen, soll eine neue Förderstrecke mit einem AI-gestützten Bilderkennungssystem ausgestattet werden. Dieses System soll automatisch erkennen, welches Produkt sich in der Kiste befindet, und die entsprechende Artikelnummer direkt in die firmeneigene ERP-Software „srs“ übertragen. Dadurch entfällt die manuelle Erfassung durch Mitarbeiter, und das System kann Fehler und Verzögerungen signifikant reduzieren.
Das geplante System umfasst mehrere Komponenten, die gemeinsam eine zuverlässige und hochpräzise Erkennung ermöglichen. Eine Durchlaufwaage erfasst das Gewicht der Kisten, während das AI-gestützte Bilderkennungssystem das Fleischprodukt klassifiziert. Diese Daten werden automatisch in das System übertragen und verbucht. Direkt im Anschluss kann die Kiste durch einen Metalldetektor geführt werden, um potenzielle Verunreinigungen zu erkennen. Die bauliche Umsetzung dieses Detektors muss jedoch noch geprüft werden, um sicherzustellen, dass er in das bestehende Förderbandlayout integriert werden kann.
Das Hauptziel des Projekts ist es, eine fehlerfreie Produkterkennung mit einer Genauigkeit von über 99 % zu erreichen. Da an diesem Punkt des Produktionsprozesses keine manuellen Kontrollen durch Mitarbeiter vorgesehen sind, muss das AI-Modell so trainiert werden, dass es auch unter variierenden Lichtverhältnissen und Produktpositionierungen zuverlässig arbeitet.
Die Umsetzung erfolgt in mehreren Phasen. Zunächst wird die notwendige Hardware in einer Laborumgebung getestet, um die Integration der Komponenten und die Trainingsdaten für das AI-System zu optimieren. Anschließend wird das System vor Ort in einer realen Produktionsumgebung erprobt, um die Praxistauglichkeit zu validieren. Erst nach erfolgreicher Evaluierung und Erprobung kann die endgültige Einführung erfolgen.
Neben der Entwicklung des AI-Modells stellt auch die Integration in die bestehende Softwareumgebung eine wichtige Herausforderung dar. Die firmeneigene ERP-Software „srs“ muss so erweitert werden, dass die Bilderkennungsergebnisse automatisch übernommen und in das bestehende Datenmanagementsystem integriert werden. Ein besonderer Fokus liegt dabei auf der Sicherstellung der Nachvollziehbarkeit und Systemvalidierung, um eine zuverlässige und fehlertolerante Datenverarbeitung zu gewährleisten.
Langfristig soll dieses System nicht nur die Effizienz und Genauigkeit der Produkterkennung steigern, sondern auch die Arbeitsbelastung der Mitarbeiter reduzieren und die Produktionsplanung verbessern. Die Reduzierung von Fehlern führt zudem zu einer Verringerung von Ausschuss und Nachbearbeitungen, wodurch das Unternehmen wirtschaftliche Vorteile erzielen kann. Sollte sich das System als erfolgreich erweisen, könnte es auf weitere Produktionsbereiche ausgeweitet werden.