Qualitätsklassifizierung & Sortierung von Lebensmitteln

Naturprodukte unterscheiden sich in Größe, Farbe, Reifegrad und Fehlern, und Packbetriebe verlassen sich noch auf manuelle Sortierer und einfache Farbsortierer. Moderne Sortiermaschinen kombinieren schnelle Kameras, NIR- oder Hyperspektralsensorik und Deep-Learning-Klassifikatoren, um jedes Stück zu klassifizieren, Fehler und Fremdkörper auszuwerfen und die Verteilung der Güteklassen je Los zu melden. Typische Vorteile sind einheitliche Sortierung, weniger gute Ware im Ausschuss und weniger Reklamationen wegen Fremdkörpern.

Problem & Nutzen

• Heute: Die Sortierung übernehmen geschulte Personen an Kontrolltischen sowie regelbasierte optische Sortierer (Schwellenwerte für Farbe/Größe). Menschliche Sortierer ermüden, unterscheiden sich je Schicht und erkennen keine inneren Fehler oder nicht sichtbaren Verunreinigungen. Zu viel Ausschuss verschwendet Lebensmittel; zu wenig Ausschuss führt zu Reklamationen und Rückrufen.
• KI-Nutzen: Gelernte Klassifikatoren bewältigen natürliche Schwankungen (Sorte, Saison, Beleuchtung), wo Schwellenwertregeln versagen; Hyperspektral/NIR und Röntgen liefern Informationen jenseits des menschlichen Sehens (Zucker, Druckstellen unter der Schale, Schalenreste, Knochen); Daten pro Los unterstützen die Preisgestaltung und das Feedback an Erzeuger.
• Nutzenzahlen: Anbieter berichten von höherer Ausbeute und geringerem Mehrgewicht; betrachten Sie dies als Herstellerangaben und messen Sie an Ihrem eigenen Produkt mit einem Vergleichsversuch als Basis [1][2].
• Regulatorischer Treiber: EU-Vermarktungsnormen legen für viele Obst- und Gemüsearten Güteklassen fest, und das Lebensmittelrecht macht den Unternehmer für sichere Lebensmittel und Rückverfolgbarkeit verantwortlich [3][4].

Varianten

• Packbetrieb für Frischware: Äpfel, Zitrusfrüchte, Kartoffeln, Tomaten, Beeren; Sortierung nach Größe/Farbe/Makel, oft mit Gewicht.
• Verarbeitungslinien: Tiefkühlgemüse, Pommes frites, Kartoffelerzeugnisse, Entfernung von Fehlern und Fremdkörpern.
• Nüsse, Saaten, Getreide, Trockenfrüchte, Kaffee: Sortierer mit hohem Durchsatz für Band/Rutsche/freien Fall; Screening auf Aflatoxinrisiko mit NIR/UV (nur Anhaltspunkt).
• Fleisch, Geflügel, Fisch: Zuschnitt, Erkennung von Fett/Knochen, Filetklassifizierung, Portionierung (Röntgen und 3D).
• Bäckerei und Fertiggerichte: Prüfung von Form, Belag und Farbe (Überschneidung mit VIS-001).
• Ebene des Betriebs und kleiner Erzeuger: kostengünstige Kamerasortierer, Smartphone-Apps zur Sortierung.

So funktioniert es

1. product singulation & presentation (belt / chute / free fall, controlled lighting)
2. multi-sensor capture (RGB, NIR, hyperspectral, laser/3D, X-ray, weight)
3. detection & segmentation of each item
4. classification: size, colour, shape, defect type, ripeness, foreign material
5. grade decision against specification (rules + learned thresholds)
6. ejector/diverter control (air jets, flaps, robotic pick) in milliseconds
7. lot reporting, traceability, drift monitoring, retraining loop

• Modelle: kompakte CNN-/Transformer-Detektoren und -Segmentierer auf Edge-GPU/FPGA/Industrie-PCs mit einer Latenz von wenigen Millisekunden pro Stück; Anomalieerkennung für seltene Verunreinigungen, wenn Fehlerbeispiele knapp sind.
• Spektrale Sensorik: Hyperspektral und NIR liefern chemienahe Signale (Feuchte, Zucker, Fett, Kunststoff vs. organisch), die RGB nicht erfasst.
• Mensch-in-der-Schleife (Human-in-the-Loop): Die Qualitätssicherung legt Güteklassen und Toleranzen fest, prüft Ausschuss und Grenzfälle, gibt Modellaktualisierungen frei und führt regelmäßig Referenzproben und Tests mit eingebrachten Verunreinigungen durch.

Datenaufbereitung

Daten: Produktbilder von der Linie unter Produktionsbeleuchtung, Fehlerbeispiele, Güteklassen-Standards (Kundenspezifikationen, Vermarktungsnormen), NIR- oder Hyperspektraldaten und Referenzmessungen aus dem Labor. In einem KMU liegen diese in der Linienkamera, in QS-Tabellen, auf Prüfbögen aus Papier, im ERP (Chargen, Kunden) und in den Köpfen erfahrener Sortierer.

Typische Lücken: zu wenige Fehlerbeispiele, Sortierung, die je Schicht und Kunde abweicht, Bilder ohne Chargenbezug, ungelabelte Daten und Standards, die nur als PDF oder als implizites Wissen vorliegen.

Schritte zur Aufbereitung: 1. Güteklassen-Definitionen und Grenzfallbeispiele gemeinsam mit der Qualitätssicherung festhalten (PREP-016, PREP-019). 2. Bilder an der realen Linie mit fester Beleuchtung aufnehmen und mit Chargen-IDs aus dem ERP verknüpfen (PREP-005, PREP-020). 3. Mit zwei oder mehr Sortierern labeln und die Übereinstimmung messen, mit CVAT oder Label Studio (PREP-018). 4. Pro Produkt und Saison einen eingefrorenen Testsatz behalten. 5. Papier-Prüfprotokolle digitalisieren (PREP-008).

Aufwand: Weg A bedeutet meist Inbetriebnahme und Kalibrierung (10-20 %); Weg B/C/D 40-60 %, überwiegend Labeling und Sammeln von Fehlern. Prüfen Sie die Bereitschaft mit GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU (Packbetriebe, kleine Verarbeiter): A, weil etablierte Sortierer-Hersteller Kamera, Optik und Auswerfer als erprobtes Paket liefern und die Sortieraufgabe bei gängiger Ware standardisiert ist.
• Großunternehmen (große Verarbeiter): B, weil die Sortierung eigene Qualitäts-, ERP- und Rückverfolgbarkeitssysteme speisen muss und hohe Mengen maßgeschneiderte Modelle mit Cloud- oder Edge-Inferenz rechtfertigen.
• Entwickler: C, weil Open-Source-Modelle zur Erkennung und Segmentierung auf Edge-Geräten der Stufe HW1 eigene Produkte und Fehlerklassen ermöglichen.

Weg A — Kaufen (Standardsoftware) (für die meisten Verarbeiter empfohlen)

• Optische Sortierer und Klassifizierer: TOMRA Food, Key Technology (Duravant), Bühler (CH), Satake, Raytec Vision (IT, EU), Sortex (Bühler), Greefa (NL, EU), Aweta (NL, EU), Compac (NZ), Unitec (IT, EU), Sesotec (DE, EU, Sortierung von Verunreinigungen), Marel und Baader (Fisch/Fleisch) sowie Röntgeninspektion von Mettler-Toledo, Eagle (Eagle PI), Minebea Intec (DE, EU) und Ishida.
• Die Anbieter bieten zunehmend Deep-Learning-Klassifikation an, die auf Ihrem Produkt trainiert wird, dazu Fernunterstützung und Cloud-Dashboards [1][2].
• Wählen Sie A, wenn: es für ein Standardprodukt eine etablierte Maschinenklasse gibt, der Durchsatz hoch ist und Sie Nachweise zur Lebensmittelsicherheit sowie Service benötigen.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Cloud-Bilddienste (Azure AI Vision Custom Models, Google Vertex AI Vision oder AWS SageMaker, EU-Regionen) eignen sich für Offline-Sortierung, fotobasierte Wareneingangsprüfungen und Analysen, nicht für das Auswerfen in Millisekunden.
• VLMs (Claude, Gemini, GPT, Mistral Pixtral) helfen beim Labeln, beim Aufbau einer Fehlersystematik, bei der Berichterstellung und bei der manuellen Sortierung kleiner Mengen per Foto; Latenz und Kosten schließen sie für die Echtzeit-Linie aus.
• Wählen Sie B, wenn: Sie Sortierer als Prototyp bauen, im Wareneingang per Smartphone sortieren oder Daten vorhandener Sortierer analysieren.

Weg C — Selbst betreiben (Open Source)

• Erkennung/Segmentierung: Ultralytics YOLO (AGPL, Lizenz prüfen) [6], RT-DETR, RF-DETR, SAM 2 zum Labeln; torchvision/MMDetection.
• Anomalieerkennung: Anomalib (Intel, OpenVINO-Export), Verfahren im Stil von PatchCore für das Training mit ungelabelter guter Ware [5].
• Laufzeit: ONNX Runtime, TensorRT, OpenVINO auf Industrie-PCs oder Jetson Orin; GenICam/Aravis für Industriekameras; Label Studio oder CVAT zur Annotation.
• Hardware: HW1 (Edge-GPU oder Industrie-PC) pro Linie; Training auf HW2. Das Timing des Auswerfers, die Beleuchtung und die Mechanik sind der schwierige Teil, nicht das Modell.

Weg D — Eigenes Training

Oft auch bei Weg A/C nötig: pro Produkt, Sorte und Saison trainieren. Hunderte bis tausende gelabelte Bilder pro Fehlerklasse unter Produktionsbeleuchtung; für seltene Verunreinigungen synthetische oder augmentierte Bilder ergänzen (siehe GEN-020). Planen Sie regelmäßiges Nachtrainieren ein, wenn sich die Erntequalität ändert.

Stand der Technik (2026)

• Deep Learning auf RGB plus NIR/Hyperspektral ist in kommerziellen Sortierern Standard; wissenschaftliche Übersichten beschreiben die hyperspektrale Bildgebung mit CNNs als führenden Ansatz für innere und chemische Qualitätsmerkmale, wobei der Echtzeiteinsatz durch Kosten und Datenmenge begrenzt ist.
• Röntgen und 3D erweitern die Erkennung auf Knochen, Glas, Steine und Schalenreste, die Farbkameras übersehen.
• Foundation-Modelle (SAM, DINOv2, Open-Vocabulary-Detektoren) beschleunigen das Labeln und die Einrichtung mit wenigen Beispielen; für die harte Echtzeit-Auswerfschleife werden sie noch nicht eingesetzt.
• Grenzen und Fehlerbilder: Verteilungsverschiebung zwischen Sorten, Saisons und Beleuchtung; nasse, sich berührende oder überlappende Ware; feine Fehler (beginnende Fäulnis, innere Braunfärbung), die Kameras nicht sehen; unausgewogene Klassen; und Fehlauswürfe, die die Ausbeute schmälern. Sortierer verringern Fremdkörper, beseitigen sie aber nie vollständig; sie sind daher eine Kontrolle innerhalb von HACCP, kein Ersatz dafür.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (Objekterkennung, Segmentierung, Anomalieerkennung, Edge-Laufzeit): VIS-001 industrielle Fehlererkennung, VIS-002 Montagekontrollen, VIS-026 Zählen und Volumenschätzung, VIS-053 Auswertung zerstörungsfreier Prüfung/Röntgen, VIS-020 Abfallsortierung. Eine Edge-Plattform und eine MLOps-Pipeline können mehrere Linien bedienen.
• Vor- und nachgelagert: VIS-005 Pflanzengesundheit im Feld, PRED-013 Ertragsprognose, ROBO-007 Ernteroboter, SCI-018 Interpretation spektraler Daten, VIS-033 Erfassung von Lebensmittelabfällen.
• Daten: Annotationswerkzeuge, synthetische Daten (GEN-020) und Drift-Überwachung werden gemeinsam genutzt.

Aufwand, Kosten & Kennzahlen

• Weg A: Kauf oder Leasing der Maschine plus Installation, typischerweise Wochen bis wenige Monate samt Einrichtung der Rezepturen; die Kosten steigen mit Durchsatz und Sensorumfang.
• Weg B/C: 3-9 Monate für eine produktionsreife Linienintegration einschließlich Beleuchtung, Mechanik, SPS und Validierung.
• Kostentreiber: Sensorik (Hyperspektral/Röntgen), mechanische Integration, Labeling pro Saison, Validierung und Wartung.
• Kennzahlen: Fehlauswurfrate und Fehlannahmerate je Fehlerklasse, Erkennungsrate eingebrachter Testverunreinigungen, Ausbeute und Mehrgewicht, Durchsatz, gleichbleibende Verteilung der Güteklassen über Schichten, Kundenreklamationen und Rückrufe, Verfügbarkeit.

Menschen & Veränderung

Früh einbinden: die Geschäftsführung (Investition, ROI), die Produktions- und QS-Leitung als Prozessverantwortliche, Sortierer und Linienpersonal, die die Fehler kennen, IT und Instandhaltung für die Linienintegration, die IT-Sicherheit für vernetzte Maschinen sowie Kunden oder Lieferanten, deren Spezifikationen die Güteklassen bestimmen. Recht oder Compliance prüfen Aspekte der Lebensmittelsicherheit und Haftung.

Betriebsrat: abhängig vom Einzelfall. Wo es einen Betriebsrat gibt, ist eine Kameralinie meist produktbezogen, doch § 87 Abs. 1 Nr. 6 BetrVG greift, wenn Bilder, Ausschussstatistiken oder Liniengeschwindigkeit einzelnen Beschäftigten zugeordnet werden können, da die objektive Eignung genügt. Informieren Sie ihn rechtzeitig nach § 90 Abs. 1 Nr. 3 und erwägen Sie eine kurze Betriebsvereinbarung (GUIDE-004).

Datenschutz: Produktbilder sind in der Regel keine personenbezogenen Daten; vermeiden Sie, Beschäftigte im Bild zu erfassen. Sind Beschäftigte erkennbar, beziehen Sie die/den Datenschutzbeauftragte(n) ein (GUIDE-005).

KI-Kompetenz: Unterstützen Sie Sortierer und Qualitätssicherung mit Schulungen zur Interpretation von Ausschuss, Drift und Neukalibrierung (GUIDE-006).

Kommunikation und Pilot: Stellen Sie es als Entlastung von eintöniger Kontrolle dar und setzen Sie die Menschen für höherwertige Aufgaben der Qualitätssicherung ein (GUIDE-008). Führen Sie einen Pilot im Schattenbetrieb auf einer Bahn durch, bei dem das System Güteklassen vorschlägt, während Menschen weiter sortieren, und vergleichen Sie anschließend (GUIDE-009).

Typische Bedenken: Arbeitsplatzverlust (Umschulung, ehrlicher Plan), Angst vor zu Unrecht ausgeworfener Ware (Schwellenwerte anpassen, Behälter für manuelle Nachkontrolle) und Vertrauen (die Qualitätssicherung behält das Recht, zu übersteuern und Güteklassen zu ändern).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): in den meisten Fällen minimales Risiko. Ein Sortierer ist in der Regel keine Sicherheitskomponente nach Anhang I und kein System nach Anhang III; KI-Kompetenz (Art. 4) gilt. Prüfen Sie neu, wenn das Bildsystem zur Sicherheitskomponente regulierter Maschinen wird (Maschinenverordnung (EU) 2023/1230, anwendbar ab Januar 2027) [7].
• Kein Problem nach Art. 5, es sei denn, die Kameras beobachten auch Beschäftigte (dann siehe VIS-007 und Beschäftigtendatenschutz).
• Lebensmittelrecht: Verordnung (EG) 178/2002 (Verantwortung des Unternehmers, Rückverfolgbarkeit, Rückruf) und 852/2004 (HACCP) gelten; die automatische Sortierung muss als Kontrollschritt validiert, dokumentiert und verifiziert werden, mit Tests durch eingebrachte Verunreinigungen [3][4].
• Vermarktungsnormen: Klassen (Extra, I, II) für Obst und Gemüse folgen den EU-Vermarktungsvorschriften; das Modell muss die aktuelle rechtliche Spezifikation abbilden [8].
• DSGVO: in der Regel keine personenbezogenen Daten; prüfen Sie Erzeuger-/Losdaten und alle Kameras, in deren Sicht Beschäftigte geraten.
• Risiken und Gegenmaßnahmen: Drift (regelmäßige Referenzproben), übermäßiges Vertrauen (Metall-/Röntgenerkennung und manuelle Kontrollen beibehalten), Prüfpfad der Modellversionen pro Los, Abhängigkeit vom Anbieter bei Rezepturen.

Erste Schritte

1. Legen Sie mit der Qualitätssicherung Güteklassen und Fehlerklassen fest und sammeln Sie 500-1.000 gelabelte Bilder pro Hauptklasse unter realer Linienbeleuchtung.
2. Vergleichen Sie 2-3 Anbieter (Weg A) mit Ihrem eigenen Produkt, einschließlich Tests mit eingebrachten Fremdkörpern.
3. Beim Eigenbau beginnen Sie mit einem Prototyp aus Kamera und Anomalieerkennung für ein Produkt, bevor Sie den Auswerfer anfassen.
4. Binden Sie SPS, Los-Rückverfolgbarkeit und HACCP-Aufzeichnungen an; legen Sie Umgang mit Ausschuss und Überprüfung fest.
5. Überwachen Sie die Fehlauswurf-/Fehlannahmeraten wöchentlich und trainieren Sie jede Saison nach.

Quellen

1. TOMRA Food - sorting and grading solutions - https://www.tomra.com/food
2. Bühler - optical sorting - https://www.buhlergroup.com/global/en/products/optical-sorting.html
3. Regulation (EC) No 178/2002 (General Food Law) - https://eur-lex.europa.eu/eli/reg/2002/178/oj
4. Regulation (EC) No 852/2004 on food hygiene - https://eur-lex.europa.eu/eli/reg/2004/852/oj
5. Anomalib (Intel / OpenVINO) - https://github.com/open-edge-platform/anomalib
6. Ultralytics YOLO documentation - https://docs.ultralytics.com
7. Regulation (EU) 2023/1230 Machinery Regulation - https://eur-lex.europa.eu/eli/reg/2023/1230/oj
8. European Commission - marketing standards for fruit and vegetables - https://agriculture.ec.europa.eu/farming/crop-productions-and-plant-based-products/fruit-and-vegetables_en
9. Regulation (EU) 2024/1689 (AI Act) - https://eur-lex.europa.eu/eli/reg/2024/1689/oj