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. Wegen strenger Vorschriften zur Rückverfolgbarkeit und zum Schutz vor Fälschungen hat die Pharmaindustrie eine Vorreiterrolle bei der Nutzung der optischen Zeichenerkennung (Optical Character Recognition, OCR) zur Gewährleistung der Sicherheit über die gesamte Lieferkette hinweg übernommen. Dies erforderte erhebliche Investitionen, den Aufbau von Fachwissen und einen langen Lernprozess.
Angesichts unterschiedlicher Schriftarten und Trägermaterialien, sowie der komplexen visuellen Umgebung von Fertigungs- und Logistiklinien war die Automatisierung von OCR-Applikationen schon immer eine Herausforderung, die nur mit geschulten Automatisierungsingenieuren, hohem Zeiteinsatz und einem beträchtlichen finanziellen Engagement zu lösen war. Selbst bei bester Leistung konnten herkömmliche OCR-Systeme in puncto Genauigkeit allerdings nie annähernd 100 Prozent erreichen, was manuelle Eingriffe erforderte und den Durchsatz einschränkte.
Die Anforderungen an Geschwindigkeit und Genauigkeit von Hochgeschwindigkeits-Lieferketten zeigen nun die Grenzen der herkömmlichen OCR auf. Edge Learning, eine benutzerfreundliche Form der KI, bietet hingegen eine schnelle und zuverlässige Möglichkeit zur Automatisierung von Lieferketten mit OCR.
OCR-Anwendungsfälle und Herausforderungen
OCR kommt bereits seit langer Zeit in verschiedenen Anwendungen zum Einsatz. Dabei haben sich vier wesentliche Einsatzfelder herauskristallisiert:
- Umwandlung von Codes in eine digitale Form, mit der sich jedes Teil oder Produkt in der Lieferkette verfolgen lässt,
- Auffinden und Verifizieren alphanumerischer Zeichen,
- Bestätigung, dass der gedruckte Code mit dem Teil oder Produkt und dem Barcode übereinstimmt,
- Überprüfung, ob der entsprechende Code korrekt gedruckt wurde.
Trotz aller Praxistauglichkeit bringen herkömmliche OCR-Systeme gewisse Herausforderungen bei ihrer Nutzung mit sich. So erfordern sie 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. Edge Learning hat das Thema OCR verändert, indem es sowohl die Geschwindigkeit als auch die Genauigkeit verbessert und eine einfachere Anwendung in einer größeren Anzahl von Branchen und Situationen ermöglicht.
Intelligentere KI für einfachere OCR
Mit Hilfe von Edge Learning können hochentwickelte KI-Algorithmen auf die spezifischen Anforderungen von Hochgeschwindigkeits-Lieferketten ausgerichtet werden, so dass 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. Die Edge-Learning-Verarbeitung wird dabei auf dem Gerät selbst durchgeführt, direkt an der Fertigungs- bzw. Logistiklinie, ohne dass eine Kommunikation mit einem anderen Prozessor erforderlich ist. Dies führt zu Geschwindigkeitsvorteilen gegenüber herkömmlichen OCR-Systemen.
Vortrainierte Edge-Learning-Tools: genau und schnell
Komplexere KI-gestützte Deep-Learning-Algorithmen sind ebenfalls in der Lage, OCR durchzuführen. Sie erreichen unter optimalen Bedingungen eine Genauigkeit von nahezu 100 Prozent und können jede Art von Text lesen lernen. Ihr Nachteil: Sie sind zu langsam für den unmittelbaren Einsatz an Fertigungs- bzw. Logistiklinien, erfordern hochentwickelte Prozessoren sowie umfangreiches Fachwissen bei der Implementierung. Für die jeweilige Anwendung vorab trainierte Edge-Learning-Tools erreichen aufgrund ihrer Spezifität die Genauigkeit von generalisierten Deep Learning-Systemen und sind dabei in der Lage, die von der Industrie geforderten Geschwindigkeiten zu erzielen.
