Jeder hat das schon erlebt: Die auf dem Wochenmarkt mit viel Liebe ausgewählten Erdbeeren entpuppen sich zu Hause als ziemlich wässrige Angelegenheit. Die roten Früchte, die im Supermarkt noch zum Anbeißen aussahen, zeigen bei näherem Hinsehen Druckstellen und erste Schimmelflusen.
„Der Frischegrad von Lebensmitteln ist ein entscheidendes Kriterium beim Einkauf. Darum ist die Automatisierung und Verbesserung der Qualitätskontrolle von Frischwaren sehr wichtig”, sagt Ralf Herbrich, Director Machine Learning.
„Der Frischegrad von Lebensmitteln ist ein entscheidendes Kriterium beim Einkauf. Darum ist die Automatisierung und Verbesserung der Qualitätskontrolle von Frischwaren sehr wichtig."
Genauer als das menschliche Auge
Um Amazon-Kunden Obst und Gemüse in einheitlichem Reifegrad zu liefern, haben sich die Mitarbeiter der Abteilung „Machine Learning“ – die Experten für intelligente, lernende Maschinen – und das Team von AmazonFresh zusammengetan. Herausgekommen ist ein weltweit einzigartiges System, das den Reifegrad der Früchte besser als das menschliche Auge bestimmen kann – automatisch und ohne die Früchte zu berühren.
In den meisten AmazonFresh-Depots wird die Reifegradüberprüfung noch per Hand durchgeführt. Doch selbst für professionelle Obst- und Gemüse-Prüfer ist eine präzise und zweifelsfreie Bewertung schwierig. Ist der appetitlich glänzende Apfel wirklich ein Leckerbissen oder eher fad und mehlig? Es hat sich gezeigt: Auch professionellen Prüfern kann die Tagesform einen Streich spielen. So kommt es vor, dass Tester bei Zweitprüfungen der selben Frucht in 20 Prozent der Fälle zu unterschiedlichen Ergebnissen kommen.
„Das automatisierte System zur Reifegraderkennung besteht aus einem Förderband, das die Lebensmittel in Behältern zu einem speziellen Sensor transportiert“, sagt Michael Donoser, Teamleiter der Abteilung „Computer Vision“ bei Amazon Machine Learning. „Der Sensor ähnelt einer normalen Kamera, die jedoch auch Informationen aufnehmen kann, die für das menschliche Auge unsichtbar sind“.
![Wie Algorithmen Obst sortieren](https://assets.aboutamazon.com/dims4/default/1681b2b/2147483647/strip/true/crop/1000x527+0+0/resize/1000x527!/quality/90/?url=https%3A%2F%2Famazon-blogs-brightspot.s3.amazonaws.com%2Faa%2Fff%2F4c470e0848f79539220f41214eb7%2Faa-2.jpg)
Wie Maschinen zu Reifegradexperten werden
Doch wie werden die durch Kameras und Sensoren ermittelten Informationen überhaupt für eine Qualitätsbestimmung genutzt?
„Wir bringen der Maschine bei, wie gute und schlechte Ware aussieht“, erklärt Tyler Comeau aus dem Reifegraderkennungsteam in Los Angeles. „Dazu füttern wir sie täglich mit immer neuen Produktvarianten. Die Produkte werden fotografiert und der Maschine als Daten zur Verfügung gestellt. So lernt sie nach und nach die Qualitätsstandards.“
Die Frischwaren sind in die vier Kategorien: „OK“, „Beschädigt“, „Stark beschädigt“ und „Abgelaufen“ unterteilt. Behälter mit den verschiedenen Reife-Kategorien werden der Maschine nach dem Zufallsprinzip zugeführt. Auch die Mitarbeiter erfahren erst auf einem Bildschirm mit welcher Ware sie den ganzen Behälter befüllen sollen. So ist eben nicht jeder dritte Behälter mit „Abgelaufen“ oder jeder vierte Behälter mit „OK“- Ware gefüllt. „Damit vermeiden wir, dass die Maschine Muster lernt - sich also eine Reihenfolge einprägt, anstatt konkrete Produktprüfungen vorzunehmen“, erläutert Tyler die Vorgehensweise.
Die Entwickler müssen nicht nur viele technische Herausforderungen meistern. Sie haben es auch mit handfesten Herausforderungen jenseits von Codes und Algorithmen zu tun. „Wissenschaftler wie wir sind es gewohnt, in einem Labor oder einem Büro zu arbeiten“, erzählt Matthieu Guillaumin, Teammitglied in der Abteilung „Computer Vision“ bei Amazon Machine Learning Um unsere Anlage zu entwickeln, mussten wir aber auch wochenlang ins Kühlhaus, in dem es ziemlich kalt war“. Doch die Experten fanden auch hier die passende Lösung: Ein Teammitglied aus Kolumbien brachte den Kollegen zum Aufwärmen Salsa-Tanzen bei, erinnert sich Michael Donoser.
Süßes oder Saures
Die Mühen haben sich gelohnt. Denn das System zur Reifegraderkennung wird den Handel mit Obst und Gemüse sicherer, effizienter und damit kostengünstiger machen. Das Problem, dass Früchte, die eigentlich bedenkenlos verkauft werden könnten, irrtümlich auf dem Müll landen, oder schlechte Ware den Weg zum Kunden findet, wäre damit Vergangenheit.
Ausgerechnet bei Erdbeeren, eine der beliebtesten Saisonobstsorten Deutschlands, ist das Ausfallrisiko besonders groß. Von 100 gepflückten Erdbeeren schaffen es nur 50 zum Kunden. Die automatisierte Reifegraderkennung ist in der Lage, die Spreu vom Weizen zu trennen. Sprich: Präzise Aussagen darüber zu machen, wie reif eine Frucht ist und wann sie verfällt. In Zukunft kommen noch weitere spannende Erkenntnisse dazu, wie Michael Donoser verrät: „Wir entwickeln die Algorithmen ständig weiter. Das nächste Ziel ist es, dass die Maschine nicht nur den Reifegrad einer Frucht bestimmen kann, sondern auch, ob sie süß schmeckt oder sauer.“
Das Frische-Fließband steht noch am Anfang und soll in den nächsten Jahren immer weiter verbessert werden. Bis dahin gibt es noch viele kleine und große Herausforderungen zu lösen. Bei einem Testlauf in den USA kam es prompt zu einem Stillstand. Der Grund: Das in internationaler Kooperation entwickelte System mag (noch) keine amerikanischen Äpfel. Sie sind viel zu groß und sorgten beim Durchlauf für Blockaden und Staus.