# Inspektionsprototyp für verpackte Mahlzeiten erkennt fehlende Portionen und sichtbare Mängel > Ein farbbasiertes Vision-System berichtet über vielversprechende Laborergebnisse, wobei Fremdkörpertests auf ein Kunststoffmodell einer Schabe beschränkt sind. URL: https://foodradar.org/de/boxed-meal-vision-inspection-portions-foreign-objects Sprache: de Autor: FoodRadar Editorial Veröffentlicht: 2026-10-07T11:12:35.961Z Aktualisiert: 2026-10-07T11:12:35.961Z Veröffentlichungsdatum der Quelle: 2026-09-04 Kategorie: Forschung English: https://foodradar.org/boxed-meal-vision-inspection-portions-foreign-objects Türkçe: https://foodradar.org/tr/boxed-meal-vision-inspection-portions-foreign-objects Español: https://foodradar.org/es/boxed-meal-vision-inspection-portions-foreign-objects Italiano: https://foodradar.org/it/boxed-meal-vision-inspection-portions-foreign-objects Русский: https://foodradar.org/ru/boxed-meal-vision-inspection-portions-foreign-objects ## Überprüfung einer Mahlzeit mit mehreren angrenzenden Lebensmitteln Eine Kamera zur Inspektion zubereiteter Mahlzeiten muss benachbarte Zutaten unterscheiden, bevor sie entscheiden kann, ob etwas fehlt. Eine September-Studie beschäftigt sich mit diesem Problem mit einem relativ leichten Inspektionssystem für chinesische Lunchboxen. Es vereint Farbmerkmale, einen neuronalen Netzwerkklassifikator und menüspezifische Schwellen, um fehlende Lebensmittel, unzureichende Portionen und ein simuliertes Fremdobjekt zu markieren. Unter den experimentellen Bedingungen berichten die Autoren von einer Gesamtbildklassifikationsrate von 96,45 %, einer Erkennungsrate fehlerhafter Bilder von 97,76 % und einer Normalbildfalschalarmrate von 5,34 %. Dies sind unterschiedliche Kennzahlen: Die Erkennung einer abnormalen Mahlzeit ist nicht dasselbe wie die korrekte Identifizierung jeder Zutat oder die Zuordnung jedes Defekts zur richtigen Kategorie. Die Ergebnisse beschreiben den getesteten Datensatz, nicht ein garantiertes Produktionslinien-Leistungsniveau. ## Farbregionen stehen für Zutatenidentität Das System lokalisiert zunächst den Essensbehälter und filtert das Bild, um helle Reflexionen von öligen Oberflächen zu reduzieren. Es teilt das Bild dann in feste 6 × 6 Regionen und extrahiert statistische Farbinformationen in RGB-, HSV- und CIE-Lab-Farbräumen. Ein tiefes neuronales Netzwerk klassifiziert diese Regionen, und ein Füllschritt verfeinert die resultierenden Inhaltsstoffebereiche. Diese Bereiche werden mit empirischen Schwellenwerten für das erwartete Menü verglichen. Reis, Fleisch, Gemüse, Eier und eingelegte Beilagen bildeten die Speiseklassen. Der Ansatz schätzt, ob die sichtbare Menge ausreichend ist; er wägt die Mahlzeit nicht direkt ab oder misst den Nährwert. Eine Änderung eines Menüs oder seiner nominalen Serviergröße würde neue Daten und eine Neukalibrierung erfordern, anstatt einfach die gleichen Schwellenwerte zu verwenden. ## Der Fremd-Objekt-Test war bewusst eng Für die Kontaminationssimulation verwendeten die Forscher ein Plastikschabenmodell und platzierten Stücke in unterschiedlichen Positionen. Ein Objekt wird als erkannt gezählt, wenn mehr als die Hälfte seines manuell annotierten Bereichs erkannt wurde. Das Papier nennt diese Regel als technische Wahl, nicht als regulatorische oder universelle Schwelle für die Lebensmittelsicherheit. Die Klassifikation der Regionen mit Fremdobjekten lag im Durchschnitt bei 82,12 % über fünf Kreuzvalidierungsdurchläufe, obwohl die Entscheidungen auf der Ebene der Mahlzeiten besser ablaufen konnten, nachdem Informationen über ein Bild hinweg zusammengefasst wurden. Transparenter Kunststoff, Haare, reflektierendes Metall, Knochenfragmente und Objekte, die dem umgebenden Essen ähneln, wurden nicht umfassend validiert. Die hervorgehobene Klassifikationsrate für Mahlzeiten darf daher nicht als allgemeine Schadstoffdetektionsrate dargestellt werden. ## Die Machbarkeit des Prototyps ersetzt keinen Produktionstest Die Experimente variierten Beleuchtung, Behälterkonfigurationen und Fördergeschwindigkeit. Stärkere Lichtwechsel und Bewegungsunschärfe reduzierten die Leistung, vor allem für kleine oder teilweise versteckte Inhaltsstoffe. Eier- und Bereiche eingelegter Beilagen waren schwerer zu klassifizieren als größere, optisch ausgeprägtere Gebiete. Die Studie bewertete auch einzelne Fehlerkategorien getrennt, so dass die Mahlzeiten mit mehreren gleichzeitigen Anomalien nicht validiert wurden. Die Autoren fordern größere unabhängige Datensätze, wiederholte Erfassungssitzungen und echte Produktionslinienversuche. Auch ein kontrollierter Vergleich mit modernen Segmentierungssystemen ist noch gefragt. Für die Lebensmittelhersteller zeigt die Arbeit eine mögliche Inspektionsarchitektur auf und macht ihre Wartungsanforderungen sichtbar: Menüanpassung, Schwellenkalibrierung und realistische Schadstofftests sind Teil des Einsatzes, anstatt Details, die eine hohe Laborgenauigkeit automatisch auflöst. ## Quellen und Nutzungsrechte - [Vision-Based Automated Inspection of Box Meals for Food Portion Defects and Foreign Object Detection.](https://europepmc.org/articles/PMC13568288?utm_source=foodradar.org&utm_medium=referral&utm_campaign=editorial&utm_content=boxed-meal-vision-inspection-portions-foreign-objects-de). Multidisciplinary Digital Publishing Institute (MDPI). Lin HD, Chen GM, Lin CH. Vision-Based Automated Inspection of Box Meals for Food Portion Defects and Foreign Object Detection. Sensors (Basel, Switzerland). 2026. DOI: 10.3390/s26175636. © 2026 by the authors. [CC-BY-4.0](https://creativecommons.org/licenses/by/4.0/?utm_source=foodradar.org&utm_medium=referral&utm_campaign=editorial&utm_content=boxed-meal-vision-inspection-portions-foreign-objects-de-license). Von FoodRadar übersetzt und bearbeitet. [Redaktionelle Grundsätze](https://foodradar.org/de/editorial-policy)