Maschinelles Lernen

Maschinelles Lernen in der Sichtprüfung

Mit maschinellen Lernverfahren lassen sich vielfältige Herausforderungen in der Sichtprüfung angehen. Datengetriebene Verfahren können beispielsweise eingesetzt werden, um die Spektren verschiedener Materialien voneinander zu unterscheiden. Anspruchsvolle Problemstellungen lassen sich lösen, indem zunächst hinreichend viele Datenpunkte gesammelt werden, um sie anschließend zum Einlernen eines geeigneten Klassifikators zu verwenden. Auch das spezifische Domänenwissen für eine bestimmte Aufgabenstellung muss immer berücksichtigt werden. Hierfür arbeiten wir eng mit unseren Kunden zusammen. Bei Bedarf profitieren wir aber auch von unseren engen Kontakten zu anderen Fraunhofer Instituten; egal, ob es um Problemstellung bezüglich der Klassifikation von Holz, Kunststoffen, Mineralien, Lebensmittel oder Tabak geht.

Bei der Sortierung von Tabak müssen Fremdstoffe aussortiert werden, die farblich sehr ähnlich zum Tabak selbst sind. Mit dem Einsatz einer RGBN (RGB + Nahinfrarot-Kanal) Kamera und klassischen Verfahren aus dem Umfeld des maschinellen Lernens können die Fremdstoffe allerdings sichtbar gemacht werden. Mit einem sogenannten Dimensionsreduktionsverfahren werden Informationen von vier Kanälen auf drei herunterprojiziert. So entsteht ein Falschfarbenbild, das die Information fusioniert. Diese kompakte Darstellung bringt die enthaltene Information in ein Format, das leichter handhabbar und für die Sortierung in Echtzeit von Vorteil ist.

 

 

Abbildung: Links: Tabak auf einem Förderband (RGB). Rechts: Falschfarbenbild. Auf dem Förderband befinden sich auch Holplättchen, die im RGB (farblich) kaum zu unterscheiden sind. Für das Falschfarbenbild wurde ein zusätzlicher Nahinfrarot-Kanal aufgenommen. Mit ML Verfahren können die Holzplättchen dann sichtbar gemacht werden.

In einer anderen Voruntersuchung wurde die Unterscheidbarkeit von verschiedenen Laub- und Nadelhölzern untersucht. Das heißt, dass beispielsweise feine Holzschnitzel der Kiefer von denen der Buche oder Birke getrennt werden mussten. Hierfür wurden Aufnahmen mit einer hyperspektralen Short-Wave Infrared Kamera gemacht. Die anschließende nichtlineare Klassifikation führte zu sehr guten Ergebnissen. Die untere Abbildung gibt einen Hinweis auf die Klassifikationsperformance.

© Fraunhofer IOSB
Abbildung: Klassifikation von verschiedenen Holzarten (Kiefer, Buche, Pappel und Fichte). Unsere Verfahren können diese Hölzer gut voneinander unterscheiden.

Wir bieten die gesamte Pipeline für ein Sichtprüfsystem an: Von der richtigen Vorauswahl des Messsystems und der Akquise der Daten über die geeignete Auswahl eines Klassifikators bis hin zur echtzeitfähigen Umsetzung im industriellen Kontext. Unsere Kompetenzen im Bereich der optischen Datenerfassung und KI gehen hier Hand in Hand.

 

Abteilung SPR des Fraunhofer IOSB

Sie wollen mehr über unsere Themen im Bereich »Sichtprüfsysteme« erfahren? Dann besuchen Sie die Seite unserer Abteilung SPR und informieren Sie sich.