Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung IOSB 
Kurzbeschreibung des Projekts
In unserem innovativen Ansatz zur optischen Sortierung trifft fortschrittliche Technologie auf praktische Anwendung. Unsere Forschung fokussiert sich auf die Optimierung von Sortiersystemen durch den Einsatz von Künstlicher Intelligenz (KI), insbesondere Convolutional Neural Networks (CNNs), welche herkömmliche Bildverarbeitungsalgorithmen übertreffen. CNNs zeigen ein bemerkenswertes Potenzial, insbesondere bei Materialien mit komplexen visuellen Eigenschaften und hohen Belegungsdichten. Sie schließen die Lücke für Materialien, die mit dem geschulten Auge unterscheidbar sind, aber keine einfache Unterscheidung anhand der Farbe oder Form zulassen. Dabei arbeiten sie wesentlich schneller und teilweise sogar genauer als ein händischer Sortierer.
Projektziele
Traditionell basierten sensorbasierte Sortiertechniken auf Farb- und Formanalysen oder einfachen statistischen Modellen. Deep-Learning-basierte CNNs revolutionieren dieses Feld und bieten signifikante Verbesserungen in der Objektklassifizierung und -erkennung. Noch sind viele Studien zu CNNs nicht in realen Sortiersystemen umgesetzt worden. Unsere Forschung geht neue Wege durch die Integration einer vollständigen Sortierpipeline, die CNN-Technologie in praktische Anwendungen einbezieht. Wir führen eine semantische Segmentierung der Kamerabilder durch, deren Ergebnisse direkt auf pneumatische Ventile für die Aussonderung erkannter Objekte übertragen werden. Das Sortiersystem ist dabei auf Echtzeitbetrieb ausgelegt. Selbst bei hohen Belegungsdichten und Bandgeschwindigkeiten von über 3m/s wird eine Reaktionszeit von unter 30 ms erreicht.
Anwendungsfelder und Evaluation
Die Effektivität unseres Ansatzes wurde bereits anhand zweier anspruchsvoller Sortieraufgaben demonstriert: der Sortierung von Mineralien mit hohem Staubgehalt und der Erkennung von Fremdkörpern in Lebensmitteln. Diese Anwendungen zeigen die Vielseitigkeit und Robustheit unseres CNN-basierten Sortiersystems. Die Technologie kann nicht nur für Anwendungen wie der Qualitätssicherung von Lebensmitteln eingesetzt werden, sondern auch für die Materialaufbereitung im Abfallrecycling oder der Mineralveredelung. Wir laden Sie ein, unsere umfassende Studie zu erkunden, welche die Echtzeitfähigkeiten von CNNs in der sensorbasierten Sortierung evaluiert, fortschrittliche Deep-Learning-Modelle integriert und die Sortierqualität in praktischen Anwendungen bewertet. Entdecken Sie, wie unsere Arbeit die Lücke zwischen theoretischer Forschung und praktischer Umsetzung schließt und einen neuen Standard in der optischen Sortiertechnologie setzt. Lesen Sie dazu unsere Veröffentlichung, den Download finden Sie unten links auf der Web-Seite.
