Großmann, Willi

Die Fähigkeit der fernen Materialerkennung ist eine Grundvoraussetzung zur Automatisierung vieler technischer Prozesse. Heutzutage lösen Verfahren der Künstlichen Intelligenz diese Herausforderung durch Auswertung von Big Data. Moderne Ansätze des Maschinellen Sehens basieren auf tiefen neuronalen Netzen, die mit umfangreichen visuellen (VIS) Datenbanken hinterlegt sind. Zur Anwendung innerhalb technischer Anwendungen bedarf es bei datengetriebenen Lösungen einer besonders kritischen Analyse. In dem hier vorliegenden, gesundheitsrelevanten Kontext der automatisierten Desinfektion, sollten die Daten eine realitätsnahe Basis zur Lösungsfindung darstellen und Einflussfaktoren wie variierende Lichtverhältnisse, Bildqualitäten und Aufnahmeentfernungen beinhalten. Die empirische Untersuchung dieser Arbeit basiert auf neuen experimentellen Daten zu den zehn Materialklassen Aluminium, Kupfer, Messing, Holz, Holzimitat, Keramik, Kunststoff, Textilien, Edelstahl und Papier. Unter Berücksichtigung obiger Einflussfaktoren ist die VIS Datenbeschaffenheit von häufigen Ähnlichkeiten bzgl. Farbe und Textur geprägt. Erschwerend unterscheiden sich die Desinfektionseigenschaften, bei gleichzeitiger hoher visueller Ähnlichkeit, zum Teil erheblich. Die Auswertung eines breiteren elektromagnetischen Spektrums ist eine technische Möglichkeit, um robustere praktische Ergebnisse zu erzielen. Dazu wird hier der infrarote (IR) Emissionsgrad als materialspezifische Eigenschaft untersucht. Dabei bleibt, auch mit der diskreten Erweiterung des ausgewerteten Spektrums, der mobile Einsatz mit vergleichsweise preiswerten Kameras möglich. Andererseits ergeben sich prozessseitig, mit der Berücksichtigung des IR Spektralbereiches, zusätzliche Verfahrenseinschränkungen, da thermische Fremdstrahlung ein besonders kritischer Störeinfluss wird. Trotz diesen herausfordernden Randbedingungen zeigt sich bei der Datenauswertung mit Convolutional Neural Networks (CNN) eine gute Unterscheidbarkeit. Bei alleiniger Berücksichtigung der VIS Bilddaten erreicht das Verfahren Genauigkeiten bei der Materialunterscheidung von knapp 86 %. Dabei ist das implementierte CNN ursprünglich zur Unterscheidung von deutlich mehr Klassen ausgelegt und für die vorliegende Anwendung überdimensioniert. Jedoch kann durch gezieltes Entfernen einzelner Modellparameter, mit annähernd gleichbleibender Verfahrensgenauigkeit, die Größe des CNNs um 70 % verringert werden. Mit weiteren Optimierungsansätzen erfolgt die Untersuchung verschiedener Informationsdarstellungen. Dazu zählt einerseits die Optimierung des verwendeten Farbraums und andererseits die Anpassung der fusionierten IR und VIS Daten. Infolge der vorgeschlagenen Sensorfusion verbessert sich, besonders bei schlechten Sichtverhältnissen, die Klassifizierungsgenauigkeit um fast 8 pp, wohingegen unter alltäglichen Bedingungen keine signifikante Verbesserung eintritt. Hier kann das vorgestellte Verfahren selbst visuell ähnliche Materialien, wie Holz und Holzimitate oder Aluminium und Edelstahl, gut unterscheiden. Damit ermöglichen die Ergebnisse, unter widrigen oder alltäglichen Sichtverhältnissen, eine Priorisierung in der Auslegung des Verfahrens zwischen maximaler Effizienz einerseits und Performance andererseits.