Die Materialklassifikation in Inspektionssystemen und Sortieranlagen ist in vielen Bereichen der Wirtschaft ein fester Teil der Prozesskette. Durch sie können verschiedene Materialien unterschieden und Materialzusammensetzungen gemessen werden. Dies dient beispielsweise in der Nahrungsmittelindustrie zur Detektion von Fremdmaterialien, im Bergbau zur Anreicherung von Erzen und im Recycling zur Trennung nach Stoffklassen.

Mithilfe verschiedener Methoden der Bildverarbeitung wird zu sortierendes Schüttgut klassifiziert und das Ergebnis an eine meist pneumatische Sortiervorrichtung weitergegeben. In vielen Fällen wird hierfür eine Graustufen- oder RGB-Zeilenkamera eingesetzt. Für anspruchsvolle Sortieraufgaben reicht der sichtbare Spektralbereich oft nicht aus und das Sensorsystem muss um Kameras, die auch im Nahinfrarotbereich empfindlich sind, ergänzt werden.

In diesem Projekt wird ein systematisches Vorgehen für die Auswahl eines optischen Kamerasystems zur Materialklassifikation untersucht. Hierbei werden hyperspektrale Bildaufnahmen, welche für jeden Bildpunkt ein optisches Spektrum enthalten, für die Bewertung der Trennbarkeit verschiedener Materialien herangezogen. Zudem wird ein neuartiges Verfahren untersucht, welches den Einsatz hyperspektraler Kameras für die spektrale Entmischung in Inspektionssystemen durch Fusion mehrerer Kameras ermöglicht.

In einem ersten Anwendungsszenario wird die hyperspektrale Kamera im Labor eingesetzt, um mit den umfangreichen Informationen, die mit ihr gewonnen werden, beim Entwurf einer Inspektionsanlage zu unterstützen und so eine möglichst optimale problemangepasste Lösung zu ermöglichen. In der Inspektionsanlage sollen anstelle einer hyperspektralen Kamera multispektrale Sensoren Anwendung finden, welche die Anforderungen an die Echtzeitfähigkeit der Klassifikation erfüllen.
Kernfrage hierbei ist, welche multispektralen Sensoren eingesetzt bzw. welche Spektralbereiche durch optische Filter extrahiert werden müssen, um eine zufriedenstellende Klassifikation bei einem bestimmten Klassifikationsproblem zu erreichen.
Neben einer guten Trennbarkeit wird gleichzeitig eine hohe Robustheit gegenüber Veränderungen des Bildsignals gefordert. Diese können beispielsweise durch fehlerhafte Kalibrierung, Verschmutzung oder Abnutzung entstehen. Die Berücksichtigung dieser Einflüsse bereits bei der Auswahl optischer Filter ermöglichen auch bei Veränderungen des Signals noch zufriedenstellende Klassifikationsergebnisse.

In einem zweiten betrachteten Szenario werden hyperspektrale Kameras trotz ihrer Nachteile in Bezug auf Auflösung und Geschwindigkeit in Inspektionssystemen eingesetzt. Die Information, die durch die geringere räumliche Auflösung des hyperspektralen Sensors fehlt, soll dabei durch zusätzliche multispektrale oder panchromatische Sensoren mit geringerer spektraler, aber höherer räumlicher Auflösung gewonnen werden. Dies soll den Einsatz von Methoden zur Materialklassifikation wie der spektralen Entmischung ermöglichen.

Bei Interesse an studentischen Abschlussarbeiten (Bachelor- und Masterarbeiten) bitte Kontakt mit Wolfgang Krippner aufnehmen. Sie sollten folgende Kompetenzen mitbringen:

• Sehr gute Kenntnisse zur Signalverarbeitung
• Interesse an Klassifikation/Mustererkennung, Machine Learning, Data Mining und Bildverarbeitung
• Sehr gute C++ und/oder Matlab-Kenntnisse werden vorausgesetzt