Echtzeiterkennung von PET durch VIS-NIR Spektral-Imaging

  • Abb. 1: Dem Videosignal wird die symbolische Beschreibung „Nicht schneller als 30 km/h fahren“ zugeordnet.Abb. 1: Dem Videosignal wird die symbolische Beschreibung „Nicht schneller als 30 km/h fahren“ zugeordnet.
  • Abb. 1: Dem Videosignal wird die symbolische Beschreibung „Nicht schneller als 30 km/h fahren“ zugeordnet.
  • Abb. 2: Grundlegender Aufbau eines erkennenden Systems.
  • Abb. 3: Das materialsensitive Sensorsystem N2IR
  • Abb. 4: Spektren von PET, PE und PS
  • Abb. 5: Pneumatischen Sortiermaschine zur Trennung von Kunststoffgemischen. Der Sortieralgorithmus wurde auf einem Standard Industrie-PC in C++ implementiert. Es wurde eine Framerate von 50 Hz und eine Bandgeschwindigkeit von 1 m/s erreicht.

Deutschland ist einer der größten Produzenten von PET (Polyethylenterephthalat) in Europa mit einem Marktanteil von ungefähr 8%. PET spielt eine wichtige Rolle unter allen Kunststoffarten und wird beispielsweise für die Verpackung von Lebensmitteln verwendet. Dieser Artikel beschreibt die Entwicklung eines Sensorsystems zur Unterscheidung des PETs von anderen Kunststoffen sowohl durch Bild- als auch durch spektrale Informationen.

Grundlagen des Maschinellen Sehens (Computer Vision)
Unter dem Begriff des Maschinellen Sehens, Computer-Vision oder Bilderkennung versteht man im weitesten Sinne die Möglichkeit, elektrotechnische Systeme mit den Sehfähigkeiten eines Menschen auszustatten und somit in die Lage zu versetzen, bestimmte sie umgebende Objekte zu erkennen und entsprechend zu reagieren. Dies kann je nach Anwendungsbereich Hardware (elektrische Schaltungen), aber auch Software (Programme) oder eine Kombination aus Hard- und Software sein.

Einordnung in den Bereich der Mustererkennung
Der der Bilderkennung übergeordnete Bereich wird auch als Mustererkennung (Pattern-Recognition) bezeichnet. Je nachdem, ob es sich um ein 1 dim. Sensorsignal (z. B. Audiosignal), ein 2 dim. Signal (z. B. Videosignal) oder um Daten ganz unterschiedlicher Sensoren handelt (z. B. Video-, NIR-, Radar-, Spektralinformationen), spricht man auch von Spracherkennung, Bilderkennung bzw. Multisensorik. All diesen Gebieten ist eins gemeinsam: Die Zuordnung einer symbolischen Beschreibung zum Sensorsignal (vgl. Abb. 1).

Anwendungen lassen sich vielfach finden angefangen vom Automotive-Bereich (Verkehrsschild-, Fahrspur-, Hinderniserkennung), über den Bereich der optischen Qualitätskontrolle (Kontrolle der fertig bestückten Leiterplatte, Äpfel der Farbe nach sortieren) bis hin zur Robotik und zur medizinischen Bildverarbeitung (Blutzellen automatisch auszählen, CT- MRT-Daten segmentieren). Auch im Bereich des Kunststoff-Recyclings werden erkennende Systeme eingesetzt.

Grundlegende Struktur eines Erkenners
Abbildung 2 beschreibt den grundlegenden Aufbau eines erkennenden Systems (Detektor).

Wesentliches Merkmal der ersten 2 Blöcke ist die Digitalisierung der Sensorinformation, sodass eine weitere Verarbeitung auf einem digitalen System z. B. einem PC möglich ist.

Der Vorverarbeitungsschritt zeichnet sich durch ein Verändern der Bildmatrix wie z. B. Entfernen von Verzerrungen, Unterdrücken von Rauschen, Kontrast verstärken, Bildkanten verstärken, Umkodieren oder Kompression aus.

Ziel der Merkmalsextraktion ist es, geeignete Features bzw. Merkmalsvektoren aus der vorverarbeiteten Bildmatrix zu extrahieren, sodass Merkmalsvektoren zu unterschiedlichen Klassen im Merkmalsraum möglichst gut unterscheidbar sind. Eine einfache Merkmalsextraktion besteht im Berechnen eines Farbhistogramms. Der Merkmalsvektor ist dann ein hochdimensionaler Featurevektor, der die Verteilung der Farben innerhalb des Bildausschnitts beschreibt. Aber auch ein Spektrum könnte aus den vorverarbeiteten Sensordaten stammen.

Ziel der Klassifikation ist es, dem Merkmalsvektor genau eine von n möglichen Klassen zuzuordnen. Diese Klasse ist dann eine symbolische Beschreibung für das darunterliegende zugehörige Sensorsignal. Man kann zwischen abstandsbasierten Klassifikationsverfahren (Nearest Neighbour (NN), K-Nearest Neighbour KNN), statistischen Klassifikationsverfahren (Bayesscher Klassifikator, Maximum-Likelihood-Regel), korrelationsbasierten Klassifikationsverfahren (Template Matching) und lernfähiger Klassifikation (Neuronale Netze Perceptron, MLP, Support Vector Machine, Entscheidungsbäume, SOM) unterscheiden. Liegt eine repräsentative Lernstichprobe aus bereits vorklassifizierten Samples vor, so kann Nearest Neighbour (NN) als einfaches abstandsbasiertes Klassifikationsverfahren benutzt werden. Man entscheidet sich dann für diejenige Klasse, zu welcher der nächste vorklassifizierte Nachbar gehört.

Echtzeiterkennung von PET durch VIS-NIR Spektral Imaging
Hergestellt wird PET aus Mineralöl und Kohle. Aus Kostengründen und um die begrenzten Resourcen zu schonen, verwenden die Hersteller eine Mischung aus neuem und recyceltem PET-Granulat, welches einen Anteil von bis zu 50% ausmachen kann. Hieraus resultiert ein steigendes Interesse daran, Recyclingverfahren zur sicheren Unterscheidung von PET zu anderen Kunststoffen im Recycling-Prozess einzusetzen.

Hierzu entwickelte die Fachgruppe Mustererkennung/ Bildverarbeitung am Institut IPM der Hochschule Zittau Görlitz innerhalb eines von der AiF geförderten Forschungsprojektes in Zusammenarbeit mit den Firmen RTT Steinert, SpekLED und Inno-Spec das neuartige materialsensitive Sensorsystem N2IR, welches sowohl Bildinformationen (Visible-VIS) als auch spektrale Informationen zur Detektion von PET-Objekten verwendet (s. Abb. 3).

Spectral Imaging und Materialklassifikation
Unter Spectral-Imaging versteht man die Fusionierung von Bildverarbeitung mit Spektroskopie. Hierzu wird das Sortiergut in einem entsprechenden Frequenzbereich beleuchtet und sowohl die Bildinformation (Visible-VIS) als auch die spektrale Information in jedem Pixel separat ausgewertet. Aufgrund der unterschiedlichen chemischen Struktur der zu trennenden Kunststoffobjekte werden deren Moleküle bei unterschiedlichen Wellenlängen zu Schwingungen angeregt. Dies führt zu unterschiedlichen Reflexionsspektren, welche für die Klassifikation und damit Trennung ausgenutzt werden (s. Abb. 4).

Ergebnis der pixelweisen Materialklassifikation ist eine „chemische Matrix“, deren Pixelmarkierung die Zugehörigkeit zu einer entsprechenden Kunststoffart kodiert. Im nächsten Schritt der Verarbeitung wird die Bildinformation (Visible-VIS) mit der der „chemischen Matrix“ fusioniert, um einzelne Objekte für die Trennung zu separieren.

Ergebnisse und Diskussion
Getestet wurde das Sensorsystem innerhalb einer pneumatischen Sortiermaschine, welche Objekte aus PET von solchen aus nicht-PET unterscheiden kann (Abb. 5). Hierzu wurde eine Probe aus 25 kg Kunststoffflakes (Flakegröße 1 cm2) bestehend aus 80% PET und einer Mischung aus 20% nicht-PET (PE, PP, PS und PVC) verwendet. Ziel ist es, alles nicht-PET Material mit Druckluft auszublasen, sodass die PET Konzentration erhöht wird. Qualitätskriterium ist demnach die Sortierreinheit der erhaltenen PET Fraktion.

In 10 nacheinander unabhängig voneinander durchgeführten Versuchen konnten folgende Ergebnisse erreicht werden:

  • PET Konzentration in der PET Fraktion: 97% ± 1,5%
  • PET Konzentration in der Mixed Fraktion: 6% ± 2% 

Zusammenfassung und Ausblick
Innerhalb des Projektes N²IR wurde ein neuartiges konstengünstiges Sensorsystem entwickelt, welches sowohl Bildinformationen (Visible-VIS) als auch spektrale Informationen zur Detektion von PET-Objekten verwendet. Die innerhalb einer pneumatischen Sortiermaschine erreichten Sortierergebnisse sind um den Faktor 10 höher verglichen mit anderen auf dem Markt befindlichen Online Sortiersystemen.

Mögliche andere Anwendungen bestehen in der spektralbasierten Online Materialfeuchtemessung beispielsweise von Nahrungsmitteln (Getreide, Tabak), chemischen und pharmazeutischen Produkten oder Primär- und Sekundärbrennstoffen (Kohle, Holzpellets).

Danksagung
Das Projekt wurde gefördert mit Mitteln des Bundesministeriums für Wirtschaft und Technologie (BMWi, Germany, ZIM No. KU2048401, 10/2008 – 09/2010).

Literatur
[1] Hollstein F. et al.: Proc. NIR 2009 (Near Infrared Spectroscopy), 9 - 13 November, Bangkok, Thailand, ISBN 978-1-906715-03-8, 969 – 972 (2009)
[2] Wohllebe M. et al.: BVAu 2010 (Image Processing in Automation), Lemgo, Germany, 10 November (2010)
[3] Leitner R. und Rosskopf S.: PWASET 34ISSN 2070-3740, 476 – 481 (2008)
[4] Rosipal R. und Kraemer N.: Proc. SLSFS 2005 (Subspace, Latent Structure and Feature Selection, Statistical and Optimization), 23 – 25 February 2005, Bohinj, Slovenia, LNCS 3940, ISBN 3-540-34137-4, 34 - 51 (2006)
[5] Izenman A. J.: Springer, 2008, ISBN 978-0- 387-78188-4
[6] Balthasar D. und Rehrmann V.: Proc. 9 – 11 March 2010, Aachen, Germany
[7] Handschick B. und Loening J.: WO 2010/046085 A1, 20 October 2008, PTC/EP2009/007507

Weitere Beiträge zum Thema: http://bit.ly/Sensorik
Mehr Informationen: http://bit.ly/GIT-Polymer

Autor(en)

Kontaktieren

HTWS Zittau Görlitz (FH)
Theodor-Körner-Allee 16
02763 Zittau
Telefon: 03583/61-0
Telefax: 03583/3231

Jetzt registrieren!

Die neusten Informationen direkt per Newsletter.

To prevent automated spam submissions leave this field empty.