KI-gestützte Materialerkennung
Projektziele & Projektergebnis
Erstellung projekt in den Bereichen „Produktion“ mit dem Ziel der Erhöhung/Steigerung/ Optimierung der Produkt- / Servicequalität und des Innovationsgrades.
Die durchgeführten Tests haben bestätigt, dass die NIR-Spektroskopie eine gute Wahl beim Erkennen von Textilmaterialien ist.
Gesamtprojekt
Top Erkenntnisse aus dem Projekt
Ausgangslage
Zentrale Fragestellungen im Projekt
- Welche Sensoren und ihre Daten tragen dazu bei Textilien zu erkennen?
- Welche Verfahren zur Datenanalyse sind geeignet auch in geringen Datenmengen Zusammenhänge zu erkennen?
- Welche Technologien und Verfahren existieren, um weitere Informationen über die Textilien digital zu erfassen?
Projektdetails
Das Unternehmen
Die Brückner Trockentechnik GmbH & Co. KG entwickelt Maschinen, die textile Flächen ausrüsten bzw. veredeln. So wird der spätere einwandfreie Einsatz von Textilien etwa in den Bereichen Medizin, Bekleidung oder Architektur ermöglicht.
Die Herausforderung
In den Maschinen zur Textilveredlung werden vielfach Stoffe verschiedener Produzenten und aus nicht vollständig bekannten Vorprozessen als Trägermaterial verarbeitet. Zudem werden die Textilien mit Wärme behandelt und getrocknet, was zeitaufwändig, extrem energieintensiv und stets von den textilen Eigenschaftsdaten abhängig ist. Um die Materialeigenschaften zu erfassen, sollen Sensoren eingesetzt werden. Die mittels verschiedener Methoden gewonnenen Messdaten zu textilen Eigenschaften sind sehr komplex, eine Datenanalyse mit einfachen Verfahren nicht möglich.
Die Lösung
Das Unternehmen arbeitet daran, textile Eigenschaften des Trägermaterials automatisiert mittels eines Textilscanners zu erkennen. Das Mittelstand-Digital Zentrum Smarte Kreisläufe hat gemeinsam mit dem Mittelstand-Digital Zentrum Klima.Neutral.Digital und den KI-Expertinnen und Experten von Hahn-Schickard und den Deutschen Instituten für Textil- und Faserforschung, DITF, das Unternehmen dabei unterstützt, herauszufinden, mit welcher KI-gestützten Datenanalyse schnelle und fundierte Entscheidungen möglich sind.
Die Umsetzung
Die KI-Trainer von Hahn-Schickard und den DITF haben zur Datenanalyse mit den Modellen Entscheidungsbaum (Baum mit drei Ebenen) und Lineare Support Vector Machine (SVM) gearbeitet und die Aussagefähigkeit beider Modelle mit Fokus auf die Rahmenbedingungen in der Textiltechnik verglichen und bewertet. Die durchgeführten Tests haben bestätigt, dass die NIR-Spektroskopie eine gute Wahl beim Erkennen von Textilmaterialien ist. Die Analyse der verfügbaren Daten ließ allerdings keine Rückschlüsse zu, ob die
Impedanzspektroskopie in irgendeiner Weise auf andere erfasste Textildaten schließen lässt. Mithilfe des Projekts konnte aufgezeigt werden, dass die bisher erhobenen Daten nicht
ausreichen, um die Textilien anhand der Vielzahl an möglichen Parametern eindeutig zu beschreiben.
Die nächsten Schritte
Nach Abschluss des Projektes wird das Unternehmen seine Arbeiten an einem Textilscanner fortführen. Neben der Ausweitung der Versuche zur Erzeugung neuer Datensätze wird die Kombination von verschiedenen Messverfahren zur Identifikation einzelner Parameter vorgeschlagen.
