Bildverarbeitung für die Qualitätssicherung von Bau- und Recyclingmaterialien
Die Produktion von Bauprodukten ist routinemäßig mit einer Vielzahl von Messaufgaben verbunden. Diese beziehen sich auf die Qualitäten der verwendeten Primär- und Sekundärrohstoffe, auf die Prozesse während der Herstellung als auch auf die Charakterisierung und Begutachtung der Endprodukte. In diesen Bereichen ergeben sich viele Anwendungen für den Einsatz von Sensorsystemen für die Bewertung von zeitlich und räumlich hochaufgelösten Material-, Produkt- und Prozesseigenschaften. Ein Ziel der Forschungsaktivitäten ist die stetige Verbesserung der Qualitätssicherung von natürlichen und rezyklierten Gesteinskörnungen durch den Einsatz von multimodaler Sensortechnik.
Forschung
- Automatisierte Qualitätssicherung von Primär- und Sekundärrohstoffen, z.B. rezyklierte Gesteinskörnungen
- Detektion von betonschädlichen Bestandteilen in natürlichen Gesteinskörnungen, wie beispielsweise eisen- und schwefelhaltige oder organische Bestandteile
- Kopplung verschiedener Sensorik
Dienstleistung
- Forschungs- und Entwicklungsleistungen
- Vorstudien / Machbarkeitsstudien
- Schüttgutanalysator für den Bildscan von Partikeln / Schüttgütern im freien Fall zur Schüttgutanalyse
- Farbzeilenkamera und NIR-Kamera (900 – 1700 nm)
Linß; D. Garten; A. Karrasch; K. Anding; P. Kuritcyn: Automatisierte Sortieranalyse für rezyklierte Gesteinskörnungen. Vortrag, Fachtagung Recycling R’19, 25.-26.9.2019, Weimar
Anding, G. Polte, P. Hunhold, E. Linss, D. Garten, L. Wunsch, G. Notni: Differentiation of Natural Aggregates with Concrete Damage Potential based on Hyperspectral Information. IMEKO 2022, Porto (Portugal), 30.08. – 01.09.2022
Fördermittelgeber/in
Bundesministerium für Bildung und Forschung (BMBF)
Computer-Aided Photonics – Ganzheitliche Systemlösungen aus photonischen Verfahren und digitaler Informationsverarbeitung
Projektträger/in
VDI Technologiezentrum GmbH
Projektleiter/in
Dr.-Ing. Elske Linß
Partner/innen
GFE Präzisionstechmk Schmalkalden GmbH
Universalbeton Heringen GmbH & Co. KG
Steinbeis Qualitätsicherung und Bildverarbeitung GmbH
Technische Universität Ilmenau, Fachgebiet Qualitätssicherung und industrielle Bildverarbeitung
Laufzeit
Sep 2020 - Aug 2023
Kurzfassung
Verbundvorhaben: Automatisierte Echtzeit-Hyperspektral-Bildgebung und -analyse für die Erkennung betonschädlicher Bestandteile in Gesteinskörnungen unter Verwendung Neuronaler Netzwerkarchitekturen
Ziel des Teilvorhabens ist die Schaffung einer umfangreichen Datenbasis zur Erfassung einer Vielzahl von betonschädlichen Gesteinskörnungen bezüglich der mineralogischen, petrografischen, bildanalytischen und spektralen Kennwerte sowie dem Schadenspotential. Die Innovation des Teilvorhabens besteht in einem neuartigen Ansatz zur Bewertung von Gesteinskörnungen anhand spektraler und bildanalytischer Kennwerte und deren Zusammenhang mit den nach Norm ermittelten Schadenspotentialen. Parallel werden auch die üblichen genormten Performance-Tests im Nebelkammerversuch sowie ein alternatives an der MFPA derzeit erforschten Schnell-Prüfverfahrens bezüglich des AKR-Potentials durchgeführt. Dadurch können Korrelationen zwischen dem Vorhandensein von bestimmten Gesteinskörnungen und dem AKR-Potential ermittelt werden. Bezüglich weiterer schädlicher Bestandteile, wie Pyrit oder Markasit sollen ebenfalls betontechnische Untersuchungen durchgeführt werden, um die Menge an maximal möglichen Bestandteilen im Beton zu ermitteln, bei dem noch keine Schädigungen zu verzeichnen sind.
Fördermittelgeber/in
Freistaat Thüringen aus Landesmitteln des Thüringer Ministeriums für Wirtschaft, Wissenschaft und Digitale Gesellschaft
Richtlinie zur Förderung der Forschung (FOR-Richtlinie)
Projektträger/in
Thüringer Aufbaubank
Projektleiter/in
Dr.-Ing. Saskia Nowak
Partner/innen
F.A. Finger – Institut für Baustoffkunde Bauhaus-Universität Weimar
Hochschule Nordhausen
Institut für Angewandte Bauforschung Weimar GmbH
CASEA GmbH
MUEG Mitteldeutsche Umwelt- und Entsorgung GmbH
Laufzeit
Mai 2021 - Sep 2023
Kurzfassung
Im Vorhaben sollen die Anwendung von Gips als Leichtbaustoff (Einsparung mehr als 50 % des Rohstoffes), die Nutzung von Übergangsgestein (Haldenmaterial) als Baustoff, neue Verwendungsmöglichkeiten von Gipsstäuben aus aufbereiteten Gipsabfällen sowie modulare und nutzungsflexible Gipsleichtbauelemente, die als Bauteil wiederverwendbar sind, untersucht werden. Darüber
hinaus sollen materialseitige Lösungen für konstruktive und rückbaufreundliche Bauweisen, eine materialselektive Trennung, eine uneingeschränkte Recycelbarkeit sowie Kl-Verfahren zur automatischen Sortiertechnik erarbeitet werden.
Fördermittelgeber/in
Bundesministerium für Bildung und Forschung (BMBF)
Innovation Strukturwandel
RUBIN – Regionale unternehmerische Bündnisse für Innovation
Projektträger/in
Projektträger Jülich
Projektleiter/in
Dr.-Ing. Elske Linß
Partner/innen
SQB GmbH, Ilmenau; TU Ilmenau; Fraunhofer IOF, Jena; 3plusplus GmbH, Suhl; AIM Micro Systems GmbH, Triptis; InfraTec GmbH, Dresden; LUCAS instruments GmbH, Jena; Vision & Control GmbH, Suhl; Zentrum für Bild- und Signalverarbeitung e.V., Ilmenau; Sielaff Software und Service GmbH & Co. KG, Ilmenau; TechnoTeam Bildverarbeitung GmbH, Ilmenau
Laufzeit
Sep 2022 - Aug 2025
Kurzfassung
Ziel ist es, materialtechnische Grundlagenuntersuchungen für ein völlig neuartiges Analyse- und Prüfsystem für rezyklierte Gesteinskörnungen durchzuführen. Im Teilprojekt werden die baustoff- und materialtechnischen Kennwerte von Probematerialien ermittelt und systematisiert. Für die Entwicklung einer Erkennungsroutine soll auf eine Datenbank zurückgegriffen werden können, in der die stofflichen und spektralen Charakteristika und deren Variationsbreite für eine Vielzahl an Baustoffen und Kunststoffen enthalten sind.
Dafür werden zunächst geeignete Proben zusammengestellt und aufbereitet. Im Anschluss daran erfolgt die stoffliche und spektrale Charakterisierung. Dabei sollen auch neue Baustoffe, wie wie z.B. Carbonbeton, Carbonfasern und weitere Verbundbaustoffe mit einbezogen werden. Alle Ergebnisse werden in geeigneter Form archiviert. Um die optisch ermittelten 3D-Kennwerte entsprechend in Masseprozent umrechnen zu können, sind grundlegende Untersuchungen zu einer Modellentwicklung für die materialabhängige
Massenermittlung aus dem 3D-Kubus anzustellen. Hinsichtlich der Datenanalyse führt die MFPA chemometrische Auswertungen und der Bewertung der spektralen Daten durch. Nach dem Aufbau des Demonstrators werden Untersuchungen des Einflusses von materi-
albedingten Störgrößen (Partikelgröße, Materialfeuchtigkeit, Oberflächenbenetzung, Staubanhaftungen, …) auf die Erkennungsraten durchgeführt. Begleitend wird eine Marktrecherche und -beobachtung bezüglich der Kreislaufwirtschaft und des Recyclingprozes-
ses erstellt.
Fördermittelgeber/in
Bundesministerium für Bildung und Forschung (BMBF)
Innovation Strukturwandel
RUBIN – Regionale unternehmerische Bündnisse für Innovation
Projektträger/in
Projektträger Jülich
Projektleiter/in
Dr.-Ing. Elske Linß
Partner/innen
SQB GmbH, Ilmenau; TU Ilmenau; Fraunhofer IOF, Jena; 3plusplus GmbH, Suhl; AIM Micro Systems GmbH, Triptis; InfraTec GmbH, Dresden; LUCAS instruments GmbH, Jena; Vision & Control GmbH, Suhl; Zentrum für Bild- und Signalverarbeitung e.V., Ilmenau; Sielaff Software und Service GmbH & Co. KG, Ilmenau; TechnoTeam Bildverarbeitung GmbH, Ilmenau
Laufzeit
Apr 2022 - Mär 2025
Kurzfassung
Es wird eine Methode zur Ermittlung des Wassergehaltes an rezyklierten Ge-steinskörnungen mittels NIR / SWIR entwickelt, was zukünftig wichtig für die Bestimmung der Kernfeuchte von Rezyklaten sein wird. Bezüglich der am besten geeigneten Aufnahmevariante für die Partikel werden vergleichende Untersuchungen zur Freifall- und Aufbandaufnahme und zur Vereinzelungstechnik vorgenommen, so dass Bewertungskriterien abgleitet werden können. Zusätzlich sollen auch Grundlagenuntersuchungen zur Erkennung von Feinkorn im Größenbereich zwischen 1-4 mm durchgeführt werden. Alle anderen Untersuchungen werden an Partikeln der Größe 4-16 mm durchgeführt. Anhand von hyperspektralen Bildaufnahmen werden verschiedene Erkennungsroutinen des maschinellen Lernens (ML), des Deep Learnings (DL) sowie auch Kombinationen aus Verfahren des maschinellen Lernens (ML) und tiefen neuronalen Netzwerken (DL) getestet und gegenübergestellt. Die gewonnenen Ergebnisse werden den mit klassischen Erkennungsverfahren berechneten verglichen. Weiterhin wird untersucht, ob aus den spektralen und den 3D-Bildinformationen stoffliche Eigenschaften, wie E-Modul usw. ableitbar sind.
