Einfluss von Bildaufnahme und Bildmerkmalen auf die Erkennungsgüte bei der automatischen Besatzanalyse von Brotweizen

Es existiert eine Reihe von Standardverfahren zur Bestimmung der Fallzahl, des Eiweiß- und
Feuchtegehaltes einer Weizenprobe. Diese Werte beeinflussen direkt die Backeigenschaften
des gewonnenen Mehles. Vorhandene Instrumente können diese Werte schnell und
zuverlässig bestimmen. Pilzgifte, z. B. Deoxynivalenol (DON) und Zearalenon (ZEA) können
mittels Schnelltests bestimmt werden. Die Analyse der Bestandteile einer Weizenprobe
(Besatzanalyse) wird aber nach wie vor durch ein manuelles Sortieren und Verwiegen durch
Laborassistenten oder Silomeister durchgeführt. Hierzu wird eine Probe der Weizenladung
nach einem festgelegten Schema mittels Probenstecher entnommen, gesiebt und manuell
sortiert. Die Analyse einer üblichen Probenmenge von 100 g (ca. 2.000 bis 2.500 Objekte)
dauert 30-45 Minuten. Mit einer automatisierten Analyse besteht die Möglichkeit, objektivere
Ergebnisse in einer kürzeren Zeit zu erhalten. Weiterhin kann die Probenmenge signifikant
erhöht werden, um eine bessere statistische Sicherheit zu erreichen.
Im Rahmen eines 3-jährigen Forschungsprojektes wurde ein System zur automatischen
Bestimmung der Zusammensetzung einer Weizenprobe entwickelt. Dies ermöglicht dem
Abnehmer einer Weizenladung eine schnelle und sichere Entscheidung über Annahme oder
Ablehnung und Preisbildung. Das System kann Besatzbestandteile der Größe 1 – 8 mm
analysieren. Der Materialtransport, Vereinzelung und Bildaufnahme erfolgen vollautomatisch.
In dieser Arbeit wurden verschiedene Bildaufnahmeanordnungen und Bildmerkmale für die
automatische Qualitätssicherung von Weizen mittels optischer Verfahren untersucht.
Problem-adaptierte Merkmale wurden entwickelt und auf ihre Eignung hin getestet. Eine
einfach umzusetzende Methode für die Merkmalsselektion in Verbindung mit der Support
Vector Machine (SVM) wird vorgestellt. Im Ergebnis wurde ein optimaler Merkmalsvektor
für das gegebene Erkennungsproblem aufgestellt. Die SVM erwies sich hier als am besten
geeigneter Klassifikator. Der Einfluss der SVM-Parameter auf die Erkennungsrate wurde mit
modernen Methoden der statistischen Versuchsplanung (DOE – design of experiments)
untersucht. Den wichtigsten Schritt im Entwicklungsprozess eines optischen
Erkennungssystems stellt jedoch die Entwicklung der geeigneten Bildaufnahmeanordnung
bestehend aus Zuführeinrichtung, Beleuchtung und Kamera dar. In dieser Arbeit wurden zwei
Prinzipien hinsichtlich ihrer Eignung untersucht (Bildaufnahme der Probenbestandteile im
freien Fall und flach auf einem Förderband liegend). Die Aufnahme der auf einem Förderband
liegenden Objekte brachte die besten Ergebnisse bezüglich der optischen Erkennung.
Der gesamte Systemtest erfolgte unter Berücksichtigung von möglichen
Beleuchtungsschwankungen und dem Einfluss verschiedener Weizensorten. Ein Datensatz
mit nahezu 40.000 Bildern von Beispielobjekten wurde für das Training des finalen
Klassifikators verwendet. Da bei der Aufbandanalyse Überlappungen und sich berührende
Objekte in der Größenordnung von 0,5 % auftreten, welche das Analyseergebnis verfälschen,
wurde der Ansatz gewählt, diese Art der Abbildungsfehler als eine eigene Klasse ins Modell
aufzunehmen. Diese Klasse kann als eine Rückweisungsklasse interpretiert werden.
Das entwickelte Verfahren wurde in zwei Mühlenbetrieben im Praxiseinsatz getestet und von
den, für die Wareneingangsprüfung verantwortlichen Mitarbeitern, als einsatzfähig beurteilt.
Die entwickelten Algorithmen sind auch zur Anpassung für eine Qualitätssicherung anderer
Getreidesorten geeignet, z. B. Reis, Hafer oder Raps. Für die Anpassung ist ein Datensatz mit
mindestens 2.000, durch einen Experten vorklassifizierten Beispielobjekten je Objektklasse
erforderlich.