Fachzeitschriften für die Betonindustrie

Mit der zunehmenden Automatisierung in der Baubranche wird die kontinuierliche Überwachung von Eingangsstoffen immer wichtiger. Obwohl es bereits viele Möglichkeiten gibt, Abb. 1: Bild der mobilen Kamera vor (links) und nach (rechts) der Anwendung vom YOLO-Instanzsegmentierungsalgorith- mus die Sieblinie fortlaufend zu bestimmen, sind die meisten Lö- sungen mit hohen Investitionskosten verbunden. Deshalb entwickeln die Logikwerk GmbH und das Institut für ange- wandte Bauforschung in Weimar gemeinsam in einem ZIM- Verbundprojekt eine Smartphone-App, die eine einfache und automatisierte Erfassung der Sieblinie ermöglicht. Ziel die- ser Forschung ist es, dass sich diese Technologie am Markt durchsetzt und so das dauerhafte Sieblinienmonitoring zum Industriestandard wird. Der Vorteil einer App-basierten Lösung liegt darin, dass na- hezu jeder die erforderliche Hardware bereits besitzt – zum Start werden alle iPhones ab der Version 12+ unterstützt. Die Herausforderung besteht jedoch darin, den gesamten Prozess mit der begrenzten Hardwarekapazität eines Smart- phones zu bewältigen. Es ist entscheidend, schnelle Algorith- men zu entwickeln. Für die Partikelerkennung wird ein Ins- tanzsegmentierungsmodell verwendet, das auf der YOLO-Ar- chitektur (You Only Look Once) [1][2] basiert. Dieses Modell ist in der Lage, Einzelobjekte in einem Bild zu identifizieren und die zugehörigen Pixel zu markieren, wie in Abbildung 1 zu sehen. Durch Training mit einem annotierten Datensatz [3] wurde das Modell darauf spezialisiert, Steine zu erkennen. Es kann auch problemlos viele eng beieinander liegende Steine iden- tifizieren, wie in Abbildung 2 zu sehen ist. Da das Smartphone den Abstand zu Objekten im Bild mes- sen kann, lassen sich aus der Pixelanzahl reale Partikelgrößen ableiten. Sowohl die Größenverteilung als auch Formfaktoren können aus den Konturen der Einzelpartikel berechnet wer- den. Das Forschungsteam plant aktuell, statistische Korrektu- ren für die 2D-Aufsicht und resultierende Partikelüberschnei- dungen anzuwenden. Auch die 3D-Daten vom LIDAR-Sensor des iPhones können genutzt werden, um Materialströme auf Förderbändern zu messen. Daher wird die App nicht nur für schnelle manuelle Stichpro- ben nützlich sein, sondern kann auch bei fester Installation über einem Förderband kontinuierlich die Sieblinie und den Volumenstrom messen. Die Partikelvereinzelung funktioniert bereits in der App, und das Forschungsteam ist derzeit dabei, die Berechnung der Sieblinie zu integrieren. Es soll so bald möglich sein, auch den Feinzuschlag bei Nahaufnahmen zu vermessen; unter guten Bedingungen sollten Korngrößen bis zu 0,1 mm erkennbar sein. Allerdings müssen bei Aufnahmen vom laufenden Band Kompromisse in Bezug auf die Zielgröße gemacht werden, da die endliche Belichtungszeit kleine Parti- kel verwischen kann, was die Erkennung erschwert. Dennoch ist man zuversichtlich, dass selbst unter diesen Bedingungen Körner unter 1 mm erkennbar sein werden. Um die App optimal auf die Bedürfnisse der Anwen- der abzustimmen, sucht das Forschungsteam derzeit nach Betatestern, die die App im Vorfeld ausprobieren möchten. Interessierte können eine E-Mail an betates- ter@icurve.de senden und erhalten dann Zugang zu Testversionen für ihr Apple-Smartphone. Die Autoren und Projektpartner danken dem Bundesminis- terium für Wirtschaft und Klimaschutz für die Förderung des Projektes „Sieblinie“ im „Zentralen Innovationsprogramm Mit- telstand – ZIM“. Referenzen [1] Redmon, J., Divvala, S., Girshick, R., and Farhadi, A., “You Only Look Once: Unified, Real-Time Object Detection”, <i>arXiv e-prints</i>, 2015. doi:10.48550/arXiv.1506.02640. [2] Terven, J. and Cordova-Esparza, D., “A Comprehensive Review of YOLO Architectures in Computer Vision: From YOLOv1 to YOLOv8 and YOLO-NAS”, <i>arXiv e-prints</i>, 2023. doi:10.48550/ arXiv.2304.00501. [3] Coenen, M.; Beyer, D.; Heipke, C.; Haist, M. (2022): Learning to Sieve: Prediction of Grading Curves from Images of Concrete Ag- gregate, ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences V-2-2022, pp. 227–235