Automatisierte Analyse natürlicher Gesteinskörnungen mit Betonschädigungspotenzial anhand hyperspektraler Informationen

Es wird ein Verfahren zur automatischen optischen Prüfung natürlicher Gesteinskörnungen vorgestellt, bei dem hyperspektrale Bildgebung und Algorithmen in Form von Klassifikatoren aus dem Machine Learning und dem Deep Learning eingesetzt werden. Ziel der Untersuchungen ist es, eine Auswahl der in der Betonherstellung benötigten Gesteinskörnungen anhand ihrer spektralen Eigenschaften mit Hilfe von Hyperspektralbildern zuverlässig und automatisch zu klassifizieren. Dazu wurden Spektren und Hyperspektralbilder verschiedener Gesteine mittels Laborspektrometer und Hyperspektralkamera in verschiedenen ausgewählten spektralen Wellenlängenbereichen aufgenommen und mit Klassifikatoren aus dem Bereich der künstlichen Intelligenz (KI) ausgewertet. Zur Klassifizierung der dimensionsreduzierten Hyperspektralbilder wurden vortrainierte Deep‐Learning‐Modelle verwendet. Des Weiteren wurde eine kaskadierte Erkennungsroutine entworfen, die eine zweite Klassifikationsstufe für die mittels Deep‐Learning schlecht erkannten Objekte zur Verbesserung der Erkennungsperformance ermöglicht. Im Ergebnis konnte nachgewiesen werden, dass eine Klassifikation in vorgegebenen Gesteinskategorien anhand der Spektral‐ und Bildinformationen möglich ist und bereits mit rund 91 % hohe Erkennungsraten für die Klassifizierung in die drei Klassen “unkritisch”, “kritisch 1” und “kritisch 2” erzielt werden können.