Options
2015
Journal Article
Titel
An approach to color-based sorting of bulk materials with automated estimation of system parameters
Alternative
Ein Ansatz zur farbbasierten Schüttgutsortierung mit automatischer Parameterbestimmung
Abstract
In this paper, we present a flexible method for color-based sorting of bulk materials. It is based on semantically meaningful color features that are constructed from a set of training images. First, estimates of color-occurrence frequencies of different materials are derived from the training images and fused into color classes, which are then used to classify individual pixels. An object descriptor is built as count statistic over the color classes appearing in the object image. This descriptor has many advantages: it is compact and very fast to compute, invariant to scale and rotation, has a very clear, intuitive interpretation, and can be used with simple rule-based classifiers. However, tuning the parameters that govern the feature construction process is laborious and requires a lot of experience on part of the system operator. To overcome this shortcoming, we automatically learn the parameters using genetic algorithms. We apply our method to wine grape sorting problems to show that this approach outperforms a human expert. At the same time, it takes considerably less effort on the human part and frees the expert to attend to other tasks. Furthermore, the system allows non-experts to successfully put a sorting machine in operation.
;
In diesem Paper stellen wir eine flexible Methode zur farb-basierten Schüttgutsortierung vor. Sie stützt sich auf semantisch bedeutsame Farbmerkmale, welche mit Hilfe von Beispielbildern konstruiert werden. Im ersten Schritt werden Farb-Auftrittshäufigkeiten verschiedener Materialien bestimmt, welche zu Farbklassen zusammengeführt werden. Diese werden anschließend dazu genutzt um einzelne Pixel zu klassifizieren. Objekte werden schließlich durch eine Häufigkeitsstatistik der in den Objekten enthaltenen Farbklassen charakterisiert. Dieser Deskriptor hat viele Vorteile: er ist kompakt und schnell zu berechnen, invariant gegenüber Skalierung und Rotation, klar und intuitiv interpretierbar und kann mit einfachen regelbasierten Klassifikatoren genutzt werden. Allerdings ist die Anpassung der Parameter, die die Merkmalskonstruktion steuern, mitunter zeitaufwändig und setzt viel Erfahrung auf Seiten des Systemoperators voraus. Wir umgehen diesen Nachteil indem wir Genetische Algorithmen einsetzen um die Parameter automatisch zu lernen. Wir validieren diese Vorgehen anhand von Weintraubensortierproblemen und zeigen, dass der Ansatz bessere Ergebnisse liefert als ein menschlicher Experte. Gleichzeitig benötigt der Ansatz deutlich weniger Zeit und benötigt keine Überwachung durch den Experten. Weiterhin erlaubt unser Ansatz auch Nicht-Experten eine Sortiermaschine erfolgreich in Betrieb zu nehmen.