Die Erfindung betrifft ein Verfahren zum Bestimmen zumindest einer mecha- nischen Eigenschaft zumindest eines Objektes, wobei das Objekt einer Wech selwirkung unterworfen wird, die einen Bewegungszustand des Objektes be einflusst. Das Objekt wird mit zumindest einer Kamera beobachtet und aus den von der Kamera aufgenommenen Bildern die Bewegung des Objektes bestimmt. Hieraus kann dann die zumindest eine mechanische Eigenschaft des Objektes bestimmt werden.

Systeme zur industriellen Sichtprüfung stellen eine wichtige Technologie zur Qualitätssicherung in automatisierten Produktions- und Aufbereitungsprozes sen dar. Unterkategorien solcher Systeme sind optische Inspektions- und Sor- tiersysteme. Je nach Aufgabenstellung kommen VIS Kameras, NIR Kameras,

Dual Energy-Röntgenverfahren oder andere Sensorik zum Einsatz. Für kom plexe Systeme werden u.U. mehrere verschiedene Sensoren eingesetzt (Mul- tisensor-Systeme), um ausreichende Informationen zur Charakterisierung der Materialien zu erheben. Dies ist i.d.R. mit hohen Kosten verbunden.

Die Wahl einer passenden Sensorik beschränkt das System hinsichtlich der Eigenschaften, welche für die Inspektion oder Charakterisierung der Materia lien genutzt werden können. Im Falle von VIS Systemen sind dies optische Eigenschaften. Bei Röntgensystemen kann durch die partielle Dichtebestim mung eine physikalische Eigenschaft erfasst werden, jedoch sind entspre chende Systeme sehr teuer und erfordern den Einsatz umfangreicher Strah lenschutzmaßnahmen.

In einigen Fällen genügen die genannten Informationen nicht für die Bewer tung oder Unterscheidung bestimmter Materialien.

Generell lassen sich Materialien durch geometrische, optische, biochemische sowie mechanisch-physikalische Eigenschaften beschreiben. Bis dato existie ren jedoch keine Systeme, welche zuletzt genannte Kategorie für die Charak terisierung von Materialien nutzen können.

Nichtoptische Objekteigenschaften werden derzeit vorwiegend durch mecha nische Verfahren geprüft. Vereinzelt werden auch berührungslose Verfahren eingesetzt, diese sind jedoch sehr kostenintensiv und daher oft nicht wirt schaftlich einsetzbar. Die Bestimmung und Bewertung der Dichte wird haupt sächlich im Recyclingbereich für die Trennung unterschiedlicher Kunststoffe oder Metalle angewendet. Verbreiteter sind hier vor allem Schwimm-/Sink- Verfahren. Diese Nassverfahren erfordern einen hohen anlagentechnischen Aufwand und haben den wesentlichen Nachteil, dass sie sich nicht für feuch tigkeitsempfindliche Produkte (z.B. Lebensmittel oder Pharmazeutika) eignen. Zudem wird das Flüssigkeitsbad im Rahmen der Abfallaufbereitung oft mit Schadstoffen kontaminiert, so dass dieses aufwendig entsorgt werden muss. Teilweise werden diese Nachteile bei einer Aerostromsortierung (auch Wind sichtung) vermieden, bei der ein Luftstrom zur Dichtesortierung eingesetzt wird. Dieses Verfahren eignet sich jedoch nur zur Sortierung von Materia lien/Objekten mit großem Dichteunterschied, z.B. zur Aussonderung von Pa pier in Altglas, und ist daher in der Anwendung stark begrenzt. Ebenso wird die Trägheit von Partikeln als Trennkriterium, z.B. zur Materialtrennung von Altkunststoffen, genutzt. In Trägheits- oder Fliehkraftabscheidern erfolgt eine Trennung aufgrund von Trägheitskraft. Diese sind jedoch im Durchsatz stark limitiert und eignen sich nur für relativ kleine Partikelgrößen. Zur Kontrolle des Produktgewichts bzw. der Masse werden heute automatisch

Wägesysteme eingesetzt, die auch für eine Inline-Prüfung im Produktionspro zess betrieben werden können, in der Regel erlauben diese jedoch nicht die gleichzeitige Prüfung mehrerer Objekte und müssen daher für einen höheren Durchsatz parallel eingesetzt werden.

Zur Bewertung anderer nichtoptischer Objektegenschaften wie die Reibung, Steifigkeit, Rollfähigkeit oder des Strömungswiderstands existieren zwar etab lierte Prüf- und Messverfahren, diese können jedoch nicht direkt prozess- und anlagentechnisch umgesetzt werden und sind daher nur für eine manuelle Offline-Inspektion einsetzbar. Beispielweise werden heute für tribologische Untersuchungen unterschiedlicher Labormessaufbauten zur Bestimmung von Reibungskoeffizienten eingesetzt. Ein Inline-Inspektionsverfahren zur automa tischen Prüfung von Reibungseigenschaften im Produktionsporzess, insbeson dere von Schüttgütern, existiert derzeit jedoch nicht.

Röntgen- oder Terahertztechnik stellen berührungslose Verfahren dar, mit denen Informationen über die innere Beschaffenheit von Objekten gewonnen werden können und die Rückschlüsse auf nichtoptische Eigenschaften ermög lichen. Beispielsweie kann mittels Dual Energy-Röntgenverfahren die Dichte eines Materials gemessen werden. Beide Technologien sind jedoch mit sehr hohen Anschaffungskosten verbunden. Zusätzlich müssen für den Einsatz von Röntgentechnik im Produktionsbetrieb umfangreiche Strahlenschutzmaß nahmen eingeführt und beachtet werden. Im Fall der Terahertztechnik beste hen Nachteile in der geringen Ortsauflösung (bedingt durch eine rasterdene Bildgewinnung und den genutzten Wellenlängenbereich) und die starke Ab sorption von Wasser, die insbesondere die Prüfung vieler Lebensmitteln ver hindert.

Die WO 2015/128174 Al beschreibt den Einsatz von Kameras in der optischen Schüttgutsortierung.

Aufgabe der vorliegenden Erfindung ist es, eine kostengünstige Möglichkeit bereitzustellen, um zumindest eine mechanische Eigenschaft zumindest eines Objektes bestimmen zu können. Insbesondere sollen auch solche Eigenschaf ten des Objektes bestimmbar sein, die nicht optisch erkennbar sind.

Die Aufgabe wird gelöst durch das Verfahren zum Bestimmen zumindest einer mechanischen Eigenschaft zumindest eines Objektes nach Anspruch 1, und die Vorrichtung zur Bestimmung zumindest einer mechanischen Eigenschaft eines Objektes nach Anspruch 18.

Die abhängigen Ansprüche geben vorteilhafte Weiterbildungen des erfin dungsgemäßen Verfahrens an.

Erfindungsgemäß wird ein Verfahren bereitgestellt, mit dem zumindest eine mechanische Eigenschaft zumindest eines Objektes bestimmbar ist. Unter mechanischen Eigenschaften werden dabei vorzugsweise solche Eigenschaf ten verstanden, die Einfluss auf die Bewegung des Objektes unter dem Ein fluss zumindest einer Wechselwirkung haben. Vorteilhaft eignet sich das er findungsgemäße Verfahren insbesondere zum Bestimmen von Eigenschaften, die nicht optisch erkennbar sind.

Erfindungsgemäß wird das zumindest eine Objekt zumindest einer Wechsel wirkung unterworfen, wobei die zumindest eine Wechselwirkung einen Be wegungszustand des zumindest einen Objektes beeinflusst. Im Normalfall wird daher die zumindest eine Wechselwirkung eine Kraft auf das zumindest eine Objekt ausüben. Die Beeinflussung des Bewegungszustands kann eine Änderung des Bewegungszustandes bedeuten. Die Beeinflussung kann aber auch zur Ausbildung eines Kräftegleichgewichts führen, in dem der Bewe gungszustand des Objektes konstant ist. Beispiel hierfür ist ein Driften des Objektes in einem viskosen Medium, wo sich ein Kräftegleichgewicht zwi schen einer das Objekt bewegenden Kraft und einer Reibungskraft auf das Objekt ausbilden. Ein anderes Beispiel ist das Halten des Objektes mittels der zumindest einen Wechselwirkung im Schwerefeld, wo sich das Objekt kon stant nicht bewegt.

Vorzugsweise wird die zumindest eine Wechselwirkung so gewählt, dass der durch die Wechselwirkung beeinflusste Bewegungszustand eine Funktion der zumindest einen mechanischen Eigenschaft ist, die bestimmt werden soll. Soll die Wechselwirkung eine Änderung des Bewegungszustandes des zumindest einen Objektes bewirken, also zum Beispiel eine Beschleunigung des Objektes, so kann die Wechselwirkung vorteilhaft so gewählt werden, dass die durch die Wechselwirkung bewirkte Änderung des Bewegungszustandes eine Funktion der zumindest einen mechanischen Eigenschaft ist. Soll die Wechselwirkung den Bewegungszustand des Objektes nicht verändern, so wird vorteilhafter weise die Wechselwirkung so gewählt, dass sie den sich nicht verändernden Bewegungszustand des Objektes beeinflusst, was bedeutet, dass der sich ein stellende Bewegungszustand ein anderer wäre, wenn die Wechselwirkung anders wäre. Allgemein gesprochen wird das Objekt vorzugsweise zumindest einer Wechselwirkung unterworfen, so dass eine Änderung dieser Wechsel wirkung, insbesondere eine Änderung eines Wertes oder Betrages dieser Wechselwirkung zu einer Änderung eines Bewegungszustandes des Objektes führt oder diese zur Folge hat. Dabei kann dann die Wechselwirkung so ge wählt sein, dass die Änderung des Bewegungszustandes des Objektes infolge einer Änderung der Wechselwirkung eine Funktion der zumindest einen me chanischen Eigenschaft ist, die bestimmt werden soll.

Erfindungsgemäß wird das zumindest eine Objekt mit zumindest einer Kamera beobachtet, während die Wechselwirkung auf das Objekt wirkt. Dabei soll das Objekt zumindest zu jenen Zeiten mit der Kamera beobachtet werden, zu de nen die Wechselwirkung den Bewegungszustand des Objektes beeinflusst.

Es wird dann aus den von der zumindest einen Kamera aufgenommenen Bil dern eine Bewegung des Objektes bestimmt. Es sei darauf hingewiesen, dass die so beobachtete Bewegung auch ein Stillstehen des Objektes sein kann, beispielsweise wenn die Wechselwirkung zu einem unbewegten Gleichge wichtszustand führt.

Aus der so bestimmten Bewegung des zumindest einen Objektes kann dann die zumindest eine mechanische Eigenschaft des Objektes bestimmt werden. In diese Bestimmung geht vorteilhafterweise neben der beobachteten Bewe gung eine Kenntnis der zumindest einen Wechselwirkung ein. Es können auch weitere Parameter eingehen, die unter anderem auch optisch bestimmbar sein können, wie beispielsweise eine Ausdehnung oder ein Volumen des Ob- jektes. Es ist möglich aber nicht erforderlich, dass die zumindest eine mecha nische Eigenschaft des Objektes aus der beobachteten Bewegung berechnet wird. Auch eine Bestimmung mittels Maschinenlernverfahren ist von der Er findung umfasst.

Vorteilhafterweise kann aus den von der Kamera aufgenommenen Bildern zumindest ein Ort des Objektes zu einem bestimmten Zeitpunkt, zumindest eine Trajektorie des Objektes, zumindest eine Geschwindigkeit und/oder zu mindest eine Beschleunigung des Objektes bestimmt werden. Vorteilhafter weise werden durch die Kamera mehrere Bilder aufgenommen, die in die Be stimmung des Bewegungszustands eingehen. Es sind aber auch Szenarien denkbar, in denen der Bewegungszustand mit nur einem Bild bestimmbar ist. Wird beispielsweise das Objekt in einem inhomogenen Kraftfeld gegenüber dem Gravitationsfeld der Erde gehalten, so kann beispielsweise die Masse des Objektes den Ort des Haltens beeinflussen, weil dies gerade der Ort ist, an dem die durch die Masse bestimmte Gewichtskraft des Objektes mit der durch das inhomogene Kraftfeld ausgeübten Gegenkraft übereinstimmt. In diesem Fall kann daher als mechanische Eigenschaft die Masse des Objektes aus nur einem Bild bestimmt werden. Vorteilhafterweise werden aber zumin dest zwei Bilder von der Kamera aufgenommen.

Bevorzugterweise wird das Objekt mehrmals zu unterschiedlichen Zeiten von der zumindest einen Kamera aufgenommen. Auf diese Weise kann eine Ver änderung des Ortes des Objektes bestimmt werden, woraus der Bewegungs zustand bestimmbar ist.

Vorteilhafterweise kann das Objekt auch mit zumindest zwei Kameras aus unterschiedlichen Richtungen aufgenommen werden. Auf diese Weise kann der Bewegungszustand zumindest eines Objektes bestimmt werden, das sich nicht genau parallel zur Bildebene einer Kamera bewegen. Dies ist insbeson dere vorteilhaft in Szenarien, wo mechanische Eigenschaften einer Mehrzahl von Objektes gleichzeitig bestimmt werden sollen, die sich nicht alle parallel zueinander bewegen.

Es ist auch vorteilhaft möglich, das zumindest eine Objekt mit einer ersten Kamera zu einem ersten Zeitpunkt zu beobachten und mit einer zweiten Ka- mera zu einem zweiten, vom ersten verschiedenen, Zeitpunkt zu beobachten. Auf diese Weise ist die Bestimmung des Bewegungszustandes nicht auf den Sichtbereich einer Kamera beschränkt.

In einer vorteilhaften Ausgestaltung der Erfindung kann als Bewegungszu stand des zumindest einen Objektes eine Menge von Größen bestimmt wer den, die eine oder mehrere der folgenden Größen enthalten: Eine Anzahl von aus den Bildern ermittelten Werten, eine Durchschnittsgeschwindigkeit des jeweiligen Objektes, gemittelt über eine maximale Zeitdauer, die das Objekt in den aufgenommenen Bildern sichtbar ist, eine minimale Geschwindigkeit in nerhalb der Zeitdauer, die das Objekt in den aufgenommenen Bildern sichtbar ist, eine maximale Geschwindigkeit in der Zeitdauer, in der das Objekt in den aufgenommenen Bildern sichtbar ist, eine Durchschnittsgeschwindigkeit über einen Teil oder den gesamten Zeitraum, in dem das jeweilige Objekt in den aufgenommenen Bildern sichtbar ist, eine Durchschnittsbeschleunigung des jeweiligen Objektes, gemittelt über eine maximale Zeitdauer, die das Objekt in den aufgenommenen Bildern ist, eine minimale Beschleunigung innerhalb der Zeitdauer, die das jeweilige Objekt in den aufgenommenen Bildern sichtbar ist, eine maximale Beschleunigung innerhalb der Zeitdauer, die das jeweilige Objekt in den aufgenommenen Bildern sichtbar ist, und/oder eine Durch schnittsbeschleunigung über einen Teil des Zeitraums, in dem das jeweilige Objekt in den aufgenommenen Bildern sichtbar ist.

Als Wechselwirkung kommen vorzugsweise vor allem solche Wechselwirkun gen infrage, die zumindest eine Kraft auf das Objekt ausüben. Vorteilhafter weise kann die Wechselwirkung beispielsweise eine Beaufschlagung mit Vib ration, eine Beaufschlagung mit zumindest einem Stoß, eine Wechselwirkung mit einer Berührungsfläche und/oder eine Wechselwirkung mit einem Luft strom sein oder umfassen. Auch eine Wechselwirkung mit anderen Kräften wie beispielsweise mit einem elektrischen Feld und/oder einem magnetischen Feld sind möglich, wobei hier vorzugsweise eine Ladung des Objektes bekannt ist. Auch eine Bewegung des Objektes in einem Flüssigkeitsstrom ist möglich, wo das Objekt mit einer Reibungskraft als der Wechselwirkung beaufschlagt wird.

Die Beaufschlagung mit Vibration kann beispielsweise mittels eines Rüttelti- sches erfolgen. Andere Wechselwirkungen können beispielsweise dadurch ausgeübt werden, dass das Objekt auf einer Rutsche rutscht. Die Rutsche kann dabei auch als Buckelrutsche, als sandgestrahlte, oder gebürstete oder be schichtete Rutsche ausgestaltet sein. Das Objekt kann zur Beaufschlagung mit der Wechselwirkung auch mit einem Förderband bewegt werden.

Mechanische Eigenschaften, die mit dem erfindungsgemäßen Verfahren be stimmbar sind, können insbesondere alle Eigenschaften des Objektes sein, die einen Einfluss auf einen Bewegungszustand des Objektes haben können. Dies können beispielsweise eine Masse des Objektes, eine Dichte des Objektes, eine Reibung des Objektes mit einem umgebenden Medium wie beispielswei se einem Gas, Luft oder einer Flüssigkeit, eine Rollfähigkeit des Objektes, eine Haftfähigkeit des Objektes, eine Steifigkeit, ein Elastizitätsmodul, eine Stoß zahl und/oder eine Strömungswiderstand des Objektes sein. Diese Liste ist nicht als beschränkend zu verstehen, sondern gibt lediglich solche mechani sche Eigenschaften an, in denen das Verfahren besonders vorteilhaft ausführ bar ist.

Erfindungsgemäß wird das zumindest eine Objekt mit zumindest einer Kamera beobachtet und aus von der Kamera aufgenommenen Bildern der Bewe gungszustand bestimmt. Vorteilhafterweise können die Bilder hierbei einer Bildkorrektur, einer Segmentierung, einer Lokalisierung und/oder einer Merkmalsberechnung unterworfen werden.

Das erfindungsgemäße Verfahren ist besonders vorteilhaft anwendbar auf die Bestimmung mechanischer Eigenschaften einer Vielzahl von Objekten. Das Verfahren erlaubt vorzugsweise die mechanischen Eigenschaften mehrerer dieser Objekte gemeinsam zu bestimmen. Dabei können vorteilhaft mehrere der Objekte gleichzeitig von der zumindest einen Kamera beobachtet werden, so dass auch der Bewegungszustand mehrerer der Objekte zu gleichen Zeiten bestimmbar sein kann.

Vorteilhafterweise werden zumindest einige der zumindest einen Objekte in unterschiedlichen von der Kamera aufgenommenen Bildern identifiziert und getrackt bzw. verfolgt. Eine solche Verfolgung kann beispielsweise mittels Multiobject Trackings und/oder mittels„Extended Object Trackings" erfolgen. Wird das Verfahren nur auf ein Objekt gleichzeitig angewandt, so ist das Tra cking des Objektes dennoch vorteilhaft, um es in unterschiedlichen Bildern identifizieren zu können. Die genannten Tracking-Verfahren erlauben jedoch auch das gleichzeitige Tracken einer Mehrzahl von Objekten und insbesondere die Zuordnung bzw. Identifizierung der einzelnen Objekte in unterschiedlichen Bildern, so dass auch über mehrere Bilder hinweg die Bewegungszustände mehrerer Objekte parallel bestimmt werden können.

In einer vorteilhaften Ausgestaltung der Erfindung kann die zumindest eine mechanische Eigenschaft aus den von der zumindest einen Kamera aufge nommenen Bildern mittels eines neuronalen Netzes bzw. mittels maschinellen Lernens ermittelt werden. Hierbei kann das neuronale Netz vorab mit einem oder mehreren Objekten mit bekannten Werten der zu bestimmenden me chanischen Eigenschaft angelernt werden. Dabei wird das oder die Objekte mit den bekannten Werten der mechanischen Eigenschaft jener Wechselwir kung unterworfen, der die Objekte später beim Bestimmen der mechanischen Eigenschaften unterworfen werden und die Objekte dabei mit der zumindest einen Kamera beobachtet. Dem neuronalen Netz können dann diese Bilder vorgegeben werden und mit den bekannten mechanischen Eigenschaften verknüpft werden.

Werden nun in einem identisch aufgebauten Umfeld Bilder von Objekten mit unbekannten Werten mit mechanischen Eigenschaft aufgenommen, so kann das neuronale Netz diese Bilder Werten der mechanischen Eigenschaft zuord nen. Auf diese Weise kann das neuronale Netz die Werte des zumindest einen mechanischen Eigenschaft für die Objekte mit unbekannten Werten der me chanischen Eigenschaft aus den von der Kamera aufgenommenen Bildern be stimmen.

In einer vorteilhaften Ausgestaltung der Erfindung können die Bewegungen der Objekte durch eine Liste von Schwerpunktmessungen beschrieben wer den.

Wird das erfindungsgemäße Verfahren für eine Vielzahl von Objekten ausge führt, so können die Objekte anhand der zumindest einen mechanischen Ei genschaft klassifiziert werden. Es können also Objekte mit gleichen oder hin- reichend nahe beinanderliegenden Werten der zumindest einen mechani schen Eigenschaft jeweils gleichen Fraktionen zugeordnet werden. Insbeson dere kann vorteilhaft dem erfindungsgemäßen Verfahren dann ein Sortier schritt nachgeschaltet werden, in dem die Objekte, die unterschiedlichen Fraktionen zuzuordnen sind, unterschiedlichen Orten zugeführt werden.

Vorteilhafterweise kann das erfindungsgemäße Verfahren um Bestimmungen zumindest einer geometrischen Eigenschaft des zumindest einen Objektes ergänzt werden. Erlaubt beispielsweise die Beobachtung des Bewegungszu standes die Bestimmung der Masse des zumindest einen Objektes, so kann bei zusätzlicher Bestimmung beispielsweise eines Durchmessers des Objektes auf eine Dichte des Objektes geschlossen werden. Vorteilhafterweise kann die zumindest eine geometrische Eigenschaft in den von der Kamera aufgenom menen Bildern bestimmt werden.

Vorteilhafterweise kann das Erfindungsgemäße Verfahren zum Messen und/oder Klassifizieren dienen, vorzugsweise in einem industriellen Inspekti- ons- und/oder Prüfsystem. Das Verfahren kann insbesondere vorteilhaft für eine In-Line-Prüfung verwendet werden. Das Verfahren kann dabei eine hun dertprozentige Prüfung des zu prüfenden Materials bewirken, d.h. dass jedes Objekt geprüft wird. Dadurch kann das erfindungsgemäße Verfahren einen deutlichen Vorteil gegenüber herkömmlichen Verfahren bewirken, die nur eine Stichprobenhafte Überprüfung ermöglichen. Das erfindungsgemäße Ver fahren kann daher besonders vorteilhaft Teil eines Fertigungsverfahrens sein.

Vorteilhaft kann das erfindungsgemäße Verfahren unter anderem zur Schütt gutsortierung, z.B. im Recycling und/oder zur Schüttgutprüfung, z.B. zur Prü fung von Halbzeugen, eingesetzt werden.

Im Folgenden soll die Erfindung anhand einiger Figuren beispielhaft erläutert werden. Gleiche Bezugszeichen kennzeichnen dabei gleiche oder entspre chende Merkmale. Die in den Beispielen gezeigten Merkmale können auch unabhängig vom konkreten Beispiel realisiert sein und zwischen unterschiedli chen Beispielen kombiniert werden.

Es zeigt: Figur 1 ein Flussdiagramm eines beispielhaften Ablaufs eines erfin dungsgemäßen Verfahrens,

Figur 2 eine schematische Darstellung eines beispielhaften Ablaufs eines erfindungsgemäßen Verfahrens,

Figur 3 eine beispielhafte Ausführung des erfindungsgemäßen Verfah rens zur Schüttgutsortierung,

Figur 4 ein Ausführungsbeispiel der Erfindung zur Sortierung von Plas temischungen für Recycling-Anwendungen,

Figur 5 eine beispielhafte Ausführungsform des erfindungsgemäßen

Verfahrens zur Erkennung von Lufteinschlüssen in Formteilen,

Figur 6 eine beispielhafte Ausführungsform des erfindungsgemäßen

Verfahrens mit einer Vielzahl von Wechselwirkungen,

Figur 7 eine Performanz eines beispielshaften erfindungsgemäßen Ver fahrens und

Figur 8 eine Darstellung der Genauigkeit dieses Beispiels des erfin dungsgemäßen Verfahrens.

Figur 1 zeigt ein Ablaufdiagramm einer beispielhaften Ausführungsform eines erfindungsgemäßen Verfahrens zum Bestimmen zumindest einer mechani schen Eigenschaft zumindest eines Objektes. Es wird dabei in einem Schritt S1 zunächst zumindest ein Objekt an einer Wechselwirkung 1 vorbei transpor tiert 2. Im Schritt 2 wird das zumindest eine Objekt der zumindest einen Wechselwirkung 1 unterworfen, wobei die Wechselwirkung 1 einen Bewe gungszustand des zumindest einen Objektes beeinflusst. Die Wechselwirkung 1 ist dabei so gewählt, dass der durch die Wechselwirkung beeinflusste Bewe gungszustand eine Funktion der zumindest einen mechanischen Eigenschaft ist, die bestimmt werden soll. Es wird in einem Schritt S2 das zumindest eine Objekt mit zumindest einer Kamera beobachtet, deren Bilder in einem Schritt S3 einer Bildverarbeitung unterworfen werden. Das zumindest eine Objekt wird in einem Schritt S4 in den Bildern der Kamera getrackt bzw. verfolgt, so dass ein Bewegungszustand des zumindest einen Objektes bestimmbar ist. In einem Schritt S5 wird dann aus dem so bestimmten Bewegungszustand zu mindest eine mechanische Eigenschaft des zumindest einen Objektes be stimmt. In einem nachgelagerten Schritt S6 können die Objekt mit unter schiedlichen Eigenschaften unter Zuhilfenahme der in S2 bestimmten Kame rabilder separiert und unterschiedlichen Fraktionen zugeführt werden.

Die Anregung 1 kann vorzugsweise eine Wechselwirkung sein, die eine Ände rung des Bewegungszustandes des zumindest einen Objektes bewirkt. In der sensorischen Erfassung S2 können vorteilhaft als Bewegungszustand des zu mindest einen Objektes ein Ort, eine Trajektorie, eine Geschwindigkeit und/oder eine Beschleunigung des entsprechenden Objektes bestimmt wer den, die auch als Durchschnittsgeschwindigkeiten oder Durchschnittsbe schleunigungen, maximale Geschwindigkeiten, minimale Geschwindigkeiten, maximale Beschleunigungen und/oder minimale Beschleunigungen innerhalb der Beobachtungszeiträume bestimmt werden können.

Die sensorische Erfassung in Schritt S2 kann mittels einer aber auch mittels mehrerer Kameras zum gleichen oder zu unterschiedlichen Zeitpunkten erfol gen.

Figur 2 zeigt schematisch einen beispielhaften Ablauf des erfindungsgemäßen Verfahrens im Vergleich zu einem konventionellen Verfahren. In der oberen Hälfte ist dabei das konventionelle Verfahren gezeigt und in der unteren Hälf te ein Verfahren gemäß der vorliegenden Erfindung. Es wird ausgegangen von einem Prüfobjekt 21, das einer experimentellen Beobachtungssituation 22 unterworfen wird. Hierbei erfolgt insbesondere eine Beaufschlagung mittels einer Wechselwirkung, die einen Bewegungszustand des zumindest einen Objektes 21 beeinflusst. Von der Beobachtungssituation werden eine Mehr zahl von Bildern 23a, 23b, 23c aufgenommen, die die Bewegung des Objektes 21 abbilden. Aus diesen Bildern kann eine Trajektorie 24 des Objektes ermit telt werden. Die so ermittelten Bilder können zum Anlernen eines neuronalen Netzes 25 verwendet werden, wenn die mechanische Eigenschaft des Objek tes 21 bekannt ist. Im anschließenden Ermittlungsschritt können dann Bilder 23a, 23b, 23c und/oder ermittelte Trajektorien 24 einem angelernten neuro nalen Netz 25 zugeführt werden, woraus dieses zumindest eine mechanische Eigenschaft bestimmen kann. Die zumindest eine mechanische Eigenschaft 26 kann beispielsweise eine Dichte, Elastizität oder Reibung des Objektes an ei nem Medium sein.

In den folgenden Beispielen kann ein Anregen und Interaktion zum Beispiel erfolgen mit einem Rütteltisch, einem Luftstrom, einer Kollision mit Hinder nissen (z.B.„Buckelrutsche", Abprallplatte), mit einer Oberfläche (z.B. Rutsche sandgestrahlt, gebürstet, beschichtet, ....), mit einem Förderband etc.

Eine Bildverarbeitung kann z.B. Vorverarbeitung / Bildkorrektur (Shading, Fil terung), Segmentierung (Färb LUT, Thesholding), Lokalisierung (Zusammen hangsanalyse), Merkmalsberechnung (Fläche, Schwerpunkt, Länge, Breite, Farbhistogramm, Textur, Ausdehnung, ...) umfassen. Ein Tracking kann zum Beispiel basierend auf Schwerpunkten (vgl. Multiobject Tracking) und/oder basierend auf Ausdehnung (vgl. Extended Objekt Tracking) erfolgen.

Eine Charakterisierung kann zum Beispiel eine Klassifizierung auf Basis von Zeitreihen, Sequential Learning, Rekurrenten (tiefe) künstliche neuronale Net zen, Hidden Markov Modellen, Fourier-Transformationen, Dynamic Time Warping, etc. sein.

Eine Charakterisierung kann beispielsweise wie folgt erfolgen:

• Aufnahme einer Bildfolge B _t (x,y)

• Segmentierung der Bilder (Objekte / Hintergrund): B _t (x,y)€ [0,...,255] -> F _t (x,y)€ [0,1]

• Erkennen von Objekten durch Zusammenhangsanalyse in F _t . Jedes Bild enthält n Objekte.

• Ein Objekt wird zu mehreren Zeitpunkten t beobachtet.

• Jede Beobachtung eines Objekts wird durch einen Merkmalsvektor f _t beschrieben.

• f _t enthält u.a. Information zur Position des Objekts. Über die Zeitreihe an Positionen kann die Trajektorie des Objekts nachvollzogen werden.

• Für die finale Charakterisierung können Methoden des maschinellen Lernens zum Einsatz kommen, welche mit Zeitreihen (variabler Länge) arbeiten.

Figur 3 zeigt eine beispielhafte Ausgestaltung des erfindungsgemäßen Verfah rens zur Schüttgutsortierung. Beispielsweise können hier leere Walnussscha len zwischen Nüssen entdeckt werden. Leere Schalen können aus einem Ma terialstrom über Druckluftventile 31 ausgeschleust werden. Es werden hierbei Objekte 33, die das Schüttgut bilden, auf einem Rütteltisch 34 im Sichtbereich einer ersten Kamera 32a gerüttelt, so dass sie sich auf ein erstes Förderband 35a begeben, das mit einer ersten Geschwindigkeit vi fördert. Die Kamera 32a nimmt Bilder des Schüttguts im Bereich des Rütteltisches 34 und des Förder bandes 35a auf und gibt diese einer Verarbeitungselektronik 36 weiter, das eine Bildverarbeitung, Tracking und Charakterisierung ausführen kann. Die Objekte des Schüttguts 33 erfahren beim Übergang vom Rütteltisch 34 zum ersten Förderband 35a eine Beschleunigung, die in den Bildern der ersten Kamera 32a bestimmbar ist. Während der Förderung auf dem ersten Förder band 35a bewegen sich die Objekte des Schüttguts 33 mit konstanter Ge schwindigkeit. Die Objekte 33 werden dann im Sichtbereich einer zweiten Kamera 32b auf ein zweites Förderband 35b übergeben, das sich mit einer zweiten Geschwindigkeit v ₂ bewegt, die kleiner ist als die Geschwindigkeit vi. Die Objekte 33 erfahren daher beim Übergang auf das zweite Förderband 35b eine Entschleunigung, die in von der zweiten Kamera 32b aufgenommenen Bildern beobachtbar ist. Die zweite Kamera 32b liefert ihre Bilder an die Aus werteelektronik 36, die insbesondere die durch die erste Kamera 32a aufge nommenen Objekte den durch die zweite Kamera 32b aufgenommenen Ob jekte mittels Trackings zuordnen kann. Die Verarbeitungselektronik 36 kann aufgrund der so ermittelten mechanischen Eigenschaften der Objekte 33 ent scheiden, ob es sich um Nüsse oder leere Schalen handelt. Die Verarbeitungs elektronik 36 kann dann die Luftdruckdüse 31 so steuern, dass diese die lee ren Schalen einer anderen Fraktion zuführt als Nüsse.

Als mechanische Eigenschaften, anhand derer die leeren Schalen erkennbar sind, eignen sich hier besonders die Masse und Trägheit der Objekte 33, die in den genannten Beschleunigungen und Entschleunigungen zum Ausdruck kommen. Der gezeigte Aufbau enthält daher mit den Förderbändern 35a und 35b Komponenten, die die Nüsse beschleunigen und abbremsen. Die Kameras 32a und 32b sind vorzugsweise Hochgeschwindigkeitskameras. Der Beobachtungsbereich der ersten Kamera 32a erstreckt sich im gezeigten Beispiel über den Vibrationstisch 34 bis zum ersten Förderband 35a und der Beobachtungsbereich der zweiten Kamera 32b erstreckt sich vom Übergang zwischen den Förderbändern 35a und 35b bis zum Ende des Förderbandes 35b. Vorteilhafterweise sind die Beobachtungsbereiche der beiden Förder bänder 32a, 32b überlappend, um die Objekte 33 verfolgen zu können. Durch die Verwendung von Farbkameras 32a, 32b können bei Bedarf außerdem fle ckige Stellen auf der Schale erkannt werden und als weiteres Klassifizierungs kriterium verwendet werden.

Zur Detektion der einzelnen im Materialstrom enthaltenden Nüsse 33 können Bildsegmentierungsverfahren wie beispielsweise Farbhistogramme, Diffe renzbilder oder ähnliches eingesetzt werden. Ein Objekt kann beispielsweise auch durch ein oder mehrere geometrische Merkmale beschrieben werden, wie beispielsweise Mittelpunkt 2W-Projektion, ein umschließendes Rechteck, und/oder eine Fläche.

Zum Aufdecken der Korrespondenzen der einzelnen Objekte 33 zu unter schiedlichen Beobachtungszeitpunkten können Trackingalgorithmen verwen det werden (vgl. Multiobject Tracking, Extended Object Tracking).

Zum Einlernen der charakteristischen Sequenzen wird zunächst mit Hilfe einer Rückführung eine große Trainingsmenge für normale und separat für taube Nüsse 33 erstellt. Auf Basis dieser Daten wird der Klassifikationsalgorithmus trainiert.

Die Klassifikation der einzelnen Nüsse 33 geschieht auf Basis einer Sequenz an Beobachtungspunkten in Form einer Menge an Schwerpunkten / umschlie ßenden Rechtecken / Flächenkoordinaten / usw. Hierfür können Algorithmen aus dem Themenfeld Sequential Learning, z.B. rekurrente neuronale Netze eingesetzt werden. Entsprechende Klassifikationsalgorithmen ermöglichen es, Entscheidungen nicht auf Basis einer einzelnen Beobachtung, sondern einer Historie abzuleiten (im Falle von RNN durch Zyklen an Neuronen). Die Historie beinhaltet in diesem Fall Information über die Bewegung der Nuss an den ver- schiedenen Positionen.

Figur 4 zeigt ein weiteres Ausführungsbeispiel eines erfindungsgemäßen Ver fahrens, das wir zur Sortierung von Plastemischungen für Recyclinganwen dungen dient. Es werden hierbei eine Vielzahl von Objekten zunächst auf ei nen Rütteltisch 41 aufgebracht. Dieser vibriert und bewegt dadurch die Objek te auf eine Rutsche, die beispielsweise teflonbeschichtet sein kann. Die Objek te werden dort im Schwerefeld der Erde beschleunigt und treffen am Ende der Rutsche 42 auf eine Abprallplatte 43, von der sie abprallen. Die Objekte werden im Bereich der Abprallplatte 43 mittels einer ersten Kamera 44a und einer zweiten Kamera 44b beobachtet, so dass sich ihre Bewegung nach dem Abprallen auf der Abprallplatte 43 ermitteln lässt. Eine elektronische Auswer teeinheit 45, hier ein Computer, führt eine Bildverarbeitung auf den von den Kameras 44a und 44b aufgenommenen Bildern aus und trackt die Objekte. Aufgrund der unterschiedlichen Trajektorien der Objekte nach dem Auftreffen auf die Abprallplatte 43 können die Objekte charakterisiert werden.

Die hier sortierten Objekte können beispielsweise im Rahmen eines Recyc lingprozesses anfallende Mischungen von Low-Density-Polyethylen (LDPE) und High-Density-Polyethylen (HDPE) in unbekanntem Mischverhältnis sein. Die entsprechenden Anteile können mittels des gezeigten Beispiels zur Wieder verwertung bestimmt werden.

LDPE und HDPE unterscheiden sich unter anderem im Elastizitätsmodul und in ihrer Stoßzahl. Im in Figur 4 gezeigten Beispiel werden diese Objekte daher auf die Abprallplatte 43, die beispielsweise eine Stahlplatte sein kann, geführt, wo sie abprallen. Die Kameras 44a und 44b können beispielsweise mono chrome Hochgeschwindigkeitsflächenkameras sein. Dabei erfasst die Kamera 44a den Vorgang aus der Vogelperspektive und die Kamera 44b von der Seite, d.h. Kamera 44b blickt im Wesentlichen in Richtung parallel zur Fläche der Abprallplatte 43. Die Bildverarbeitung und das Tracking können wie in Beispiel 1 beschrieben ausgestaltet sein.

Im in Figur 4 gezeigten Beispiel kann die Klassifizierung besonders vorteilhaft mittels Maschinenlernen realisiert werden. Zum Einlernen des Systems kön nen Referenzkörper aus Kunststoff mit bekanntem Elastizitätsmodul bzw. be- kannter Stoßzahl durch das System geschleust werden. Es können dann die Trajektorien der Objekte in den Beobachtungsbereichen der Kameras 44a und 44b erfasst werden, indem die Bilder segmentiert und die Objekte erkannt werden, wobei mittels Multi-Target-Tracking-Verfahrens zeitlich Korrespon denzen zwischen den Aufnahmen hergestellt werden können. Vorteilhaft kann als zusätzliche geometische Eigenschaft eine Fläche des Objektes, ein Winkel der Hauptachse und/oder eine Streckung bestimmt werden. Das neuronale Netz kann auf Basis der Trajektorien sowie der genannten geomet rischen Eigenschaften trainiert werden, wobei ein Modell verwendet wird, das als Zielgrößen das Elastizitätsmodul sowie die Stoßzahl des entsprechenden Objekts hat.

Nach der Einlernphase können dann die zu bewertenden Kunststoffpartikel durch das System geführt werden. Das Modell ermöglicht auf Basis der Be obachtungen durch die Kameras 44a und 44b eine Prädiktion des Elastizitäts moduls und der Stoßzahl und ermöglicht dadurch die Bestimmung der Anteile an LDPE und HDPE.

Figur 5 zeigt ein weiteres Beispiel eines erfindungsgemäßen Verfahrens, das zur Erkennung von Lufteinschlüssen in Formteilen dient. Es werden hierbei Objekte 51a und 51b auf einem Förderband 52 bewegt. Die Objekte 51a, 51b werden durch das Förderband 52 in den Einflussbereich eines Luftstroms 53 eingebracht. Im Bereich des Luftstroms 53 befinden sich die Objekte 51a und 51b im Fall. Hat eines der Objekte 51a oder 51b Lufteinschlüsse, so hat das Objekt eine geringere mittlere Dichte. Haben die Formteile 51a, 51b einheitli ches Volumen, ist daher das Gewicht eines Formteils 51a, 51b mit Luftein schlüssen geringer als ohne Lufteinschlüsse. Das entsprechende Formteil 51a senkt sich daher im Luftstrom langsamer ab in der Flugphase. Der Flug der Formteile 51a und 51b wird im gezeigten Beispiel mit einer Hochgeschwindig keitsflächenkamera 55 beobachtet, deren Blickrichtung senkrecht zur Flug richtung der Objekte 51a, 51b steht. Die Kamera 55 kann eine monochrome Hochgeschwindigkeitsflächenkamera sein.

Die von der Kamera 55 aufgenommenen Bilder werden einer Verarbeitungs elektronik 57 zugeführt, die eine Bildverarbeitung und Tracking der Objekte ausführt. Anhand der beobachteten Trajektorien der Objekte 51a und 51b können diese charakterisiert werden, insbesondere auf das Vorhandensein von Lufteinschlüssen hin. Die Objekte 51a, 51b können nach ihrem freien Fall im Luftstrom 53 auf eine Rutsche 54 fallen, mittels der sie in den Einflussbe reich einer Druckluftdüse 56 bewegt werden. Diese kann die Objekte 51a, 51b abhängig von der ermittelten Eigenschaft, also abhängig von dem Vorhanden sein von Lufteinschlüssen, unterschiedlichen Fraktionen zuführen.

Auch das in Figur 5 gezeigte Beispiel kann vorteilhaft mittels Maschinenlernen realisiert werden. Zum Einlernen des Systems können dabei Bilddaten mit Referenzkörpern, d.h. mit Formteilen mit und ohne Lufteinschlüssen aufge nommen werden, wobei bekannt ist, welche der Formteile Lufteinschlüsse haben und welche nicht. Es können dann die Observablen, die die Ablenkung während der Flugphase beschreiben, aufgenommen werden. Mit dieser Da tenbasis kann der Klassifikator trainiert werden. Die Abläufe bezüglich der Bildverarbeitung und des Trackings entsprechen dabei vorteilhaft denen der vorherigen Beispiele. Die Objekte können dann wie in den vorherigen Beispie len mittels des angelernten neuronalen Netzes charakterisiert werden.

Figur 6 zeigt ein Beispiel eines erfindungsgemäßen Verfahrens, in dem mehre re mechanische Eigenschaften aus mehreren Wechselwirkungen bestimmt werden. Ein Schüttgutobjekt 61 wird dabei zunächst auf einen Vibrationstisch 62 aufgebracht, der die Objekte 61 einem freien Fall zuführt, der durch eine Kamera 63 beobachtet wird. Die Teilchen bewegen sich auf dem Vibrations tisch 63 unterschiedlich abhängig von ihrer Masse und ihrer Dichte. Durch Beobachtung mittels der Kamera 63 kann daher auf die Masse und die Dichte geschlossen werden. Im Bereich des freien Falls können die Objekte 61 mittels einer Luftdüse 64 mit einem Luftstrom beaufschlagt werden, auf dem die Teil chen 61 abhängig von ihrer Trägheit und ihrem Luftwiderstand unterschied lich reagieren. Durch die Beobachtung im Bereich des Luftstroms der Düse 64 kann daher auf die Trägheit und den Luftwiderstand der Teilchen 61 geschlos sen werden. Die Objekte 61 können dann einer Buckelrutsche 65 zugeführt werden. Im Bereich der Buckelrutsche können sie ebenfalls mittels der Kame ra 63 und/oder mittels einer weiteren Kamera 66 beobachtet werden. Die Teilchen 61 bewegen sich auf der Buckelrutsche 65 unterschiedlich abhängig von ihrer Steifigkeit und Reibung. Durch Beobachtung der Teilchen im Bereich der Buckelrutsche 65 mittels ei ner der Kameras oder beiden Kameras 63 und 66 kann daher auf die Steifig keit und Reibung der Teilchen 61 geschlossen werden.

Die Teilchen 61 können dann auf ein Förderband 67 fallen, auf dem sie durch eine weitere Kamera 68 beobachtet werden. Auf dem Förderband bewegen sich die Teilchen abhängig von ihrer Haftfähigkeit und ihrer Rollfähigkeit. Aus der Beobachtung mittels der Kamera 68 auf dem Förderband 67 können die Teilchen daher auf ihre Haftfähigkeit und ihre Rollfähigkeit hin untersucht werden.

Abschließend können die Teilchen optional unterschiedlichen Fraktionen zu geführt werden. Dies kann beispielsweise mittels einer Luftdruckdüse 69 ge schehen.

Im Folgenden soll eine beispielhafte Ausführung eines erfindungsgemäßen Verfahrens beschrieben werden. Dabei sollen die Objekte mittels eines För derbands entlang der Bewegungsrichtung des Förderbandes bewegt werden. Jedes der Objekte wird dabei durch zumindest eine Kamera mehrmals beo bachtet, um Daten zu erhalten, die zur Charakterisierung der Objekte ver wendet werden können. Es kann beispielsweise eine Flächenkamera verwen det werden, die eine hinreichend hohe Bildwiederholungsrate hat.

Aus den durch die Kamera aufgenommenen Bilddaten können Positionen des Objektes, z.B. Schwerpunkte der 2D-Projektion bestimmt werden. Hieraus ergibt sich eine Menge von Punkten für jedes Bild. Durch Verwendung von Multi-Target-Tracking können Informationen über dasselbe Objekt in aufei nanderfolgenden Bildern in eine Trajektorie kombiniert werden. Es kann bei spielsweise ein normaler Kalman-Filter zur Zustandsbestimmung verwendet werden, insbesondere zur Bestimmung der 2D-Position und der Geschwindig keit in beide Richtungskomponenten als Zustandsvariablen. Auch ein Algo rithmus zur Lösung des„Linear Assignment Problems" kann für die Zuordnung zwischen erhaltenen Messungen und existierenden Trajektorien verwendet werden. Eine detaillierte Beschreibung dieses Systems findet sich beispiels weise in F. Pfaff, C. Pieper, G. Maier, B. Noack, H. Kruggel-Emden, R. Gruna, U.D.

Hanebeck, S. Wirtz, V. Scherer, T. Längle et al.,„Improving optical sorting of bulk materials using sophisticated motion models", tm-Technisches Messen, Vol. 83, No. 2, pp. 77-84, 2016 und

F. Pfaff, M. Baum, B. Noack, U.D. Hanebeck, R. Gruna, T. Längle, and J.

Beyerer,„TrackSort: Predictive tracking for sorting uncooperative bulk mate rials", in 2015 IEEE International Conference on Multisensor Fusion and Inte gration for Intelligent Systems (MFI), 2015, pp. 7-12.

Letztlich kann der Pfad jedes einzelnen Objektes daher durch eine Liste von Schwerpunktmessungen beschrieben werden. Diese können sich allerdings in ihrer Länge unterscheiden aufgrund von unterschiedlichen Anzahlen von Beo bachtungszeitpunkten der Objekte.

In diesem Beispiel können einige bewegungsbezogene Werte basierend auf Geschwindigkeiten und Beschleunigungen manuell ausgewählt werden. Be züglich der Geschwindigkeit können ein zeitlich globales und mehrere zeitlich lokale Merkmale betrachtet werden. In diesem Zusammenhang beziehen sich globale Merkmale auf Informationen, die über die gesamte Beobachtungsse quenz des Objektes erhalten wurden. Lokale Merkmale können auf zwei auf einanderfolgenden Messungen für geschwindigkeitsbezogene Merkmale und drei aufeinanderfolgende Messungen für beschleunigungsbezogene Merkma le basiert sein. Der sich letztlich ergebene Merkmalsvektor ist 14-dimensional und setzt sich aus den folgenden numerischen Werten zusammen: Der Anzahl von erhaltenen Messungen, der globalen Geschwindigkeit des Objektes, der lokalen minimalen, durchschnittlichen und maximalen Geschwindigkeit indivi duell für die X- und die Y-Komponente, und die lokale minimale, durchschnitt liche und maximale Beschleunigung, individuell für die X- und Y-Komponente.

Es sei darauf hingewiesen, dass sich die lokalen Merkmale, die in der Mehr zahl sind, inline mit den Beobachtungen berechnen lassen, während die glo balen Merkmale erfordern, dass festgestellt wird, dass das Objekt den be obachtbaren Bereich verlassen hat. Der beschriebene Ansatz wurde experimentelle validiert. Für diesen Zweck wurden vier Produkte ausgewählt, für die ähnliche aber nicht gleiche Bewe gungscharakteristiken zu erwarten sind. Derartige Produkte können bei spielsweise hölzerne Halbkugeln, hölzerne Kugeln, Wachskugeln und Baum- wollkügelchen sein. Diese Objekte hatten alle einen Durchmesser von 10 mm und unterschieden sich nur bezüglich der Oberflächenreibung und ihrer Ge wichts. Zusätzlich zu den unterschiedlichen Materialien hatten die Wachsku geln und die Baumwollkügelchen ein kleines Loch durch sie hindurch. Die höl zernen Halbkugeln hatten eine Masse von ungefähr 0,26 g, die hölzernen Ku geln von ungefähr 0,4 g, die Wachskugeln eine Masse von ungefähr 0,47 g und die Baumwollkügelchen eine Masse von ungefähr 0,24 g.

Für diese Objekte wurden Bilddaten unter Verwendung eines miniaturisierten optischen Bandsortierers aufgezeichnet. Eine detaillierte Ausführung des Sys tems wird beschrieben in

C. Pieper, G. Maier, F. Pfaff, H. Kruggel-Emden, S. Wirtz, R. Gruna, B. Noack, V. Scherer, T. Längle, J. Beyerer et al.,„Numerical modelling of an automated optical beit sorter using the discrete element method," Powder Technology, 2016.

Die Objekte wurden in das System mittels eines Vibrationszuführers einge bracht und rutschten dann eine Schräge hinunter zu einem Förderband, das sich mit einer Geschwindigkeit von 1,1 m/s bewegte. Die Bilder wurden mit einer Frequenz von ungefähr 192 Hz mit einer Kamera des Typs„Bonito CL- 400" aufgenommen. Das Förderband hatte eine Gesamtlänge von 60 cm. Ein wichtiger Parameter für die Flusskontrolle ist die Länge des Förderbandes. Es wurden daher unterschiedliche Längen imitiert, indem die Kamera an unter schiedlichen Positionen entlang des Förderbandes an festen Abständen ange bracht wurde. Es wurden Daten für drei Orte aufgenommen, die im Folgenden beschrieben werden. Der erste Abschnitt, der hier als Zuführung bezeichnet werden soll, ist direkt hinter jenem Ort angeordnet, wo die Objekte auf das Förderband gelangen und umfasste die ersten ca. 11 cm. Dieser Ort der Ka mera simulierte also die kürzeste Länge des Förderbandes. Der zweite Ab schnitt ist in der Mitte des Förderbandes angeordnet und deckt einen Bereich von ca. 23 cm - 34 cm ab und soll hier als Zentrum beschrieben werden. Der letzte Bereich deckte die letzten ca. 8 cm des Förderbandes ab und soll hier als Kante beschrieben werden.

Jeder der folgenden Verarbeitungsschritte wurde offline im Anschluss an die Bildaufzeichnung ausgeführt. Zuerst wurden grundlegende Bildverarbeitungs routinen verwendet, um Mittelpunkte von potenziell in jedem Frame enthal tenen Objekten zu extrahieren. Hier wurde ausgenutzt, dass in der Szene ein stabiler Hintergrund und eine stabile Ausleuchtung existierte. Ein Hinter- grund-Substraktionsansatz wurde verwendet, um Bereiche des Frames zu ext rahieren, die Objekte enthalten. Es wurden dann deren Mittelpunkte berech net. Diese Schwerpunktinformation wurde dann dem Multi-Target-Tracking- System zugeführt, das eine Liste von Tracks und zugeordnete Messungen für jeden Datensatz ausgibt. Aus diesen Daten konnten dann die oben beschrie benen Merkmalsvektoren berechnet werden.

Da hier manuelle Merkmalsselektion ausgeführt wurde, wurde Principle Com- ponent Analysis (PCA) verwendet, um die Auswahl zu validieren. Es konnten Cluster für alle vier der Klassen identifiziert werden.

Um den Erfolg des Verfahrens zu zeigen, wurde ein Random-Forrest-Classifier mit 10 Estimatoren auf die Daten angelernt. Als ein Maß für die Qualität wur de der Matthews Correlation Coefficient (MCC) wie in B.W. Matthews, „Comparison of the predicted and observed secondary structure of T4 phage lysozyme," Biochimica et Biophysica Acta (BBA)-Protein Structure, Vol. 405, No. 2, pp. 442-451, 1975 beschrieben, verwendet. Zunächst wurden die ge samten Daten verwendet, sowohl zum Training als auch zum Testen, um eine obere Grenze der Performance zu erhalten. Für alle Beobachtungsbereiche und Klassen wurde exzellente Werte zwischen 0,98 und 1,0 erhalten. Hier ist deutlich zu erkennen, dass Klassen aufgrund der Daten unterschieden werden können.

Darüber hinaus wurde Training und Testen mittels Cross-Validation ausge führt. Für diesen Zweck wurden 60% der Daten zum Training verwendet. Die hierdurch erhaltenen Ergebnisse sind in Figur 7(b) gezeigt. Es ist zu erkennen, dass im Allgemeinen die Holzkugeln und Halbkugeln mit größter Genauigkeit für alle betrachteten Kamerapositionen detektiert werden konnten. Es ist auch zu erkennen, dass sich die Klassifizierungsqualität mit der Länge des För derbandes verbessert. Es zeigt sich, dass bewegungsbasierte Merkmale zur Unterscheidung von Produkten aussagekräftig sind. Eine optionale Kombina- tion mit weiteren Merkmalen wie beispielsweise farbbasierten Merkmalen oder geometrischen Merkmalen kann die Ergebnisse weiter verbessern.

Figur 8 zeigt, welche Fehler sich in der Klassifizierung ergaben. Es kann bei spielsweise in den in Figur 8 gezeigten Wahrheitsmatrizen erkannt werden, dass in der Position„Zuführung" viele Wachskugeln fälschlicherweise als höl zerne Halbkugeln klassifiziert wurden, während dieser Fehler in der Position „Kante" fast vollständig verschwindet. Andererseits ist zu erkennen, dass die Zahl der fälschlicherweise als hölzerne Halbkugeln erkannten Baumwollkügel- chen an beiden Positionen fast gleich ist.

Die Erfindung zeigt, dass bewegungsbasierte Merkmale gut geeignet sind, bestimmte Produkte im sensorbasierten Sortieren zu unterscheiden. Für wei tere Verbesserung können beispielsweise auch Änderungen in Richtung und Drehimpuls verwendet werden.