Autor: Daniel Garten

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.