MUENCHEN (CW) - Neuronale Netze zeichnen sich durch Lernfaehigkeit sowie Fehlertoleranz beim Ausfall einzelner Verarbeitungseinheiten aus. Vorbild ist das Gehirn - Bildverarbeitung und Mustererkennung die klassischen Einsatzgebiete. Die Grazer Austro Calcit GmbH trennt damit "schlechte" Steine von "guten", die spaeter als mineralische Fuellstoffe Verwendung in Zahnpasta, Kosmetik und Tabletten finden.
Mit Hilfe einer Software, die ein neuronales Netz simuliert, werden in Seiersberg bei Graz derzeit stuendlich bis zu 15 Tonnen Kalkstein verarbeitet. Durchgefuehrt wurde das Projekt von der Siemens Programm- und Systementwicklung (PSE) Graz sowie von der VT-Process Engineering & Verfahrenstechnik GmbH, die als Generalunternehmer taetig war. Die Grundlage fuer die Applikation bildet die Standardsoftware "N-net" der AI-Ware Inc. aus Cleveland, Ohio, die auch die 15000 Mark teure Trainingskomponente beinhaltet. Als entscheidende Vorteile der Neuronensoftware nennt VT-Process-Geschaeftsfuehrer Vinzenz Fleck die Gewaehrleistung gleichbleibend korrekter Ergebnisse, die die Investition von 200000 Mark fuer die gesamte Anlage von vornherein rechtfertige, sowie die Moeglichkeit, "verlaesslich Spitzenqualitaet zu produzieren". Ausserdem koennten Materialien, die bisher wegen Verunreinigungen nicht nutzbar waren, nun bewertet und damit zu einem hoeheren Prozentsatz verwertet werden. Dass die Anwendung nicht programmiert, sondern nur trainiert werden muss, dass sie dadurch flexibel und preisguenstig ist, gab den Ausschlag fuer den High-Tech-Einsatz im Fuellstoffwerk.
Das Training der Software erfolgte in der Sortieranlage und mit Mustersteinen. Etwa 100 bis 150 Einzelbilder reichten aus, um zufriedenstellende Ergebnisse zu erzielen. Da das Werk seine Ware aus zwei Steinbruechen bezieht, wurden zwei Trainingsdatensaetze erstellt. Sollte sich die Austria Calcit einen weiteren Steinbruch erschliessen, muesste sie die Applikation lediglich neu trainieren. Die Software auf neue Muster einzustellen, haelt Fleck fuer "keine grosse Sache". Dafuer brauche man nicht einmal Spezialisten. Entscheidendes Bewertungskriterium fuer Gesteinsmehl ist der Weissegrad. Je heller das Endprodukt aussieht, desto hoeher liegt seine Qualitaet und desto teurer laesst es sich verkaufen. Ein einzelner dunkler Stein kann demnach das Ergebnis nachhaltig beeintraechtigen.
Da jeder Stein sich individuell, zum Beispiel durch Farbeinschluesse, Verunreinigung oder Herkunftsort, von anderen unterscheidet, kann eine Bewertung algorithmisch nur schwer ermittelt werden. So praesentiert ein nasser Stein dem Auge voellig veraenderte Farbwerte. Herkoemmliche Systeme koennen nicht erkennen, ob es sich um einen trockenen oder nass gewordenen Stein handelt - ein neuronales Netz sehr wohl.
Dazu werden die Steine ueber ein Foerderband gefuehrt, das in drei Spuren aufgeteilt ist, so dass auf einem Bildabschnitt der laufenden Kamera jeweils nur ein Stein pro Bild erfasst wird. Die Kamera merkt, wenn Steine im Bild sind, und erstellt Momentaufnah men. Diese werden nach Gesteinseigenschaften analysiert: Helligkeitsverteilung, Durchschnittshelligkeit und Gewichtung der Farbskala.
Die Ergebnisse, sogenannte Features, gehen nun ans neuronale Netz, das auf einem 386er PC installiert ist. Dieses trifft die Entscheidung, welcher Qualitaetsnorm der Stein entspricht. Die durchschnittliche Bewertungszeit betraegt pro Bild 0,3 Sekunden, wobei in jede Aufnahme drei Steine gleichzeitig erscheinen. Die Einstufung wird der Automatisierungssoftware uebermittelt, die je nach gewuenschter Qualitaet der jeweiligen Charge die guten von den schlechten Steinen trennt.